[发明专利]基于可逆神经网络的图像盲水印方法

说明书

一种基于可逆神经网络的图像盲水印方法。本发明的目的是将水印嵌入载体图像中得到水印图像，并从该水印图像中提取出水印，这里的水印即为比特信息序列。该方法由包含载体图像和水印的两个分支的可逆模块级联以及一个噪声层组合而成，正向过程将水印嵌入到载体图像中合成水印图像，且水印图像与原始载体图像相比差别不大；反向过程从单张水印图像中分离并提取出水印。另外该方法还包含比特信息序列的相关处理。该方法具有抵抗各种攻击的鲁棒性，包括裁剪攻击、高斯模糊攻击、JPEG压缩攻击等。在这些攻击下能以高准确率从受攻击的水印图像中提取水印以保护知识产权和版权信息。本图像盲水印方法无需原始图像的帮助即可提取出水印信息。

技术领域

本发明属于水印和信息隐藏领域，特别涉及到一种基于可逆神经网络的图像盲水印方法。

背景技术

随着电子信息技术的发展，越来越多信息通过相较于文字表现力更强的数字图像进行传播。由于数字图像易于传播和存储的特性，如何保护数字图像的版权成为受到广泛关注的问题。图像数字水印技术是解决这个问题的常用方法。图像拥有者可以通过在数字图像中嵌入一段信息，也就是水印，用于识别图像的所有权，并保护知识产权。同时，盗用者可能会通过各种攻击(如剪切、模糊等)扭曲图像，以破坏图像中嵌入的信息。因此，数字图像水印必须能够可靠地嵌入和恢复。数字水印还可以应用于其他应用，包括广播监控、复制控制、设备控制和遗留增强。

衡量数字水印算法性能的两个关键因素是鲁棒性和不可感知性。不可感知性要求嵌入水印后的图像与原始图像几乎相同。鲁棒性要求嵌入在图像中的水印信息能够在各种失真(如JPEG压缩、剪切或模糊)下生存。它们在某种程度上是矛盾的，因为不可感知性强调原始图像的变化是微不足道的，以至于人们无法检测到它。同时，它也限制了嵌入信息的数量。此外，各种攻击，特别是裁剪攻击，需要嵌入信息是重复和冗余的，这也进一步限制了信息容量。由于嵌入的信息量受到限制，所以提取水印时容错率低。基于上述原因，数字水印技术虽然得到了广泛的研究，但仍然是一个具有挑战性的问题。

传统的水印技术通常在空域或频域中嵌入水印。然而，这两种方法在鲁棒性方面都有局限性。近年来，深度神经网络也被应用于数字水印。Jiren Zhu等人在ECCV 2018上发表的论文“HiDDeN:Hiding Data With Deep Networks”首次将神经网络用于数字图像水印领域。他们的网络使用端到端训练。取得了明显优于传统算法的性能。

发明内容

本发明的目的是将水印嵌入载体图像中得到水印图像，并从该水印图像中提取出水印，这里的水印即为比特信息序列。该方法由包含载体图像和水印的两个分支的可逆模块级联以及一个噪声层组合而成，正向过程将水印嵌入到载体图像中合成水印图像，且水印图像与原始载体图像相比差别不大；反向过程从单张水印图像中分离并提取出水印。另外该方法还包含比特信息序列的相关处理。该方法具有抵抗各种攻击的鲁棒性，包括裁剪攻击、高斯模糊攻击、JPEG压缩攻击等。在这些攻击下能以高准确率从受攻击的水印图像中提取水印以保护知识产权和版权信息。

本发明的技术方案是：

基于可逆神经网络的图像盲水印方法，使用单个神经网络模型完成将水印嵌入载体图像中得到水印图像，并从该水印图像中提取出水印的任务，这里水印即为比特序列，所述方法包括如下步骤：

a.比特序列(水印)预处理：将比特序列进行预处理，压缩得到更短的水印信息；

b.输入载体图像和预处理后的信息：水印信息和选定的载体图像导入正向映射的可逆神经网络模型；

c.图像特征嵌入：利用可逆网络的正向映射，将水印信息的特征嵌入载体图像；

d.生成水印图像：将可逆网络载体分支的正向输出作为水印图像，把水印分支的正向输出规定为一个不包含有效信息的常数矩阵；

e.水印图像攻击：对水印图像可以进行各种攻击，例如模糊、裁剪和JPEG压缩，生成噪声图像；