CN113222800B - 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 - Google Patents

一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 Download PDF

Info

Publication number
CN113222800B
CN113222800B CN202110390410.1A CN202110390410A CN113222800B CN 113222800 B CN113222800 B CN 113222800B CN 202110390410 A CN202110390410 A CN 202110390410A CN 113222800 B CN113222800 B CN 113222800B
Authority
CN
China
Prior art keywords
watermark
image
vector
size
embedding
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110390410.1A
Other languages
English (en)
Other versions
CN113222800A (zh
Inventor
吴宁
汤朋
张弘
邹云峰
赵险峰
单超
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Institute of Information Engineering of CAS
Original Assignee
State Grid Jiangsu Electric Power Co ltd Marketing Service Center
State Grid Corp of China SGCC
State Grid Jiangsu Electric Power Co Ltd
Institute of Information Engineering of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by State Grid Jiangsu Electric Power Co ltd Marketing Service Center, State Grid Corp of China SGCC, State Grid Jiangsu Electric Power Co Ltd, Institute of Information Engineering of CAS filed Critical State Grid Jiangsu Electric Power Co ltd Marketing Service Center
Priority to CN202110390410.1A priority Critical patent/CN113222800B/zh
Publication of CN113222800A publication Critical patent/CN113222800A/zh
Application granted granted Critical
Publication of CN113222800B publication Critical patent/CN113222800B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0051—Embedding of the watermark in the spatial domain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0065—Extraction of an embedded watermark; Reliable detection
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Abstract

一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统，包括：1、采集图像数据分为训练集与测试集；2、得到载体图像向量；3、使用水印嵌入网络得到水印图像，计算水印图像失真损失；4、将水印图像转化为有损水印图像；5、将有损水印图像输入水印提取网络中，提取出水印信息并计算信息提取损失；6、将载体图像向量与水印图像输入一个判别器，计算其差别；7、使用测试集重复步骤2至5计算测试集水印的鲁棒性以及不可感知性；8、根据整体损失调整对应参数，重复步骤3至8，直到测试集水印的鲁棒性水印图像的不可感知性达到阈值，完成训练；9、使用训练好的网络进行水印嵌入与提取。本发明还公开了一个利用该方法的系统。

