【技术实现步骤摘要】
本专利技术属于图像版权保护领域，尤其涉及基于transformer的可逆鲁棒图像水印的融合方法。
技术介绍
1、随着内容生成模型的日益完善，生成了大量高质量的数字图像。然而，图像的版权问题成为了亟待解决的安全问题。为了应对该挑战，数字水印技术能够将版权信息嵌入载体图像，从而保护图像的版权。传统的鲁棒水印方法主要基于变换域，通过修改载体图像的变换域系数来嵌入水印信息。然而，这类方法依赖人工提取的浅层图像特征，未能充分利用载体图像中蕴含的丰富冗余信息，降低了相应的鲁棒性以及泛化性。
2、随着深度学习技术的迅猛发展，尤其是卷积神经网络等深度神经网络模型的广泛应用，数字水印领域迎来了新的突破。现有技术1提出了基于dnn的端到端水印模型hidden，该模型采用编码器-噪声层-解码器(end)架构，其中编码器嵌入水印信息，噪声层模拟可能遇到的攻击，而解码器则提取水印信息。该模型在不可见性以及鲁棒性方面都比基于变换域的水印方法具有更好的性能。在end框架基础上，现有技术2提出了一种两阶段训练的水印模型tsdl，提高了对不可微分攻击(jpeg压缩)的鲁棒性。现有技术3提出mbrs模型，交替使用模拟和真实jpeg压缩进行小批量训练，进一步提高了对jpeg压缩的鲁棒性。然而，end架构一般采用不同的编码器和解码器，使用独立的网络参数，降低了编码器和解码器之间的耦合度。同时，为了使解码器准确地提取水印，导致编码器将冗余特征嵌入载体图像，一定程度影响水印不可见性和鲁棒性。
3、为了解决end架构中编码器和解码器耦合度较低的缺陷，
技术实现思路
1、为解决上述技术问题，本专利技术提出了基于transformer的可逆鲁棒图像水印的融合方法，能够提高水印的不可见性和鲁棒性。
2、为实现上述目的，本专利技术提供了基于transformer的可逆鲁棒图像水印的融合方法，包括：
3、获取待融合的图像水印；
4、将所述待融合的图像水印输入至图像水印模型，获取融合后的水印，其中，所述图像水印模型由训练集训练而成，所述训练集为coco数据集。
5、可选的，所述图像水印模型包括：水印预处理模块、逆处理模块、可逆神经网络模块和噪声层；
6、所述水印预处理模块，用于生成水印特征图；
7、所述逆处理模块，用于对所述水印特征图进行逆处理，获取水印信息；
8、所述可逆神经网络模块，用于对所述水印信息进行嵌入和提取；
9、所述噪声层，用于增强所述水印信息对攻击的抵抗能力，获取融合后的水印。
10、可选的，生成所述水印特征图包括：
11、对所述带融合的图像水印信息进行reshaped操作，获取第一水印特征图；
12、对所述第一水印特征图进行卷积运算，获取第二水印特征图；
13、对所述水印特征图进行上采样操作，获取所述水印特征图。
14、可选的，所述可逆神经网络模块包括：前向单元和逆向单元；
15、所述前向单元，用于对水印特征图进行嵌入，获取频域特征和丢失信息；
16、所述逆向单元，用于提取所述频域特征。
17、可选的，获取所述频域特征和丢失信息的方法为：
18、
19、其中，σ(·)为sigmoid函数，φ(·)、ρ(·)和η(·)均为仿射函数，fci-1和ri-1分别为输入的第i-1个载体图像频域特征数据和第i-1个丢失的信息，fci和ri为输出的第i个载体图像频域特征数据和第i个丢失的信息数据。
20、可选的，提取所述频域特征的方法为：
21、
22、其中，fbi和fwei分别为输入的第i个潜在特征数据，fbi-1和fwei-1分别为输出的第i-1个潜在特征数据。
23、可选的，所述噪声层包括：攻击方式和损失函数；
24、所述攻击方式，用于在训练过程中增强所述水印信息对攻击的抵抗能力；
25、所述损失函数，用于减少在训练过程中的损失。
26、可选的，所述攻击方式包括：jpeg-mask、jpeg、crop、cropout和gaussianblur；
27、所述损失函数包括：图像损失函数、低频子带损失函数和水印损失函数。
28、与现有技术相比，本专利技术具有如下优点和技术效果：
29、(1)本专利技术提出了一种基于transformer的可逆鲁棒图像水印框架。该框架在水印编码和解码过程中使用相同的网络参数，保证了编码器和解码器之间的紧密耦合；
30、(2)本专利技术为了增强水印的鲁棒性，设计了仿射transformer模块，通过计算载体图像的全局相关性，精准捕捉并提取水印所需的高鲁棒性图像潜在特征，从而确保了抵抗各种攻击的鲁棒性；
31、(3)本专利技术为了提高水印的不可见性，利用人类视觉系统对低频变化敏感的特性，设计了小波低频子带损失，通过引导水印嵌入到载体图像的中高频区域，从而确保了水印的不可见性。
本文档来自技高网...【技术保护点】
1.基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，包括：
2.根据权利要求1所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，所述图像水印模型包括：水印预处理模块、逆处理模块、可逆神经网络模块和噪声层；
3.根据权利要求2所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，生成所述水印特征图包括：
4.根据权利要求2所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，所述可逆神经网络模块包括：前向单元和逆向单元；
5.根据权利要求4所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，获取所述频域特征和丢失信息的方法为：
6.根据权利要求5所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，提取所述频域特征的方法为：
7.根据权利要求2所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，所述噪声层包括：攻击方式和损失函数；
8.根据权利要求7所述
...【技术特征摘要】
1.基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，包括：
2.根据权利要求1所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，所述图像水印模型包括：水印预处理模块、逆处理模块、可逆神经网络模块和噪声层；
3.根据权利要求2所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，生成所述水印特征图包括：
4.根据权利要求2所述的基于transformer的可逆鲁棒图像水印的融合方法，其特征在于，所述可逆神经网络模块包括：前向单元和逆向单元；
5.根据权利要求4所述的基...
【专利技术属性】
技术研发人员：何周燕，胡人之，吴俊，骆挺，周宇航，金充充，
申请(专利权)人：宁波大学科学技术学院，
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。