[发明专利]一种基于GAN网络的图像数字水印生成及鉴别系统及方法

权利要求书

1.一种基于GAN网络的图像数字水印生成及鉴别系统，其特征在于，

利用GAN网络为图像增加数字水印，GAN网络由生成器G和辨别器D两部分构成，

其中，

生成器G包含产生标识生成网络GN1和产生水印生成网络GN2两部分，

辨别器D包含图像辨别网络DN1、水印辨别网络DN2和辨别融合网络DN3；

针对用户的需求，通过反复训练GAN网络生成器和辨别器模型，最终生成满足要求的数字水印生成器和辨别器；

具体步骤如下：

步骤101、设计数字水印GAN网络，确定输入图像像素大小，收集图像数据集，对图像进行预处理，符合GAN网络要求；

步骤102、根据现有知识设定一个图像添加数字水印的方法，采用标识明水印，然后训练所述的数字水印GAN网络辨别器；

步骤103、选择辨别器训练数据，对于图像辨别网络DN1，原始图像作为正样本，添加明显标识水印的为负样本，对于水印辨别网络DN2，数字水印值与标识值相同的为正样本，数字水印值与标识值不相同的为负样本；

步骤104、训练辨别器网络D，得到第一轮的辨别器D0；

步骤105、初始化生成器网络G，固定辨别器网络D，将G和D组成一个网络；

步骤106、选择数据集来训练生成器，输入原始图像和标识向量来训练GN1和GN2组成的网络，使得G+D组成的网络输出的值越大越好；

步骤107、训练生成器网络，得到生成器G’;

步骤108、使用G’来产生水印图像作为DN1网络的负样本，并将该水印图像和输入标识作为所述的DN2网络的正样本进行训练；

步骤109、训练辨别器网络，得到辨别器D’；

步骤110、记录下D’和G’；

步骤111、D=D’，G=G’，重复步骤105至步骤110，直到D无法识别G产生的数字水印；

步骤112、输出上一轮的G和D作为最终的生成器和辨别器模型；

步骤113、通过收集数据，持续优化数字水印GAN网络模型，将不断提高数字水印图像生成质量。

2.根据权利要求1所述的系统，其特征在于，

其中，

所述的生成器G是Image-to-Image解释器，将原始图像转换成带数字水印的图像。

3.根据权利要求2所述的系统，其特征在于，

所述的产生标识生成网络GN1是一个神经网络，负责将用户标识进行变换，根据原始图像要求的水印大小将其进行扩展变换，得到与原始图像大小相同的张量；

所述的产生水印生成网络GN2是一个CNN卷积神经网络，将产生的标识张量和原始图像进行融合，并加入噪声数据，混合生成带数字水印的图像。

4.根据权利要求1所述的系统，其特征在于，

所述的辨别器D相当于是二元分类器，判断图像是否包含特定标识的数字水印。

5.根据权利要求4所述的系统，其特征在于，

所述的图像辨别网络DN1用来区分原始图像与带水印图像的差异程度，输入带水印图像，期待生成的水印图像与原始图像无法区分，水印越明显，返回数值越小；

所述的水印辨别网络DN2负责区分给定标识与带水印图像的符合程度，返回数值表示图像包含给定标识的可能性；

所述的辨别融合网络DN3将DN1和DN2进行融合，得到最终辨别值。