[发明专利]一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置

权利要求书

1.一种基于残差学习的不可感知水印攻击方法，其特征在于，包括：

基于卷积神经网络，构建水印攻击模型；

基于构建的所述水印攻击模型，设计损失函数；

基于DIV2K2017以及所攻击的基于四元数指数矩的鲁棒彩色图像水印算法，构建训练所述水印攻击模型的数据集；

采用所述数据集对所述水印攻击模型进行训练，得到不含水印图像。

2.根据权利要求1所述的基于残差学习的不可感知水印攻击方法，其特征在于，所述基于卷积神经网络，构建水印攻击模型，包括将含水印图像和不含水印图像作为不可感知水印攻击模型的输入和输出，通过卷积神经网络在含水印图像和无水印图像之间进行端到端非线性学习，使得含水印图像映射到无水印图像，去除水印信息。

3.根据权利要求2所述的基于残差学习的不可感知水印攻击方法，其特征在于，所述水印攻击模型包括多层卷积层和多个特征提取块；卷积层均进行padding操作，每个特征提取块均包括128个5×5的卷积核和ReLU非线性层。

4.根据权利要求1所述的基于残差学习的不可感知水印攻击方法，其特征在于，所述基于构建的所述水印攻击模型，设计损失函数，包括根据水印信息的嵌入区域选择合适数目的特征提取块以提取出包含大量水印信息的特征图；引入残差学习机制，通过学习含水印图像和无水印图像之间的差异来提升水印攻击模型的收敛速度以及学习能力。

5.根据权利要求4所述的基于残差学习的不可感知水印攻击方法，其特征在于，所述基于构建的所述水印攻击模型，设计损失函数，具体包括以下步骤：

步骤1.1、所述水印攻击模型通过特征提取块提取出表示水印信息的低频特征图像，将含水印图像与低频特征图像作差，得到残差图像；即：

I_R＝I_W-I_L

其中，I_R表示残差图像，I_W表示含水印图像，I_L表示低频特征图像；

步骤1.2、设计损失函数，减少所述残差图像I_R与原始不含水印图像I_O之间的差异，损失函数采用均方误差MSE，具体为：

其中，表示损失函数，I_R表示残差图像，I_O表示原始不含水印图像。

6.根据权利要求1所述的基于残差学习的不可感知水印攻击方法，其特征在于，所述基于DIV2K2017以及所攻击的基于四元数指数矩的鲁棒彩色图像水印算法，构建训练所述水印攻击模型的数据集，包括将指数矩延伸到四元数领域，定义彩色图像的四元数指数矩，假设一个像素点为极坐标系下的彩色图像，根据四元数和指数矩理论定义四元数指数矩。