Description

一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统
技术领域
本发明属于信息安全技术和深度学习领域，涉及一种基于神经网络的数字图像水印技术，具体是一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统。
背景技术
随着互联网和多媒体技术的快速发展以及社交网络的成熟，数字化数据的分享与传播都变得极其容易，给人们工作和生活娱乐带来了极大的便利，但非法复制、伪造、恶意篡改、非法传播等行为，严重侵害了数字产品所有者的合法权益，因此数字产品的版权保护是迫切需要解决的一个问题。数字水印技术是一种将特定的水印信息嵌入到数字图像、音频、视频、文本等载体中的一种技术，水印信息被融合到载体中随载体一起传输。数字图像水印技术是实现数字图像版权保护的一种有效手段，具有非常大的研究和应用价值。
数字水印技术根据其鲁棒性一般可分为：脆弱水印、半脆弱水印、鲁棒水印。脆弱水印不具备鲁棒性，当载体发生改变时，水印会发生相应的改变，通常用于数据完整性保护。鲁棒水印对于常见的图像处理具备鲁棒性，当水印图像受到一定的扰动后也能恢复其中的水印信息，是一种实现图像版权保护的有效方法。半脆弱水印的鲁棒性介于两者之间，主要应用于内容认证。
在传统图像鲁棒水印方法中，根据嵌入域不同一般可分为：
1)基于空域的鲁棒水印方法：主要是基于奇异值分解(Singular ValueDecomposition，SVD)来获得鲁棒性，对空域像素分块SVD分解后，将水印嵌入到奇异值矩阵中，相较于其他嵌入域方法鲁棒性较差。
2)基于变换域的鲁棒水印方法：其基本思想是将空域图像经过变换函数后再嵌入水印，常用的变换函数有离散余弦变换(Discrete Cosine Transform，DCT)、离散小波变换(Discrete Wavelet Transform，DWT)、离散傅里叶变换(Discrete Fourier Transform，DFT)等，为了获得鲁棒性一般选择比较稳定的变换域系数作为嵌入单元。
3)基于多重变换的鲁棒水印方法：有研究者发现，通过多重变换相结合的方式发挥各自的特性，以此提高水印的鲁棒性或不可感知性。常见的结合有DWT-SVD、DWT-DCT-SVD、DCT-DWT、DFT-DCT等，相较于单一嵌入域，此类方法的鲁棒性更好。
4)基于直方图鲁棒水印方法：其基本思想是利用直方图的统计信息作为嵌入域，直方图水印有2个性质：1)修改部分像素嵌入水印只与每个灰度像素点的计数有关，而与像素的位置无关2)遭受攻击的水印图像的直方图不受该图像中发生变化的像素的影响，包括像素的位置、值、个数。这两点称为直方图的不变性，此特性使基于直方图的水印方法具备较好的鲁棒性，但是嵌入容量比其他方法低很多。
近些年，基于深度学习的水印方法也得到关注，因为基于空域、基于变换域、基于多重变换的鲁棒水印方法实现的是分块最优嵌入，无法实现对整个图像的最优嵌入，而基于深度学习的方法可将整个图像作为嵌入域，利用端到端的学习优势，可以实现对整个图像的最优嵌入，还能消除传统方法的块效应问题。另外传统鲁棒水印方法的嵌入域是通用鲁棒嵌入域，不是针对某种攻击的最优鲁棒嵌入域，而基于深度学习的方法可以设计噪声层去模拟指定攻击类型，训练模型使其对该攻击具备鲁棒性，因此后者能够快速适应新型攻击，鲁棒性的泛化能力更好。
发明内容
为解决现有技术中存在的不足，本发明的目的在于，提供一种基于深度学习的鲁棒图像水印方法及系统，能够减缓传统基于分块嵌入的水印方法的块效应，利用神经网络端到端训练的优势实现嵌入过程最优化，利用噪声层的灵活性让模型对新型攻击具有更强的适应能力。
本发明采用如下的技术方案：
步骤1：采集图像数据，并将其分为训练集和测试集；
步骤2:对步骤1中训练集的图像进行重采样与封装，得到载体图像向量；
步骤3:随机生成0-1比特串向量作为待嵌入的水印向量并将其与步骤2得到的载体图像向量一起输入到水印嵌入网络中，实现水印的嵌入输出水印图像，并计算水印图像失真损失ImgLoss；
步骤4:将步骤3得到的水印图像经过噪声层模拟的水印攻击后转化为有损水印图像；
步骤5:将步骤4中的有损水印图像输入水印提取网络中，提取出水印信息；计算步骤3中待嵌入的水印向量和本步骤提取的水印信息之间的差异，记为水印信息提取损失MsgLoss；
步骤6:将步骤2的载体图像向量与步骤3得到的水印图像输入判别器，计算得到它们之间的差别DLoss；
步骤7：从测试集中随机抽选若干图像作为载体图像，使用步骤2至步骤5的水印嵌入与水印信息提取方法，生成测试集的待嵌入水印向量、载体图像向量、水印图像以及提取的水印信息后，计算测试集水印的鲁棒性以及测试集水印图像的不可感知性；
步骤8:利用ImgLoss,MsgLoss以及DLoss计算整体损失并调整水印嵌入网络、水印提取网络以及判别器的参数；重复步骤3至步骤8，直到步骤7中测试集水印的鲁棒性小于其相对应阈值以及水印图像的不可感知性大于其相应的阈值，完成训练；
步骤9：使用训练好的水印嵌入网络完成向载体图像中嵌入水印向量；使用训练好的水印提取网络完成对待提取水印图像水印信息的提取。
在步骤1中，训练集中数据的个数与测试集数据个数比值至少为7：3。
在步骤2中，从训练集中随机抽选batch_size张图像作为载体图像，将载体图像的尺寸重采样到vector_size*vector_size，将图像像素值从[0,255]等比例压缩到[0,1]，再封装成维度为batch_size*vector_size*vector_size*3的载体图像向量。
步骤3包括以下内容：
