【技术实现步骤摘要】
本专利技术属于图像版权保护，更具体地，涉及一种面向版权保护的图像零水印方法、装置及介质。
技术介绍
1、图像版权保护是指对于拥有图像版权的个人或机构，为了保护其图像作品不被非法复制、传播或使用而采取的一系列措施。随着数字化技术的发展和互联网的普及，图像的传输和获取变得非常方便快捷。然而，这也带来了图像版权被侵犯的风险。非法拷贝、复制和盗用图像作品不仅损害了图像版权所有者的经济利益，还可能导致版权所有者的知识产权被侵犯，甚至会危害国家安全和国防安全。因此，保护图像版权的安全与知识产权已成为亟待解决的问题。
2、图像零水印技术是一种新兴的数字水印技术，它可以在不添加任何冗余信息的情况下，实现对图像的版权保护和身份认证。与传统的数字水印技术不同，图像零水印技术不需要在图像中嵌入任何额外的信息，也不会增加图像的存储空间和计算复杂度，为图像版权保护提供了一种切实可行的解决途径。数字零水印技术在图像、矢量地图、视频、音频等领域的安全保护方面取得了许多的应用，近几年在图像相关方面也取得了一定的研究和实验成果。
3、对于图像的零水印技术，国内外均有相当数量的研究。
4、例如，文献《温泉,孙锬锋,王树勋.零水印的概念与应用[j].电子学报,2003(02):214-216.)，之后也有学者对此做出改进(jiang f,gao t,li d.arobust zero-watermarking algorithm for color image based on tensor mode expansion[j].m
5、基于深度学习图像零水印研究相对较少，《fierro-radilla a,nakano-miyatakem,cedillo-hernandez m,et al.a robust image zero-watermarking usingconvolutional neural networks[c]//2019 7th international workshop onbiometrics and forensics(iwbf).ieee,2019:1-5.》使用简单的二分类的网络中的全连接层张量作为图像鲁棒信息。
6、《李西明,蔡河鑫,陈志浩等.注意力机制和自编码器构造的零水印算法[j].计算机系统应用,2022,31(09):257-264.)，liu g等利用风格迁移网络实现零水印信息生成(liu g,xiang r,liu j,et al.an invisible and robust watermarking scheme usingconvolutional neural networks[j].expert systems with applications,2022,210:118529.》利用自编码器算法以及注意力机制进行了进一步的改进。
7、但是如上技术所提出的零水印方法存在如下的问题：
8、1)水印的鲁棒性不佳：目前大多数零水印算法鲁棒性在裁剪攻击、旋转攻击和高强度的滤波攻击下鲁棒性效果较差。
9、2)水印生成的效率不高：传统水印算法利用各种复杂的数学或者图形变换，算法复杂度较高，且无法使用显卡进行并行加速。
10、3)水印的抗碰撞性较低：版权信息相似但不相同时，现有的方法生成的零水印也趋于相同，容易导致零水印的碰撞和版权记录的混淆。
11、4)水印生成网络的泛化性较差：部分深度学习零水印方法不仅需要对样本集进行训练，同时需要对保护内容的图像进行训练，对于未经训练的图像效果较差，因此泛化性低，难以实际应用。
技术实现思路
1、提供了本专利技术以解决现有技术中存在的上述问题。因此，需要一种面向版权保护的图像零水印方法、装置及介质，针对目前图像零水印技术鲁棒性不佳、零水印生成效率不高、抗碰撞性低以及泛化性差等问题，采用了自监督和有监督分类相结合方式进行训练，有效提高了鲁棒性、效率和泛化性，降低了碰撞性。
2、根据本专利技术的第一技术方案，提供一种面向版权保护的图像零水印方法，所述方法包括：
3、构建零水印生成网络；
4、训练零水印生成网络；
5、基于训练好的零水印生成网络，根据获取的待保护的图像和对应版权信息完成版权注册；
6、基于训练好的零水印生成网络，根据获取的版权存疑图像和对应版权信息完成版权检测。
7、进一步地，所述零水印生成网络包括一个弱噪声层、一个强噪声层、两个深度卷积网络以及两个多层感知机，所述两个深度卷积网络分别为第一深度卷积网络和第二深度卷积网络，所述两个多层感知机分别为第一多层感知机和第二多层感知机。
8、进一步地，所述弱噪声层和所述强噪声层用于依次对图像内容进行随机修改或变换操作，其中所述强噪声层对图像内容进行随机修改或变换操作的程度大于所述弱噪声层对图像内容进行随机修改或变换操作的程度，所述随机修改包括中的裁剪图像、旋转图像、椒盐噪声以及滤波中的一种及其组合；
9、进一步地，所述零水印生成网络的输入包括图像x和版权信息w，所述图像为任意格式的图像内容，所述版权信息为任意能标识版权来源、所有者信息的版权内容，所述版权信息包括编码序列、文本、图标、图像、视频以及语音中的任一形式；
10、所述图像x经过所述弱噪声层得到第一图像xw，此后所述第一图像xw有两个分支；
11、第一个分支将第一图像xw输入所述第一深度卷积网络得到第一特征图xw-n，将所述版权信息w输入第二深度卷积网络得到第二特征图w-n，将第一特征图xw-n和第二特征图w-n进行张量连接，再输入所述第一多层感知机中得到第三特征图pw，将所述第三特征图pw再输入所述第二多层感知机得到版权编码yw；
12、第二个分支将第一图像xw输入所述强噪声层得到第二图像xs，将所述第二图像xs输入所述第一深度卷积网络得到第四特征图xs-n，将所述第四特征图xs-n和所述第二特征图w-n进行张量连接，再输入所述第一多层感知机中得到第五特征图ps，将所述第五特征图ps再输入所述第二多层感知机得到版权编码ys。
13、进一步地，所述训练零水印生成网络，具体包括：
14、获取图像数据集和版权数据集；
15、基于所述图像数据集和版权数据集，通过如下损失函数对所述零水印生成网络进行训练：
16、loss＝loss1*weight1+loss2*weight2+loss3*weight3
17、其中loss1、loss2和loss3表示三个损失函数，weight1、weight2和weight3为三个损失函数的权重，在如下的约束下任意调整：
18、weight1+weight2+weight3＝1
19、三本文档来自技高网...
【技术保护点】
1.一种面向版权保护的图像零水印方法，其特征在于，所述方法包括：
2.根据权利要求1所述的方法，其特征在于，所述零水印生成网络包括一个弱噪声层、一个强噪声层、两个深度卷积网络以及两个多层感知机，所述两个深度卷积网络分别为第一深度卷积网络和第二深度卷积网络，所述两个多层感知机分别为第一多层感知机和第二多层感知机。
3.根据权利要求2所述的方法，其特征在于，所述弱噪声层和所述强噪声层用于依次对图像内容进行随机修改或变换操作，其中所述强噪声层对图像内容进行随机修改或变换操作的程度大于所述弱噪声层对图像内容进行随机修改或变换操作的程度，所述随机修改包括中的裁剪图像、旋转图像、椒盐噪声以及滤波中的一种及其组合。
4.根据权利要求3所述的方法，其特征在于，所述零水印生成网络的输入包括图像X和版权信息W，所述图像为任意格式的图像内容，所述版权信息为任意能标识版权来源、所有者信息的版权内容，所述版权信息包括编码序列、文本、图标、图像、视频以及语音中的任一形式；
5.根据权利要求4所述的方法，其特征在于，所述训练零水印生成网络，具体包括：
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。