CN115908095A - 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 - Google Patents

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 Download PDF

Info

Publication number
CN115908095A
CN115908095A CN202211500670.0A CN202211500670A CN115908095A CN 115908095 A CN115908095 A CN 115908095A CN 202211500670 A CN202211500670 A CN 202211500670A CN 115908095 A CN115908095 A CN 115908095A
Authority
CN
China
Prior art keywords
image
watermark
tensor
feature fusion
attention feature
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.)
Pending
Application number
CN202211500670.0A
Other languages
English (en)
Inventor
王成优
陈銮
周晓
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.)
Weihai Institute Of Industrial Technology Shandong University
Shandong University
Original Assignee
Weihai Institute Of Industrial Technology Shandong University
Shandong University
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 Weihai Institute Of Industrial Technology Shandong University, Shandong University filed Critical Weihai Institute Of Industrial Technology Shandong University
Priority to CN202211500670.0A priority Critical patent/CN115908095A/zh
Publication of CN115908095A publication Critical patent/CN115908095A/zh
Pending legal-status Critical Current

Links

Images

Landscapes

  • Image Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本公开属于数字图像水印技术领域，具体涉及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，包括：获取原始图像和水印图像；基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；根据所述含水印图像和模拟攻击模型，得到攻击后图像；基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；在得到含水印图像的过程中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。