步骤301：将待嵌入的水印向量通过一层全连接层变为长度为one_dim的一维向量，接着将该一维向量经过矩阵变换操作调整为reshape*reshape*3的向量，对该reshape*reshape*3向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；
步骤302：将输入的载体图像向量和步骤301中vector_size*vector_size*3的水印向量按最后一维拼接成维度为vector_size*vector_size*6的向量；
步骤303:将步骤302中vector_size*vector_size*6的向量经过水印嵌入网络处理后输出vector_size*vector_size*3的向量，代表残差图像；
步骤304：将步骤303得到的残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0，1]，截断后的vector_size*vector_size*3向量即为水印图像；通道元素值截断的方法是将所有在区间(-∞，0]的元素值算为0，所有在区间[1，∞)算为1；
步骤305：使用L2损失和LPIPS模型度量载体图像向量和步骤304生成的水印图像之间的相似性差异，ImgLoss即为L2损失和LPIPS值的和；
L2损失的计算公式如下：
Figure BDA0003016509800000041
其中，L2loss为L2损失，I是载体图像，I(i，j)是I在第(i，j)位置上的像素值，IW是水印图像，IW(i，j)是IW在第(i，j)位置上的像素值，W和H分别是图像的宽和高；
LPIPS是一种神经网络模型，用于计算两张图像的相似度。
水印嵌入网络是一种基于U-Net的自编码器，α为该基于U-Net自编码器隐藏层的权重；所述水印提取网络是一种卷积神经网络，该网络由7个连续的卷积层和紧接着的2个全连接层构成，这7个连续的卷积层和紧接着的2个全连接层构成本网络的隐藏层，β为隐藏层的权重；所述判别器为一个卷积神经网络，该网络由5个卷积层构成，γ为卷积层的权重。
在步骤4中，噪声层的表达公式如下：
Figure BDA0003016509800000042
其中，A(m，n)代表一副M×N的单通道图片，M表示单通道图片的长，N表示单通道图片的宽；C(m，n)是卷积后的图像，即模糊化后的图像；B(ii，jj)表示S×T的卷积核，S表示卷积核的宽，T表示卷积核的高，其中的参数由如下公式产生：
Figure BDA0003016509800000043
其中，σ是标准差；
步骤6包括以下内容：
步骤601：将载体图像向量和水印嵌入网络生成的对应的水印图像输入到判别器中，输出概率值P1和P2；
P1是指判别器将输入的载体图像向量归为载体图像的概率，P2是指判别器将输入的水印图像归为水印图像的概率；
步骤602：判别器以P1和P2的差值作为损失，采用梯度下降算法更新判别器中卷积核的参数，直到P1和P2之差的绝对值小于或等于0.005时，停止更新；
步骤603：将步骤601中的P1和P2之差记为载体图像向量与水印图像得差别DLoss。
步骤7中，水印的鲁棒性由水印的误码率决定，其误码率越低，鲁棒性越高，具体计算方法为：
Figure BDA0003016509800000051
其中，BER(SY(k)，SY′(k))为嵌入的水印向量以及提取水印信息的误码率，SY(k)和SY′(k)分别是嵌入的水印向量和提取的水印信息，L是水印长度；
水印图像的不可感知性由载体图像向量和水印图像的峰值信噪比和结构相似性指标决定，峰值信噪比值越高，结构相似性指标的取值区间为[-1，1]，其越接近1，说明水印图像的不可感知性越好。
步骤8中，整体损失为：
loss＝α*ImgLoss+β*MsgLoss+γ*DLoss
其中，α，β，γ分别为水印嵌入网络隐藏层的权重、水印提取网络隐藏层的权重以及判别器卷积层的权重。
在步骤8中，测试集水印图像的鲁棒性由水印的误码率决定，其阈值为2％，测试集水印图像的误码率需小于2％；测试集水印图像的不可感知性由峰值信噪比以及结构相似性指标确定，峰值信噪比阈值为35dB，测试集水印图像的峰值信噪需大于35dB；结构相似性指标阈值为0.95，测试集水印图像的结构相似性指标需不低于0.95。
本发明还公开了一种利用权利要求1-11任意一项基于深度学习的鲁棒图像水印嵌入与提取方法的鲁棒图像水印系统，包括水印向量随机生成模块、预处理模块、水印嵌入模块、判别器、有损水印图像生成模块、水印信息提取模块、系统损失计算模块，其特征在于：
水印向量随机生成模块随机生成0-1比特串向量作为待嵌入的水印向量，并将水印向量以及载体图像输入至预处理模块，同时将水印向量输入至水印信息提取模块；
预处理模块将载体图像封装成batch_size*vector_size*vector_size*3的载体图像向量；将待嵌入的水印向量封装成reshape*reshape*3的向量，再将该向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；将vector_size*vector_size*3的水印向量与batch_size*vector_size*vector_size*3的载体图像向量拼接成维度为vector_size*vector_size*6的向量后输入至水印嵌入网络；
水印嵌入模块包含一个水印嵌入网络，其为一种基于U-Net的自编码器；在接收vector_size*vector_size*6的向量后，水印嵌入网络输出一个vector_size*vector_size*3的残差图像，并将残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0,1]，得到水印图像，将水印图像分别输入至判别器以及有损水印图像生成模块；水印图像生成模块还计算水印图像与载体图像之间的相似性差异ImgLoss，并将ImgLoss输入至系统损失计算模块；
