一种基于小波神经网络的图像大容量鲁棒水印方法技术

本发明专利技术针对现有技术的局限性，提出了一种基于小波神经网络的图像大容量鲁棒水印方法，在网络结构上进行了改进，采用了小波变换操作和小波逆变换操作来分别替代普通的卷积上采样和下采样操作，这种改进能使得网络在下采样时能够保留更多的高频信息，以及对噪声更加鲁棒。棒。棒。

【技术实现步骤摘要】
一种基于小波神经网络的图像大容量鲁棒水印方法


[0001]本专利技术涉及多媒体内容安全
，具体地，涉及跨媒体转换能力的图像水印技术；更具体的，涉及一种基于小波神经网络的图像大容量鲁棒水印方法。

技术介绍

[0002]近年来，随着人们对抗打印扫描、抗打印拍摄、抗屏幕拍摄等水印的需求愈发强烈，具备跨媒体转换能力的图像水印，即“物理”水印，的研究变得尤为重要。一般来说，“物理”水印不仅要保证图像视觉质量和足够大的嵌入容量，更重要的是要尽可能地提升抵抗跨媒体转换攻击的鲁棒性。
[0003]公开日：2022
‑
05
‑
24，公告号：CN114529442A的中国专利技术专利：一种采用两阶段预编码和小波网络的鲁棒图像水印方法，将两阶段水印信息预处理方案与掩膜机制严密切合，能够通过冗余编码使得水印信息均匀地分布在图像中，同时结合掩膜机制，在图像富纹理区域嵌入强度更高的水印并且降低了水印在图像平滑区域的嵌入强度，保障了图像的视觉质量；而在水印容量上，一方面小波集成神经网络对鲁棒水印有所提升；另一方面，两阶段水印信息预处理方案的嵌入机制允许手动控制水印的冗余度，从而提升了容量。
[0004]上述方案的创新点主要在于使用了两阶段、分块冗余编码的方法让水印嵌入过程更灵活，而如何设计更合理的神经网络结构，使得图像经过网络处理后，能够往其中嵌入视觉质量好、能抵御各种信道攻击、且大容量的水印信息，仍是一个值得研究的方向。

