CN114119330A - 一种基于神经网络的鲁棒数字水印嵌入、提取方法 - Google Patents
一种基于神经网络的鲁棒数字水印嵌入、提取方法 Download PDFInfo
- Publication number
- CN114119330A CN114119330A CN202111306170.9A CN202111306170A CN114119330A CN 114119330 A CN114119330 A CN 114119330A CN 202111306170 A CN202111306170 A CN 202111306170A CN 114119330 A CN114119330 A CN 114119330A
- Authority
- CN
- China
- Prior art keywords
- network
- watermark
- layer
- image
- image processing
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 14
- 238000012545 processing Methods 0.000 claims abstract description 60
- 238000000605 extraction Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims description 15
- 230000004913 activation Effects 0.000 claims description 5
- 238000010606 normalization Methods 0.000 claims description 5
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000009191 jumping Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于神经网络的鲁棒数字水印嵌入、提取方法,具体为:步骤1:将水印图像输入至水印嵌入网络中的水印图像处理网络,将载体图像输入至水印嵌入网络中的载体图像处理网络,步骤2:对水印图像处理网络中第i层网络层的输出wi的大小进行调整;步骤3:将wi与载体图像处理网络中第i层网络层的输出ci级联,将级联后的结果输入至载体图像处理网络中第i+1层;步骤4:对载体图像处理网络最后一层的输出进行卷积操作,得到含密图像c*;将含密图像c*输入至提取网络,得到带有水印的图像w*。本发明不仅不可见性较好,而且能够有效抵抗多种常见的水印攻击,具有较好的鲁棒性。
Description
技术领域
本发明属于信息安全领域。
背景技术
随着互联网的快速发展和普遍运用,数字多媒体(文字、图像、音频、视频)的发布与获取更为便捷,但针对多媒体信息的侵权行为屡见不鲜。为有效保护多媒体信息的版权,防止被他人恶意盗取、篡改,数字水印技术成为当前研究的主要课题。数字水印是将水印不可见地嵌入多媒体信息中,在必要时可以提取进行版权追溯的技术。
在过去的数十年中,学术界相继提出了许多数字水印方法。从嵌入区域来看,传统的数字水印方法可以分为基于空间域的数字水印方法和基于频率域的数字水印方法两类。基于空间域的数字水印方法被首先提出,这类方法具有算法简单、嵌入容量大的特点。但由于其直接在图像像素上进行修改,含密图像受到攻击后难以准确提取水印,因此鲁棒性较差。对噪声类攻击具有较好的鲁棒性,基于频率域的数字水印方法应用更为广泛,这类方法将图像从空间域变换到抽象的频率域,通过修改频率域中的参数实现水印信息嵌入,但仍然存在以下缺点:
(1)缺乏对载体图像和水印图像的处理,通过变换图像色彩空间,将水印信息强行嵌入载体图像中,不仅嵌入容量有限,而且对图像质量造成不可逆的损失,不可见性有待提高。
(2)在嵌入时需要转换图像的色彩空间,这一操作本身具有抵御一般噪声攻击的作用,但对于强度较大的噪声攻击和去同步攻击,这类方法的鲁棒性较差。
发明内容
发明目的:为了解决上述现有技术存在的问题,本发明提供了一种基于神经网络的鲁棒数字水印嵌入、提取方法。
技术方案:本发明提供了一种基于神经网络的鲁棒数字水印嵌入方法,采用水印嵌入网络对载体图像进行水印嵌入,所述水印嵌入网络包括水印图像处理网络和载体图像处理网络;所述水印图像处理网络和载体图像处理网络均包括n层网络层,且n为奇数;所述水印嵌入网络对载体图像进行水印嵌入的方法为:
步骤1:将大小为w″×h″×1的水印图像w输入至水印图像处理网络,将大小为w′×h′×3的载体图像c输入至载体图像处理网络;w′和w″分别表示载体图像c和水印图像w的宽度,h′和h″分别表示载体图像c和水印图像w的高度;
步骤2:将水印图像处理网络中第i层网络层的输出wi的大小调整为w′×h′;i=1,2,3,....,n;
步骤3:将wi与载体图像处理网络中第i层网络层的输出ci级联,将级联后的结果oi作为载体图像处理网络中第i+1层网络层的输入;
步骤4:对on进行卷积操作,得到含密图像c*。
进一步的,所述水印图像处理网络和载体图像处理网络结构相同,每一层网络层均包括依次连接的卷积层、批量归一化层和激活层。
一种基于神经网络的鲁棒数字水印提取方法,具体为:将含密图像c*输入至提取网络,提取网络输出水印图像w*。
进一步的,对水印嵌入网络和提取网络进行训练时,采用对抗式训练对水印嵌入网络和提取网络进行联合训练。
进一步的,对水印嵌入网络和提取网络进行训练时,整体的损失函数为:
L=λ1||c-c*||1+λ2||w-w*||2