判别器为一个卷积神经网络；根据水印图像以及残差图像计算DLoss，采用梯度下降算法更新判别器中卷积核的参数，直到DLoss小于或等于0.005时，停止更新，并将DLoss输入至系统损失计算模块；
有损水印图像生成模块利用噪声层模拟的水印攻击将水印图像转化为有损水印图像，并将其输入至水印信息提取模块；
水印信息提取模块包含一个水印提取网络，即一个卷积神经网络，其对输入的有损水印图像进行水印信息的提取，并使用交叉熵损失函数计算水印信息以及水印向量的差异，记作MsgLoss，并将MsgLoss输入至系统损失计算模块；
系统损失计算模块根据输入的ImgLoss、DLoss以及MsgLoss计算系统损失，调整各个模块所用神经网络的权重系数，直到水印信息提取模块提取的水印信息的鲁棒性以及不可感知性达到相对应的阈值。
本发明的有益效果在于，与现有技术相比，本发明的有益效果如下：
1)对目标攻击类型更鲁棒。本发明采用了噪声层模拟目标水印攻击类型，模型基于此进行训练的，因此模型对于该攻击的鲁棒性更好。
2)鲁棒性的泛化能力更强。针对新型水印攻击类型，本发明可以用噪声层去模拟该攻击来训练模型，使模型对新型攻击也具备鲁棒性，表现出极强的灵活性和适应性，而传统的鲁棒水印方法需要知道攻击类型才能去设计算法，无法满足此场景，因此本发明的模型的鲁棒性的泛化能力更强。
3)消除块效应。因为本发明是将整个图像作为嵌入域实现水印嵌入的，而不是基于分块嵌入的，因此不存在块效应，相较于基于块嵌入的传统水印方法而言可以提高水印的不可感知性。
附图说明
图1是本发明的鲁棒图像水印系统结构图；
图2是本发明的鲁棒图像水印系统训练流程图；
图3是编码器即水印嵌入网络嵌入水印的示意图；
图4是噪声层模拟的水印攻击过程的示意图；
图5是判别器与编码器的博弈学习过程的示意图；
图6是水印图像及水印图像被不同标准差的高斯模糊攻击后得到的有损水印图像；
图7是不带噪声层的基本水印模型以及带噪声层鲁棒水印模型的误码率比较图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明采用的技术方案如下：
一种基于深度学习的鲁棒图像水印方法，训练流程图如图2所示，具体包括以下步骤：
步骤1:采集图像数据，并将其分为训练集和测试集；
本领域的技术人员在划分训练集和测试集时，训练集中数据的个数与测试集数据个数比值至少为7：3。
在本实施例中，从ImageNet图像数据集的训练集中随机采集50000张图像作为模型的训练集，从ImageNet图像数据集的测试集中随机采集3000张图像作为模型的测试集；
步骤2:对步骤1中训练集的图像进行重采样与封装得到载体图像向量；
从步骤1中的训练集中随机抽选batch_size张图像作为载体图像，将载体图像的尺寸重采样到vector_size*vector_size，为了加速模型训练，防止梯度爆炸，将图像像素值从[0,255]等比例压缩到[0,1]，再封装成维度为batch_size*vector_size*vector_size*3的载体图像向量；
batch_size的大小可以根据训练速度进行任意选择。
在本实施例中载体图像的尺寸vector_size*vector_size为400*400，该大小可以根据实际训练速度进行调整；
步骤3:随机生成0-1比特串向量作为待嵌入的水印向量并将其与步骤2得到的载体图像向量一起输入到水印嵌入网络中，实现水印的嵌入输出水印图像，并计算水印图像失真损失ImgLoss；
比特串用概率分布服从二项分布且概率值设为0.5的随机函数生成，其个数与batch_size的大小相等，长度可根据不同需求进行调整。在本实施例中，比特串的长度取100。在生成比特串后，根据batch_size封装为batch_size*比特串长度的比特串向量。
水印嵌入网络是一种基于U-Net的自编码器，α为该基于U-Net自编码器隐藏层的权重；使用水印嵌入网络嵌入水印比特的过程如图3所示，其包括以下内容：
步骤301：将待嵌入的水印向量通过一层全连接层变为长度为one_dim的一维向量，接着将该一维向量经过矩阵变换操作调整为reshape*reshape*3的向量，对该reshape*reshape*3向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；
其中，本领域的技术人员需知晓，one_dim和reshape的值可以根据实际情况进行调整。在本实施例中，one_dim的值为7500，reshape的值为50，
步骤302：将输入的载体图像向量和步骤301中vector_size*vector_size*3的水印向量按最后一维拼接成维度为vector_size*vector_size*6的向量；
步骤303:将步骤302中vector_size*vector_size*6的向量经过水印嵌入网络处理后输出vector_size*vector_size*3的向量，代表残差图像；
步骤304：将步骤303得到的残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0，1]，截断后的vector_size*vector_size*3向量即为水印图像。通道元素值截断的方法是将所有在区间(-∞，0]的元素值算为0，所有在区间[1，∞)算为1；
步骤305：使用L2损失和LPIPS模型度量载体图像向量和步骤304生成的水印图像之间的相似性差异，ImgLoss即为L2损失和LPIPS值的和。
L2损失的计算公式如下：
Figure BDA0003016509800000091
其中，L2loss为L2损失，I是载体图像，I(i，j)是I在第(i，j)位置上的像素值，IW是水印图像，IW(i，j)是IW在第(i，j)位置上的像素值，W和H分别是图像的宽高。
