[發明專利]一種基于少樣本學習的圖像隱形水印通用檢測方法

有效

• 申請號: 202110084996.9
• 申請日: 2021-01-21
• 公開（公告）號: CN112785479B
• 公開（公告）日: 2023-05-23
• 發明（設計）人: 李大秋;付章杰
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06V10/764;G06V10/774;G06V10/80;G06V10/82;G06N3/04;G06N3/08
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 柏尚春

1.一種基于少樣本學習的圖像隱形水印通用檢測方法，其特征在于，包括以下步驟：

(1)搭建隱形水印特征提取模塊，建立高通濾波核，得到輸入圖像的水印殘差特征圖；

(2)建立多尺度特征融合模塊，通過調用卷積函數，設置超參數，建立1×1、3×3、5×5的卷積函數和可分離卷積函數，通過卷積函數對水印殘差特征圖進一步提取高維水印特征；

(3)建立卷積神經網絡，并對高維水印特征進行特征嵌入；

(4)進行圖結構的構造，計算同批次輸入到模型中的所有樣本節點間的歐式距離，從而得到圖鄰接矩陣，用來表征圖結構；

(5)在得到初始圖鄰接矩陣后,就以該鄰接矩陣中各節點之間距離度量為依據把支持集各節點的標簽通過標簽傳播公式傳遞給查詢集各節點；

(6)將預測的查詢集標簽與真實標簽進行交叉熵的計算，得到查詢集樣本節點的分類損失，最后對模型進行端到端的參數更新，直至模型收斂；

其中，步驟(5)中，所述標簽傳播公式如公式(1)：

F＝(I-αS)^-1???????(1)

其中，F為傳播后的標簽矩陣,S為正則化處理過的鄰接矩陣，I為單位矩陣，α為標簽傳播參數，控制著傳播的信息總量且α∈(0，1)，Y為初始標簽矩陣；使用softmax將更新后的標簽矩陣F進行概率值的轉換，如公式(2)：

其中，y_i是查詢集樣本的預測標簽,F_ij^*是由公式(1)計算的傳播后的標簽矩陣；

步驟(6)中，所述查詢集樣本節點的分類損失,如公式(3)：

其中，是查詢集樣本的真實標簽且

2.根據權利要求1所述的基于少樣本學習的圖像隱形水印通用檢測方法，其特征在于，步驟(6)中，所述參數更新采用梯度下降法對模型進行端到端的參數更新。

3.根據權利要求1所述的基于少樣本學習的圖像隱形水印通用檢測方法，其特征在于，步驟(1)中，所述搭建隱形水印特征提取模塊是在tensorflow框架和計算機編程語言Python的基礎上進行。

4.根據權利要求1所述的基于少樣本學習的圖像隱形水印通用檢測方法，其特征在于，步驟(1)中，所述高通濾波核的層數為10-64層。

5.根據權利要求1所述的基于少樣本學習的圖像隱形水印通用檢測方法，其特征在于，步驟(3)中，所述卷積神經網絡包括2-16個卷積塊。