[發明專利]一種基于深度學習模型的圖像水印方法

在審

• 申請號: 202110939320.3
• 申請日: 2021-08-16
• 公開（公告）號: CN113689320A
• 公開（公告）日: 2021-11-23
• 發明（設計）人: 葉海亮
• 申請（專利權）人: 南京英諾森軟件科技有限公司
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04;G06N3/08
• 代理公司: 南京普睿益思知識產權代理事務所(普通合伙) 32475
• 代理人: 何薇

本發明公開了一種基于深度學習模型的圖像水印方法，屬于數字水印技術領域，一種基于深度學習模型的圖像水印方法，本方案模型訓練和實際的水印嵌入與提取兩個階段，在模型訓練階段，首先建立訓練數據集，包括載體圖像與水印圖像，然后將訓練數據輸入至深度學習模型中進行模型訓練，并從訓練好的模型中提取分別用于水印嵌入和水印提取的兩個子模型，在實際的水印嵌入與提取階段，水印嵌入是將載體圖像和水印圖像輸入至預訓練好的水印嵌入子模型中，輸出嵌入水印的圖像，水印提取是將已嵌入水印的圖像輸入至預訓練好的水印提取子模型中，得到嵌入的水印數據，該方法無需復雜的算法設計即能夠根據需要增加水印系統的魯棒能力。

技術領域

本發明涉及數字水印技術領域，更具體地說，涉及一種基于深度學習模型的圖像水印方法。

背景技術

數字水印將特定的數字信號嵌入數字產品中保護數字產品版權或完整性的技術，數字水印根據應用領域可分為：1、魯棒水印，通常用于數字化圖像、視頻、音頻或電子文檔的版權保護，將代表版權人身份的特定信息，如一段文字、標識、序列號等按某種方式嵌入在數字產品中，在發生版權糾紛時，通過相應的算法提取出數字水印，從而驗證版權的歸屬，確保著作權人的合法利益，避免非法盜版的威脅，2、易損水印，又稱脆弱水印，通常用于數據完整性保護，當數據內容發生改變時，易損水印會發生相應的改變，從而可鑒定數據是否完整，3、標注水印，通常用于標示數據內容。

在互聯網技術飛速發展的時代，網絡中的圖像數據每天都面臨著版權侵犯的問題，以往，比較常見的做法是在圖像中添加一個顯性的數字水印，以用來聲明圖像的版權出處，然而這種水印的添加方法并不安全，即便是添加一個非常復雜的水印，仍然可以很輕易地通過PS或其他軟件進行篡改或破壞，進而難以真正有效地實現對圖像數據的版權保護。

發明內容

1.要解決的技術問題

針對現有技術中存在的問題，本發明的目的在于提供一種基于深度學習模型的圖像水印方法，它可以實現模型訓練和實際的水印嵌入與提取兩個階段，在模型訓練階段，首先建立訓練數據集，包括載體圖像與水印圖像，然后將訓練數據輸入至深度學習模型中進行模型訓練，并從訓練好的模型中提取分別用于水印嵌入和水印提取的兩個子模型，在實際的水印嵌入與提取階段，水印嵌入是將載體圖像和水印圖像輸入至預訓練好的水印嵌入子模型中，輸出嵌入水印的圖像；水印提取是將已嵌入水印的圖像輸入至預訓練好的水印提取子模型中，得到嵌入的水印數據，該方法無需復雜的算法設計即能夠根據需要增加水印系統的魯棒能力。

2.技術方案

為解決上述問題，本發明采用如下的技術方案。

一種基于深度學習模型的圖像水印方法，包括以下步驟：一是深度學習模型的訓練，二是水印的嵌入與提取；

S1、深度學習模型的訓練步驟包括：

1、創建訓練數據集，其中包含待嵌入水印的原始載體圖像以及待嵌入的水印圖像；

2、將載體圖像與水印圖像輸入至深度學習模型中進行模型訓練；

3、分別從訓練好的模型中提取出用于水印嵌入和水印提取兩個部分的子模型。

進一步的，所述深度學習模型包括以下三個部分：

1、Encoder編碼層：由數組卷積層、反卷積層組成，同時通過復制與擴充手段實現模型輸入中水印圖像數據和載體圖像數據的合并，編碼層最終輸出嵌入水印后的載體圖像，模型訓練結束后，此部分將被提取為水印嵌入子模型；

2、NoiseLayer噪聲層：經過噪聲層的數據將隨機進行某種圖像變換操作，包括圖像旋轉、圖像縮放、圖像JPEG壓縮、高斯噪聲添加、椒鹽噪聲添加、圖像隨機涂抹、圖像隨機裁剪等，以此可為模型增加相應的圖像攻擊的魯棒能力；