其中,||c-c*||1表示原始载体图像c与含密图像c*的L1距离,||w-w*||1则表示原始水印图像w与提取的水印图像w*的L2距离,λ1和λ2分别为超参数。
进一步的,所述对抗式训练时采用的攻击方式包括高斯噪声攻击,JPEG压缩攻击,高斯模糊攻击和缩放攻击。
有益效果:本发明通过多层的网络结构对水印图像和载体图像进行充分的信息提取和融合,设置了合理的损失函数,通过训练不断降低损失函数直至收敛。网络在这一过程中将学习怎样嵌入可以使得含密图像接近真实图像,同时,提取的水印也接近原始水印。本发明借助神经网络实现了水印嵌入的自适应性,并提高了含密图像的不可见性。由于在真实应用场景下,含密图像在传输中可能受到各种攻击,导致含密图像失真,进一步影响水印的提取与识别。因此,本发明在网络的嵌入和提取训练中,采用进行对抗训练,使得提取网络学习如何从受损的含密图像中尽可能完整和准确地提取出水印,从而增强了鲁棒性。
附图说明
图1为本发明的流程图;
图2为本发明的水印嵌入网络的结构图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
本实例提供一种基于神经网络的鲁棒数字水印嵌入、提取方法,该方法主要包括嵌入和提取阶段,如图1所示,本实施例采用数字水印嵌入模型对载体图像进行水印生成,所述数字水印嵌入模型包括水印嵌入网络和提取网络连接;所述水印嵌入网络包括水印图像处理网络和载体图像处理网络;所述水印图像处理网络和载体图像处理网络均包括n层网络层,n为奇数;对数字水印嵌入模型训练时采用对抗训练的方式对进行训练;所述数字水印嵌入模型对载体图像进行水印生成的方法为:
步骤1:分别读取大小为w′×h′×3的载体图像c和大小为w″×h″×1的水印图像w,其中,w′和w″分别表示载体图像c和水印图像w的宽度,h′和h″分别表示载体图像c和水印图像w的高度;
步骤2:将水印图像输入到水印嵌入网络的水印图像处理网络,逐层进行网络层的计算,每一网络层中按顺序依次是卷积层、批量归一化层和激活层。并保留每一网络层的输出张量,本实施例中水印图像处理网络总的网络层数n=7,将所有网络层的输出记作集合wi={w1,w2,w3,w4,w5,w6,w7};
步骤3:调整水印图像处理部分每一网络层的输出wi,并将其大小调整为w′×h′;
步骤4:将载体图像输入到水印嵌入网络的载体图像处理网络,载体图像处理网络的网络层的总层数也为n,每一层网络层均包括依连接的卷积层、批量归一化层和激活层。载体图像首先被输入到第一层网络层中,依次经过卷积层、批量归一化层和激活层的计算,得到输出c1;
步骤5:读取水印图像处理的输出wi中的w1,将其与载体图像第一次处理的输出c1进行级联,得到级联后的图像,记作o1;
步骤6:将o1作为载体图像处理网络中第二层网络层的输入,经过第二层网络层中网络的计算得到输出c2,读取水印图像处理的输出wi中的w2,将c2与w2进行级联得到o2;重复上述操作,直至载体图像处理网络输出cn;
步骤7:读取水印图像处理网络的输出wn中的wn,与cn进行级联得到on,对on进行卷积操作,最终生成大小为w′×h′×3的含密图像c*;
水印提取:
将含密图像c*输入提取网络,提取网络中包括n层网络层,每一网络层中包括卷积层和激活层。经过七层网络层的计算,输出大小为w″×h″×1的水印图像w*。
本实施例中所述步骤2中的水印图像处理网络的网络层数和所述步骤4中的载体图像处理网络的网络层数应当保持一致。根据深度学习的理论,网络层数更深的网络,由于具有更丰富的网络参数,因此对图像特征的提取也越精准。为了提高网络的综合表现,本发明中将水印图像处理网络和载体图像处理网络的网络层数设置为7。
所述水印图像处理网络或(和)载体图像处理网络的中的第n-j层与第j+1层跳跃连接,其中 为向下取整;如图2所示,所述步骤2中的水印图像处理网络共包含七层网络层,网络层1与网络层7之间、网络层2与网络层6之间、网络层3与网络层5之间通过跳跃连接构建联系。相似的,所述步骤4中的载体图像处理网络中也采用了这一设计。采取跳跃连接链接网络的不同网络层的目的在于,将不同分辨率下的水印和载体图像特征进行充分的融合,以保证生成的含密图像的不可见性更好,即含密图像与原始载体图像在视觉上更相近。
所述步骤5和步骤6中将水印图像处理网络中每层的输出与载体图像处理网络中每层的输出进行级联,并将级联后的图像作为整体,接着输入到载体图像处理网络的下一层中进行融合。这样做是为了实现水印信息的充分嵌入,以达到水印信息提取的准确性。
所述步骤3中将水印图像处理网络的输出wi的大小调整为w′×h′,这是因为为了进行级联操作,必须保证被级联的操作对象大小一致,调整尺寸并不会造成图像信息的丢失。
在对数字水印嵌入模型进行训练的时候,在水印嵌入网络和提取网络之间设置模拟攻击层,构建四种现实应用中常见的水印攻击模型,分别为以高斯噪声攻击、JPEG压缩攻击和高斯模糊攻击为代表的类噪声攻击和以缩放攻击为代表的去同步攻击。通过模拟现实运用中可能遇到的图像受损情况,对水印嵌入网络和提取网络进行对抗训练。藉此,网络通过训练可以精准提取含密图像中与水印密切相关的信息,从而提高对一般水印攻击的容忍度,在含密图像受到一般水印攻击的情况下仍然可以提取出水印,增强抵御水印攻击的鲁棒性。
为了保证水印信息提取的准确性,提取网络的层数应当与水印图像处理网络、载体图像处理网络的网络层数保持一致。
所述进行对抗训练时,整体的损失函数为:
L=λ1||c-c*||1+λ2||w-w*||2
其中,c、c*、w和w*分别代表原始载体图像、生成的含密图像、原始水印图像和提取的水印图像,||c-c*||1表示原始载体图像与生成的含密图像的L1距离,||w-w*||1则表示原始水印图像与提取的水印图像的L2距离,网络的总损失由这两部分构成,λ1和λ2是超参数。
