[發明專利]一種基于生成對抗網絡的魯棒圖像水印方法

在審

• 申請號: 202210598258.0
• 申請日: 2022-05-30
• 公開（公告）號: CN115131188A
• 公開（公告）日: 2022-09-30
• 發明（設計）人: 高光勇;付佳欣
• 申請（專利權）人: 南京信息工程大學;鄭州信大先進技術研究院
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06T9/00;G06N3/04;G06N3/08
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 周科技

本發明公開了一種基于生成對抗網絡的魯棒圖像水印方法，包括：編碼器將二進制的秘密信息嵌入到一張三通道的載體圖像中，解碼器從載密圖像中提取出秘密信息；編碼器網絡和解碼器網絡組成一個端到端的模型作為生成器網絡，通過生成器網絡生成載密圖像和提取出秘密信息，通過判別器網絡對生成的編碼圖像的真假性進行判斷；通過生成器網絡和判別器網絡之間相互對抗學習，使生成的載密圖像和原始圖像、解碼的秘密信息和原始的秘密信息誤差在一定范圍內；使用數據集訓練網絡模型，得到最優的模型參數；通過訓練好的網絡模型得到魯棒編碼圖像和提取秘密信息。本發明的模型具有魯棒性，并且在對載密圖像攻擊后進行提取秘密信息的準確度也相對較高。

技術領域

本發明屬于圖像處理、信息隱藏技術領域，尤其涉及一種基于生成對抗網絡的魯棒圖像水印方法。

背景技術

作為信息隱藏最重要的方法之一，數字水印技術是利用數字水印技術將秘密信息隱藏到載體中，通過提取嵌入在編碼圖像中的秘密信息來達到版權保護的目的。該研究領域具有許多有用的應用，例如，知識產權[1]和神經網絡模型[2]的所有權可以通過數字水印技術得到保護。目前，許多研究人員已將卷積神經網絡(CNN)應用于數字水印技術和隱寫術。Volkhonskiy等人[3]首先提出了一種基于深度卷積生成對抗網絡(DCGAN)的新模型[4]，稱為隱寫生成對抗網絡(SGAN)模型。該模型使用GAN生成器生成的圖像作為原始圖像，采用隱寫分析網絡模型作為判別器，使得隱寫模型更加安全。shi等人[5]提出了基于GAN(SSGAN)的安全隱寫模型。與SGAN模型相比，SSGAN可以更快地收斂并生成更高質量和更安全的編碼圖像。

與SGAN和SSGAN模型不同的是，Hayes等人[6]提出了一種基于GAN的圖像隱寫技術框架，稱為HayesGAN,它包括三個子網絡組件：編碼器、解碼器和判別器。但是，HayesGAN沒有充分考慮編碼圖像的圖像質量，以及編碼圖像與真實原始圖像的差距，因此編碼圖像的不可見性較差。Hu等人基于HayesGAN模型[7]添加了一個隱寫分析網絡，以提高生成的隱寫圖像的質量和安全性。然而，上述模型在提取秘密信息方面的準確性較差。

Zhu等人[8]在HayesGAN模型的基礎上提出了HiDDeN隱寫模型，可以在像素隨機丟棄、裁剪、高斯平滑等各種攻擊下高精度提取嵌入的秘密信息。Tang等人[9]將自適應隱寫術與GAN模型相結合，為秘密信息的嵌入尋找合適的位置，并提出了一種自動隱寫術失真學習框架(ASDL-GAN)。Yang等人[10]改進了ASDL-GAN模型。在激活函數的選擇上，將三元嵌入模擬器(TES)替換為tanh激活函數，解決了TES在網絡訓練過程中的反向傳播問題，提高了模型的安全性。

Liu等人[11]提出了一個兩階段深度學習魯棒水印模型。與端到端模型[8]的主要區別在于水印的嵌入和提取分為兩個階段。兩階段訓練的優點是不需要將噪聲攻擊模擬為可微分噪聲層，這使得解碼器能夠更好地抵抗像JPEG壓縮那樣難以直接建模成可微分網絡層的噪聲攻擊。馬修·坦西克等人[12]提出了可以抵抗打印、拍照、旋轉、JPEG壓縮等攻擊的圖像水印StegaStamp模型結構。目前，基于深度學習的水印模型也已應用于音視頻領域，以保障各類載體的數據安全，應用范圍不斷擴大。