一种基于粒子群算法的图像对抗水印生成方法技术

本发明专利技术公开了一种基于粒子群算法的图像对抗水印生成方法，包括：根据水印的位置与透明度信息，通过阿尔法混合将原始图像与水印结合生成水印图像；将生成的水印图像输入到目标神经网络中，得到由目标神经网络输出的各个分类置信度的信息；基于针对水印图像的各个分类置信度，通过粒子群算法得到对抗水印图像。本发明专利技术将对抗水印生成问题建模为优化问题，通过优化问题的结果生成对抗水印。采用粒子群算法高效解决优化问题。采用置信度差值作为优化目标，一定程度上避免遗漏对抗水印生成。一定程度上避免遗漏对抗水印生成。一定程度上避免遗漏对抗水印生成。

【技术实现步骤摘要】
一种基于粒子群算法的图像对抗水印生成方法


[0001]本专利技术属于网络安全和机器学习
，具体涉及一种基于粒子群算法的图像对抗水印生成方法。

技术介绍

[0002]对抗样本是通过在图像上添加让人眼难以察觉的噪声，让机器识别产生错误的分类结果的图像。图像对抗水印是利用对抗样本技术保护图像，防止被恶意程序窃取的水印。与传统的图像水印相比，图像对抗水印具有对抗性，可以让图像识别模型产生错误的分类结果。
[0003]图像对抗水印在实际场景中有两种用途。首先，作为图像可见水印添加到图像上，可以声明图像的版权信息，防止被人盗用。其次，作为具有对抗性的图片，当恶意程序收集图片时，通过对抗水印的对抗性让恶意程序产生错误的分类结果，干扰恶意程序收集图片信息。图像对抗水印生成问题可以转化为约束优化问题，然而这个优化问题的搜索空间较为庞大，如果直接采用枚举的方式进行生成，会造成极大的性能浪费。
[0004]针对上述问题，如何设计合理的优化目标，在此基础上利用智能优化算法对问题进行优化并生成图像对抗水印，是亟待解决的一个问题。