LPIPS模型度量计算公式如下：
LPIPSmetric＝LPIPS(I，IW)
其中，LPIPSmetric是利用LPIPS计算出的两张图像的相似度值，LPIPS是一种神经网络模型，用于计算两张图像的相似度。
水印图像失真损失ImgLoss的定义如下：
ImgLoss＝L2loss+LPIPSmetric
步骤4：将步骤3得到的水印图像经过噪声层模拟的水印攻击后转化为有损水印图像；
噪声层的表达公式如下：
Figure BDA0003016509800000092
其中，A(m，n)代表一副M x N的单通道图片，M表示单通道图片的长，N表示单通道图片的宽；C(m，n)是卷积后M x N的图像，即模糊化后的图像；B(ii，jj)表示S x T的卷积核，S表示卷积核的宽，T表示卷积核的高，其中的参数由如下公式产生：
Figure BDA0003016509800000093
其中，σ是标准差；
若假设卷积核的尺寸为3x3，卷积核中每个位置的参数如图4所示，其中的每个数值代表对应位置像素的权重，图像的卷积操作就是用每个像素周围相邻像素值的加权平均值代替该像素值，因此卷积后原来中心像素值从2变为1。在训练模型时，将标准差σ设为2，卷积核B(ii，jj)尺寸大小设为7；
步骤5：将步骤4中的有损水印图像输入水印提取网络中，提取出长度与嵌入水印长度一样的0-1比特串，即提取的水印信息；使用交叉熵损失函数计算步骤3中待嵌入的水印向量和本步骤提取的水印信息之间的差异，记为水印信息提取损失MsgLoss；
水印提取网络，即解码器，是一种常规的卷积神经网络，该网络由7个连续的卷积层和紧接着的2个全连接层构成，这7个连续的卷积层和紧接着的2个全连接层构成本网络的隐藏层，β为隐藏层的权重；其中7个连续的卷积层中卷积核个数分别为32、32、64、64、64、128、128，卷积步长分别为2、1、2、1、2、2、2，激活函数都是ReLu函数，采用的填充皆为“same”模式，倒数第二个全连接层节点个数为512，激活函数是ReLu函数，最后的全连接层其节点个数为嵌入水印的长度，没有激活函数；
将步骤4中的有损水印图像输入到解码器中，用sigmoid函数将水印提取网络最后一层节点的输出值变为一个[0，1]内的概率值，具体方法为：将小于0的值变为0，将大于1的值变为1，并将落入(0，1)区间的值四舍五入变为0或1，作为提取到的水印比特；
步骤6：将步骤2生成的载体图像向量与步骤3得到的水印图像输入一个判别器，计算得到它们之间的差别DLoss；
为了增强水印的不可感知性，减少水印嵌入导致的图像失真，用一个卷积神经网络作为判别器，该网络由5个卷积层构成，γ为卷积层的权重，其中卷积核个数分别是8、16、32、64、1，卷积核尺寸皆为3x3，卷积步长皆为2，填充模式皆为“same”，激活函数除了最后的卷积层皆为ReLu函数，最后的卷积层没有激活函数。步骤3中的的水印嵌入网络作为编码器，两者构成一个对抗生成网络，将步骤3水印嵌入网络生成的水印图像和步骤2的载体图像向量输入到判别器中，让判别器判别输入图像是否为水印图像，将判别结果反馈给编码器和判别器，通过不断博弈学习，使得编码器生成的水印图像与载体图像尽可能相似，而判别器难以区分水印图像与载体图像；
步骤601：将载体图像向量和水印嵌入网络生成的对应的水印图像输入到判别器中，输出概率值P1和P2；
此处的P1是指判别器将输入的载体图像向量归为载体图像的概率，P2是指判别器将输入的水印图像归为水印图像的概率。
步骤602：判别器以P1和P2的差值作为损失，采用梯度下降算法更新判别器中卷积核的参数，直到P1和P2之差的绝对值小于或等于0.005时，停止更新；
步骤603：将步骤601中的P1和P2之差记为判别损失DLoss，作为模型整体损失的一部分反馈给水印嵌入网络。
训练时，对水印嵌入网络和判别器采用交叉训练的方式，先训练水印嵌入网络生成水印图像，再将载体图像向量和水印图像输入到判别器计算判别损失，判别器根据此损失即DLoss更新参数，水印嵌入网络和判别器通过不断地博弈学习提升各自性能，当训练次数后，判别器将无法区分水印嵌入网络生成的水印图像和载体图像，即此时的P1和P2之差的绝对值小于或等于0.005，意味着水印嵌入网络可以生成与载体图像更相似的水印图像。编码器，即水印嵌入网络和判别器的博弈过程如图5所示。
步骤7：从测试集中随机抽选若干图像作为载体图像，使用步骤2至步骤5的水印嵌入与水印信息提取方法，生成测试集的待嵌入水印向量、载体图像向量、水印图像以及提取的水印信息后，计算测试集水印的鲁棒性以及测试集水印图像的不可感知性；
水印的鲁棒性由水印的误码率决定，其误码率越低，鲁棒性越高。具体计算方法为：
Figure BDA0003016509800000111
其中，BER(SY(k)，SY′(k))为嵌入的水印向量以及提取水印信息的误码率，SY(k)和SY′(k)分别是嵌入的水印向量和提取的水印信息，L是水印长度，k＝1，2...1，，SY(k)表示第k个水印比特；
水印图像的不可感知性由载体图像向量和水印图像的峰值信噪比和结构相似性指标决定，峰值信噪比值越高，结构相似性指标的取值区间为[-1，1]，其越接近1，说明水印图像的不可感知性越好。
峰值信噪比的计算方法为：
Figure BDA0003016509800000121
其中，n为表示一个像素值所需要的比特数，若一个像素值用一个字节表示，则n为8，I表示载体图像向量，IW表示水印图像；MSE(I，IW)的定义如下：
Figure BDA0003016509800000122
结构相似性指标的计算方法为：
SSIM(I，IW)＝l(I，IW)·c(I，IW)·s(I，IW)
其中，l(I，IW)，c(I，IW)，s(I，IW)由定义如下：
