CN113095987A - 一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法 - Google Patents

Abstract

本发明公开了一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法，包括使用编码器重构原始图像，生成含有水印的编码图像；对所述编码图像添加噪声，生成噪声图像；利用解码器从所述噪声图像中提取水印；判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。本发明利用全尺度特征融合，使得嵌入模块充分学习并融合不同尺度的重构特征，生成高质量的且含有水印信息的图像；优化了BEGAN的判别器结构，引入特征引导模块缩小编码层与解码层的语义差异，使重构图像的收敛速度更快、质量更稳定；此外，在训练过程中加入深度监督能进一步提高水印的层次表示，使水印具有更高的鲁棒性。

Description

一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法

技术领域

本发明涉及医学图像的数字水印的技术领域，尤其涉及一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法。

背景技术

随着医学影像技术的不断发展，医学图像成为医生诊断患者病情的重要依据。弥散加权成像(Diffusion-Weighted Imaging，DWI)是一种新型的功能磁共振成像技术，通过检测活体组织内部水分子无规则的扩散运动，反映机体组织在生理状态下水分子扩散的情况，间接地反映细胞密度、组织结构等方面的信息。该技术是目前唯一可以无创地观察活体组织内部水分子运动的方法，对大脑分割、肿瘤检测等重大疾病诊断具有巨大的临床应用价值。为了给患者提供更为准确的临床诊断和最佳的治疗方案，基于医学图像的远程共享和专家远程诊断技术已经成为重要的诊疗方式。伴随远程的医疗共享、诊断技术的不断发展与普及，也让越来越多的原本在医院单机上存储和使用的医学图像数据需要通过网络进行传输。可是未被保护的医学图像在远程传输过程中极易遭受窃取、非法使用、恶意攻击或篡改，严重影响医学专家的正确诊断。为有效保护医学图像信息的完整性，向远程专家提供准确的医学图像，以及限制未授权用户的使用，基于医学图像的数字水印技术成为解决上述问题的有效手段。

传统的鲁棒水印算法在均衡图像失真与水印鲁棒性方面具有一定的优势，但启发式方法在嵌入水印信息时，需针对不同的应用场景、成像特性、噪声攻击设计不同的水印提取算法，因此传统鲁棒水印算法通常可扩展性较差。HiDDeN利用神经网络在遭受噪声攻击时具有较高鲁棒性这一特点，在训练过程中加入特定的扰动来学习噪声图像与原始图像之间的分布相关性来提取鲁棒水印，以此突破传统方法的局限性。相比传统算法，HiDDeN的最大优势是只需要添加新噪声到训练过程中而不用设计专门的算法就能对该噪声鲁棒。但是，HiDDeN框架在重构过程中没有过多的考虑从多尺度的角度去学习图像语义特征和水印信号的分布特征，因此利用HIDDeN框架获取的含有水印信息的图像质量与水印的鲁棒性仍具有较大的提升空间。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有数字水印存在的问题，提出了本发明。

因此，本发明解决的技术问题是：传统的鲁棒水印算法在嵌入水印信息时，需针对不同的应用场景、成像特性、噪声攻击设计不同的水印提取算法，因此通常可扩展性较差；另一方面传统HIDDeN框架获取的含有水印信息的图像质量与水印的鲁棒性较差，收敛速度慢。