Description

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
技术领域
本公开属于数字图像水印技术领域，具体涉及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。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
随着多媒体技术的迅速发展，数字图像广泛传播于各大网络媒体平台；近年来，因图像遭到恶意篡改和盗用而引发的版权纠纷事件层出不穷。鲁棒图像水印技术利用图像的空间冗余特性将水印以不可见的形式嵌入于原始图像中实现主动取证。
深度学习因其对图像信息具有强大地挖掘、表征与学习能力，在图像水印领域得到了广泛应用，在鲁棒性与不可感知性上较传统图像水印方法均得到较大提升。现有技术通过CNN和残差结构的组合实现图像深层特征的提取，但没有充分利用浅层图像特征的空间信息以及深层图像的语义信息，不能有效地提升网络搜寻适合水印嵌入的隐蔽且鲁棒的像素点，导致算法无法有效权衡鲁棒性、不可感知性和容量；同时也带来了网络复杂度高，训练过程中梯度消失、爆炸、过拟合等问题。
据发明人了解，现有的鲁棒图像水印方法存在以下四个方面不足：
(1)在鲁棒性上，无法兼顾除训练攻击外的未知攻击；
(2)对单一攻击存在训练过拟合；
(3)在提升鲁棒性的同时，不可感知性大幅下降；
(4)仅适用于单一图像尺寸。
发明内容
为了解决上述问题，本公开提出了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，本公开利用分层注意力特征融合模块丰富特征表征，提升网络对隐蔽且鲁棒的嵌入点的捕捉能力，提高含水印图像与原始图像差异的不可感知性，以及与对不同强度下不同类型攻击的鲁棒性和水印恢复的准确度。
根据一些实施例，本公开的第一方案提供了一种基于分层注意力特征融合的鲁棒图像水印方法，采用如下技术方案：
一种基于分层注意力特征融合的鲁棒图像水印方法，包括：
获取原始图像和水印图像；
基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；
根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
根据所述含水印图像和模拟攻击模型，得到攻击后图像；
基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在得到含水印图像的过程中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
作为进一步的技术限定，得到图像特征增强张量的过程为：
对所获取的原始图像进行预处理，得到预处理图像；
对所得到的预处理图像进行卷积处理，得到标准输入图像，
将所得到的标准输入图像输入到分层注意力特征融合模型中，得到图像特征增强张量。
作为进一步的技术限定，得到水印特征增强张量的过程为：
计算所获取的水印图像的水印方阵；
对所得到的水印方阵进行卷积处理，得到升维水印特征张量；
对所得到的升维水印特征张量进行反卷积处理，得到冗余扩散水印特征张量；
将所得到的冗余扩散水印特征张量输入到分层注意力特征融合模型中，得到水印特征增强张量。
作为进一步的技术限定，得到含水印图像的过程为：
对所述图像特征增强张量和所述水印特征增强张量进行通道维度拼接，得到中间张量；
将所得到的中间张量进行降维处理后输入到分层注意力特征融合模型，得到特征增强中间张量；
对所述特征增强中间张量和原始图像进行残差结构对应像素点求和处理，得到含水印图像。
作为进一步的技术限定，所述提取图像水印的过程为：
对攻击后图像进行卷积处理，得到攻击后图像的全局特征；
根据所述攻击后图像的全局特征和降采样的分层注意力特征融合模型，得到一阶分层注意力特征融合水印张量；
将卷积处理后的一阶分层注意力特征融合水印张量输入到分层注意力特征融合模型，得到二阶分层注意力特征融合水印张量；
对所得到的二阶分层注意力特征融合水印张量进行卷积处理，提取图像水印。
作为进一步的技术限定，所述图像鉴别模型包括4层3×3卷积和1层全局平均池化和1层全连接层，不断训练图像鉴别模型，提升辨别图像是否是含水印图像的能力，监督水印嵌入网络，提升含水印图像的不可感知性。
作为进一步的技术限定，所述分层注意力特征融合模型为由第一卷积层、第二卷积层和第三卷积层构成的深度递增的三级特征模型：所述第一卷积层为1×1卷积，所述第二卷积层为1层1×1卷积和1层3×3卷积，所述第三卷积层为1层1×1卷积和2层3×3卷积。
根据一些实施例，本公开的第二方案提供了一种基于分层注意力特征融合的鲁棒图像水印系统，采用如下技术方案：
一种基于分层注意力特征融合的鲁棒图像水印系统，包括：
获取图像模块，其被配置为获取原始图像和水印图像；
水印嵌入模块，其被配置为基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
模拟攻击模块，其被配置为根据所述含水印图像和模拟攻击模型，得到攻击后图像；
提取水印模块，其被配置为基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在所述水印嵌入模块中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
根据一些实施例，本公开的第三方案提供了一种计算机可读存储介质，采用如下技术方案：
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
根据一些实施例，本公开的第四方案提供了一种电子设备，采用如下技术方案：
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
与现有技术相比，本公开的有益效果为：
本公开具有良好的鲁棒性，能抵抗高强度椒盐噪声，并对模拟攻击模型中不存在的未知攻击具有较好的鲁棒性，适用于数字图像产品的版权保护，在保证图像质量的前提下提取出较为完整的水印信息，实现数字图像的版权保护。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