Figure BDA0003016509800000123
Figure BDA0003016509800000124
Figure BDA0003016509800000125
其中，l(I，IW)，c(I，IW)，s(I，IW)分别从亮度、对比度和结构三方面度量图像的相似性，μI与
Figure BDA0003016509800000126
分别是I和IW的均值，σI与/>
Figure BDA0003016509800000127
分别是I和IW的方差，/>
Figure BDA0003016509800000128
是I和IW的协方差，C1、C2、C3皆为常数，C1＝(0.01LL)2，C2＝(0.03LL)2，/>
Figure BDA0003016509800000129
Figure BDA00030165098000001210
LL为最大像素值，当一个像素占一个字节时，LL为255。
步骤8：将步骤3生成的训练集ImgLoss、步骤5生成的训练集MsgLoss以及步骤6生成的训练集DLoss分别乘以α、β与γ作为整体损失，调整α、β与γ的大小重复步骤3至步骤8并采用梯度下降算法和反向传播算法训练水印嵌入网络、水印提取网络以及判别器，直到整体损失可以使得步骤7中测试集水印的鲁棒性小于其相对应阈值以及水印图像的不可感知性大于其相应的阈值，完成训练；
整体损失为：
loss＝α*ImgLoss+β*MsgLoss+γ*DLoss
其中，α，β，γ分别为水印嵌入网络隐藏层的权重、水印提取网络隐藏层的权重以及判别器卷积层的权重，可以调整它们的大小关系来平衡水印的鲁棒性和不可感知性；
测试集水印图像的鲁棒性由水印的误码率度量，误码率的阈值为2％，测试集水印图像的误码率需小于2％；测试集水印图像的不可感知性由峰值信噪比以及结构相似性指标确定，峰值信噪比的阈值为35dB，测试集水印图像的峰值信噪比需大于35dB，结构相似性指标的阈值为0.95，测试集水印图像的结构相似性指标需不低于0.95。
在本实施例中，在迭代160000次后，测试集水印的误码率小于2％，峰值信噪比为40.82dB，结构相似性指标为0.98；α，β，γ分别取1.5、1.5、0.5，且最终loss值小于10。
步骤9：使用训练好的水印嵌入网络完成向载体图像中嵌入水印向量；使用训练好的水印提取网络完成对待提取水印图像水印信息的提取。
为了演示水印的鲁棒性，结合附图6-7作进一步描述。以抗模糊化攻击的鲁棒水印模型为例，从测试集随机抽选了500张图像作为载体图像，分别输入到带噪声层训练得到的鲁棒水印模型和不带噪声层训练得到的基本水印模型的编码器中，嵌入100比特水印信息生成对应的水印图像，然后用matlab程序对这些水印图像进行了标准差为0.5、1、1.5、2、2.5、3、3.5、4、4.5、5，高斯核尺寸为7*7的高斯模糊化攻击，得到对应的有损水印图像，如图6所示。最后，再分别使用上述2个模型的解码器从有损水印图像中提取水印信息，计算平均误码率，实验结果如图7所示，实验表明，带噪声层训练得到的模型确实获得了鲁棒性，值得一提的是，想要获得对其他攻击的鲁棒性，通过噪声层合理模拟该攻击训练模型即可。
本发明还公开了一种基于深度学习的鲁棒图像水印方法的鲁棒图像水印系统，如图1所示，包括水印向量随机生成模块、预处理模块、水印嵌入模块、判别器、有损水印图像生成模块、水印信息提取模块、系统损失计算模块；
水印向量随机生成模块随机生成0-1比特串向量作为待嵌入的水印向量，并将水印向量以及载体图像输入至预处理模块，同时将水印向量输入至水印信息提取模块；
预处理模块将载体图像封装成batch_size*vector_size*vector_size*3的载体图像向量；将待嵌入的水印向量封装成reshape*reshape*3的向量，再将该向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；将vector_size*vector_size*3的水印向量与batch_size*vector_size*vector_size*3的载体图像向量拼接成维度为vector_size*vector_size*6的向量后输入至水印嵌入网络；
水印嵌入模块包含一个水印嵌入网络，其为一种基于U-Net的自编码器；在接收vector_size*vector_size*6的向量后，水印嵌入网络输出一个vector_size*vector_size*3的残差图像，并将残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0,1]，得到水印图像，将水印图像分别输入至判别器以及有损水印图像生成模块；水印图像生成模块还计算水印图像与载体图像之间的相似性差异ImgLoss，并将ImgLoss输入至系统损失计算模块；
判别器为一个卷积神经网络；根据水印图像以及残差图像计算DLoss，采用梯度下降算法更新判别器中卷积核的参数，直到DLoss小于或等于0.005时，停止更新，并将DLoss输入至系统损失计算模块；
有损水印图像生成模块利用噪声层模拟的水印攻击将水印图像转化为有损水印图像，并将其输入至水印信息提取模块；
水印信息提取模块包含一个水印提取网络，即一个卷积神经网络，其对输入的有损水印图像进行水印信息的提取，并使用交叉熵损失函数计算水印信息以及水印向量的差异，记作MsgLoss，并将MsgLoss输入至系统损失计算模块；
系统损失计算模块根据输入的ImgLoss、DLoss以及MsgLoss计算系统损失，调整各个模块所用神经网络的权重系数，直到水印信息提取模块提取的水印信息的鲁棒性以及不可感知性达到相对应的阈值。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (12)

