[发明专利]一种基于生成对抗网络的鲁棒图像水印方法

说明书

本发明公开了一种基于生成对抗网络的鲁棒图像水印方法，包括：编码器将二进制的秘密信息嵌入到一张三通道的载体图像中，解码器从载密图像中提取出秘密信息；编码器网络和解码器网络组成一个端到端的模型作为生成器网络，通过生成器网络生成载密图像和提取出秘密信息，通过判别器网络对生成的编码图像的真假性进行判断；通过生成器网络和判别器网络之间相互对抗学习，使生成的载密图像和原始图像、解码的秘密信息和原始的秘密信息误差在一定范围内；使用数据集训练网络模型，得到最优的模型参数；通过训练好的网络模型得到鲁棒编码图像和提取秘密信息。本发明的模型具有鲁棒性，并且在对载密图像攻击后进行提取秘密信息的准确度也相对较高。

技术领域

本发明属于图像处理、信息隐藏技术领域，尤其涉及一种基于生成对抗网络的鲁棒图像水印方法。

背景技术

作为信息隐藏最重要的方法之一，数字水印技术是利用数字水印技术将秘密信息隐藏到载体中，通过提取嵌入在编码图像中的秘密信息来达到版权保护的目的。该研究领域具有许多有用的应用，例如，知识产权[1]和神经网络模型[2]的所有权可以通过数字水印技术得到保护。目前，许多研究人员已将卷积神经网络(CNN)应用于数字水印技术和隐写术。Volkhonskiy等人[3]首先提出了一种基于深度卷积生成对抗网络(DCGAN)的新模型[4]，称为隐写生成对抗网络(SGAN)模型。该模型使用GAN生成器生成的图像作为原始图像，采用隐写分析网络模型作为判别器，使得隐写模型更加安全。shi等人[5]提出了基于GAN(SSGAN)的安全隐写模型。与SGAN模型相比，SSGAN可以更快地收敛并生成更高质量和更安全的编码图像。

与SGAN和SSGAN模型不同的是，Hayes等人[6]提出了一种基于GAN的图像隐写技术框架，称为HayesGAN,它包括三个子网络组件：编码器、解码器和判别器。但是，HayesGAN没有充分考虑编码图像的图像质量，以及编码图像与真实原始图像的差距，因此编码图像的不可见性较差。Hu等人基于HayesGAN模型[7]添加了一个隐写分析网络，以提高生成的隐写图像的质量和安全性。然而，上述模型在提取秘密信息方面的准确性较差。

Zhu等人[8]在HayesGAN模型的基础上提出了HiDDeN隐写模型，可以在像素随机丢弃、裁剪、高斯平滑等各种攻击下高精度提取嵌入的秘密信息。Tang等人[9]将自适应隐写术与GAN模型相结合，为秘密信息的嵌入寻找合适的位置，并提出了一种自动隐写术失真学习框架(ASDL-GAN)。Yang等人[10]改进了ASDL-GAN模型。在激活函数的选择上，将三元嵌入模拟器(TES)替换为tanh激活函数，解决了TES在网络训练过程中的反向传播问题，提高了模型的安全性。

Liu等人[11]提出了一个两阶段深度学习鲁棒水印模型。与端到端模型[8]的主要区别在于水印的嵌入和提取分为两个阶段。两阶段训练的优点是不需要将噪声攻击模拟为可微分噪声层，这使得解码器能够更好地抵抗像JPEG压缩那样难以直接建模成可微分网络层的噪声攻击。马修·坦西克等人[12]提出了可以抵抗打印、拍照、旋转、JPEG压缩等攻击的图像水印StegaStamp模型结构。目前，基于深度学习的水印模型也已应用于音视频领域，以保障各类载体的数据安全，应用范围不断扩大。