一种基于图像风格迁移化的零水印版权保护算法制造技术

本发明专利技术公开了一种基于图像风格迁移化的零水印版权保护算法，通过二分类CNN模型区分待测图像X和被保护的内容图像W

【技术实现步骤摘要】
一种基于图像风格迁移化的零水印版权保护算法


[0001]本专利技术属于版权
，涉及一种基于图像风格迁移化的零水印版权保护算法。

技术介绍

[0002]随着互联网的发展，数字多媒体产品越来越盛行，但是由于数字产品易于复制和修改的原因，使得盗版问题非常严重，为了保护作者、所有者以及合法用户的权利，在数字版权保护方面卓有成效的数字水印也就应用而生了，但是，数字水印的核心问题就是鲁棒性和不可见性之间的平衡矛盾。为了平衡这种矛盾关系，人们提出了零水印技术，在不改变载体图像的情况下实现对载体图像版权的保护。与大多数零水印版权保护算法不同的是，本文通过借助神经网络能够完成特征提取的优势，将在被保护图片中所提取到的纹理结构等特征与风格图片相结合，得到零水印图片，进而通过相似度检测的方法完成版权保护的任务，提出了一种基于图像风格迁移化的零水印版权保护方法。

技术实现思路

[0003]本专利技术的目的是提供一种基于图像风格迁移化的零水印版权保护算法，解决了目前技术中普遍存在的在水印不可见的情况下，抗攻击性能较差的问题。
[0004]本专利技术所采用的技术方案是，一种基于图像风格迁移化的零水印版权保护算法，具体按照以下步骤实施：
[0005]步骤1、确定内容图片W
C
和风格图片W
S
，通过设计风格迁移化网络，并以与水印注册的时间戳有关的迭代次数N进行训练，将W
C
风格化为带有风格图片W
S
风格的秘密图像P1，完成零水印的构造过程；
[0006]步骤2、将通过步骤1得到的秘密图像P1作为零水印秘密图像，将隐含时间戳信息的迭代次数N加盖在秘密图像P1上面，同时在第三方注册机构进行注册；
[0007]步骤3、对内容图片W
C
进行几何处理后再进行设计风格迁移化后生成数据集M1，将范例图片X
C
和W
S
先进行非几何处理再设计风格迁移化生成图像P2组成的图像数据集M2，范例图片X
C
是与W
C
完全不同的图片；
[0008]步骤4、通过二分类CNN模型区分待测图像X和被保护的内容图像W
C
，完成零水印的检测过程。
[0009]本专利技术的特点还在于：
[0010]步骤1具体按照以下步骤实施：
[0011]步骤1.1、对载体图像和水印图像进行预处理；
[0012]步骤1.2、设计用来风格迁移化的CNN模型；
[0013]步骤1.3、计算内容损失和风格损失；
[0014]步骤1.4、以与水印注册时间有关的迭代次数N进行训练，将W
C
风格化为带有W
S
风格的图像P1；
[0015]步骤1.1具体按照以下步骤实施：
[0016]步骤1.1.1、确定载体图像为内容图片W
C
，确定水印图片为风格图片W
S
；
[0017]步骤1.1.2、在输入网络之前，需要对内容图像进行预处理，通过下采样将内容图片W
C
和风格图片W
S
大小统一为600*600，之后将每一个像素的大小减去整幅图像素的平均数；
[0018]步骤1.1.3、制定一张水印图片，该水印图片是普通彩色图像即可；
[0019]步骤1.2具体按照以下步骤实施：
[0020]步骤1.2.1、获取VGG19预训练模型，
[0021]步骤1.2.2、删除VGG19预训练模型的两个全连接层和softmax层；
[0022]步骤1.2.3、将提取出来的VGG参数全部作为常量使用；
[0023]步骤1.2.4、输入层设置为Variable；
[0024]步骤1.3具体按照以下步骤实施：
[0025]步骤1.3.1、将内容图片W
C
输入风格迁移化网络，计算内容图片W
C
在风格迁移化网络指定层上的输出值；
[0026]步骤1.3.2、利用风格迁移化网络卷积层计算内容图像W
C
并得到各种卷积层特征，然后根据卷积层的特征，通过梯度下降法对应还原出各种特征的原始图像；
[0027]步骤1.3.3、将风格图片W
S
输入网络，计算风格图片W
S
在网络指定层上的输出值；
[0028]步骤1.3.4、通过风格图像W
S
和生成图像的Gram矩阵来计算出相应的风格损失函数，比较出风格图片W
S
和生成秘密图像P1风格之间的差异，当两个图像的特征向量的Gram矩阵中各个位置对应数值的差值不断变小直到不变时，则判定两个图像风格具有高度相近性；
[0029]步骤1.3.2的梯度下降法建立内容损失函数，具体按照以下步骤实施：
[0030]步骤1.3.2.1、先计算内容图像的卷积特征同时随机初始化
[0031]步骤1.3.2.2、以内容损失为优化目标，通过梯度下降法逐步更新在不断重复循环迭代过程中，内容损失逐步减小；
[0032]步骤1.3.2.3、当内容损失趋于收敛时，每一层的内容损失加权和，再对层数取平均，得到最终的内容损失，是最终期望的根据各种特征还原得到图像；
[0033]步骤1.3.2.2中内容损失函数为：
[0034][0035]式(1)中，为原始内容图像；为期望生成的图像，期望生成的图像是根据各种特征还原出的图像；为内容图像在第L层卷积层的特征。
[0036]步骤1.3.4的风格损失函数定义为:
