[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

说明书

本发明提供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，本发明方法包括：通过构建基于卷积神经网络的水印攻击模型，在含水印图像和无水印图像之间进行端到端非线性学习，将含水印图像映射到无水印图像，进行水印攻击；根据水印信息的嵌入区域选择合适数目的特征提取块来提取含水印信息的特征图；引入残差学习机制提升水印攻击模型的收敛速度和学习能力，通过减少残差图像与无水印图像之间的差异提升被攻击图像的不可感知性；根据DIV2K2017超分辨率数据集以及基于四元数指数矩的鲁棒彩色图像水印算法构建训练水印攻击模型的数据集。本发明的水印攻击模型能够在不破坏含水印图像视觉质量的前提下以高误码率实现对鲁棒水印算法的攻击。

技术领域

本发明涉及数字水印技术领域，具体而言，尤其涉及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。

背景技术

随着互联网技术的不断发展，信息获取变得越来越便捷，随之而来的是海量信息不受限制地在网络上进行存储和传输。如何有效地保护信息安全是一个亟待解决的关键问题，也一直是科学研究中最重要的课题之一。数字水印技术是数字图像版权保护的关键技术，通过把一些标识信息(即数字水印)嵌入到需要保护的图像中，以达到确认图像版权归属的目的。目前关于数字水印技术的研究主要集中在两个方面，水印方法和水印攻击方法，扮演“守方”的水印方法通过提高算法的鲁棒性增强对各种水印攻击方法的抵抗能力；而作为“攻方”的水印攻击方法则通过对数字水印系统进行各种攻击，试图让水印方法无法正确提取出嵌入的水印信息。

为了抵抗水印攻击方法，“守方”近些年提出了多种应对策略，例如：为了抵抗信号处理攻击，设计了基于图像空域、变换域和特征空间的水印方法。为了抵抗几何攻击，设计了基于几何不变量、同步校正、局部特征区域方法等策略的水印方法；此外，设计了多种水印方法以抵抗降梯度攻击、敏感性攻击和扰乱攻击。近几年，随着深度学习的发展，研究人员将深度神经网络扩展到了图像水印领域，例如：Haribabu等人于2015年提出了一种基于自编码的神经网络数字图像水印算法，其根本思想是使用标准梯度下降反向传播算法学习给定图像的自动编码网络的权重，基于该思想将水印不可见地嵌入到给定的图像中。2018年，Zhu等人提出了针对水印算法的HiDDeN架构，利用神经网络学习使用细微扰动编码大量有用信息来完成水印嵌入的任务。同年，Ahmadi等人提出了一种深度端到端差分水印框架，该框架能够在嵌入容量和鲁棒性两者之间进行适当的调整和权衡，并具有自适应性和灵活性。2020年，Hao等人提出了一种基于生成对抗网络的图像水印算法，通过该方法得到的含水印图像具有更好的视觉效果，其抗噪声能力也更有优势。同年，Lee等人提出一种基于神经网络的图像盲水印算法，其能够在不使用任何分辨率相关层或组件的情况下执行嵌入网络的操作。

近年来，对数字水印技术的研究主要集中于“守方”，旨在提升现有水印方法的鲁棒性，但是现有的水印攻击体系已无法满足水印方法的需求，含水印图像在被攻击后能以极低的误码率甚至于无损提取水印信息。并且目前的水印攻击方式并没有考虑被攻击后水印图像的视觉质量，这对于很多需要被保护的信息来说是不切实际的。