为解决上述技术问题，本发明提供如下技术方案：使用编码器重构原始图像，生成含有水印的编码图像；对所述编码图像添加噪声，生成噪声图像；利用解码器从所述噪声图像中提取水印；判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述使用编码器重构原始图像包括，从多尺度的上下文中学习纹理、细节特征，将DWI图像经过卷积模块与下采模块获得不同尺度的解码特征，水印嵌入模块将水印序列嵌入全尺度的解码特征中，并且通过调节每层嵌入因子来控制水印嵌入强度。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述控制水印嵌入强度包括，所述嵌入因子为σ_i，当σ_i＝1时，水印的嵌入强度达到最大，鲁棒性最好，但重构图像的质量会受到一定的影响，当σ_i＝0时，表明不在该层嵌入水印，i＝1,2…N。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述生成噪声图像包括，利用通过金字塔滤波器并行提取表示不同范围的局部上下文的多尺度特征，拼接具有表达水印分布规律与水印信息的特征，并与原始特征融合，在训练过程中添加噪声，让网络学习噪声图与原图的像素分布相关，以此提取鲁棒的水印，对所述编码图像添加噪声攻击包括：旋转、裁剪、像素替换、高斯噪声以及JPEG压缩，并且利用旋转角度θ衡量旋转强度、裁剪像素与原图像素的占比p控制裁剪强度、替换像素与原图像素的占比q控制替换强度、高斯核宽度σ控制高斯噪声强度以及质量因子Q控制JPEG压缩强度来控制噪声攻击的强度。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述控制噪声攻击的强度包括，在噪声层中设定噪声攻击的强度范围，对图像随机添加噪声，每种噪声的范围不同，裁剪以及像素替换的范围都为[0.1，0.9]，高斯模糊的范围为[0，4]，JPEG压缩的范围为[0，100]，旋转的范围为[0，45]。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述利用解码器从噪声图像中提取水印包括，生成噪声图片后，在所述训练过程中加入深度监督算法，学习水印的层次表示，使用深度监督BCE损失函数，提高水印提取过程的直接性与透明性，其公式表示为：

其中：

为初始值为1的变量，随着迭代次数逐渐减小至0，a为初值很小的常数，Len为水印信息长度，y_k为从解码器的第k个特征提取模块提取的水印，y`为原始水印。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述水印包括，在水印嵌入与提取阶段的整个损失函数结合了以下不同的部分：

L_total＝ω₁L_sup-bce+ω₂L_percep+ω₃L_G

其中，ω_i，i＝1，2，3为平衡各损失函数的常数,L_G为对抗损失。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述缩小所述编码图像与原始图像的分布差距包括，在利用判别器自编码真实图像，并区分生成图像的过程中，优化网络结构，在所述判别器中加入特征引导模块缩小解码层与编码层的语义差异，提高自编码器缩小生成图像与真实图像的分布差距的能力。

作为本发明所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的一种优选方案，其中：所述特征引导模块包括，在所述判别器的解码部分，网络对图像进行逐层下采样提取高级特征的同时，所述特征引导模块利用池化与卷积操作，将来自解码层不同尺度的解码特征压缩成通道与空间相同的特征并聚合这些特征；在编码部分，利用上采样与卷积操作将融合特征扩展成与编码特征尺寸相同的特征，并与所述编码特征融合。

本发明的有益效果：设计一个多尺度的水印嵌入模块来提高重构图像的质量以及水印的鲁棒性，将水印嵌入模块应用于全尺度的特征重构过程中，利用全尺度特征融合，使得嵌入模块充分学习并融合不同尺度的重构特征，生成高质量的且含有水印信息的图像，并通过调节嵌入强度因子平衡水印的嵌入强度与图像质量；优化BEGAN的判别器结构，引入特征引导模块(FGM)缩小编码层与解码层的语义差异，使重构图像的收敛速度更快、质量更稳定；此外，在训练过程中加入深度监督能进一步提高水印的层次表示，使水印具有更高的鲁棒性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的基本流程示意图；

图2为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的网络模型图；

图3为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的编码器模型图；

图4为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的解码器模型图；

图5为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的判别器模型图；

图6为本发明第一个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的噪声攻击说明图；

图7为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的N个断层在M个方向上的二维切片展开图；

图8为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的原始BEGAN及其加入FGM后的损失函数对比图；

图9为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的重构图像可视质量对比图；

图10为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的专业模型的水印鲁棒性比较图；

图11为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的鲁棒水印方法的混合模型的水印鲁棒性比较图；

图12为本发明第二个实施例提供的基于多尺度特征学习的弥散加权图像的弥散性指标对比热图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1～6，为本发明的一个实施例，提供了一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法，包括：