[0037][0038]式(2)中，为原始风格图像,为期望还原出的风格图像，为风格图像某一卷积层的Gram矩阵,为生成图像在第L层卷积层的卷积特征，为卷积特征对应的Gram矩阵的第i行第j个元素定义；4N2M2是归一化项，通常将单层风格损失进行加权累加作为风格的总损失，即：
[0039][0040]步骤1.4具体按照以下步骤实施：
[0041]步骤1.4.1、往网络模型中同时传入三张图片，三张图片分别为内容图像W
C
、风格图像W
S
，添加白噪声的白噪声图像z；
[0042]步骤1.4.2、建立起白噪声图像z和内容图像W
C
之间的内容损失函数，然后不断地根据内容损失和风格损失对内容损失函数进行调整；
[0043]步骤1.4.3、将内容损失函数和风格损失函数结合得到总体损失函数，通过一定的迭代次数N进行训练，使之迭代最小化；
[0044]步骤1.4.4、总体损失函数训练直到一定迭代次数N后，得到既像风格图像又像内容图像的风格化后秘密图像P1；
[0045]步骤1.4.3中的总体损失函数定义式如下：
[0046][0047]式(4)中，为原始的内容图像，为原始的风格图像，为原始的风格图像期待生成的图像，α，β是本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像风格迁移化的零水印版权保护算法，其特征在于，具体按照以下步骤实施：步骤1、确定内容图片W
C
和风格图片W
S
，通过设计风格迁移化网络，并以与水印注册的时间戳有关的迭代次数N进行训练，将W
C
风格化为带有风格图片W
S
的风格的秘密图像P1，完成零水印的构造过程；步骤2、将通过步骤1得到的秘密图像P1作为零水印秘密图像，将隐含时间戳信息的迭代次数N加盖在秘密图像P1上面，同时在第三方注册机构进行注册；步骤3、对内容图片W
C
进行几何处理后再进行设计风格迁移化后生成数据集M1，将范例图片X
C
再和W
S
先进行非几何处理再设计风格迁移化生成图像P2组成的图像数据集M2，所述范例图片X
C
是与W
C
完全不同的图片；步骤4、通过二分类CNN模型区分待测图像X和被保护的内容图像W
C
，完成零水印的检测过程。2.根据权利要求1所述的一种基于图像风格迁移化的零水印版权保护算法，其特征在于，所述步骤1具体按照以下步骤实施：步骤1.1、对载体图像和水印图像进行预处理；步骤1.2、设计用来风格迁移化的CNN模型；步骤1.3、计算内容损失和风格损失；步骤1.4、以与水印注册时间有关的迭代次数N进行训练，将W
C
风格化为带有W
S
风格的图像P1。3.根据权利要求2所述的一种基于图像风格迁移化的零水印版权保护算法，其特征在于，所述步骤1.1具体按照以下步骤实施：步骤1.1.1、确定载体图像为内容图片，确定水印图片为风格图片W
S
；步骤1.1.2、在输入网络之前，需要对内容图像进行预处理，首先通过下采样将内容图片W
C
和风格图片W
S
大小统一为600*600，之后将每一个像素的大小减去整幅图像素的平均数；步骤1.1.3、制定一张水印图片，所述水印图片是普通彩色图像。4.根据权利要求2所述的一种基于图像风格迁移化的零水印版权保护算法，其特征在于，所述步骤1.2具体按照以下步骤实施：步骤1.2.1、获取VGG19预训练模型，步骤1.2.2、删除VGG19预训练模型的两个全连接层和softmax层；步骤1.2.3、将提取出来的VGG参数全部作为常量使用；步骤1.2.4、输入层设置为Variable。5.根据权利要求4所述的一种基于图像风格迁移化的零水印版权保护算法，其特征在于，所述步骤1.3具体按照以下步骤实施：步骤1.3.1、将内容图片W
C
输入风格迁移化网络，计算内容图片W
C
在风格迁移化网络指定层上的输出值；步骤1.3.2、利用风格迁移化网络卷积层计算内容图像W
C
并得到各种卷积层特征，然后根据卷积层的特征，通过梯度下降法对应还原出各种特征的原始图像；步骤1.3.3、将风格图片W
S
输入网络，计算风格图片W
S
在网络指定层上的输出值；
步骤1.3.4、通过风格图像W
S
和生成图像的Gram矩阵来计算出相应的风格损失函数，比较出风格图片W
S
和生成秘密图像P1风格之间的差异，当两个图像的特征向量的Gram矩阵中各个位置对应数值的差值不断变小直到不变时，则判定两个图像风格具有高度相近性；所述步骤1.3.2的梯度下降法建立内容损失函数，具体按照以下步骤实施：步骤1.3.2.1、先计算内容图像的卷积特征同时随机初始化步骤1.3.2.2、以内容损失为优化目标，通过梯度下降法逐步更新在不断重复循环迭代过程中，内容损失逐步减小；步骤1.3.2.3、当内容损失趋于收敛时，每一层的内容损失加权和，再对层数取平均，得到最终的内容损失，是最终期望的根据各种特征还原得到图像；所述步骤1.3.2.2中内容损失函数为：式(1)中，为原始内容图像；为期望生成的图像，期望生成的图像是根据各种特征还原出的图像；为内容图像在第L层卷积层的特征；所述步骤1.3.4的风格损失函数定义为:式(2)中，为原始风格图像,为期望还原出的风格图像，为风格图像某一卷积层的Gram矩阵,为生成图像在第L层卷积层的卷积特征，为卷积特征对应的Gram矩阵的第i行第j个元素定义；4N2M2是归...

【专利技术属性】
技术研发人员：刘晶，马小龙，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：