另外需要说明的是,在上述具体实施方式中所描述的各个具体技术特征,在不矛盾的情况下,可以通过任何合适的方式进行组合。为了避免不必要的重复,本发明对各种可能的组合方式不再另行说明。
Claims (7)
1.一种基于神经网络的鲁棒数字水印嵌入方法,其特征在于,采用水印嵌入网络对载体图像进行水印嵌入,所述水印嵌入网络包括水印图像处理网络和载体图像处理网络;所述水印图像处理网络和载体图像处理网络均包括n层网络层,且n为奇数;所述水印嵌入网络对载体图像进行水印嵌入的方法为:
步骤1:将大小为w”×h”×1的水印图像w输入至水印图像处理网络,将大小为w'×h'×3的载体图像c输入至载体图像处理网络;w'和w”分别表示载体图像c和水印图像w的宽度,h'和h”分别表示载体图像c和水印图像w的高度;
步骤2:将水印图像处理网络中第u层网络层的输出wi的大小调整为w'×h';i=1,2,3,....,n;
步骤3:将wi与载体图像处理网络中第i层网络层的输出ci级联,将级联后的结果oi作为载体图像处理网络中第i+1层网络层的输入;
步骤4:对on进行卷积操作,得到含密图像c*。
2.根据权利要求1所述的一种基于神经网络的鲁棒数字水印嵌入方法,其特征在于,所述水印图像处理网络和载体图像处理网络结构相同,每一层网络层均包括依次连接的卷积层、批量归一化层和激活层。
4.一种基于神经网络的鲁棒数字水印提取方法,其特征在于,具体为:将含密图像c*输入至提取网络,提取网络输出水印图像w*。
5.根据权利要求4所述的一种基于神经网络的鲁棒数字水印提取方法,其特征在于,对水印嵌入网络和提取网络进行训练时,采用对抗式训练对水印嵌入网络和提取网络进行联合训练。
6.根据权利要求5所述的一种基于神经网络的鲁棒数字水印提取方法,其特征在于,对水印嵌入网络和提取网络进行训练时,整体的损失函数为:
L=λ1||c-c*||1+λ2||w-w*||2
其中,||c-c*||1表示原始载体图像c与含密图像c*的L1距离,||w-w*||1则表示原始水印图像w与提取的水印图像w*的L2距离,λ1和λ2分别为超参数。
7.根据权利要求5所述的一种基于神经网络的鲁棒数字水印提取方法,其特征在于,所述对抗式训练时采用的攻击方式包括高斯噪声攻击,JPEG压缩攻击,高斯模糊攻击和缩放攻击。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306170.9A CN114119330B (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111306170.9A CN114119330B (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114119330A true CN114119330A (zh) | 2022-03-01 |
CN114119330B CN114119330B (zh) | 2024-07-23 |
Family
ID=80380955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111306170.9A Active CN114119330B (zh) | 2021-11-05 | 2021-11-05 | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114119330B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998082A (zh) * | 2022-05-27 | 2022-09-02 | 南京信息工程大学 | 保护图像处理网络的水印嵌入方法、水印提取方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
WO2021083110A1 (zh) * | 2019-10-31 | 2021-05-06 | 阿里巴巴集团控股有限公司 | 载体对象处理和水印嵌入方法、装置及电子设备 |
CN113222800A (zh) * | 2021-04-12 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 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 |
US20220156873A1 (en) * | 2019-08-01 | 2022-05-19 | Naver Corporation | Image synthesis device and method for embedding watermark |
-
2021
- 2021-11-05 CN CN202111306170.9A patent/CN114119330B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20220156873A1 (en) * | 2019-08-01 | 2022-05-19 | Naver Corporation | Image synthesis device and method for embedding watermark |
WO2021083110A1 (zh) * | 2019-10-31 | 2021-05-06 | 阿里巴巴集团控股有限公司 | 载体对象处理和水印嵌入方法、装置及电子设备 |