图1是本公开实施例一中的基于分层注意力特征融合的鲁棒图像水印方法的流程图；
图2是本公开实施例一中的基于分层注意力特征融合的鲁棒图像水印方法的流程框图；
图3是本公开实施例一中的图像特征增强模型的结构框图；
图4是本公开实施例一中的分层注意力特征融合模型的结构框图；
图5是本公开实施例一中的水印特征增强模型的结构框图；
图6是本公开实施例一中的水印嵌入模型的结构框图；
图7是本公开实施例一中的模拟攻击模型的结构框图；
图8是本公开实施例一中的水印提取模型的结构框图；
图9是本公开实施例一中的图像鉴别模型的结构框图；
图10是本公开实施例二中的基于分层注意力特征融合的鲁棒图像水印系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种基于分层注意力特征融合的鲁棒图像水印方法。
如图1和图2所示的一种基于分层注意力特征融合的鲁棒图像水印方法，包括：
获取原始图像和水印图像；
基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；
根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
根据所述含水印图像和模拟攻击模型，得到攻击后图像；
基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在得到含水印图像的过程中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
本实施例中所提供的的基于分层注意力特征融合的鲁棒图像水印方法的具体步骤为：
步骤S01：构建如图3所示的图像特征增强模型，输入任意大小的M×N×3的彩色图像数据(记为原始图像I)，输出H×W×3的图像特征增强张量Iaug，M、N分别为原始图像的长与宽，H、W分别为图像特征增强张量的长与宽；
步骤S01的具体过程为：
步骤S101:对I进行预处理得到预处理图像Ipre。步骤如下：对原始图像缩放至H'×W'像素，H'、W'分别通过公式(1)和公式(2)计算得到，对缩放后的图像以块边界尺寸为H×W进行随机块状裁剪，再将裁剪结果转换为张量数据，然后将张量正则化为均值为0，方差为1的标准正态分布，得到预处理图像Ipre。
Figure BDA0003967464230000081
Figure BDA0003967464230000082
步骤S102:对Ipre进行卷积核个数为64的3×3卷积，生成H×W×64的标准输入图像Is-in，实现通道升维。
步骤S103:将Is-in输入至如图4所示的分层注意力特征融合模块Ma-f得到图像特征增强张量Iaug。
Ma-f详细结构如下：先将输入特征张量F分别通过1层卷积(1×1卷积)、2层卷积(1层1×1卷积和1层3×3卷积)和3层卷积(1层1×1卷积和2层3×3卷积)转化为深度递增的三级特征：F1、F2、F3。浅层特征F1包含丰富的输入图像的空间特征，因此通过空间注意力机制得到浅层空间注意特征F1-sp，初步增强网络搜索图像空间域中隐蔽且鲁棒的嵌入点的能力，深层特征F3具有输入特征的更高阶的语义信息以及更强的特征表征力，因此通过通道注意力机制得到深层通道注意特征F3-ch，初步增强网络搜索深层语义特征表征空间中的隐蔽且鲁棒的嵌入点能力。将F1-sp、F2和F3-ch在通道维度上进行拼接得到一阶注意力特征融合张量Ff，对Ff通过1×1卷积得到与输入特征相同通道数的一阶段注意力特征融合张量Ff-d，对Ff-d实施空间与通道的联合注意力机制并将结果与F残差求和得到Ma-f的输出特征增强张量Faug，从而增强网络搜索不同深度语义信息表征空间以及不同注意力方向的隐蔽且鲁棒的嵌入点能力。
步骤S02:构建水印特征增强模型如图5所示，输入水印W，输出增强后的H×W×256的水印特征增强张量Waug。
步骤S02的具体过程为：
步骤S201：水印方阵生成，将W展平成L位二进制水印序列M，再将M转化为水印方阵WA，通过公式(3)计算水印方阵WA的大小HA：
Figure BDA0003967464230000101
步骤S202:将WA先通过3×3卷积得到升维水印特征张量Wup，通过公式(4)计算反卷积二倍上采样块的数量Ns，对Wup进行Ns次卷积核大小为2、步长为2的反卷积上采样得到冗余扩散水印特征张量Wr-d，提升后续提取网络对旋转、裁剪、缩放等几何攻击的鲁棒性：
Figure BDA0003967464230000102
步骤S203：将Wr-d输入至分层注意力特征融合模块Ma-f得到水印特征增强张量Waug。Waug与Iaug具有相同尺寸且都融合了各自不同深度、不同注意力方向的语义信息，方便后续水印嵌入于原始图像中的隐蔽且鲁棒的像素点。
步骤S03:构建水印嵌入模型如图6所示，输入图像特征增强张量Iaug、水印特征增强张量Waug和原始图像I，输出含水印图像IW。
步骤S03的过程为：
步骤S301：将Waug与Iaug进行通道维度上拼接得到中间张量Im；
步骤S302：将Im通过1层3×3卷积实现通道降维，再输入至分层注意力特征融合模块Ma-f得到特征增强中间张量Im-aug，再将Im-aug与原始图像I通过残差结构对应像素点求和得到水印嵌入模型的输出含水印图像IW。
步骤S04:构建模拟攻击模型，如图7所示，输入含水印图像IW，输出攻击后图像Iatk，包含五种攻击方式：椒盐噪声、模拟JPEG压缩、真实JPEG压缩、高斯噪声和裁剪攻击组成可微分可反向梯度更新的随机攻击层。对于JPEG压缩攻击，DCT系数量化处理过程是不可微过程，若直接引入网络会导致神经元坏死无法反向传播，因此对其进行近似逼近使其变为可微过程，从而实现网络反向传播梯度更新。又由于单独引入近似逼近JPEG会出现仿真效果差导致模型训练效果差的问题。
