【技术实现步骤摘要】
本专利技术属于信息安全，涉及一种鲁棒水印算法，具体涉及一种基于双分支网络(dbn)、u型网络(u-net)、hidden和通道注意力机制(senet)算法的鲁棒水印算法。
技术介绍
1、近几年随着数字媒体的蓬勃发展，照片的编辑和处理软件越来越多，图像在自媒体上得到了广泛的传播，一些未经授权的传播者更容易修改和处理照片。因此迫切需要为数字图像提供相应的版权保护。此外随着近几年深度学习的快速发展和众多优秀模型的提出，神经网络强大的学习能力受到越来越多研究者的重视。基于深度学习的数字水印算法被提出。根据模型结构的不同基于深度学习的水印算法各自有自己的优点，但是都存在鲁棒性或不可见性比较弱的缺点。因此同时保证水印的鲁棒性和不可见性的前提下，设计一种高感知性、高安全性的数字水印算法成为当前数字水印技术研究的难点和重点之一。
2、由于数字水印算法的中点在于鲁棒性和不可见性之间的权衡，使得水印算法同时具有较高的不可见性和鲁棒性。现阶段，基于深度学习的数字水印算法主要分为两种主流模型，一种是基于全卷积神经网络的模型，该算法在不可见性上表现较好，但对于几何攻击的鲁棒性较差，另一种是基于u-net的模型，该算法在鲁棒性上表现较好，但是在不可见性上表现较差。由于这两类模型很难在鲁棒性和不可见性上同时拥有较好的表现。因而上述的两种模型很难在复杂的真实应用场景中大规模使用。因此，研究者们把重点设计更好的模型和优化现有模型上。
技术实现思路
1、本专利技术的目的是提供一种基于dbn的鲁棒水印算法，
2、本专利技术的目的是通过以下技术方案实现的：
3、一种基于dbn的鲁棒水印算法，包括如下步骤：
4、步骤一、数据集的准备：
5、从coco数据集中选择10000张图片作为训练集，另选择1000张图片作为测试集；
6、步骤二、数据预处理：
7、将训练集和测试集的所有图片统一缩放为128*128的大小；
8、步骤三、水印信息min1的生成与编码：
9、随机生成长度为l1的二进制序列min1，将min1作为水印信息，min1进行bch编码，得到经过bch编码后长度为l2的水印信息mbch，将mbch作为嵌入网络的输入；
10、步骤四、基础模块的构建：
11、将卷积、批处理归一化和relu的组合表示为cbr模块，卷积核大小为3*3，步幅为1，填充为1；
12、步骤五、嵌入网络的构建：
13、所述嵌入网络包括细节信息网络分支和语义信息网络分支，其中：
14、所述细节信息网络分支包括4个cbr模块，每一层输出通道数为64，每一层的输出数据与前面所有层的输出数据进行拼接，然后作为下一个模块的输入；
15、所述语义信息网络分支是一个u-net结构，包括下采样阶段和上采样阶段，其中：下采样阶段包括两个下采样模块，每一个下采样模块包括两个连续的cbr模块和一个池化层；上采样阶段包括两个上采样模块，每一个上采样模块包括一个卷积核大小为2*2、步长为2、填充为0的转置卷积，与下采样阶段对应维度的输出结果进行拼接，然后将数据传入两个连续的cbr模块；
16、步骤六、提取网络的构建：
17、所述提取网络包括7个cbr模块和一个全局池化层，前6个cbr模块的输出通道数为64，最后一个cbr模块的输出通道为l；
18、步骤七、判别器的构建：
19、所述判别器包括1个高斯高通滤波器、3个cbr模块、一个全局池化层和一个全连接层，最后输出介于0到1之间的数据，其高斯高通滤波器如下所示：
20、
21、步骤八、嵌入网络的训练：
22、步骤八一、把载体图像i打上标签1，将载体图像i拷贝两份，分别放入嵌入网络的细节信息网络分支和语义信息网络分支中进行训练；
23、步骤八二、获取载体图像i在细节信息网络分支的输出张量iout1的形状(b,c,h,w)，将水印信息mbch扩展成形状为(b,l,h,w)的张量min2，将细节信息网络分支的输出张量iout1、扩展后的水印信息张量min2和原始载体图像i在通道维度进行拼接，得到含有水印信息的张量t1；
24、步骤八三、获取载体图像i在语义信息网络分支下采样阶段的输出张量iout2的形状(b,c,h/4,w/4)，将水印信息mbch扩展成形状为(b,l,h,w)的张量min3，将语义信息网络分支下采样阶段的输出张量iout2和水印信息张量min3在通道维度进行拼接，得到含有水印信息的张量t2；
25、步骤八四、将含有水印信息的张量t2进行跳跃连接和上采样后，得到形状为(b,c,h,w)的含有水印信息的张量t3：
26、步骤八五、将张量t1和t3拼接，得到含有水印信息的张量t4；
27、步骤八六、对张量t4使用senet进行水印信息的融合，输出含水印信息的图像ien，将含水印信息的图像ien打上标签0；
28、步骤九、判别器的训练：
29、将载体图像i和与之对应含水印信息的图像ien输入判别器，让判别器判别输入的图片是否有水印信息，输出的结果越接近1，则表示判别器认为传入图像不含有水印信息的可能性越大，输出的结果越接近0，则表示判别器认为传入图像含有水印信息的可能性越大；
30、步骤十、引入噪声攻击：
31、将含水印信息的图像ien放入噪声层进行噪声攻击，得到含噪声图像ino；
32、步骤十一、水印信息mout的提取与mout的bch解码：
33、将含噪声图像ino放入提取网络，经过4次卷积之后，最后进行全局平均池化，提取水印信息mout，并将水印信息进行如下的二值化处理；
34、
35、将mout进行bch解码，得到解码之后的水印信息mde_bch；
36、步骤十二、双分支神经网络损失函数的设置：
37、所述双分支神经网络由嵌入网络、提取网络和判别器构成，其损失函数包括嵌入损失函数lossc、提取损失函数losss、对抗损失函数lossg三部分，三个损失函数如下：
38、
39、
40、
41、其中，h和w分别代表载体图像的高度和宽度，n代表神经网络的批次大小，p(yi)代表判别器认为输入图像含有水印信息的概率，yi是图像是否含有水印信息的标签，标签为0代表图像中含有水印，标签为1代表图像中不含有水印；
42、将总损失定义为三个损失的总和，公式如下：
43、lossctotal＝lossc+losss+lossg。
44、相比于现有技术，本专利技术具有如下优点：
<本文档来自技高网...【技术保护点】
1.一种基于DBN的鲁棒水印算法，其特征在于所述算法包括如下步骤：
2.根据权利要求1所述的基于DBN的鲁棒水印算法，其特征在于所述高斯高通滤波器如下所示：
3.根据权利要求1所述的基于DBN的鲁棒水印算法，其特征在于所述嵌入损失函数LossC、提取损失函数LossS、对抗损失函数LossG三个损失函数如下：
【技术特征摘要】
1.一种基于dbn的鲁棒水印算法，其特征在于所述算法包括如下步骤：
2.根据权利要求1所述的基于dbn的鲁棒水印算法，其特征在于所述高斯高通滤波器如下所示：...
【专利技术属性】
技术研发人员：李敬有，席晓天，魏荣乐，张光妲，张凤山，杨子鑫，王波，
申请(专利权)人：齐齐哈尔大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。