【技术实现步骤摘要】
深度学习增强数字水印不可感知性方法
[0001]本专利技术涉及数字水印领域，具体地讲，涉及深度学习增强数字水印不可感知性方法。
技术介绍
[0002]水印算法的鲁棒性是指该算法对于图像攻击的抵抗能力，即算法在面对各种可能的攻击时，水印信息仍然能够被准确地提取出来，从而保证水印的稳定性。水印算法的不可感知性是指嵌入水印后，原始图像的视觉质量没有明显的下降，人眼很难察觉到水印的存在。因此，水印算法的不可感知性与水印容量有着密切的关系，一般来说，水印容量越大，水印对原图的影响就越大，从而可能导致不可感知性下降。
[0003]综上所述，水印算法的鲁棒性和不可感知性可以相互制约，而水印容量则会影响水印算法的不可感知性。
[0004]鲁棒性、不可感知性和水印容量是水印系统最重要的三个评价指标，但它们之间却存在着相互制约的关系，如图1所示。当嵌入一定容量的水印信息时，通过提高水印嵌入强度可以获得更好的鲁棒性，但同时也会造成宿主图像更太的失真，并且影响了水印的不可感知性。类似地，使用较低的水印强度虽可以保证较好的图像质量，但...
【技术保护点】
【技术特征摘要】
1.深度学习增强数字水印不可感知性方法，其特征在于，包括以下步骤：S1：水印图像预处理，得到提升不可感知性图像；选择一款具有强鲁棒性、高不可感知性的水印算法作为提高水印视觉质量的实验对象；S2：将生成的提升不可感知性图像和原始图像，输入卷积神经网络，利用损失函数提高水印图像的鲁棒盲水印不可感知性；S3：利用网络结构提高水印图像的鲁棒盲水印不可感知性；S31：结合U
‑
Net、GAN及VAE三者构造了生成器；S32：构成判别器。2.根据权利要求1所述的深度学习增强数字水印不可感知性方法，其特征在于：所述S1的具体流程为：S11：对水印容量进行非正常的提高，使含水印图像的鲁棒性得到极大提高；S12：破坏水印算法鲁棒性和不可感知性之间的平衡，得到提升不可感知性图像。3.根据权利要求2所述的深度学习增强数字水印不可感知性方法，其特征在于：所述S2的具体流程为：S21：将生成的提升不可感知性图像和原始图像都输入一个已训练好的卷积神经网络，并比较这两个图像在其中每一个卷积层输出的特征图上的差异，从而得到一个反应两张图像相似度的指标；S22：将感知损失用于鲁棒盲水印不可感知性提高，损失函数如下：
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（1）其中：为逐像素的MSE损失函数；为使用预训练的VGG16模型构成的感知损失；是用于计算图像的总变分损失；计算了正确标签和模型输出之间的差异；S23：使用了torch.mean()函数对每个样本的对抗损失进...
【专利技术属性】
技术研发人员：王春鹏，田鹏飞，马宾，夏之秋，周琳娜，李琦，魏子麒，李健，咸永锦，王晓雨，韩冰，
申请(专利权)人：齐鲁工业大学山东省科学院，
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。