基于制造技术

本发明专利技术公开了基于

【技术实现步骤摘要】
基于CSPNet的动态稀疏大容量鲁棒水印方法


[0001]本专利技术涉及信息隐藏领域，具体涉及基于
CSPNet
的动态稀疏大容量鲁棒水印方法
。

技术介绍

[0002]随着数字医学图像的广泛应用和网络传输的普及，医学图像的版权保护和数据安全问题日益凸显
。
未经授权的复制
、
篡改和盗用医学图像可能医疗数据安全风险
。
因此，开发一种高效且鲁棒的医学图像水印技术，用于溯源图像的来源和保护版权，对于信息隐藏领域具有重要意义
。
[0003]在过去的几年里，深度学习技术在计算机视觉领域取得了巨大的进展，尤其是在图像识别任务上
。CSPNet(Cross Stage Partial Network)
是一种有效的网络架构，通过交叉阶段信息流机制，提高了卷积神经网络
(CNN)
的学习能力
。CSPNet
在图像识别中表现出色，这为医学图像处理和水印技术的研究提供了新的思路
。
[0004]传统的数字水印技术可以在医学图像中嵌入一些标识信息，以保护版权和溯源图像来源
。
然而，对于动态的医学图像数据，如连续的
CT
扫描序列或视频图像，传统水印技术容量有限，无法满足大容量数据的需求
。
而且，水印鲁棒性也是一个重要的挑战，嵌入的水印需要在图像传输
、
压缩和处理等过程中保持稳定，防止丢失或被篡改
。r/>因此，基于
CSPNet
的动态稀疏大容量医学图像鲁棒水印技术成为解决这些问题的一种潜在方案
。
首先，
CSPNet
的交叉阶段信息流机制允许不同阶段的网络层有效地交换信息，这有助于捕获医学图像中复杂的特征
。
其次，动态稀疏卷积技术可以在图像卷积过程中减少计算量，提高水印嵌入的效率
。
通过结合这两种技术，可以在医学图像中嵌入大容量的水印，以实现数据溯源和版权认证的需求
。
[0005]综上所述，基于
CSPNet
的动态稀疏大容量医学图像鲁棒水印技术具有重要的研究价值和实际应用前景
。
通过结合
CSPNet
网络架构和动态稀疏卷积技术，可以在医学图像中实现大容量水印的高效嵌入，并保持水印的鲁棒性，从而确保医学图像的版权保护和数据安全
。

