基于水印数据增强的图片隐形水印检测方法技术

本发明专利技术特别涉及一种基于水印数据增强的图片隐形水印检测方法，包括如下步骤：获得训练好的水印增强网络和分类网络；将待检测图片输入训练好的水印增强网络中得到水印概率图；将待检测图片和水印概率图进行通道融合，并将融合后的四通道图输入至训练好的分类网络中得到分类结果，分类结果为有水印或无水印。通过设置双网络，水印增强网络用于识别图片中任一像素有无水印的概率，从而得到水印概率图，再将水印概率图和待检测图片进行通道融合，这样可以对待检测图片中的有水印的像素区域进行增强、无水印的像素区域进行弱化，使得对待检测图片的分类更加精准，从而能够快速准确的判断待检测图片中有无隐形水印。判断待检测图片中有无隐形水印。判断待检测图片中有无隐形水印。

【技术实现步骤摘要】
基于水印数据增强的图片隐形水印检测方法


[0001]本专利技术涉及图像处理
，特别涉及一种基于水印数据增强的图片隐形水印检测方法。

技术介绍

[0002]具有版权的图片是指著作权持有人、或者是创作图片的作者或机构，授权可以用于商业、出版、展览等用途的图像作品。著作权所有者为了避免图片被盗用，通常会在图片添加水印，水印技术是知识产权保护以及公司涉密信息维护的重要手段，能够减少图片在网络传播中被盗用侵权现象的发生。
[0003]目前常见的图片水印技术主要分为两种。第一种是可见水印，即在图片中添加可见的信息或图标，这种方法是相对比较简单且速度较快，缺点是视觉可见且容易被攻击擦除，客户观看图片的体验较差，通常用于对视觉效果要求不高但需要标识作品所有者身份的场景。第二种是隐形水印，图片隐形水印具有不可见、不易察觉和不易擦除等诸多优点，常见的做法是将图像从空间域转为频域，然后在频域中进行水印嵌入，之后再恢复到空间域，通常用于视觉要求较高的场景。隐形水印由于其不可见，并且安全可靠，而被广泛使用。
[0004]由于水印的隐形效果，隐形水印在提取时需要消耗较多时间，提取速度较慢。在互联网购物网站中，比较优质的商品图片可能会被竞争对手盗用，这些网站中有海量的图片，其中有的已经购买了版权，有的没有购买过，我们在确定是否侵权时需要明确所有这些图片的水印信息，但若直接对所有图片进行水印提取，一方面会消耗大量的算力，另一方面水印提取的速度远跟不上图片产生的速度。因此，急需一种可快速判断图片中是否嵌入了隐形水印的方法，能够实时地判断这些图片里有无隐形水印，当判断有隐形水印时，再进行水印提取，这样就能快速的明确这些图片有无侵权。

