【技术实现步骤摘要】
一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法、系统、装置及存储介质
[0001]本专利技术涉及一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法、系统、装置及存储介质，属于图像处理
技术介绍
[0002]随着手机和显示器的广泛普及，用手机拍摄显示器中的版权图像可以很容易地获取高质量复制，同时损害其中的水印信号，使得水印方法失效。因此，设计适用于跨媒介传输水印方法的新型水印技术对于版权保护、信息安全具有重大意义。此外，随着深度学习的发展，神经网络强大的学习能力将水印方法推向了更高的水平。
[0003]屏幕拍摄过程中会引入大量不同于电子传输信道失真的新型失真，传统电子信道水印方法并不能很好地适用于屏幕拍摄过程。2019年，Wengrowski等人提出采用神经网络模拟屏幕拍摄过程中的失真，并将其作为噪声层加入训练，从而获得屏幕拍摄鲁棒性。但是容易导致噪声神经网络过拟合于屏幕拍摄失真数据集，降低了水印的泛化性。2020年，Tancik等人提出采用组合多种电子信道噪声来模拟屏幕拍摄过程的失真，但是由于组合的...
【技术保护点】
【技术特征摘要】
1.一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法，其特征在于，包括：获取载体图像、水印图像和待验证图像；将载体图像和待验证图像输入到训练好的水印编码器中，输出载体图像特征和待验证图像特征；对载体图像特征进行二值化，得到载体图像二值特征，将载体图像二值特征与水印图像异或，生成零水印图像；对待验证图像特征进行二值化，得到待验证图像二值特征，将待验证图像二值特征与所述零水印图像异或，生成重建水印图像，计算重建水印图像与水印图像的归一化相关系数，若所述归一化相关系数大于预设的阈值，则所述待验证图像的版权属于水印图像的提供方。2.根据权利要求1所述的一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法，其特征在于，所述水印编码器通过以下方法进行训练：重复以下步骤进行循环训练，直至达到预设的训练次数，得到训练好的水印解码器：获取训练集，从训练集中选取训练图像和对比图像，将训练图像输入屏幕拍摄噪声层生成噪声图像；将训练图像、噪声图像、对比图像分别输入水印编码器，分别生成训练图像特征、噪声图像特征、对比图像特征；将训练图像特征、噪声图像特征分别输入水印解码器，分别生成重建训练图像、重建噪声图像；根据训练图像、重建训练图像、噪声图像、重建噪声图像、训练图像特征、噪声图像特征和对比图像特征，计算总损失函数，根据总损失函数通过随机梯度下降法更新水印编码器和水印解码器的参数。3.根据权利要求1所述的一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法，其特征在于，所述将训练图像输入屏幕拍摄噪声层生成噪声图像，包括：对训练图像添加高斯噪声并经过JPEG压缩的操作，实现对相机失真的模拟；对模拟相机失真后的训练图像依次进行视角变换、旋转、裁剪、放大、运动模糊、摩尔纹失真的操作，实现对拍摄失真的模拟；对模拟拍摄失真后的训练图像依次进行亮度调整、色相调整、光源失真的操作，实现对光照失真的模拟，得到噪声图像；其中，高斯噪声的方差、JPEG压缩的压缩率、视角变换的百分比、旋转的角度、裁剪的比例、运动模糊的角度和窗口大小、亮度调整的强度、色相调整的强度、光源失真采用的光源是在预设取值范围内随机选择的，放大的过程中放大倍率由裁剪后训练图像的宽和高决定：其中，a是放大倍率，min表示取最小值，H和W是裁剪前训练图像的高和宽，h和w是裁剪后训练图像的高和宽。4.根据权利要求1所述的一种针对屏幕拍摄场景基于深度学习的零水印版权保护方
法，其特征在于，所述将训练图像、噪声图像、对比图像分别输入水印编码器，分别生成训练图像特征、噪声图像特征、对比图像特征，包括：将形状为H
×
W
×
3的训练图像、噪声图像和对比图像经过离散小波变换后输入水印编码器，分别生成形状为的训练图像特征、噪声图像特征和对比图像特征，所述水印编码器由若干个残差卷积块构成。5.根据权利要求1所述的一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法，其特征在于，所述将训练图像特征、噪声图像特征分别输入水印解码器，分别生成重建训练图像、重建噪声图像，包括：将形状为的训练图像特征、噪声图像特征分别输入水印解码器，经过逆离散小波变换后生成形状为H
×
W
×
3的重建训练图像、重建噪声图像。6.根据权利要求1所述的一种针对屏幕拍摄场景基于深度学习的零水印版权保护方法，其特征在于，所述根据训练图像、重建训练图像、噪声图像、重建噪声图像、训练图像特征、噪声图像特征和对比图像特征，计...
【专利技术属性】
技术研发人员：张小瑞，蒋睿，孙伟，周志立，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。