本实施例结合Adam优化器使用一阶矩估计以及二阶矩估计计算更新步长的优点，避免了在反向传播更新中，轮询至真实不可微JPEG压缩时梯度无法更新的问题，该训练方法同时保证JPEG压缩仿真效果与模型训练效果。
步骤S05：搭建水印提取模型，如图8所示，输入攻击后图像Iatk，输出提取水印WE。
步骤S05的过程为：
步骤S501：将Iatk通过卷积核个数为64的3×3卷积得到H×W×64的攻击后图像的全局特征Iatk-o。
步骤S502：将Iatk-o通过Ns次带有下采样(步长为2的3×3卷积)的分层注意力特征融合模块得到一阶分层注意力特征融合水印张量W1。
步骤S503：将W1依次通过卷积个数为3的3×3卷积和分层注意力特征融合模块得到二阶分层注意力特征融合水印张量W2。
步骤S504：将W2通过卷积核个数为1的3×3卷积得到提取水印WE。
步骤S06：搭建图像鉴别模型D，进一步提升含水印图像IW的不可感知性，如图9所示，D由4层3×3卷积和1层全局平均池化和1层全连接层组成，其输入为含水印图像IW与原始图像I输出为预测的输入为原始图像的概率P。
步骤S07：将搭建完成的六个子网络结构封装成一个整体网络，用于端到端训练、测试。
步骤S08：网络训练；采用ImageNet-1K数据集中的10000张任意尺寸的不同类别的图像作为训练数据集，对步骤S07封装完成的整体网络进行训练。训练损失函数L包括图像损失LI、水印提取损失LW和图像鉴别器损失LD。LI衡量含水印图像与原始图像在感观质量上的差异，其由含水印图像与原始图像的均方误差损失和结构相似性损失组成。公式(8)为图像损失的函数表示：
Figure BDA0003967464230000121
Figure BDA0003967464230000122
LI＝β·MSE(I,IW)+SSIM(I,IW)                    (8)
其中，μI为原始图像I的平均值，σI为I的标准差，
Figure BDA0003967464230000123
为含水印图像IW的平均值，
Figure BDA0003967464230000124
为IW的标准差，
Figure BDA0003967464230000125
为(I,IW)协方差，c1、c2是两个度量常数，本实例中分别设置为1×10-4和9.5×10-4，β为均方误差损失权重因子，本实例中设置为0.75。
水印提取损失为提取水印与原始水印的MSE，公式(9)为水印提取损失的函数表示：
LW＝MSE(WE,W)＝[WE(i)-W(i)]2                (9)
其中，WE(i)为第i位提取水印像素值，W(i)为第i位原始水印像素值。
图像鉴别器用于区分原始图像与含水印图像，公式(10)为图像鉴别损失函数表示：
Figure BDA0003967464230000131
其中，D为图像鉴别器，E为水印嵌入模型，
Figure BDA0003967464230000132
分别为图像鉴别器和水印嵌入模型的参数。
公式(11)为总损失函数L：
L＝αILI+αWLW+αDLD  (11)
其中，αI、αW和αD分别为图像损失、水印提取损失和图像鉴别器损失的权重因子。
其他训练参数如表1所示。
表1网络训练参数的设置
Figure BDA0003967464230000133
本实施例方法全部网络模型构建并训练完毕，并于步骤S08保存权重文件。
步骤S09：在对此方法性能进行测试时，将模拟攻击网络中的攻击替换为对应测试攻击，完整经过:2所示流程，利用步骤S08已训练好的权重参数，得到含水印图像、真实攻击后生成的攻击后图像和攻击后提取出的水印信息。为了测试方法对攻击的泛化能力，在训练阶段已有攻击方式的基础上增加新的攻击方式，如高斯滤波、Cropout攻击、Dropout攻击。其中，Cropout攻击是从含水印图像中随机选取一定比例的块替换为原始封面图像相应的块；Dropout攻击是从含水印图像中随机选取一定比例的像素值，替换为封面图像相应的像素值。
将本实施例方法与基于深度神经网络的经典算法进行比较；为了保证比较的有效性，三种算法实验数据均在256×256彩色图像中嵌入256位二进制水印信息的条件下进行。对于仅适用于灰度图像的ReDMark方法，通过将彩色图片分解为YCbCr分量，在Y中嵌入水印信息。由于方法鲁棒性和不可感知性是相互制约的，表2展示了三种方法在生成的含水印图像不可感知性相同(即PSNR相同)的前提下水印提取的误码率。由表2数据可见，本实施例在多种攻击下，如椒盐噪声、高斯滤波、JPEG压缩、高斯噪声、Dropout攻击和裁减攻击等多种攻击下，提取水印的误码率低，具有更好的鲁棒性。但该方法针对高强度的Cropout攻击的鲁棒性能较差，是本实施例的一个局限点。
表2不同攻击下3种方法的误码率比较
Figure BDA0003967464230000151
本实施例基于分层注意力特征融合模块，提出一种适用于多尺寸彩色图像的鲁棒水印算法，该方法比现存的基于深度学习方法具有更好的鲁棒性，能抵抗高强度椒盐噪声，具有良好的模型泛化力和更广的应用范围，可在保证图像质量的前提下提取出较为完整的水印信息，实现数字图像的版权保护。
实施例二
本公开实施例二介绍了一种基于分层注意力特征融合的鲁棒图像水印系统。
如图10所示的一种基于分层注意力特征融合的鲁棒图像水印系统，包括：
获取图像模块，其被配置为获取原始图像和水印图像；
水印嵌入模块，其被配置为基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
图像鉴别模块，其被配置为基于原始图像和含水印图像和图像鉴别器，得到输入至模块中的图像嵌入水印的概率，根据图像鉴别损失监督水印嵌入网络，提升含水印图像不可感知性；
模拟攻击模块，其被配置为根据所述含水印图像和模拟攻击模型，得到攻击后图像；
提取水印模块，其被配置为基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在所述水印嵌入模块中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