1.一种基于深度学习的鲁棒图像水印嵌入与提取方法，其特征在于，所述鲁棒图像水印方法包括以下步骤：
步骤1：采集图像数据，并将其分为训练集和测试集；
步骤2:对步骤1中训练集的图像进行重采样与封装，得到载体图像向量；
步骤3:随机生成0-1比特串向量作为待嵌入的水印向量并将其与步骤2得到的载体图像向量一起输入到水印嵌入网络中，实现水印的嵌入输出水印图像，并计算水印图像失真损失ImgLoss；
步骤4:将步骤3得到的水印图像经过噪声层模拟的水印攻击后转化为有损水印图像；
步骤5:将步骤4中的有损水印图像输入水印提取网络中，提取出水印信息；计算步骤3中待嵌入的水印向量和本步骤提取的水印信息之间的差异，记为水印信息提取损失MsgLoss；
步骤6:将步骤2的载体图像向量与步骤3得到的水印图像输入判别器，计算得到它们之间的差别DLoss；
步骤7：从测试集中随机抽选若干图像作为载体图像，使用步骤2至步骤5的水印嵌入与水印信息提取方法，生成测试集的待嵌入水印向量、载体图像向量、水印图像以及提取的水印信息后，计算测试集水印的鲁棒性以及测试集水印图像的不可感知性；
步骤8:利用ImgLoss,MsgLoss以及DLoss计算整体损失并调整水印嵌入网络、水印提取网络以及判别器的参数；重复步骤3至步骤8，直到步骤7中测试集水印的鲁棒性小于其相对应阈值以及水印图像的不可感知性大于其相应的阈值，完成训练；
步骤9：使用训练好的水印嵌入网络完成向载体图像中嵌入水印向量；使用训练好的水印提取网络完成对待提取水印图像水印信息的提取。
2.根据权利要求1所述的鲁棒图像水印嵌入与提取方法，其特征在于：
在所述步骤1中，训练集中数据的个数与测试集数据个数比值至少为7：3。
3.根据权利要求2所述的鲁棒图像水印嵌入与提取方法，其特征在于：
在所述步骤2中，从训练集中随机抽选batch_size张图像作为载体图像，将载体图像的尺寸重采样到vector_size*vector_size，将图像像素值从[0,255]等比例压缩到[0,1]，再封装成维度为batch_size*vector_size*vector_size*3的载体图像向量。
4.根据权利要求3所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述步骤3包括以下内容：
步骤301：将待嵌入的水印向量通过一层全连接层变为长度为one_dim的一维向量，接着将该一维向量经过矩阵变换操作调整为reshape*reshape*3的向量，对该reshape*reshape*3向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；
步骤302：将输入的载体图像向量和步骤301中vector_size*vector_size*3的水印向量按最后一维拼接成维度为vector_size*vector_size*6的向量；
步骤303:将步骤302中vector_size*vector_size*6的向量经过水印嵌入网络处理后输出vector_size*vector_size*3的向量，代表残差图像；
步骤304：将步骤303得到的残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0,1]，截断后的vector_size*vector_size*3向量即为水印图像；通道元素值截断的方法是将所有在区间(-∞,0]的元素值算为0，所有在区间[1,∞)算为1；
步骤305：使用L2损失和LPIPS模型度量载体图像向量和步骤304生成的水印图像之间的相似性差异，ImgLoss即为L2损失和LPIPS值的和；
L2损失的计算公式如下：
Figure QLYQS_1
其中，L2loss为L2损失，I是载体图像，I(i,j)是I在第(i,j)位置上的像素值，IW是水印图像，IW(i,j)是IW在第(i,j)位置上的像素值，W和H分别是图像的宽和高；
LPIPS是一种神经网络模型，用于计算两张图像的相似度。
5.根据权利要求1或4所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述水印嵌入网络是一种基于U-Net的自编码器，α为该基于U-Net自编码器隐藏层的权重；所述水印提取网络是一种卷积神经网络，该网络由7个连续的卷积层和紧接着的2个全连接层构成，这7个连续的卷积层和紧接着的2个全连接层构成本网络的隐藏层，β为隐藏层的权重；所述判别器为一个卷积神经网络，该网络由5个卷积层构成，γ为卷积层的权重。
6.根据权利要求5所述的鲁棒图像水印嵌入与提取方法，其特征在于：
在所述步骤4中，噪声层的表达公式如下：
Figure QLYQS_2
其中，A(m,n)代表一副M×N的单通道图片，M表示单通道图片的长，N表示单通道图片的宽；C(m,n)是卷积后的图像，即模糊化后的图像；B(ii,jj)表示S×T的卷积核，S表示卷积核的宽，T表示卷积核的高，其中的参数由如下公式产生：
Figure QLYQS_3
其中，σ是标准差。
7.根据权利要求6所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述步骤6包括以下内容：
步骤601:将载体图像向量和水印嵌入网络生成的对应的水印图像输入到判别器中，输出概率值P1和P2；
P1是指判别器将输入的载体图像向量归为载体图像的概率，P2是指判别器将输入的水印图像归为水印图像的概率；
步骤602:判别器以P1和P2的差值作为损失，采用梯度下降算法更新判别器中卷积核的参数，直到P1和P2之差的绝对值小于或等于0.005时，停止更新；
步骤603:将步骤601中的P1和P2之差记为载体图像向量与水印图像得差别DLoss。
8.根据权利要求7所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述步骤7中，所述水印的鲁棒性由水印的误码率决定，其误码率越低，鲁棒性越高，具体计算方法为：
Figure QLYQS_4
其中，BER(SY(k),SY′(k))为嵌入的水印向量以及提取水印信息的误码率，SY(k)和SY′(k)分别是嵌入的水印向量和提取的水印信息，L是水印长度。
9.根据权利要求7所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述水印图像的不可感知性由载体图像向量和水印图像的峰值信噪比和结构相似性指标决定，峰值信噪比值越高，结构相似性指标的取值区间为[-1,1]，其越接近1，说明水印图像的不可感知性越好。
10.根据权利要求8或9所述的鲁棒图像水印嵌入与提取方法，其特征在于：
所述步骤8中，整体损失为：
loss＝α*ImgLoss+β*MsgLoss+γ*DLoss
其中，α，β，γ分别为水印嵌入网络隐藏层的权重、水印提取网络隐藏层的权重以及判别器卷积层的权重。
11.根据权利要求10所述的鲁棒图像水印嵌入与提取方法，其特征在于：
在所述步骤8中，测试集水印图像的鲁棒性由水印的误码率决定，其阈值为2％，测试集水印图像的误码率需小于2％；测试集水印图像的不可感知性由峰值信噪比以及结构相似性指标确定，峰值信噪比阈值为35dB，测试集水印图像的峰值信噪需大于35dB；结构相似性指标阈值为0.95，测试集水印图像的结构相似性指标需不低于0.95。
12.一种利用权利要求1-11任意一项基于深度学习的鲁棒图像水印嵌入与提取方法的鲁棒图像水印嵌入与提取系统，包括水印向量随机生成模块、预处理模块、水印嵌入模块、判别器、有损水印图像生成模块、水印信息提取模块、系统损失计算模块，其特征在于：
所述水印向量随机生成模块随机生成0-1比特串向量作为待嵌入的水印向量，并将水印向量以及载体图像输入至预处理模块，同时将水印向量输入至水印信息提取模块；
所述预处理模块将载体图像封装成batch_size*vector_size*vector_size*3的载体图像向量；将待嵌入的水印向量封装成reshape*reshape*3的向量，再将该向量经过上采样操作后维度变为vector_size*vector_size*3的水印向量；将vector_size*vector_size*3的水印向量与batch_size*vector_size*vector_size*3的载体图像向量拼接成维度为vector_size*vector_size*6的向量后输入至水印嵌入网络；
所述水印嵌入模块包含一个水印嵌入网络，其为一种基于U-Net的自编码器；在接收vector_size*vector_size*6的向量后，水印嵌入网络输出一个vector_size*vector_size*3的残差图像，并将残差图像和载体图像向量相加后对各个通道的元素值截断于区间[0,1]，得到水印图像，将水印图像分别输入至判别器以及有损水印图像生成模块；水印图像生成模块还计算水印图像与载体图像之间的相似性差异ImgLoss，并将ImgLoss输入至系统损失计算模块；
所述判别器为一个卷积神经网络；根据水印图像以及残差图像计算DLoss，采用梯度下降算法更新判别器中卷积核的参数，直到DLoss小于或等于0.005时，停止更新，并将DLoss输入至系统损失计算模块；
所述有损水印图像生成模块利用噪声层模拟的水印攻击将水印图像转化为有损水印图像，并将其输入至水印信息提取模块；
所述水印信息提取模块包含一个水印提取网络，即一个卷积神经网络，其对输入的有损水印图像进行水印信息的提取，并使用交叉熵损失函数计算水印信息以及水印向量的差异，记作MsgLoss，并将MsgLoss输入至系统损失计算模块；
所述系统损失计算模块根据输入的ImgLoss、DLoss以及MsgLoss计算系统损失，调整各个模块所用神经网络的权重系数，直到水印信息提取模块提取的水印信息的鲁棒性以及不可感知性达到相对应的阈值。
CN202110390410.1A 2021-04-12 2021-04-12 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统 Active CN113222800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110390410.1A CN113222800B (zh) 2021-04-12 2021-04-12 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110390410.1A CN113222800B (zh) 2021-04-12 2021-04-12 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统

