深度学习增强数字水印不可感知性方法技术

本发明专利技术公开深度学习增强数字水印不可感知性方法，涉及数字水印领域，其特征在于，包括以下步骤：S1：水印图像预处理；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：损失函数；感知损失是一种图像处理算法中常用的损失函数，主要用来衡量生成的图像与真实图像之间的相似度。本发明专利技术要解决的技术问题是提供深度学习增强数字水印不可感知性方法，通过深度学习技术提高水印算法的不可感知性，实现在含有极大水印容量或嵌入强度很高的含水印图像中恢复图像细节并提取水印信息。并提取水印信息。并提取水印信息。

【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，但是又会在一定程度上降低水印的鲁棒性。
[0005]在数字水印的设计中，需要寻找鲁棒性、不可感知性和水印容量之间的平衡点。增加水印容量或者增强鲁棒性会导致不可感知性的降低，因此，我们需要一种可以保持强鲁棒性和高水印容量的同时提高含水印图像不可感知性的技术。
[0006]如果通过神经网络来实现水印算法不可感知性的提高，同时保证高水印容量和强鲁棒性，将解决如下技术问题：高强度水印应用：对于需要嵌入大容量或高强度水印的应用，例如数字广告、数字品牌保护等，提高水印算法的不可感知性可以避免对图像质量产生明显的影响，从而提高水印的可接受性和实际应用价值。
[0007]数据隐写：数字水印技术还可以用于数据隐写，即将隐秘信息嵌入到图像中，例如在安全通信、数字取证、隐蔽通信等领域。提高水印算法的不可感知性可以增强数据隐写的隐蔽性和安全性。
[0008]防篡改和鉴别：水印技术还可以用于防篡改和鉴别，例如在数字证据的验证、图片的真实性验证等场景。提高水印算法的不可感知性可以增强对篡改行为的检测和防御能力。

技术实现思路

[0009]本专利技术要解决的技术问题是提供深度学习增强数字水印不可感知性方法，通过深度学习技术提高水印算法的不可感知性，实现在含有极大水印容量或嵌入强度很高的含水印图像中恢复图像细节并提取水印信息。
[0010]本专利技术采用如下技术方案实现专利技术目的：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。
[0011]作为本技术方案的进一步限定，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。
[0012]作为本技术方案的进一步限定，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行求平均；S24：最终返回了整个训练当中的对抗损失。
[0013]作为本技术方案的进一步限定，所述S31的具体流程为：S311：U
‑
Net网络结构为一个自编码器，由 Encoder 和 Decoder 组成，Encoder 用于将输入图像压缩成一个较小的特征向量Code，Decoder 用于根据 Code 生成对应的输出图像，U
‑
Net 的特殊之处在于，将 Encoder 产生的特征图与 Decoder 针对同样分辨率的特征图进行拼接，能够在 Decoder 中更好地恢复细节信息；S312：VAE网络结构为一个变分自编码器，由 Encoder 和 Decoder 组成，Encoder 用于将输入图像压缩成一个较小的特征向量Code，Decoder 用于根据 Code 生成对应的输出图像，Mu (μ) 是VAE的 Encoder 中产生的 Code 的均值，用符号 μ 表示，Encoder 会同时产生 Code 的均值Mu和方差LogVar，通过这些参数进行重参数化Reparameterize，从而得到最终的 Code。
[0014]作为本技术方案的进一步限定，所述判别器包括二维卷积层Conv2d ，二维转置卷
积层ConvTranspose2d，全连接层Linear，修正线性单元激活函数ReLU， 多维数据展平成一维向量Flatten。
[0015]与现有技术相比，本专利技术的优点和积极效果是：提高水印算法的不可感知性：通过深度学习技术，生成的含水印图像在视觉上与原始图像无法区分，从而提高水印的不可感知性，使水印在保护隐蔽性的同时，不影响图像的视觉质量。
[0016]高容量和嵌入强度：通过深度学习技术，生成的含水印图像可以容纳较大的水印信息，并保持合适的嵌入强度，从而提高水印算法的容量和嵌入强度，适应不同应用需求。
[0017]抗攻击性能的改进：通过深度学习技术，生成的含水印图像可能对常见的攻击方法，如图像处理、压缩、噪声添加等，具有一定的鲁棒性，从而提高水印的抗攻击性能，增强水印算法的安全性。
[0018]灵活性和适应性：深度学习技术具有较强的灵活性和适应性，可以根据不同的应用场景和需求，设计不同的网络结构和损失函数，从而满足不同的水印应用需求。
[0019]创新性和竞争优势：该技术基于深度学习方法，对传统水印算法进行了改进和创新，具有较强的技术优势和竞争优势，有望在相关领域取得较好的市场地位和商业价值。
附图说明
[0020]图1为本专利技术的鲁棒性、不可感知性和水印容量的关系。
[0021]图2为本专利技术的水印强度及水印容量加强后水印图片。
[0022]图3为本专利技术的鲁棒性和不可感知性失去平衡后水印图像细节。
[0023]图4为本专利技术的生成器结构示意图。
[0024]图5为本专利技术的判别器结构示意图。
具体实施方式
[0025]下面结合附图，对本专利技术的一个具体实施方式进行详细描本文档来自技高网...

【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：