详细步骤与实施例一提供的基于分层注意力特征融合的鲁棒图像水印方法相同，在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例一所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
详细步骤与实施例一提供的基于分层注意力特征融合的鲁棒图像水印方法相同，在此不再赘述。
实施例四
本公开实施例四提供了一种电子设备。
一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例一所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
详细步骤与实施例一提供的基于分层注意力特征融合的鲁棒图像水印方法相同，在此不再赘述。
上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，包括：
获取原始图像和水印图像；
基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；
根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
根据所述含水印图像和模拟攻击模型，得到攻击后图像；
基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在得到含水印图像的过程中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
2.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，得到图像特征增强张量的过程为：
对所获取的原始图像进行预处理，得到预处理图像；
对所得到的预处理图像进行卷积处理，得到标准输入图像，
将所得到的标准输入图像输入到分层注意力特征融合模型中，得到图像特征增强张量。
3.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，得到水印特征增强张量的过程为：
计算所获取的水印图像的水印方阵；
对所得到的水印方阵进行卷积处理，得到升维水印特征张量；
对所得到的升维水印特征张量进行反卷积处理，得到冗余扩散水印特征张量；
将所得到的冗余扩散水印特征张量输入到分层注意力特征融合模型中，得到水印特征增强张量。
4.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，得到含水印图像的过程为：
对所述图像特征增强张量和所述水印特征增强张量进行通道维度拼接，得到中间张量；
将所得到的中间张量进行降维处理后输入到分层注意力特征融合模型，得到特征增强中间张量；
对所述特征增强中间张量和原始图像进行残差结构对应像素点求和处理，得到含水印图像。
5.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，所述提取图像水印的过程为：
对攻击后图像进行卷积处理，得到攻击后图像的全局特征；
根据所述攻击后图像的全局特征和降采样的分层注意力特征融合模型，得到一阶分层注意力特征融合水印张量；
将卷积处理后的一阶分层注意力特征融合水印张量输入到分层注意力特征融合模型，得到二阶分层注意力特征融合水印张量；
对所得到的二阶分层注意力特征融合水印张量进行卷积处理，提取图像水印。
6.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，所述图像鉴别模型包括4层3×3卷积和1层全局平均池化和1层全连接层，不断训练图像鉴别模型，提升辨别图像是否是含水印图像的能力，监督水印嵌入网络，提升含水印图像的不可感知性。
7.如权利要求1中所述的一种基于分层注意力特征融合的鲁棒图像水印方法，其特征在于，所述分层注意力特征融合模型为由第一卷积层、第二卷积层和第三卷积层构成的深度递增的三级特征模型：所述第一卷积层为1×1卷积，所述第二卷积层为1层1×1卷积和1层3×3卷积，所述第三卷积层为1层1×1卷积和2层3×3卷积。
8.一种基于分层注意力特征融合的鲁棒图像水印系统，其特征在于，包括：
获取图像模块，其被配置为获取原始图像和水印图像；
水印嵌入模块，其被配置为基于所获取的原始图像和水印图像，结合分层注意力特征融合模型，得到图像特征增强张量和水印特征增强张量；根据所述原始图像、所述图像特征增强张量和所述水印特征增强张量，得到含水印图像；
模拟攻击模块，其被配置为根据所述含水印图像和模拟攻击模型，得到攻击后图像；
提取水印模块，其被配置为基于所述攻击后图像和分层注意力特征融合模型，提取图像水印；
在所述水印嵌入模块中，根据所述原始图像、所述含水印图像和图像鉴别模型，监督水印嵌入网络，提升含水印图像的不可感知性。
9.一种计算机可读存储介质，其上存储有程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
10.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的基于分层注意力特征融合的鲁棒图像水印方法中的步骤。
CN202211500670.0A 2022-11-28 2022-11-28 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 Pending CN115908095A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211500670.0A CN115908095A (zh) 2022-11-28 2022-11-28 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211500670.0A CN115908095A (zh) 2022-11-28 2022-11-28 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

Publications (1)

Publication Number Publication Date
CN115908095A true CN115908095A (zh) 2023-04-04

Family

ID=86474406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211500670.0A Pending CN115908095A (zh) 2022-11-28 2022-11-28 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

Country Status (1)

Country Link
CN (1) CN115908095A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308986A (zh) * 2023-05-24 2023-06-23 齐鲁工业大学(山东省科学院) 基于小波变换及注意力机制的隐蔽水印攻击算法
CN116402670A (zh) * 2023-06-08 2023-07-07 齐鲁工业大学(山东省科学院) 一种基于生成对抗网络的不可感知水印攻击方法
CN117437108A (zh) * 2023-12-21 2024-01-23 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

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116308986A (zh) * 2023-05-24 2023-06-23 齐鲁工业大学(山东省科学院) 基于小波变换及注意力机制的隐蔽水印攻击算法
CN116308986B (zh) * 2023-05-24 2023-08-04 齐鲁工业大学(山东省科学院) 基于小波变换及注意力机制的隐蔽水印攻击算法
CN116402670A (zh) * 2023-06-08 2023-07-07 齐鲁工业大学(山东省科学院) 一种基于生成对抗网络的不可感知水印攻击方法
CN116402670B (zh) * 2023-06-08 2023-08-18 齐鲁工业大学(山东省科学院) 一种基于生成对抗网络的不可感知水印攻击方法
CN117437108A (zh) * 2023-12-21 2024-01-23 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
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

Similar Documents

Publication Publication Date Title
Wang et al. Optimized feature extraction for learning-based image steganalysis
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
Shen et al. A robust associative watermarking technique based on vector quantization
Liu et al. Robust blind image watermarking based on chaotic mixtures
Song et al. An integer DCT and affine transformation based image steganography method
Sarkar et al. Large scale image tamper detection and restoration
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
CN116308986A (zh) 基于小波变换及注意力机制的隐蔽水印攻击算法
CN115345768A (zh) 基于神经网络的鲁棒水印攻击方法及系统
Hamamoto et al. Image watermarking technique using embedder and extractor neural networks
CN115358910A (zh) 基于卷积神经网络去噪算法的数字水印攻击方法及系统
CN116452401A (zh) 一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法
Chang et al. Copyright authentication for images with a full counter-propagation neural network
Zhang et al. A blind watermarking system based on deep learning model
Gao et al. Reversible watermarking algorithm based on wavelet lifting scheme
Tang et al. A two-stage robust reversible watermarking using polar harmonic transform for high robustness and capacity
Hu et al. A progressive QIM to cope with SVD-based blind image watermarking in DWT domain
Tchakounté et al. An Efficient DCT-SVD Steganographic Approach Applied to JPEG Images
Cao et al. A zero-watermarking algorithm based on DWT and chaotic modulation
Rebahi et al. Image Watermarking Technique Using Convolutional Autoencoder
Allwadhi et al. A comprehensive survey of state-of-art techniques in digital watermarking
Mohamed et al. A Survey on Image Data Hiding Techniques
Yang et al. High‐Quality and Robust Reversible Data Hiding by Coefficient Shifting Algorithm
Laouamer et al. Generating optimal informed and adaptive watermark image based on zero-suppressed binary decision diagrams for medical images
Maity et al. Reversible image watermarking using modified difference expansion

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