S1：使用编码器重构原始图像，生成含有水印的编码图像。其中需要说明的是，

由于单一尺度的重构方式限制了感受野捕捉特征的能力，因此在本实施例中从多尺度的上下文中学习纹理、细节特征，避免因信息不充分而造成图像平滑，使重构的医学图像在细小的纤维走向、纹理方向上与原图保持一致，参照图3，为编码器的框架图，再左侧的解码路径上，通道数、长、宽分别为C、H、W的DWI图像I经过N个卷积模块与下采样模块得到不同尺度的解码特征，水印嵌入模块将水印序列嵌入全尺度的解码特征中，并且通过调节每层嵌入因子σi来控制水印嵌入强度，在编码路径上，每一层的特征融合模块把来自浅层的解码特征与深层的编码特征的空间与通道调整至相同大小并融合它们，将经过一个卷积模块后的融合特征作为最终的编码特征以减少多尺度特征融合产生的混叠效应。

进一步的是，调节每层的嵌入强度因子σ_i控制水印嵌入强度，嵌入强度因子σ_i与水印信号相乘，若σ_i为0-1之间的小数，则水印的值较小，特征表示不明显，导致网络难以从图像中提取正确的水印，即水印鲁棒性较低，当σ_i＝1时，水印的嵌入强度达到最大，鲁棒性最好，但重构图像的质量会受到一定的影响，当σ_i＝0时，表明不在该层嵌入水印，i＝1,2…N。

更进一步的是，为了衡量两副图像的语义像是程度，利用感知损失函数进行计算，公式表示为：

L_percep＝0.65L_percep(VGG₁)+0.3L_percep(VGG₂)+0.05L_percep(VGG₃)

其中：W_i、H_i分别表示VGG网络第i个模块的特征宽度、高度，B为Batch数量，F_i(y_w,h,b)、F_i(y`_w,h,b)分别为原始图像、重构图像在VGG网络的特征表示。

S2：对编码图像添加噪声，生成噪声图像。其中需要说明的是，

若编码器自适应地嵌入水印到全图中，可能会造成相同尺寸的空间所隐藏的水印数量不等，并且简单的堆叠多个卷积层与池化层无法充分学习水印信息的分布特征，当医学图像受到噪声、几何攻击后，局部像素间的相关性受到影响，这可能造成重要器官在形状、纹理、方向上产生变化，隐藏在感兴趣区域的水印信息也会被改变，因此本发明通过金字塔滤波器并行提取表示不同范围的局部上下文的多尺度特征来解决问题，参照图4，为特征提取模块的解码器模型图，特征提取模块的并行使用感受野为3、5与7的卷积模块提取每个空间位置在不同尺度上的金字塔特征，接着拼接这些具有表达水印分布规律与水印信息的特征，并将拼接特征与原始特征融合，以避免网络退化，为了减少模型参数，让不同感受野的特征具有相同的尺寸，本发明使用空洞卷积代替感受野为5与7的常规卷积。

进一步的是，具体过程可以表示为将最后K个特征模块的尺度为C_k*H_k*W_k的特征进行全局平均池化，得到C_k*1*1的特征，接着紧跟一个全连接层得到长度为Len的水印，将提取的K个水印与原始水印一起训练，本发明使用深度监督BCE损失函数提高水印提取过程的直接性与透明性。

在训练过程中添加噪声能让网络学习噪声图与原图的像素分布相关性，以此提取鲁棒的水印，对编码图像添加噪声攻击包括：旋转、像素替换、裁剪、高斯噪声以及JPEG压缩，并且利用旋转角度θ衡量旋转强度、裁剪像素与原图像素的占比p控制裁剪强度、替换像素与原图像素的占比q控制替换强度、高斯核宽度σ控制高斯噪声强度以及质量因子Q控制JPEG压缩强度来控制噪声攻击的强度，在噪声层中设定噪声攻击的强度范围，对图像随机添加噪声，每种噪声的范围不同，Cropping(裁剪)，Cropout(像素替换)与Dropout(像素替换)都是[0.1，0.9]；Gaussian blur(高斯模糊)为[0，4]，JPEG压缩[0，100]，Rotation(旋转)[0，45]。

S3：利用解码器从噪声图像中提取水印。其中需要说明的是，

使用深度监督BCE损失函数，提高水印提取过程的直接性与透明性，其公式表示为：

其中：

为初始值为1的变量，随着迭代次数逐渐减小至0，a为初值很小的常数，Len为水印信息长度，y_K从解码器的第k个特征提取模块提取的水印，y`为原始水印，在水印嵌入与提取阶段的整个损失函数结合了以下不同的部分：

L_total＝ω₁L_sup-bce+ω₂L_percep+ω₃L_G

其中，ω_i，i＝1，2，3为平衡各损失函数的常数,L_G为对抗损失。

S4：缩小编码图像与原始图像的分布差距。其中需要说明的是，

参照图5，为了缩小分布差距，在利用判别器自编码真实图像，并区分生成图像的过程中，优化网络结构，在判别器中加入特征引导模块缩小解码层与编码层的语义差异，提高自编码器缩小生成图像与真实图像的分布差距的能力。

进一步的是，特征引导模块包括，在判别器的解码部分，网络对图像进行逐层下采样提取高级特征的同时，特征引导模块对来自解码层的不同尺度的高级特征进行通道与空间压缩并聚合这些特征；在编码部分，网络对高级特征逐层上采样并融合经过扩展后的聚合特征。

参照图6，展示了图像在旋转攻击(θ＝10°)、2种像素替换(q＝0.3)、裁剪攻击(p＝0.2)、高斯噪声(σ＝2)、JPEG压缩(Q＝25)这6种攻击前后发生的变化，其中第一行图像表示编码图像I_e，第二行表示I_e遭受攻击之后产生的噪声图I_n，第三行表示I_e与I_n的差值图，可以看出，加入噪声后，噪声图与原图的像素差异较为明显，图像存在一定程度的失真、模糊。

实施例2

参照图7～12，为本发明第二个实施例，为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

利用公开数据集的脑部DWI图像作为测试样本，与普通医学图像不同，DWI图像数据由施加了多方向弥散梯度场的不同断层距离下的二维切片组成，具体由4维矩阵表示，前二维表示器官平面，第三维表示断层的数量，第四维表示梯度方向的数量；参照图7，将采集到的图像展开后获得约24000张二维切片图，

选取19000张切片作为训练集，5000张切片作为测试集，使用lr为0.0001的adam优化器batch_size为32，epoch为150，水印由长度为32bit的二进制随机序列构成，在图像中坐标为(d01,s01)的图片表示方向为1，切层为1的切片。

参照图8，在训练过程中，本实施例可视化了BEGAN及其改进后的损失函数，从图中可以看出，随着迭代次数的增加，原始BEGAN的k值大幅增加后又下降，k的变化率在0的附近大幅震荡，这说明自编码真实图像与区别生成图像这两个任务存在明显的不平衡，生成损失不平稳下降，说明判别器更倾向于把注意力集中在自编码真实图像上；在加入FGM后，k值缓慢增长，其增长率基本控制在0.005以内，表明两个任务的权重较为均衡，更重要的是，不论是生成损失还是判别损失，加入FGM后取得了收敛更快，下降更平稳、重构质量更高的进步。

为了进一步突出本发明算法的有益效果，本实施例选取重构图像质量、水印鲁棒性以及弥散特征改变量这三方面评价所提算法的好坏，为了证明算法的优越性，与传统的HiDDeN作比较，HiDDeN利用神经网络在遭受噪声攻击时具有较高鲁棒性这一特点，在训练过程中加入特定的扰动来学习噪声图像与原始图像之间的分布相关性来提取鲁棒水印，以此突破传统方法的局限性，相比传统算法，HiDDeN的最大优势是只需要添加新噪声到训练过程中而不用设计专门的算法就能对该噪声鲁棒，但是，HiDDeN框架在重构过程中没有过多的考虑从多尺度的角度去学习图像语义特征和水印信号的分布特征，因此利用HiDDeN框架获取的含有水印信息的图像质量与水印的鲁棒性仍较差。

在进行实验时，使用公开的脑部DWI数据集作为实验数据，为了公平，以二维切片的中心为起点，将医学图像裁剪成128大小的图片，其他训练参数与HiDDeN一致。

在对原始的医学图像数据集进行重构时，参照图9，相比于HiDDeN，本发明所提算法在某些区域的纹理细节失真程度较低，PSNR取得了15.78的提升，此外，还测试了对BEGAN的判别器应用FGM的效果，实验结果表明，引入FGM后PSNR取得3.83的提升，由差值图可看出在纹理细节上能与原图基本保持一致。

比较本方法、加入深度监督后的算法以及HiDDeN的水印鲁棒性，图10给出了3种算法的专业噪声模型性能，对于Cropping、Dropout、Gaussian Blur以及Rotation，从图中可以看出，本发明模型即使在噪声强度较大的情况下，水印正确率依然能达到90％以上，其中，加入深度监督后Rotation和Dropout模型的水印正确率都接近于1，这一性能已经能与传统方法竞争，对于频率域攻击的JPEG压缩，所提方法的优势体现在：在压缩质量因子Q为40到80之间与HiDDeN拉开了较大差距，这得益于在多尺度特征中嵌入冗余水印。

另外还比较了三种算法的混合模型性能，参照图10，第一排的Cropping、Cropout与Dropout显示当改变像素的占比小于0.5时，加入深度监督的模型的水印正确率能达到90％以上，第二排的Gaussian Blur和JPEG表明在失真程度较小的情况下，本发明算法依然能保持80％以上的水印正确率，对于旋转攻击，虽然加入深度监督后性能有所下降，但即使在极端情况下，水印正确率依然保持70％以上，因此从总体来看，本发明算法的水印正确率更高。

并且为了证明嵌入水印后的DWI转换为DTI后不受影响，即不改变水分子的弥散特性和组织结构，满足临床诊断要求，需要计算常用的三个参数：平均弥散率MD、各项异性FA、主轴方向角α_A的改变夹角α_AC用于临床诊断参考。

其中3个参数的计算方法如下所示：

平均弥散率MD反应了组织结构内部的水分子平均扩散能力，MD与水分子的弥散程度有关，与方向无关，并且MD值越大，说明水分子的扩散能力越强，反之亦然，其定义如下：

MD＝(λ₁+λ₂+λ₃)/3

其中：λ₁，λ₂，λ₃为弥散张量D的特征值，D是一个对称正定矩阵，在DWI转DTI的过程中产生，通常由同一切片的至少6个方向的DWI图像通过最小二乘法拟合得到，其反应了组织内水分子的运动情况。

其中：e₁,e₂,e₃分别是特征值，λ₁，λ₂，λ₃对应的形状为1*3的特征向量，λ₁最大，e₁主轴方向的特征向量。

各向异性分数FA，在人体组织中，水分子在各个方向上的弥散程度是不同的，具有方向依赖性，称为各向异性，FA反映水分子的扩散方向是否具有一致性，其值在0～1之间，越大表示扩散非等向性越强，更具有方向性，在临床医学方面，FA能有效地区分灰质与脑白质，可根据扩散张量D绘制成彩色图像，定义公式如下：

主轴方向角α_A的改变夹角α_AC，水分子的扩散具有各向异性，其运动轨迹近似一个椭球体，椭球体的长轴方向为主轴方向，主轴方向反映了纤维走向，是医生用于诊断纤维病变的关键依据，定义主轴方向和XOY平面的夹角为α_A，为了不影响医生诊断，主轴方向改变的夹角α_AC不能超过5°，α_AC可通过原始特征向量e₁,e₂,e₃与改变后的特征向量e′₁,e′₂,e′₃之间的差值计算。

