[发明专利]基于深度学习的水印添加、提取方法、设备及存储介质

权利要求书

1.一种基于深度学习的水印添加方法，其特征在于，所述方法包括：

获取待添加水印的水印信息；

将所述水印信息和所述待添加水印对应的目标图像输入预先训练的编码器，得到水印嵌入图像；所述编码器是使用样本水印信息、多张样本图像和预设损失函数对第一神经网络模型进行训练得到，所述预设损失函数包括基于最小可觉差建立的第一损失函数；所述基于最小可觉差建立的第一损失函数通过下式表示：

其中，表示亮度适应的视觉阈，表示空间掩码；M_r为所述第一神经网络模型的第一模型输出结果；L₂表示对计算结果进行L₂归一化；L_JND为第一损失函数；σ为对计算结果进行L2归一化过程中使用的系数；C为计算亮度适应的视觉阈与空间掩码的最小值时使用的系数。

2.根据权利要求1所述的方法，其特征在于，将所述水印信息和所述待添加水印对应的目标图像输入预先训练的编码器，得到水印嵌入图像之后，还包括：

获取所述编码器运行过程中得到的水印编码图像；

将所述水印编码图像与所述目标图像之后的n帧图像分别进行叠加，得到每帧图像对应的水印嵌入图像，所述n为正整数。

3.根据权利要求1所述的方法，其特征在于，所述将所述水印信息和所述待添加水印对应的目标图像输入预先训练的编码器，得到水印嵌入图像之前，还包括：

获取所述样本图像；

获取所述样本水印信息；

将所述样本图像和所述样本水印信息输入U-Net网络模型，得到第一模型输出结果；

将所述第一模型输出结果与所述样本图像输入所述预设损失函数，得到第一函数结果；

使用所述第一函数结果对所述U-Net网络模型进行训练，得到所述编码器。

4.根据权利要求1所述的方法，其特征在于，所述预设损失函数还包括第二损失函数，所述第二损失函数包括：L2损失函数、感知损失Perceptual Loss函数、Wasserstein loss函数中的任意一项或任意多项。

5.一种基于深度学习的水印提取方法，其特征在于，所述方法包括：

获取水印嵌入图像，所述水印嵌入图像为将水印信息和待添加水印的目标图像输入编码器中得到的；或者，是使用编码器上一次输出的水印编码图像与当前图像进行叠加得到的，所述当前图像为位于所述目标图像之后的n帧图像中的任意一张图像；所述编码器是使用样本水印信息、多张样本图像和预设损失函数对第一神经网络模型进行训练得到，所述预设损失函数包括基于最小可觉差建立的第一损失函数；所述基于最小可觉差建立的第一损失函数通过下式表示：

其中，表示亮度适应的视觉阈，表示空间掩码；M_r为所述第一神经网络模型的第一模型输出结果；L₂表示对计算结果进行L₂归一化；L_JND为第一损失函数；σ为对计算结果进行L2归一化过程中使用的系数；C为计算亮度适应的视觉阈与空间掩码的最小值时使用的系数；

将所述水印嵌入图像输入预先训练的解码器，得到水印解码信息；所述解码器是使用多组样本数据对第二神经网络模型进行训练得到的，每组样本数据包括样本水印嵌入图像和所述样本水印嵌入图像对应的样本水印解码信息；

使用纠错码对所述水印解码信息进行纠错，得到水印信息。

6.根据权利要求5所述的方法，其特征在于，所述使用纠错码对所述水印解码信息进行纠错，得到水印信息之后，还包括：

获取m帧水印嵌入图像对应的水印信息的投票结果，得到所述水印嵌入图像的最终水印提取结果，所述m为大于1的整数。