Publications (2)

Publication Number Publication Date
CN113222800A CN113222800A (zh) 2021-08-06
CN113222800B true CN113222800B (zh) 2023-07-07

Family

ID=77087171

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110390410.1A Active CN113222800B (zh) 2021-04-12 2021-04-12 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统

Country Status (1)

Country Link
CN (1) CN113222800B (zh)

Families Citing this family (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113591856A (zh) * 2021-08-23 2021-11-02 中国银行股份有限公司 票据图片处理方法及装置
CN113658032B (zh) * 2021-10-20 2022-02-18 广东迅维信息产业股份有限公司 基于深度学习和图像处理的图像水印加解密方法及系统
CN114359009B (zh) * 2021-12-28 2023-10-31 宁波大学科学技术学院 基于视觉感知的鲁棒图像的水印嵌入方法、水印嵌入网络构建方法、系统及存储介质
CN114329365B (zh) * 2022-03-07 2022-06-10 南京理工大学 基于鲁棒水印的深度学习模型保护方法
CN114862648B (zh) * 2022-05-27 2023-06-20 晋城市大锐金马工程设计咨询有限公司 采用a、b两种文档进行交叉水印加密的文档
CN115272044A (zh) * 2022-08-10 2022-11-01 大连大学 基于混合频域通道注意力的深度图像水印方法
CN115348360B (zh) * 2022-08-11 2023-11-07 国家电网有限公司大数据中心 一种基于gan的自适应嵌入数字标签信息隐藏方法
CN115695673B (zh) * 2022-12-30 2023-04-21 中国科学技术大学 基于联合失真的图像对抗隐写方法与装置
CN116342362B (zh) * 2023-05-31 2023-07-28 齐鲁工业大学(山东省科学院) 深度学习增强数字水印不可感知性方法
CN116630131A (zh) * 2023-07-25 2023-08-22 北京和人广智科技有限公司 屏幕隐形水印的编码、解码系统及方法
CN117057969B (zh) * 2023-08-28 2024-04-19 天津大学 跨模态图像-水印联合生成与检测装置及方法
CN117437108B (zh) * 2023-12-21 2024-03-08 武汉圆周率软件科技有限公司 一种针对图像数据的水印嵌入方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616244A (zh) * 2015-01-24 2015-05-13 河南师范大学 基于bp神经网络压缩域的图像水印嵌入与提取方法
US10757292B1 (en) * 2019-04-10 2020-08-25 Beyontech, Inc Method of embedding and extracting watermark data from original image adjusted with noise based image converted using watermark

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6727340B2 (ja) * 2017-01-12 2020-07-22 Kddi株式会社 情報処理装置、方法及びコンピュータ可読記憶媒体
CN109300078B (zh) * 2018-08-31 2022-12-30 太原理工大学 一种具有自适应嵌入强度的图像扩频水印嵌入方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104616244A (zh) * 2015-01-24 2015-05-13 河南师范大学 基于bp神经网络压缩域的图像水印嵌入与提取方法
US10757292B1 (en) * 2019-04-10 2020-08-25 Beyontech, Inc Method of embedding and extracting watermark data from original image adjusted with noise based image converted using watermark

Also Published As

Publication number Publication date
CN113222800A (zh) 2021-08-06

Similar Documents

Publication Publication Date Title
CN113222800B (zh) 一种基于深度学习的鲁棒图像水印嵌入与提取方法及系统
CN110334805B (zh) 一种基于生成对抗网络的jpeg域图像隐写方法和系统
CN111598761B (zh) 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN102917227B (zh) 基于压缩感知的自适应视频信息隐藏方法
Fındık et al. A color image watermarking scheme based on hybrid classification method: particle swarm optimization and k-nearest neighbor algorithm
CN102156955B (zh) 基于直方图邻域的鲁棒可逆水印嵌入与提取方法
CN110457996B (zh) 基于vgg-11卷积神经网络的视频运动对象篡改取证方法
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
Ramamurthy et al. Robust digital image watermarking scheme with neural network and fuzzy logic approach
CN113222802A (zh) 基于对抗攻击的数字图像水印方法
CN113781284A (zh) 一种基于深度注意自编码器的零水印构造方法
Lu et al. Wavelet-based CNN for robust and high-capacity image watermarking
Berg et al. Searching for Hidden Messages: Automatic Detection of Steganography.
Liao et al. GIFMarking: The robust watermarking for animated GIF based deep learning
CN104766263A (zh) 基于四元数Legendre矩校正的彩色图像水印嵌入及检测方法
CN110533575A (zh) 一种基于异构核的深度残差隐写分析方法
CN116342362B (zh) 深度学习增强数字水印不可感知性方法
Sridevi et al. Watermarking algorithm based using genetic algorithm and HVS
Ramamurthy et al. Robust digital image watermarking using quantization and back propagation neural network
Huynh-The et al. Robust image watermarking framework powered by convolutional encoder-decoder network
CN116205776A (zh) 一种基于半脆弱可逆水印的篡改定位方法
CN114900586A (zh) 一种基于dcgan的信息隐写方法及装置
Mohananthini et al. Watermarking for images using wavelet domain in Back-Propagation neural network
Mansour et al. A Robust Deep Learning-Based Video Watermarking Using Mosaic Generation.
Kaur et al. Digital watermarking in neural networks models

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230410

Address after: No. 9, Aoti street, Nanjing, Jiangsu 210019

Applicant after: State Grid Jiangsu Electric Power Co.,Ltd. Marketing Service Center

Applicant after: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: INSTITUTE OF INFORMATION ENGINEERING, CHINESE ACADEMY OF SCIENCES

Address before: 210019 No.9 Aoti street, Jianye District, Nanjing City, Jiangsu Province

Applicant before: State Grid Jiangsu Electric Power Co.,Ltd. Marketing Service Center

Applicant before: STATE GRID JIANGSU ELECTRIC POWER Co.,Ltd.

Applicant before: STATE GRID CORPORATION OF CHINA

GR01 Patent grant
GR01 Patent grant