CN111598761A (zh) * | 2020-04-17 | 2020-08-28 | 中山大学 | 一种基于图像降噪的抗打印拍摄图像数字水印方法 |
CN113222800A (zh) * | 2021-04-12 | 2021-08-06 | 国网江苏省电力有限公司营销服务中心 | 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 |
Non-Patent Citations (1)
Title |
---|
蔡雨婷;陈昭炯;叶东毅;: "基于双层级联GAN的草图到真实感图像的异质转换", 模式识别与人工智能, no. 10, 15 October 2018 (2018-10-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998082A (zh) * | 2022-05-27 | 2022-09-02 | 南京信息工程大学 | 保护图像处理网络的水印嵌入方法、水印提取方法及系统 |
CN114998082B (zh) * | 2022-05-27 | 2024-05-14 | 南京信息工程大学 | 保护图像处理网络的水印嵌入方法、水印提取方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114119330B (zh) | 2024-07-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | Robust invisible video watermarking with attention | |
Hu et al. | Cover-lossless robust image watermarking against geometric deformations | |
CN111598761B (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
Yu et al. | Watermark detection and extraction using independent component analysis method | |
CN111491170A (zh) | 嵌入水印的方法及水印嵌入装置 | |
CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
CN115809953A (zh) | 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统 | |
CN111681155A (zh) | 一种基于深度学习的gif动态图像水印方法 | |
CN104766269A (zh) | 基于jnd亮度模型的扩展变换抖动调制水印方法 | |
CN115908095A (zh) | 一种基于分层注意力特征融合的鲁棒图像水印方法及系统 | |
Bi et al. | High‐Capacity Image Steganography Algorithm Based on Image Style Transfer | |
CN109886856A (zh) | 对屏幕拍摄过程鲁棒的数字水印方法 | |
CN114827381A (zh) | 基于条件标准化流模型的强鲁棒性图像隐写方法及系统 | |
CN114119330B (zh) | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 | |
CN113554545A (zh) | 一种用于图像处理模型版权保护的模型水印方法 | |
Rebahi et al. | Image Watermarking Technique Using Convolutional Autoencoder | |
CN115272039A (zh) | 一种基于gan的水印攻击方法及系统、数字水印嵌入方法 | |
Zhong et al. | Enhanced Attention Mechanism-Based Image Watermarking With Simulated JPEG Compression | |
CN114648436A (zh) | 一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法 | |
Zhu et al. | A Document Image Generation Scheme Based on Face Swapping and Distortion Generation | |
CN109410115A (zh) | 基于sift特征点的自适应容量图像盲水印嵌入与提取方法 | |
CN118283195B (zh) | 岩性图像数据数字水印处理方法及系统 | |
Xu et al. | A Robustness Improved Watermarking Scheme based on Invertible Neural Network | |
CN117455749A (zh) | 一种基于小波域级联网络和逆向恢复的鲁棒屏摄水印方法 | |
Boujerfaoui et al. | Image Watermarking between Conventional and Learning-Based Techniques: A Literature Review. Electronics 2023, 12, 74 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |