CN117974412A - 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 - Google Patents
基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 Download PDFInfo
- Publication number
- CN117974412A CN117974412A CN202410127691.5A CN202410127691A CN117974412A CN 117974412 A CN117974412 A CN 117974412A CN 202410127691 A CN202410127691 A CN 202410127691A CN 117974412 A CN117974412 A CN 117974412A
- Authority
- CN
- China
- Prior art keywords
- image
- information
- watermark
- block
- blocks
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 70
- 238000012545 processing Methods 0.000 claims description 40
- 230000010365 information processing Effects 0.000 claims description 24
- 238000012549 training Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 17
- 238000009792 diffusion process Methods 0.000 claims description 12
- 238000003672 processing method Methods 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 239000000284 extract Substances 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000004088 simulation Methods 0.000 claims description 7
- 230000002776 aggregation Effects 0.000 claims description 6
- 238000004220 aggregation Methods 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims description 6
- 230000004931 aggregating effect Effects 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000004927 fusion Effects 0.000 claims description 2
- 238000013527 convolutional neural network Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 230000008447 perception Effects 0.000 description 9
- 238000003860 storage Methods 0.000 description 9
- 230000015654 memory Effects 0.000 description 7
- 230000006870 function Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 230000006835 compression Effects 0.000 description 4
- 238000007906 compression Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 241000288105 Grus Species 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000003058 natural language processing Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000012805 post-processing Methods 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000000844 transformation Methods 0.000 description 1
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统，涉及信息安全技术领域，方法包括步骤：接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
Description
技术领域
本发明涉及信息安全技术领域，具体的是基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统。
背景技术
随着数字媒体的广泛应用和传播，数字版权保护面临着前所未有的挑战。数字媒体中的原始数据可以轻松地被复制、修改和篡改，而互联网的便利性使得这些修改后的数字媒体可以被快速地传播和分享，这给数字媒体的版权和内容安全带来了极大的风险。为了解决这一问题，数字水印技术被提出。这种技术可以在数字媒体(图像、视频、文本、声音等)中嵌入不可见的标识信息，以验证数字媒体的完整性和真实性，从而提高数字版权保护的效率。通过将数字水印嵌入到数字媒体中，数字媒体的所有者可以追踪其使用情况并保护其版权，同时防止数字媒体被篡改和伪造。数字水印技术的出现为数字媒体的版权保护提供了全新的手段和技术支持，为数字媒体产业的良性发展提供了有力的保障。数字水印技术的一个重要问题是其鲁棒性，即数字水印能否经受各种攻击和篡改而不失效。
早期具有代表性的数字水印算法有LSB(Least Significant Bit)，它基于图像的最低有效位(最不显著位)，将水印信息嵌入到图像的像素中。LSB方法将水印信息的二进制数据嵌入到图像像素的最低位中，因为最低位对于图像的感知影响较小，所以嵌入水印后的图像外观变化较小，同时也能够保证水印信息的隐藏性。但这种方法存在两种缺点：第一，LSB方法的鲁棒性较弱，由于最低位的敏感性较高，图像处理操作(如压缩、旋转、滤波等)可能导致部分最低位信息丢失或改变，使得水印易受到攻击和篡改。第二。LSB方法很容易通过统计度量检测出来。
发明内容
为解决上述背景技术中提到的不足，本发明的目的在于提供基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统，能够通过多维度水印信息和被嵌入图像的纹理信息相结合，并利用感知损失进行训练，从而提高水印信息的嵌入精度和水印图像质量。
第一方面，本发明的目的可以通过以下技术方案实现：基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，方法包括以下步骤：
接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；
将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像。将图像各尺度分解的图像融合进多维消息处理模块的水印信息块内，以达到使用载体图像纹理引导水印信息分布的作用。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将该二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块具备鲁棒性。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过对抗训练，提升鉴别器的鉴别能力和编码器的编码能力。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'。
结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失，计算过程如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过网络输出。
第二方面，为了达到上述目的，本发明公开了基于信息多维嵌入和纹理引导的鲁棒水印嵌入系统，包括：
消息处理单元，用于接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
编码单元，用于将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；
噪声模拟单元：将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
解码提取单元，用于将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
结合第二方面，在第二方面的某些实现方式中，该系统还包括：所述消息处理单元内预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像。将图像各尺度分解的图像融合进多维消息处理模块的水印信息块内，以达到使用载体图像纹理引导水印信息分布的作用；
或者消息处理单元内多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将该二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块；
优选地，编码单元内预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien；
优选地，噪声模拟单元内预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块具备鲁棒性；
其中，载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过对抗训练，提升鉴别器的鉴别能力和编码器的编码能力；
优选地，解码提取单元内预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'；
进一步地，载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失。感知损失的作用是帮助训练编码器生成人类视觉质量更高的编码图像，计算过程如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过网络输出。
本发明的有益效果：
本发明使用信息多维嵌入和纹理引导的鲁棒性水印嵌入方法将多维信息融合宿主图像纹理信息嵌入到宿主图像中，并且通过感知损失进行训练进一步增强生成水印图像特征，其中利用信息多维嵌入可以增加信息嵌入方式的冗余性，提高嵌入水印的鲁棒性。利用纹理引导的方法，可以引导信息嵌入到图像纹理之中，提高生成水印图像的质量。使用感知损失训练深度学习框架使得生成的图像视觉质量提升。相比于传统的鲁棒性水印嵌入方法，本专利可以大幅度提升嵌入水印图像的图像质量和嵌入水印的精度。为对于同样的噪声，我们的方法和其他深度学习鲁棒性水印嵌入算法，得到的误码率(Error_rate)和图像质量(PSNR和SSIM)，为水印信息嵌入以后图像质量比较，由此说明，该方法相比于其他深度学习鲁棒性水印嵌入方法，可以更加精准的嵌入水印信息并且嵌入后的图像更加不可感知，使用价值较大。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图；
图1是本发明方法流程示意图；
图2是本发明信息多维嵌入和纹理引导的鲁棒水印嵌入方法的模型框架结构图；
图3是本发明多维消息处理器框架结构图；
图4是本发明纹理引导处理器框架结构图；
图5是本发明原始载体图像经过SWT变换得到四个不同尺度分解图像；
图6是本发明系统结构示意图；
图7是本发明方法详细实现流程图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一：
下面，对本申请实施例涉及的相关术语进行介绍：
端到端训练：是一种机器学习的训练方法，它允许模型从输入数据中自动学习特征表示和任务的最优解。我们使用编码器和解码器的端到端训练进行水印嵌入和提取。
编码器：编码器(Encoder)是机器学习和深度学习模型中的一个组件，用于将输入数据转换为表示向量或特征表示。编码器接受输入数据，并通过一系列变换将其映射到一个低维的表示空间中。
在自然语言处理中，编码器通常指的是将文本序列转换为固定长度的向量表示的模型。常见的编码器包括循环神经网络(RNN)、长短时记忆网络(LSTM)、门控循环单元(GRU)等。这些模型通过遍历输入序列并在每个时间步骤上更新隐藏状态，从而对整个序列进行建模，并生成最终的表示向量。
在图像处理中，编码器通常是卷积神经网络(CNN)的一部分。CNN通过一系列卷积层和池化层来提取图像的局部特征，并逐渐减小特征图的空间维度。最后，通过全连接层或其他方法将图像特征映射到一个低维的表示空间中。
编码器的目标是将输入数据转换为具有良好表达能力的表示，以便后续的任务或模型可以更好地利用这些表示。编码器的选择和设计通常取决于具体的任务和数据类型，以及性能需求和计算资源的限制。
在本任务中，编码器的作用是使用卷积神经网络对图像进行特征提取，并将图像特征块和消息特征块进行融合生成编码图像的组件。
解码器：解码器是机器学习和深度学习模型中的一个组件，用于将经过编码器处理的表示向量或特征表示转换回原始数据或目标域中的表示。解码器接受编码器生成的表示向量，并通过一系列变换将其映射回原始数据或目标域中。
在自然语言处理中，解码器通常指的是将编码器生成的向量表示转换为文本序列的模型。常见的解码器包括循环神经网络(RNN)、长短时记忆网络(LSTM)、门控循环单元(GRU)等。这些模型通过遍历输出序列并在每个时间步骤上生成一个单词或字符，从而逐步构建最终的文本序列。
在图像处理中，解码器通常是卷积神经网络(CNN)的一部分。CNN通过一系列反卷积层、上采样层或其他方法将图像特征映射回原始图像空间。最后，可以通过一些后处理步骤(如激活函数或阈值)将图像恢复到原始状态。
解码器的目标是将编码器生成的表示向量转换为原始数据或目标域中的表示，以便完成特定任务或满足需求。解码器的选择和设计通常取决于具体的任务和数据类型，以及性能需求和计算资源的限制。
在本任务中，解码器接受被噪声攻击的编码图像作为输入，通过对噪声图像进行特征提取分析得到水印消息。
鲁棒水印：鲁棒水印算法是目前应用最广泛的数字图像处理技术之一，它是“隐藏信息”的技术，可以在图像中插入一个或多个信息，而这些信息可以无损的影响图像的质量，并且在移除水印的时候还可以把原始图像完美地重建出来。这种技术能够有效的防止图片的被盗，有效的保护图片的版权，从而为图片的安全带来了极大保障。
如图1所示，基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，方法包括以下步骤：
接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
其中，预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像。将图像各尺度分解的图像融合进多维消息处理模块的水印信息块内，以达到使用载体图像纹理引导水印信息分布的作用。
进一步地，多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将该二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块。
将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien。
预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块具备鲁棒性。
具体的，下面通过实施例对本发明方案作进一步阐述：
噪声模拟器：但是这种通过反向传播的噪声模拟方式，需要模拟噪声是可微的。在JPE压缩中，由于其中的量化操作导致其不可微。梯度无法通过真实的JPEG压缩方式向编码器传播，所以本专利选择使用JPEG-mask方法对JPEG压缩进行噪声模拟。具体方法为JPEG-Mask应用固定掩码，只在Y通道中保留25个低频DCT系数，在U,V通道中保留9个(遵循JPEG，它也在Y通道中保留更多信息)，其他系数设为0。
载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过对抗训练，提升鉴别器的鉴别能力和编码器的编码能力。
具体的，下面通过实施例对本发明方案作进一步阐述：
鉴别器：应用对抗学习提升生成水印图像的质量是深度学习鲁棒性水印的重要方法。鉴别器是一个分类器，用于区分编码图像Ien和载体图像Ico。通过带标签的编码图像Ien和载体图像Ico来训练鉴别器，使得它的分辨能力不断提高。同时，希望编码器生成编码图像Ien来混淆鉴别器，使鉴别器无法分辨编码图像Ien和载体图像Ico。通过对抗训练，鉴别器的鉴别能力会不断提高，同时编码器生成的编码图像Ien的质量也会越来越高。通过使用鉴别器，提升了生成编码图像Ien的图像质量，增加了水印信息的不可感知性。
将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'。
其中，载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失；
具体的，下面通过实施例对本发明方案作进一步阐述：
VGG感知器：VGG感知器主要通过VGG-19来完成感知损失的计算。最近的工作主要集中在最小化均方重构误差上。由此产生的图像具有较高的峰值信噪比，但生成的图像通常缺乏高频细节，并且在感知上不令人满意。具体来说，本专利基于从VGG-19网络中提取的特征映射之间的欧氏距离，使用了一个损失函数。在感知上，生成图像获得了更令人信服的结果。感知损失(Perceptual Loss)是一种基于深度学习的图像风格迁移方法中常用的损失函数。与传统的均方误差损失函数(MSE)相比，感知损失更注重图像的感知质量，更符合人眼对图像质量的感受。感知损失的计算是两张图片通过相同的神经网络，比较其中间的输出层来衡量其差异性。通常使用预训练的卷积神经网络(CNN)，这些网络已经在大规模的数据集上进行了训练，拥有较强的性能和泛化能力。VGG-19网络开始被用于分类任务，通过较为深的网络结构得到了较高的分类精度。VGG-19网络中的卷积层可以提取图像的纹理和结构信息，而网络的全连接层可以提取图像的语义信息感知损失的计算方式通常是将输入图像和目标图像分别通过预训练的神经网络，得到它们在网络中的特征表示。然后将这些特征表示作为损失函数的输入，计算它们之间的欧氏距离。感知损失的目标是最小化输入图像和目标图像在特征空间的距离，以增强编码图像的特征拟合的效果。通过预训练网络做感知损失从而提升图像质量的方法一开始在风格转移和超分辨率任务中被使用。本专利使用这一方法来提升含编码图像的质量取得了极大的效果。同过将编码图像Ien和载体图像Ico同时放入预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失。感知损失的作用是帮助训练编码器生成人类视觉质量更高的编码图像，基于VGG-19的网络结构的感知损失计算公式如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过第j层网络的输出特征。
表1：本专利方法与其他水印嵌入方法对比结果
实施例二：第二方面，如图6所示，为了达到上述目的，本发明公开了基于信息多维嵌入和纹理引导的鲁棒水印嵌入系统，包括：
消息处理单元，用于接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
编码单元，用于将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；
噪声模拟单元：将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
解码提取单元，用于将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
结合第二方面，在第二方面的某些实现方式中，该系统还包括：所述消息处理单元内预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像；将图像各尺度分解的图像融合进多维消息处理模块的水印信息块内，以达到使用载体图像纹理引导水印信息分布的作用。
或者消息处理单元内多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将该二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块；
编码单元内预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien；
噪声模拟单元内预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块对施加的噪声具备鲁棒性；
其中，载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过编码器和鉴别器的对抗训练，提升鉴别器的鉴别能力和编码器的编码能力；
优选地，解码提取单元内预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE块下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'；
进一步地，载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失。感知损失的作用是帮助训练编码器生成人类视觉质量更高的编码图像，计算过程如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过第j层网络的输出特征。
基于同一种发明构思，本发明还提供一种计算机设备，该计算机设备包括包括：一个或多个处理器，以及存储器，用于存储一个或多个计算机程序；程序包括程序指令，处理器用于执行存储器存储的程序指令。处理器可能是中央处理单元(Central ProcessingUnit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其用于实现一条或一条以上指令，具体用于加载并执行计算机存储介质内一条或一条以上指令从而实现上述方法。
需要进一步进行说明的是，基于同一种发明构思，本发明还提供一种计算机存储介质，该存储介质上存储有计算机程序，所述计算机程序被处理器运行时执行上述方法。该存储介质可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电、磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本公开的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本公开的基本原理、主要特征和本公开的优点。本行业的技术人员应该了解，本公开不受上述实施例的限制，上述实施例和说明书中描述的只是说明本公开的原理，在不脱离本公开精神和范围的前提下，本公开还会有各种变化和改进，这些变化和改进都落入要求保护的本公开范围内容。
Claims (10)
1.基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，方法包括以下步骤：
接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；
将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
2.根据权利要求1所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像。
3.根据权利要求2所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块。
4.根据权利要求1所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到水印图像融合特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien。
5.根据权利要求1所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块具备鲁棒性。
6.根据权利要求2所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过对抗训练，提升鉴别器的鉴别能力和编码器的编码能力。
7.根据权利要求1所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'。
8.根据权利要求6所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法，其特征在于，所述载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失，计算过程如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过VGG-19网络j层的输出。
9.基于信息多维嵌入和纹理引导的鲁棒水印嵌入系统，其特征在于，包括：
消息处理单元，用于接收水印信息和载体图像，将水印信息和载体图像输入至预先建立的消息处理器内，输出得到载体图像纹理引导的水印消息块；
编码单元，用于将载体图像纹理引导的水印消息块输入至预先建立的编码器内，输出得到编码图像；
噪声模拟单元：将编码图像输入至预先建立的噪声模拟器内，输出得到噪声图像；
解码提取单元，用于将噪声图像输入至预先建立的解码器内，提取得到一维水印信息。
10.根据权利要求9所述的基于信息多维嵌入和纹理引导的鲁棒水印嵌入系统，其特征在于，所述消息处理单元内预先建立的消息处理器包括多维消息处理模块和纹理引导模块，其中，所述多维消息处理模块通过三种不同的方式将水印信息处理成为初始水印信息块，再通过卷积进行特征聚合，形成最终的水印信息块；
所述纹理引导模块将载体图像Ico通过SWT变换得到四个不同尺度分解图像，包括是低频LL图像、水平细节LH图像、垂直细节HL图像、对角细节HH图像；
或者消息处理单元内多维消息处理模块通过三种不同的方式包括：
第一种信息处理方式：通过MBRS的信息处理方式将一维信息M变形成二维信息图，并通过四个反卷积模块将二维信息块扩大至128*128*64大小；
第二种信息处理方式：将信息通过扩散块将水印信息扩散，并通过第一种方式将信息同样扩大至128*128*64大小的水印信息块；
第三种信息处理方式：将水印信息扩大至16384，再通过变型变成128*128大小的二位信息块，通过四层SE块将信息处理成128*128*64大小的水印信息块，最后，通过将三个水印信息块拼接并通过一层SE块聚合水印信息形成最终的水印信息块；
优选地，编码单元内预先建立的编码器通过将载体图像Ico经过一个ConvBNRelu块将通道从3扩大到64通道，然后通过四个SE块对载体图像Ico的特征进行提取，获得128*128*64的图像特征块，将图像特征块与水印信息块进行拼接并通过一个ConvBNRelu块，将水印和图像融合，得到特征块，将特征块与载体图像Ico进行拼接，并通过一层卷积块将通道数缩小成3，形成编码图像Ien；
优选地，噪声模拟单元内预先建立的噪声模拟器通过模拟各种噪声对编码图像Ien进行攻击并形成噪声图像Ino，在端到端的训练过程中，通过反向传播算法将噪声的影响传播给编码器使得嵌入的水印信息块具备鲁棒性；
其中，载体图像Ico和编码图像Ien通过鉴别器进行区分，且通过带标签的载体图像Ico和编码图像Ien对鉴别器进行训练，通过对抗训练，提升鉴别器的鉴别能力和编码器的编码能力；
优选地，解码提取单元内预先建立的解码器首先通过一层ConvBNRelu层将噪声图像Ino通道扩大到64通道，然后通过SE下采样块将特征块的高和宽缩小，再通过ConvBNRelu层将特征块通道数变成1，并通过变形和扩散变成一维水印信息M'；
进一步地，载体图像Ico和编码图像Ien通过输入至预训练的VGG-19模型中并输出其中间层特征图像做对比，得到感知损失，计算过程如下：
其中，λj是j层的权重，J是选取预训练网络层的集合，CjHjWj分别代表选取层的通道数、高度、宽度，φj(y)，是载体图像Ico和编码图像Ien通过网络输出。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127691.5A CN117974412A (zh) | 2024-01-30 | 2024-01-30 | 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410127691.5A CN117974412A (zh) | 2024-01-30 | 2024-01-30 | 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN117974412A true CN117974412A (zh) | 2024-05-03 |
Family
ID=90854929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410127691.5A Pending CN117974412A (zh) | 2024-01-30 | 2024-01-30 | 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117974412A (zh) |
-
2024
- 2024-01-30 CN CN202410127691.5A patent/CN117974412A/zh active Pending
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhang et al. | Robust invisible video watermarking with attention | |
| Ubhi et al. | Neural style transfer for image within images and conditional GANs for destylization | |
| US20230008085A1 (en) | Method for embedding watermark in video data and apparatus, method for extracting watermark in video data and apparatus, device, and storage medium | |
| CN115660931A (zh) | 基于Transformer和去噪扩散模型的鲁棒水印方法 | |
| Wang et al. | Joint multi-domain feature learning for image steganalysis based on CNN | |
| CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
| Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
| CN114549273A (zh) | 基于深度神经网络的自适应鲁棒水印嵌入方法及系统 | |
| CN115115500A (zh) | 一种结合水下图像增强的水印嵌入方法 | |
| 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 | |
| Liao et al. | GIFMarking: The robust watermarking for animated GIF based deep learning | |
| CN115482142A (zh) | 暗水印添加方法、提取方法、系统、存储介质及终端 | |
| CN115829819A (zh) | 基于神经网络的图像鲁棒可逆信息隐藏方法、设备及介质 | |
| Bi et al. | High‐Capacity Image Steganography Algorithm Based on Image Style Transfer | |
| CN114494387A (zh) | 一种生成数据集网络模型及雾图生成方法 | |
| Liu et al. | Adaptive feature calculation and diagonal mapping for successive recovery of tampered regions | |
| Liu et al. | Hiding functions within functions: Steganography by implicit neural representations | |
| CN117974412A (zh) | 基于信息多维嵌入和纹理引导的鲁棒水印嵌入方法及系统 | |
| CN114900701A (zh) | 一种基于深度学习的视频数字水印嵌入与提取方法及系统 | |
| CN117156152A (zh) | 模型训练方法、编码方法、解码方法及设备 | |
| Zhou et al. | Triangle mesh watermarking and steganography | |
| CN114493971A (zh) | 媒体数据转换模型训练、数字水印嵌入方法和装置 | |
| CN114119330A (zh) | 一种基于神经网络的鲁棒数字水印嵌入、提取方法 | |
| CN113936243A (zh) | 一种离散表征的视频行为识别系统及方法 | |
| CN103379325A (zh) | 一种面向版权保护服务的视频地理数据数字水印方法 |
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 |