[发明专利]基于U-Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置

说明书

本发明公开了一种基于U‑Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置，方法包括以下步骤：（1）取载体图像Y通道频谱图；（2）选出待嵌入水印域；(3）待嵌入水印域重组，传入Encoder网络，采样输出含密矩阵，替换原频谱图相应参数，生成含密图像；（4）失真模拟；（5）构建Decoder网络，加入空间变换网络处理视角扭曲；（6）多次训练，获得完整编码解码网络。本发明针对含有大片低频区域载体图像嵌入水印后生成含密图像质量差等问题，利用在网络训练前限定傅里叶域嵌入半径范围操作，提高了生成含密图像图像质量，减少了网络的搜索空间，提升了网络训练的效率，同时利用透视扭曲、色彩变换等失真模拟，提高了打印扫描后水印的提取率与正确率。

技术领域

本发明涉及一种基于U-Net网络与DFT最优质量半径结合的抗打印数字水印方法，属于技术领域。

背景技术

数字水印技术(Digital Watermarking)是信息隐藏技术研究领域重要分支，利用人类的听觉、视觉系统的特点，在信息载体中加入一些额外的信息，以起到数字作品版权保护的作用。很多场合下重要文档、证书等需要打印成纸质印刷品，所以在打印扫描场景下的数字水印技术存在需求。然而现有抗打印水印技术存在较大挑战：由于图像打印扫描要经受数字半色调,点增益,伽马校正和量化等环节带来的像素失真以及拍摄提取时带来的一系列图像几何变换，导致大多数数字水印算法无法满足越来越复杂的需求。

近年来，深度学习的研究与发展进入了爆发时期，在计算机视觉等领域产生了许多研究成果，相比于传统根据先验知识手工设计的方法，深度学习具有强大的特征学习能力。研究者们将深度学习引入图像隐写中，让网络学习更隐蔽的隐写行为，2019年，Duan等人利用全卷积网络构建了一个U-Net结构的编码网络。由于U-Net结构性的网络能够将全局特征与局部特征更好融合，从而生成图像质量较好的含密图像，但当图像有大量低频区域时，效果并不理想。

发明内容

本发明的目的在于克服现有技术中的不足，提供基于U-Net网络与DFT最优质量半径结合的抗打印数字水印方法及装置，可解决为含有大片低频区域的载体图像嵌入抗打印水印的技术问题。

为达到上述目的，本发明是采用下述技术方案实现的：

第一方面，本发明提供一种基于U-Net网络与DFT最优质量半径结合的抗打印数字水印方法，包括以下步骤：

获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图；

获得水印信息，并将所述水印信息读取为水印01字符串；

在所述载体图像频谱图中选出待嵌入水印区域，将待嵌入水印区域内值重组生成载体矩阵；

将待嵌入水印区域内值重组生成的载体矩阵和水印的01字符串组合，形成输入张量；

将所述输入张量输入Encoder网络(编码网络)中，得到含密矩阵；所述Encoder网络是以U-Net为基础的水印编码网络；

用含密矩阵替换载体图像频谱图中相应的载体矩阵，生成含密图像频谱图，并对所述含密图像频谱图进行逆幅度值、反傅里叶和逆YCbCr变换，生成含密图像。

进一步的，获取载体图像，对载体图像进行YCbCr和DFT变换，将零频率分量移至频谱中心，获得载体图像频谱图的方法包括：

对载体图像进行YCbCr变换，取Y通道进行归一化处理，得到归一化后的图像Y通道矩阵；

对归一化后的图像Y通道矩阵进行傅里叶变换得到频谱图；

将所述频谱图的零频率分量移至中心，获得载体图像频谱图。

进一步的，在所述载体图像频谱图中选出待嵌入水印区域的方法包括：