技术实现思路

[0006]本专利技术目的：在于提供基于
CSPNet
的动态稀疏大容量鲁棒水印方法，针对水印图像，执行如下步骤
S1
‑
步骤
S6
，构建并训练动态稀疏大容量鲁棒水印模型，完成水印图像的嵌入和提取：
[0007]步骤
S1
：将原始水印经过离散小波变换分离出水印近似图像与水印细节图像；
[0008]步骤
S2
：将水印近似图像与载体图像共同输入基于
CSPNet
的动态稀疏卷积神经网络编码器中生成载密图像，计算载体图像与载密图像的
MSE
损失，并采用随机梯度下降法更新编码器参数；
[0009]步骤
S3
：将载密图像与载体图像输入鉴别器中，判别是否为含密图像，若是，计算
两者的
SSIM
损失，并采用随机梯度下降法更新编码器参数，否则，进行下一步；
[0010]步骤
S4
：将载密图像输入噪声层中，向载密图像中随机添加噪声，得到被攻击后的载密图像；
[0011]步骤
S5
：将被攻击后的载密图像输入解码器中，得到解码载体图像与解码水印近似图像，将解码水印近似图像与水印细节图像经过逆离散小波变换得到解码水印
,
分别根据载体图像与解码载体图像，以及原始水印与解码水印计算
SSIM
损失，并采用随机梯度下降法更新噪声层与解码器参数；
[0012]步骤
S6
：判断模型是否达到预期效果，若是，则保留模型参数设置用于水印的嵌入和提取，否则返回步骤
S1
继续训练，直至获得训练好的动态稀疏大容量鲁棒水印模型，应用于水印图像的嵌入和提取
。
[0013]有益效果：相对于现有技术，本专利技术的优点包括：
[0014]本专利技术设计了基于
CSPNet
的动态稀疏大容量鲁棒水印方法，该方法能够保证使包含水印的医学图像拥有很高的不可见性的同时，可以在载体图像中嵌入大容量水印，主要贡献有：
[0015]1.
提出一种新的嵌入水印的框架，能够实现在载体图像中嵌入大容量水印；
[0016]2.
提出了基于
CSPNet
的动态稀疏性大核神经网络架构，
CSPNet
可以将梯度的变化从头到尾地集成到特征图中，达到减少模型的参数量和
FLOPS
数值的效果
。
动态稀疏性将核卷积扩大到
51
×
51
大小，获得更大的感受野，提取丰富的特征
。
附图说明
[0017]图1是根据本专利技术实施例提供的基于
CSPNet
的动态稀疏大容量鲁棒水印方法的流程图；
[0018]图2是根据本专利技术实施例提供的水印编码器流程图
。
具体实施方式
[0019]下面结合附图对本专利技术作进一步描述
。
以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围
。
[0020]参照图1，本专利技术实施例提供的基于
CSPNet
的动态稀疏大容量鲁棒水印方法，针对水印图像，执行如下步骤
S1
‑
步骤
S6
，构建并训练动态稀疏大容量鲁棒水印模型，完成水印图像的嵌入和提取：
[0021]步骤
S1
：将水印图像经过离散小波变换分离出水印近似图像与水印细节图像；
[0022]将水印图像通过小波系数区分水印近似图像与水印细节图像，采用基函数为
Daubechies
‑2的离散小波变换，表示为下式：
[0023]DWT(W)
＝
W
ac
,W
dc
[0024]其中，
DWT()
表示经过离散小波变换，
W
为水印图像，
W
ac
为水印近似图像，
W
dc
为水印细节图像
。
[0025]步骤
S2
：将水印近似图像与载体图像共同输入基于
CSPNet
的动态稀疏卷积神经网络编码器中生成载密图像，计算载体图像与载本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
基于
CSPNet
的动态稀疏大容量鲁棒水印方法，其特征在于，针对水印图像，执行如下步骤
S1
‑
步骤
S6
，构建并训练动态稀疏大容量鲁棒水印模型，完成水印图像的嵌入和提取：步骤
S1
：将原始水印经过离散小波变换分离出水印近似图像与水印细节图像；步骤
S2
：将水印近似图像与载体图像共同输入基于
CSPNet
的动态稀疏卷积神经网络编码器中生成载密图像，计算载体图像与载密图像的
MSE
损失，并采用随机梯度下降法更新编码器参数；步骤
S3
：将载密图像与载体图像输入鉴别器中，判别是否为含密图像，若是，计算两者的
SSIM
损失，并采用随机梯度下降法更新编码器参数，否则，进行下一步；步骤
S4
：将载密图像输入噪声层中，向载密图像中随机添加噪声，得到被攻击后的载密图像；步骤
S5
：将被攻击后的载密图像输入解码器中，得到解码载体图像与解码水印近似图像，将解码水印近似图像与水印细节图像经过逆离散小波变换得到解码水印
,
分别根据载体图像与解码载体图像，以及原始水印与解码水印计算
SSIM
损失，并采用随机梯度下降法更新噪声层与解码器参数；步骤
S6
：判断模型是否达到预期效果，若是，则保留模型参数设置用于水印的嵌入和提取，否则返回步骤
S1
继续训练，直至获得训练好的动态稀疏大容量鲁棒水印模型，应用于水印图像的嵌入和提取
。2.
根据权利要求1所述的基于
CSPNet
的动态稀疏大容量鲁棒水印方法，其特征在于，步骤
S1
中将原始水印经过离散小波变换分离出水印近似图像与水印细节图像表示为下式：
DWT(W)
＝
W
ac
,W
dc
其中，
DWT()
表示经过离散小波变换，
W
为水印图像，
W
ac
为水印近似图像，
W
dc
为水印细节图像
。3.
根据权利要求1所述的基于
CSPNet
的动态稀疏大容量鲁棒水印方法，其特征在于，步骤
S2
中将水印近似图像
W
ac
与载体图像
I
共同输入基于
CSPNet
的动态稀疏卷积神经网络编码器中，首先经过卷积块进行特征提取生成水印掩码
MASK
，将水印掩码
MASK
添加到载体图像
I
中生成载密图像
IW
，计算载密图像
IW
与载体图像
I
之间的
MSE
损失，采用随机梯度下降法更新编码器参数，该过程表示为下式：
MASK
＝
EnCNN(I,W
ac
)IW
＝
α
*MASK+ILossI
＝
(I,IW)
其中，
EnCNN()
表示
CSPNet
动态稀疏卷积神经网络编码器
,
α
代表嵌入权重，
LossI
表示载密图像
IW
与载体图像
I
之间的均方误差损失
。4.
根据权利要求1所述的基于
CSPNet
的动态稀疏大容量鲁棒水印方法，其特征在于，步骤
S3
中将载密图像
IW
与载体图像
I
输入鉴别器中，鉴别器由一个输入部分
、
一个二值分类器
、
一个输出部分组成；二值分类器通过
sigmoid
函数鉴别载密图像
IW
是否含有水印，当
sigmoid
函数的输出大于
0.5
时判定为含有水印图像，否则判定为无水印图像；根据载密图像
IW
与载体图像
I
计算两者的
S...

【专利技术属性】
技术研发人员：张小瑞，许亚楠，孙伟，蒋睿，原春霖，
申请(专利权)人：南京信息工程大学，
类型：发明
国别省市：