本实验中，选择13个方向的DWI图像进行拟合，并只在其中一个方向的图像中嵌入水印，计算并比较本文所提算法以及HiDDeN嵌入水印后的平均弥散率MD、各向异性分数FA、主轴方向夹角改变量α_AC以及与原始图像的差值，参照图12，为各弥散性参数对比热图，由第1、3列的差值图可知本文所提算法对FA、MD的改变量基本为0，第2列的差值图显示Hidden对FA的改变数量较多，且改变幅度接近于0.1，FA的差值图存在人眼可辨的差异，对于主轴方向偏转角，本发明算法仅让7个像素点的改变量大于5°，而HiDDeN出现超过150个像素点。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特性在于，包括：

使用编码器重构原始图像，生成含有水印的编码图像；

对所述编码图像添加噪声，生成噪声图像；

利用解码器从所述噪声图像中提取水印；

判别器缩小所述编码图像与原始图像的分布差距，使生成图像更加清晰。

2.如权利要求1所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述使用编码器重构原始图像包括，

从多尺度的上下文中学习纹理、细节特征，将DWI图像经过卷积模块与下采模块获得不同尺度的解码特征，水印嵌入模块将水印序列嵌入全尺度的解码特征中，并且通过调节每层嵌入因子来控制水印嵌入强度。

3.如权利要求2所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述控制水印嵌入强度包括，

所述嵌入因子为σ_i，当σ_i＝1时，水印的嵌入强度达到最大，鲁棒性最好，但重构图像的质量会受到一定的影响，当σ_i＝0时，表明不在该层嵌入水印，i＝1,2…N。

4.如权利要求1～3任一所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述生成噪声图像包括，

利用通过金字塔滤波器并行提取表示不同范围的局部上下文的多尺度特征，拼接具有表达水印分布规律与水印信息的特征，并与原始特征融合，在训练过程中添加噪声，让网络学习噪声图与原图的像素分布相关，以此提取鲁棒的水印，对所述编码图像添加噪声攻击包括：旋转、像素替换、裁剪、高斯噪声以及JPEG压缩，并且利用旋转角度θ衡量旋转强度、裁剪像素与原图像素的占比p控制裁剪强度、替换像素与原图像素的占比q控制替换强度、高斯核宽度σ控制高斯噪声强度以及质量因子Q控制JPEG压缩强度来控制噪声攻击的强度。

5.如权利要求4所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述控制噪声攻击的强度包括，

在噪声层中设定噪声攻击的强度范围，对图像随机添加噪声，每种噪声的范围不同，裁剪以及像素替换的范围都为[0.1，0.9]，高斯模糊的范围为[0，4]，JPEG压缩的范围为[0，100]，旋转的范围为[0，45]。

6.如权利要求1～3或5所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述利用解码器从噪声图像中提取水印包括，

生成噪声图片后，在所述训练过程中加入深度监督算法，学习水印的层次表示，使用深度监督BCE损失函数，提高水印提取过程的直接性与透明性，其公式表示为：

其中：

为初始值为1的变量，随着迭代次数逐渐减小至0，a为初值很小的常数，Len为水印信息长度，y_k为从解码器的第k个特征提取模块提取的水印，y`为原始水印。

7.如权利要求6所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述水印包括，

在水印嵌入与提取阶段的整个损失函数结合了以下不同的部分：

L_total＝ω₁L_sup-bce+ω₂L_percep+ω₃L_G

其中，ω_i，i＝1，2，3为平衡各损失函数的常数,L_G为对抗损失。

8.如权利要求1～3、5、7任一所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述缩小所述编码图像与原始图像的分布差距包括，

在利用判别器自编码真实图像，并区分生成图像的过程中，优化网络结构，在所述判别器中加入特征引导模块缩小解码层与编码层的语义差异，提高自编码器缩小生成图像与真实图像的分布差距的能力。

9.如权利要求8所述的基于多尺度特征学习的弥散加权图像的鲁棒水印方法，其特征在于：所述特征引导模块包括，

在所述判别器的解码部分，网络对图像进行逐层下采样提取高级特征的同时，所述特征引导模块利用池化与卷积操作，将来自解码层不同尺度的解码特征压缩成通道与空间相同的特征并聚合这些特征；在编码部分，利用上采样与卷积操作将融合特征扩展成与编码特征尺寸相同的特征，并与所述编码特征融合。

Images