基于U-Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置制造方法及图纸

本发明专利技术公开了一种基于U

【技术实现步骤摘要】
基于U
‑
Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置


[0001]本专利技术涉及一种基于U
‑
Net网络与DFT最优质量半径结合的抗打印数字水印方法，属于


技术介绍

[0002]数字水印技术(Digital Watermarking)是信息隐藏技术研究领域重要分支，利用人类的听觉、视觉系统的特点，在信息载体中加入一些额外的信息，以起到数字作品版权保护的作用。很多场合下重要文档、证书等需要打印成纸质印刷品，所以在打印扫描场景下的数字水印技术存在需求。然而现有抗打印水印技术存在较大挑战：由于图像打印扫描要经受数字半色调,点增益,伽马校正和量化等环节带来的像素失真以及拍摄提取时带来的一系列图像几何变换，导致大多数数字水印算法无法满足越来越复杂的需求。
[0003]近年来，深度学习的研究与发展进入了爆发时期，在计算机视觉等领域产生了许多研究成果，相比于传统根据先验知识手工设计的方法，深度学习具有强大的特征学习能力。研究者们将深度学习引入图像隐写中，让网络学习更隐蔽的隐写行为，2019年，Duan等人利用全卷积网络构建了一个U
‑
Net结构的编码网络。由于U
‑
Net结构性的网络能够将全局特征与局部特征更好融合，从而生成图像质量较好的含密图像，但当图像有大量低频区域时，效果并不理想。