技术实现思路

[0005]本专利技术的目的在于提供一种基于水印数据增强的图片隐形水印检测方法，能够快速准确的检测图片中有无水印。
[0006]为实现以上目的，本专利技术采用的技术方案为：一种基于水印数据增强的图片隐形水印检测方法，包括如下步骤：获得训练好的水印增强网络和分类网络；将待检测图片输入训练好的水印增强网络中得到水印概率图；将待检测图片和水印概率图进行通道融合，并将融合后的四通道图输入至训练好的分类网络中得到分类结果，分类结果为有水印或无水印。
[0007]与现有技术相比，本专利技术存在以下技术效果：通过设置双网络，水印增强网络用于识别图片中任一像素有无水印的概率，从而得到水印概率图，再将水印概率图和待检测图片进行通道融合，这样可以对待检测图片中的有水印的像素区域进行增强、无水印的像素区域进行弱化，使得对待检测图片的分类更加精准，从而能够快速准确的判断待检测图片中有无隐形水印。
附图说明
[0008]图1是本专利技术的流程图；图2是待检测图片；图3是图2中有无水印的概率图；图4是图2和图3进行融合后的图像；图5是空洞抽样池化示意图；图6是空洞上采样示意图。
具体实施方式
[0009]下面结合图1至图6，对本专利技术做进一步详细叙述。
[0010]参阅图1，本专利技术公开了一种基于水印数据增强的图片隐形水印检测方法，包括如下步骤：获得训练好的水印增强网络和分类网络；将待检测图片输入训练好的水印增强网络中得到水印概率图；将待检测图片和水印概率图进行通道融合，并将融合后的四通道图输入至训练好的分类网络中得到分类结果，分类结果为有水印或无水印。通过设置双网络，水印增强网络用于识别图片中任一像素有无水印的概率，从而得到水印概率图，再将水印概率图和待检测图片进行通道融合，这样可以对待检测图片中的有水印的像素区域进行增强、无水印的像素区域进行弱化，使得对待检测图片的分类更加精准，从而能够快速准确的判断待检测图片中有无隐形水印。
[0011]这里的分类网络本身也可以对待检测图片进行分类，这也是现有技术中的常见做法。但隐形水印因其隐藏性，很难被察觉，也因此难以被提取出；如果只采用单一的分类网络，很难对待检测图片进行准确的分类。本专利技术额外引入了水印增强网络，先对待检测图片进行分类得到水印概率图，然后将水印概率图和待检测图片进行通道融合，再对融合后的图片进行分类，这样得到的分类结果更加准确。
[0012]进一步地，所述的获得训练好的水印增强网络和分类网络包括：构建水印增强网络和分类网络；分别准备第一样本数据集和第二样本数据集；分别确定两个网络的损失函数；利用第一样本数据集训练水印增强网络得到训练好的水印增强网络，利用第二样本数据集训练分类网络得到训练好的分类网络。这两个网络的任务不同，水印增强网络用于识别图片中各像素有无水印的概率，分类网络用于对图片进行分类，故这里准备了两个样本数据集，分别用于训练水印增强网络和分类网络。
[0013]进一步地，所述的分别准备第一样本数据集和第二样本数据集包括如下步骤：准备无水印的图片作为负样本图片，负样本图片对应的水印概率图中任一像素均标记为0，负样本图片可以根据需要选择，比如本专利技术中，若待检测图片为屏摄图，那么我们尽量选用屏摄图作为负样本图片，图2所示的屏幕截图就是本实施例中待检测图片。根据水印生成算法，对无水印的图片进行水印嵌入操作，得到带隐形水印的正样本图片，并根据生成算法直接生成正样本图片的水印概率图，正样本图片对应的水印概率图中含水印的像素区域标记为1、无水印的像素区域标记为0；我们在生成正样本图片时，不会在整个负样本图片上全部铺满水印，而是仅在部分区域铺设隐形水印，其分别对应有水印和无水印，图3就是本实施例中的水印概率图。需要注意的是，不同的水印生成算法，生成水印概率图的时机可能不同，有的水印生成算法在嵌入过程中，有水印嵌入强度这个参数，当我们将水印嵌入强度调
节为0的时候，可以理解为无水印嵌入，水印嵌入强度调节为1的时候，可以理解为有水印嵌入，因此根据水印嵌入强度可以直接获得水印概率图。或者可以先随机生成水印概率图，然后根据该水印概率图调节水印嵌入强度，也是可行的。
[0014]进一步地，将正样本图片、负样本图片分别与其对应的水印概率图进行通道融合得到四通道图，如图4所示，从图4我们也可以明显的看出，四通道图中能够明显的看出水印特征；正样本图片及其对应的水印概率图构成第一样本数据集；四通道图及其对应的类别标签构成第二样本数据集。通过这两个数据集，可以方便的对水印增强网络和分类网络分别进行训练，从而得到更加准确的网络模型。
[0015]进一步地，对所述的正样本图片和负样本图片按如下任一种方法进行处理：图像剪裁拼接处理、边缘镜像填充处理、压缩处理、高斯噪音以及高斯模糊滤波处理。通过这样的处理，可以保证样本的丰富性，并提高了网络的泛化能力。
[0016]进一步地，所述的水印增强网络以Unet网络为基础，并按如下步骤进行改进：将Unet网络中的max pool操作替换为空洞抽样池化加第一1*1的卷积层，空洞抽样池化如图5所示，其可以将C1
×
H1
×
W1大小的特征图处理成(4
×
C1)
×
(H1/2)
×
(W1/2)大本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于水印数据增强的图片隐形水印检测方法，其特征在于：包括如下步骤：获得训练好的水印增强网络和分类网络；将待检测图片输入训练好的水印增强网络中得到水印概率图；将待检测图片和水印概率图进行通道融合，并将融合后的四通道图输入至训练好的分类网络中得到分类结果，分类结果为有水印或无水印。2.如权利要求1所述的基于水印数据增强的图片隐形水印检测方法，其特征在于：所述的获得训练好的水印增强网络和分类网络包括：构建水印增强网络和分类网络；分别准备第一样本数据集和第二样本数据集；分别确定两个网络的损失函数；利用第一样本数据集训练水印增强网络得到训练好的水印增强网络，利用第二样本数据集训练分类网络得到训练好的分类网络。3.如权利要求2所述的基于水印数据增强的图片隐形水印检测方法，其特征在于：所述的分别准备第一样本数据集和第二样本数据集包括如下步骤：准备无水印的图片作为负样本图片，负样本图片对应的水印概率图中任一像素均标记为0；根据水印生成算法，对无水印的图片进行水印嵌入操作，得到带隐形水印的正样本图片，并根据生成算法直接生成正样本图片的水印概率图，正样本图片对应的水印概率图中含水印的像素区域标记为1、无水印的像素区域标记为0；将正样本图片、负样本图片分别与其对应的水印概率图进行通道融合得到四通道图；正样本图片及其对应的水印概率图构成第一样本数据集；四通道图及其对应的类别标签构成第二样本数据集。4.如权利要求3所述的基于水印数据增强的图片隐形水印检测方法，其特征在于：对所述的正样本图片和负样本图片按如下任一种方法进行处理：图像剪裁拼接处理...

【专利技术属性】
技术研发人员：田辉，刘其开，郭玉刚，张志翔，
申请(专利权)人：合肥高维数据技术有限公司，
类型：发明
国别省市：