技术实现思路

[0005]本专利技术的目的在于提供一种基于粒子群算法的图像对抗水印生成方法，提高对抗水印生成效率和对抗性。
[0006]为实现上述目的，本专利技术所采取的技术方案为：
[0007]一种基于粒子群算法的图像对抗水印生成方法，所述基于粒子群算法的图像对抗水印生成方法，包括：
[0008]步骤1、根据水印的位置与透明度信息，通过阿尔法混合将原始图像与水印结合生成水印图像；
[0009]步骤2、将生成的水印图像输入到目标神经网络中，得到由目标神经网络输出的各个分类置信度的信息；
[0010]步骤3、基于针对水印图像的各个分类置信度，通过粒子群算法得到对抗水印图像，包括：
[0011]步骤31、将对抗水印生成问题转化为寻找(p,q,α,scale)值使得生成的对抗水印图像的置信度为非极大值的优化问题，建立优化目标为：
[0012]minimize fit(p,q,α,scale)＝f
t
(g(p,q,α,scale))
‑
f
s
(g(p,q,α,scale))
[0013]式中，以最小化适应度函数fit作为优化目标，f
t
(g(p,q,α,scale))表示针对水印图像分类得到的正确分类标签t的置信度，f
s
(g(p,q,α,scale))表示针对水印图像分类得到的除正确分类标签t之外的其他分类标签中置信度的最大值，g(p,q,α,scale)函数为水印生成函数，(p,q)为水印在原始图像中的位置坐标，α为水印的透明度值，scale为水印的
长宽与原始图像长宽的比值；
[0014]步骤32、粒子群算法初始化：初始化时，粒子群中的每个粒子随机分布在D维空间里，具有随机速度与位置，粒子i在第k次迭代时的位置记为里，具有随机速度与位置，粒子i在第k次迭代时的位置记为粒子i在第k次迭代时的速度记为每个粒子的位置由(p,q,α,scale)构成，代表不同的对抗水印图像；
[0015]步骤33、将粒子群进行迭代更新直至到达最大迭代次数后停止，每次迭代输出水印的位置与透明度信息；
[0016]步骤34、停止迭代后粒子群算法输出最优的(p,q,α,scale)值，输入水印生成函数g(p,q,α,scale)中，生成具有图像对抗水印的对抗水印图像。
[0017]以下还提供了若干可选方式，但并不作为对上述总体方案的额外限定，仅仅是进一步的增补或优选，在没有技术或逻辑矛盾的前提下，各可选方式可单独针对上述总体方案进行组合，还可以是多个可选方式之间进行组合。
[0018]作为优选，所述通过阿尔法混合将原始图像与水印结合生成水印图像，包括：
[0019]计算水印与原始图像重叠部分的像素如下：
[0020]v(G)＝(v(W)*α+v(X)*255)/255
[0021]式中，v(G)为重叠部分像素的像素值，v(W)为水印像素的像素值，v(X)为原始图像像素的像素值。
[0022]作为优选，所述目标神经网络为分类模型f，图像的正确分类标签为t，标签t的置信度为f
t
，分类的类别共有n个分类，输出的各分类置信度为f1…
n
。
[0023]作为优选，所述将粒子群进行迭代更新直至到达最大迭代次数后停止，每次迭代输出水印的位置与透明度信息，包括：
[0024]步骤331、计算每个粒子的适应度值，适应度函数fit表达式如下：
[0025]fit(p,q,α,scale)＝f
t
(g(p,q,α,scale))
‑
f
s
(g(p,q,α,scale))
[0026]粒子i前k代迭代时经历过的历史最优位置记为整个种群前k代迭代时经历过的全局最优位置记为
[0027]步骤332、根据计算的适应度值进行比较，如果粒子当前的适应度值优于该粒子的历史最优位置的适应度值，则更新历史最优位置为该粒子当前的位置；
[0028]步骤333、比较粒子适应度值与当前全局最优位置的适应度值，如果粒子的适应度值优于全局最优位置的适应度值，则更新全局最优位置为该粒子的位置；
[0029]步骤334、更新粒子的速度与位置，更新公式如下所示：
[0030][0031][0032]式中，k是粒子当前迭代次数，d是粒子当前维度数，是粒子i在第k次迭代时在d维的速度，c1、c2是加速系数，表示粒子飞向个体最优和种群最优g
k
时的加速度系数，r1、r2是两个随机函数，用于增加搜索时的随机性，w是惯性权重；
[0033]步骤335、迭代次数k加1，若迭代次数大于最大迭代次数T，则停止迭代，否则返回步骤331继续执行。
[0034]作为优选，粒子群的迭代更新中，步骤332执行前先判断f
t
<f
s
的大小，若f
t
<f
s
，即函数fit的值小于0时，则提前终止迭代；否则执行步骤332。
[0035]本专利技术提供的基于粒子群算法的图像对抗水印生成方法，将对抗水印生成问题建模为优化问题，通过优化问题的结果生成对抗水印。采用粒子群算法高效解决优化问题。采用置信度差值作为优化目标，一定程度上避免遗漏对抗水印生成。
附图说明
[0036]图1为本专利技术的基于粒子群算法的图像对抗水印生成方法的流程图；
[0037]图2为本专利技术粒子群算法的迭代流程图；
[0038]图3为本专利技术实验中图像对抗水印效果展示图。
具体实施方式
[0039]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本专利技术一部分实施本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于粒子群算法的图像对抗水印生成方法，其特征在于，所述基于粒子群算法的图像对抗水印生成方法，包括：步骤1、根据水印的位置与透明度信息，通过阿尔法混合将原始图像与水印结合生成水印图像；步骤2、将生成的水印图像输入到目标神经网络中，得到由目标神经网络输出的各个分类置信度的信息；步骤3、基于针对水印图像的各个分类置信度，通过粒子群算法得到对抗水印图像，包括：步骤31、将对抗水印生成问题转化为寻找(p,q,α,scale)值使得生成的对抗水印图像的置信度为非极大值的优化问题，建立优化目标为：minimize fit(p,q,α,scale)＝f
t
(g(p,q,α,scale))
‑
f
s
(g(p,q,α,scale))式中，以最小化适应度函数fit作为优化目标，f
t
(g(p,q,α,scale))表示针对水印图像分类得到的正确分类标签t的置信度，f
s
(g(p,q,α,scale))表示针对水印图像分类得到的除正确分类标签t之外的其他分类标签中置信度的最大值，g(p,q,α,scale)函数为水印生成函数，(p,q)为水印在原始图像中的位置坐标，α为水印的透明度值，scale为水印的长宽与原始图像长宽的比值；步骤32、粒子群算法初始化：初始化时，粒子群中的每个粒子随机分布在D维空间里，具有随机速度与位置，粒子i在第k次迭代时的位置记为有随机速度与位置，粒子i在第k次迭代时的位置记为粒子i在第k次迭代时的速度记为每个粒子的位置由(p,q,α,scale)构成，代表不同的对抗水印图像；步骤33、将粒子群进行迭代更新直至到达最大迭代次数后停止，每次迭代输出水印的位置与透明度信息；步骤34、停止迭代后粒子群算法输出最优的(p,q,α,scale)值，输入水印生成函数g(p,q,α,scale)中，生成具有图像对抗水印的对抗水印图像。2.如权利要求1所述的基于粒子群算法的图像对抗水印生成方法，其特征在于，所述通过阿尔法混合将原始图像与水印结合生成水印图像，包括：计算水印与原始图像重叠部分的像素如下：v(G)＝(v(W)*α+v(X)*255)/255式中，v(G)为重叠部分像素的...

【专利技术属性】
技术研发人员：江颉，陈伟，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：