[发明专利]基于深度学习分片式图像数字水印嵌入及解密方法及系统

说明书

本发明涉及一种基于深度学习分片式图像数字水印嵌入及解密方法及系统，该方法包括数字水印生成和数字水印解密两部分；数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像大小为原始图像的二倍，但结构没有变化；数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息，主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的问题，极大增强数字水印的稳定性，生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息，为图像数字版权提供强大的技术保护支撑。

技术领域

本发明涉及图像处理领域，具体涉及一种基于深度学习分片式图像数字水印嵌入及解密方法。

背景技术

数字水印是将一些标识信息（即数字水印）直接嵌入数字载体当中或是间接表示，且不影响原载体的使用价值，也不容易被探知和再次修改。但可以被生产方识别和辨认。通过这些隐藏在载体中的信息，可以达到确认内容创建者、购买者、传送隐秘信息或者判断载体是否被篡改等目的。图像数字水印要解决的就是图片加密的问题。现有的技术有基于传统图像算法小波变换进行的加密，这种方法能够嵌入的信息少（一般为8bit），鲁棒性差，图像稍微改动，水印就信息就会被破坏。有基于普通GAN做的嵌入，但鲁棒性也不高，不能应对裁剪、涂鸦、翻拍等场景，一旦出现这些情况，原始水印将会被破坏，原鉴别器不能鉴别出出水印。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于深度学习分片式图像数字水印嵌入及解密方法，主要解决以往数字水印不能抗涂鸦、翻拍、裁剪和拉伸变换的的问题，极大增强数字水印的稳定性，生成的数字水印难以被发现、破坏和篡改。能够嵌入更多的信息（16bit），为图像数字版权提供强大的技术保护支撑。

本发明的目的是通过以下技术方案来实现的：

一种基于深度学习分片式图像数字水印嵌入及解密方法，该方法包括数字水印生成和数字水印解密两部分；

所述数字水印生成是将原始图像均分为9等份，逐份输入到生成器和将要加密的信息共同生成由9等份小图像组成加密后的新图像，新图像分辨率大小为原始图像的二倍，但色彩构成、纹理细节和亮度没有变化；

所述数字水印解密是指将加密后的新图像再次均分为9等份，逐份解密加密信息。

进一步的，所述数字水印解密中包括两种情况，当加密后的图像相对于原始图像没有拉伸、剪裁、翻盘的时候使用原始解密器解密，当原始解密器无法解密时则使用增强解密器解密。

进一步的，所述数字水印生成的具体步骤为：

S00：首先训练一个生成模块的生成模型，生成模型结构由生成对抗网络GAN，和一个辅助训练神经网络VGG构成，GAN主要由生成器和判别器两部分组成，VGG为ImageNet数据训练的深度特征提取模型；

S01：将单张原始图像均分成9等份，每等份输入生成模块，经过上采样层，图大小变为输入图像的2倍；

S02：将上采样的结构和随机生成的16位编码器共同输入第一个基础结构，基础结构为一种人工神经网络结构ResNet构成；

S03：经过多个基础结构（ResNet），再经过编码器还原成RGB图像，新生成的图像大小为原始图像的2倍，生成结构的输出损失为值记为L_G；

S04：将生成的图像和原始图像输入判别器，将判别器的输出结果做交差熵记为L_D；

S05：将生成的图像和和原始图像分别输入特征提取器VGG结构，将输出的特征结果做平方差，得到的结果记为L_F；

S06：将L_G、L_D、L_F进行求和，和值作为回传梯度，反馈给生成器和判定器，生成器和判定器获得梯度值后，更新权重，更新权重后为新的生成结构；