技术实现思路

[0004]本专利技术的目的在于克服现有技术中的不足，提供基于U
‑
Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置，可解决为含有大片低频区域的载体图像嵌入抗打印水印的技术问题。
[0005]为达到上述目的，本专利技术是采用下述技术方案实现的：
[0006]第一方面，本专利技术提供一种基于U
‑
Net网络与DFT最优质量半径结合的抗打印数字水印方法，包括以下步骤：
[0007]获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图；
[0008]获得水印信息，并将所述水印信息读取为水印01字符串；
[0009]在所述载体图像频谱图中选出待嵌入水印区域，将待嵌入水印区域内值重组生成载体矩阵；
[0010]将待嵌入水印区域内值重组生成的载体矩阵和水印的01字符串组合，形成输入张量；
[0011]将所述输入张量输入Encoder网络(编码网络)中，得到含密矩阵；所述Encoder网络是以U
‑
Net为基础的水印编码网络；
[0012]用含密矩阵替换载体图像频谱图中相应的载体矩阵，生成含密图像频谱图，并对
所述含密图像频谱图进行逆幅度值、反傅里叶和逆YCbCr变换，生成含密图像。
[0013]进一步的，获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图的方法包括：
[0014]对载体图像进行YCbCr变换，取Y通道进行归一化处理，得到归一化后的图像Y通道矩阵；
[0015]对归一化后的图像Y通道矩阵进行傅里叶变换得到频谱图；
[0016]将所述频谱图的零频率分量移至中心，获得载体图像频谱图。
[0017]进一步的，在所述载体图像频谱图中选出待嵌入水印区域的方法包括：
[0018]以所述载体图像频谱图的中心为圆心，向外辐射不同半径的可嵌入水印区域；
[0019]将水印的01字符串行向量按嵌入半径以式(1)生成相应矩阵：
[0020][0021]式中，W(x
i
,y
i
)为水印矩阵，v(j)为行向量的第j个元素，M(x
i
,y
j
)为载体图像像素点，坐标(x
i
,y
i
)定义为：
[0022][0023][0024]其中，m和n表示载体图像M矩阵大小，r表示嵌入半径。
[0025]使用下式将水印矩阵嵌入载体图像中：
[0026]M
W
(x,y)＝M(x,y)+α*W(x,y)
[0027]其中，M(x,y)为载体图像像素点，W(x,y)为水印矩阵的对应值，M
w
为预处理阶段含密图像。
[0028]同时，在含密图像嵌入水印半径的
±
10范围内进行搜索，提取幅值系数作为提取水印的行向量并按式调整长度：
[0029]l＝(r+10)*π (4)
[0030]将行向量归一化区间到[0，1]，计算与原水印向量的交叉协方差。其定义为：
[0031][0032]其中，C
rv
为交叉协方差，*为复共轭，N为水印向量的长度，|m|为m的平均值。
[0033]寻找含密图像PSNR值高于平均值且交叉协方差系数大于0.3的半径，形成一个圆环域，作为待嵌入水印区域。
[0034]进一步的，所述Encoder网络以U
‑
Net为基础，其中U
‑
Net的输入参数为输入张量，通过七次下采样和上采样生成含密矩阵，包括由多个卷积和最大池化层组成的判别器网络；
[0035]所述判别器网络使用Wasserstein损失作为监督信号将基于mirflickr数据集进
行分类进行训练，训练方法包括：
[0036]使用L2残差正则化损失L
R
，LPIPS感知损失L
P
，判别器的损失L
C
以及水印信息熵损失L
M
的加权和作为训练损失：
[0037]L＝λ
R
L
R
+λ
P
L
P
+λ
C
L
C
+λ
M
L
M (6)。
[0038]进一步的，所述方法还包括提取含密图像频谱图的水印信息，包括以下步骤：
[0039]获取待识别的含密图像；
[0040]将所述待识别的含密图像输入训练好的解码网络(Decoder网络)，得到水印信息；所述解码网络包含空间变换网络和CNN网络。
[0041]进一步的，所述解码网络的训练方法包括：
[0042]获取多组生成的含密图像频谱图以及其水印信息；
[0043]对所述含密图像频谱图进行失真模拟，得到失真后的含密图像；
[0044]将所述失真后的含密图像以及其水印信息配对，形成训练集；
[0045]用所述训练集训练解码网络，得到训练好的解码网络。
[0046]进一步的，所述失真变换的方法包括以下方法的一种或多种：
[0047]透视扭曲：在固定范围内随机变换图像四个角点，求出原始角点到新位置的单应性，对原始图像进行双线性重采样，创建透视扭曲图像；
[0048]颜色变换：通过随机仿射颜色变换模拟打印过程中色本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于U
‑
Net网络与DFT最优质量半径结合的抗打印数字水印方法，其特征在于，包括以下步骤：获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图；获得水印信息，并将所述水印信息读取为水印01字符串；在所述载体图像频谱图中选出待嵌入水印区域，将待嵌入水印区域内值重组生成载体矩阵；将待嵌入水印区域内值重组生成的载体矩阵和水印的01字符串组合，形成输入张量；将所述输入张量输入Encoder网络中，得到含密矩阵；所述Encoder网络是以U
‑
Net为基础的水印编码网络；用含密矩阵替换载体图像频谱图中相应的载体矩阵，生成含密图像频谱图，并对所述含密图像频谱图进行逆幅度值、反傅里叶和逆YCbCr变换，生成含密图像。2.根据权利要求1所述的抗打印数字水印方法，其特征在于，获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图的方法包括：对载体图像进行YCbCr变换，取Y通道进行归一化处理，得到归一化后的图像Y通道矩阵；对归一化后的图像Y通道矩阵进行傅里叶变换得到频谱图；将所述频谱图的零频率分量移至中心，获得载体图像频谱图。3.根据权利要求1所述的抗打印数字水印方法，其特征在于，在所述载体图像频谱图中选出待嵌入水印区域的方法包括：以所述载体图像频谱图的中心为圆心，向外辐射不同半径的可嵌入水印区域；将水印的01字符串行向量按嵌入半径以式(1)生成相应矩阵：式中，W(x
i
,y
i
)为水印矩阵，v(j)为行向量的第j个元素，M(x
i
,y
j
)为载体图像像素点，坐标(x
i
,y
i
)定义为：)定义为：其中，m和n表示载体图像M矩阵大小，r表示嵌入半径；使用下式将水印矩阵嵌入载体图像中：M
W
(x,y)＝M(x,y)+α*W(x,y)其中，M(x,y)为载体图像像素点，W(x,y)为水印矩阵的对应值，M
w
为预处理阶段含密图像；同时，在含密图像嵌入水印半径的
±
10范围内进行搜索，提取幅值系数作为提取水印的行向量并按式调整长度l：l＝(r+10)*π
ꢀꢀꢀ
(4)
将行向量归一化区间到[0，1]，计算与原水印向量的交叉协方差；其定义为：其中，C
rv
为交叉协方差，*为复共轭，N为水印向量的长度，|m|为m的平均值；寻找含密图像PSNR值高于平均值且交叉协方差系数大于0.3的半径，形成一个圆环域，作为待嵌入水印区域。4.根据权利要求1所述的抗打印数字水印方法，其特征在于，所述Encoder网络以U
‑
Net为基础，其中U
‑
Net的输入参数为输入张量，通过七次下采样和上采样生成含密矩阵，包括由多个卷积池和最大池组成的判别器网络；所述判别器网络使用Wasserstein损失作为监督信号将基于mirflickr数据集进行分类进行训练，训练方法包括：使用L2残差...

【专利技术属性】
技术研发人员：佘康伟，江怡，梁秀健，付章杰，陈北京，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：