技术实现思路

[0005]针对现有技术的局限，本专利技术提出一种基于小波神经网络的图像大容量鲁棒水印方法，本专利技术采用的技术方案是：
[0006]一种基于小波神经网络的图像大容量鲁棒水印方法，通过以下步骤进行水印嵌入：
[0007]S11，获取水印信息以及载体图像；
[0008]S12，对所述水印信息进行维度扩充；
[0009]S13，将维度扩充的结果与所述载体图像拼接后，输入经过训练的基于小波神经网络的编码器中，获得残差图像；
[0010]S14，将所述残差图像与载体图像相加得到水印图像。
[0011]相较于现有技术，本专利技术在网络结构上进行了改进，采用了小波变换操作和小波逆变换操作来分别替代普通的卷积上采样和下采样操作，这种改进能使得网络在下采样时能够保留更多的高频信息，以及对噪声更加鲁棒。
[0012]作为一种优选方案，所述编码器中依序包括一个通道数为32的卷积层、三个基于小波变换的第一小波分解模块、一个通道数为512的卷积层、三个基于小波逆变换的小波重构模块以及一个通道数为3的卷积层；其中：
[0013]所述小波重构模块与所述小波分解模块对称设置，所述第一小波分解模块输出的
小波子带通过跳跃连接输入到对应位置的所述小波重构模块；所述第一小波分解模块用于对输入的特征进行小波分解，对得到的特征的各小波子带分别处理，实现下采样的功能；所述小波重构模块用于对输入的各频率的特征作预处理，对这些特征进行小波逆变换的操作，实现上采样的功能；
[0014]通道数为3的卷积层的输入为所述编码器的输入、通道数为32的卷积层的输出以及最后一个小波重构模块的输出的拼接结果。
[0015]进一步的，在所述第一小波分解模块中：对第一小波分解模块的输入特征进行小波分解，获得该输入特征的中高频子带LH、HL、HH以及低频子带LL；使用一个卷积层对所述低频子带LL进行处理，将处理后的结果与所述低频子带LL进行拼接；将拼接后得到的特征输出到下一级；将拼接后得到的特征连同所述高频子带LH、HL、HH一起通过跳跃连接输出到对应位置的所述小波重构模块。
[0016]更进一步的，在所述小波重构模块中：分别使用一个卷积层对输入所述小波重构模块的小波子带中的中高频子带LH、HL、HH进行处理；将输入所述小波重构模块的小波子带中的低频子带LL与从上一级输入所述小波重构模块的特征进行拼接，使用一个卷积层使该拼接结果的通道数与经过处理后的中高频子带的通道数一致；对以上经过处理后通道数相同的各小波子带使用小波逆变换操作进行上采样，使用一个卷积层减少上采样结果的通道数后输出到下一级。
[0017]作为一种优选方案，在所述步骤S12中，包括以下过程：
[0018]通过一个全连接层将所述水印信息中的比特序列扩展成长度为7500的向量，通过向量折叠的方式将该向量重塑为大小50
×
50的三通道图像，用最近邻插值将该三通道图像上采样到与所述载体图像一样的大小。
[0019]作为一种优选方案，通过以下步骤进行水印提取：
[0020]S21，获取嵌入有水印信息的待解码图像；
[0021]S22，将所述待解码图像输入经过训练的基于小波神经网络的解码器中，还原出所述待解码图像中的水印信息；
[0022]所述解码器中依序包括空间网络变换模块、一个步长为1的卷积层、三个基于小波变换的第二小波分解模块，还包括四个步长为2的卷积层以及两个全连接层；
[0023]在所述解码器中：所述空间网络变换模块用于对待解码图像作初步校正；经过各第二小波分解模块提取得到的特征，会通过步长为2的卷积层与等尺度的含水印信息的特征进行拼接，逐级对这些特征进行降维和提纯，最终通过两个全连接层来还原其中的水印信息。
[0024]进一步的，在所述第二小波分解模块中：对所述第二小波分解模块的输入特征进行小波分解，获得该输入特征的中高频子带LH、HL、HH以及低频子带LL；使用一个卷积层对所述低频子带LL进行处理，将处理后的结果与所述低频子带LL进行拼接，将拼接后得到的特征输出到下一级；分别对所述中高频子带LH、HL、HH进行第二次小波分解，保留第二次小波分解获得的低频子带LL作为输出的小波子带。
[0025]进一步的，在所述编码器以及解码器的训练过程中，以使得所述编码器生成的水印图像中的嵌入痕迹尽量无法被感知，且在噪声攻击下仍能保证解码的准确率为优化目标；
[0026]在所述编码器以及解码器的训练过程中：
[0027]以预设的判别器对载体图像以及所述编码器生成的水印图像是否为真实进行判断，通过进行所述判别器与编码器的对抗学习，交替优化更新；
[0028]以预设的噪声层对所述编码器生成的水印图像进行仿射变换、运动和模糊滤波、色调变化、加性噪声、JPEG压缩在内的模拟攻击；将经过模拟攻击后的水印图像作为输入所述解码器的待解码图像。
[0029]进一步的，在所述编码器以及解码器的训练过程中的总损失函数L按以下公式表示：
[0030]L＝λ
r
L
r
+λ
p
L
p
+λ
s
L
s
+λ
G
L
G
；
[0031]其中，L
r
为带掩膜的内容损失函数，L
p
为图像块感知相似损失函数，L
s
为解码信息本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，通过以下步骤进行水印嵌入：S11，获取水印信息以及载体图像；S12，对所述水印信息进行维度扩充；S13，将维度扩充的结果与所述载体图像拼接后，输入经过训练的基于小波神经网络的编码器中，获得残差图像；S14，将所述残差图像与载体图像相加得到水印图像。2.根据权利要求1所述的基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，所述编码器中依序包括一个通道数为32的卷积层、三个基于小波变换的第一小波分解模块、一个通道数为512的卷积层、三个基于小波逆变换的小波重构模块以及一个通道数为3的卷积层；其中：所述小波重构模块与所述小波分解模块对称设置，所述第一小波分解模块输出的小波子带通过跳跃连接输入到对应位置的所述小波重构模块；所述第一小波分解模块用于对输入的特征进行小波分解，对得到的特征的各小波子带分别处理，实现下采样的功能；所述小波重构模块用于对输入的各频率的特征作预处理，对这些特征进行小波逆变换的操作，实现上采样的功能；通道数为3的卷积层的输入为所述编码器的输入、通道数为32的卷积层的输出以及最后一个小波重构模块的输出的拼接结果。3.根据权利要求2所述的基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，在所述第一小波分解模块中：对第一小波分解模块的输入特征进行小波分解，获得该输入特征的中高频子带LH、HL、HH以及低频子带LL；使用一个卷积层对所述低频子带LL进行处理，将处理后的结果与所述低频子带LL进行拼接；将拼接后得到的特征输出到下一级；将拼接后得到的特征连同所述高频子带LH、HL、HH一起通过跳跃连接输出到对应位置的所述小波重构模块。4.根据权利要求3所述的基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，在所述小波重构模块中：分别使用一个卷积层对输入所述小波重构模块的小波子带中的中高频子带LH、HL、HH进行处理；将输入所述小波重构模块的小波子带中的低频子带LL与从上一级输入所述小波重构模块的特征进行拼接，使用一个卷积层使该拼接结果的通道数与经过处理后的中高频子带的通道数一致；对以上经过处理后通道数相同的各小波子带使用小波逆变换操作进行上采样，使用一个卷积层减少上采样结果的通道数后输出到下一级。5.根据权利要求1所述的基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，在所述步骤S12中，包括以下过程：通过一个全连接层将所述水印信息中的比特序列扩展成长度为7500的向量，通过向量折叠的方式将该向量重塑为大小50
×
50的三通道图像，用最近邻插值将该三通道图像上采样到与所述载体图像一样的大小。6.根据权利要求1所述的基于小波神经网络的图像大容量鲁棒水印方法，其特征在于，通过以下步骤进行水印提取：S21，获取嵌入有水...

【专利技术属性】
技术研发人员：苏文康，倪江群，孙一言，卢俊雄，
申请(专利权)人：中山大学，
类型：发明
国别省市：