[发明专利]面向大容量鲁棒水印应用的多解码端并行提取方法

权利要求书

1.面向大容量鲁棒水印应用的多解码端并行提取方法，其特征在于，包括以下步骤：

(1)将图片训练集放入网络模型中训练，网络模型采用总失真函数用于引导神经网络不断迭代优化网络参数来实现所需的性能，总失真函数由失真函数和Loss_lpips失真函数组成，所述失真函数表示如下：

其中，Y_O',U_O',V_O'表示原图像转换到YUV通道Y,U,V通道分量，Y_w',U_w',V'_w表示水印图像转换到YUV通道Y,U,V分量，W_Y,W_U,W_V分别表示在YUV三个通道上的权重；

所述Loss_lpips失真函数表示如下：

其中，X,Y分别表示编码网络输入的水印序列和解码网络输出的水印序列,X由0,1的二进制序列表示,Y由0-1之间的概率表示，

所述总失真函数表示如下：

其中，W_L2,W_Llpips,W_message分别表示损失的权重；

(2)按照不同的方案，生成不同类型的模型文件，根据用户的安全等级和需要将不同的模型发送给用户；

(3)在嵌入端使用模型将指定的信息嵌入到图片中；

(4)将打印和拍摄后含有水印的图像通过不同的模型提取出不同的水印信息。

2.根据权利要求1所述的面向大容量鲁棒水印应用的多解码端并行提取方法，其特征在于：所述步骤(1)中的网络模型包括编码网络，噪声网络和解码网络，所述编码网络采用的是U型残差网络，输入原图像和水印信息，生成残差图，将残差图与原图像相加得到含有水印信息的图像，所述噪声网络主要是模拟现实中物理通道中传输可能带来的噪声攻击，分别包含了透视变换攻击，亮度噪声攻击，饱和度噪声攻击，色彩度噪声攻击，高斯噪声攻击以及Jpeg压缩噪声攻击，所述解码网络采用的是普通的卷积层加上全连接层，将含有水印的图像经过卷积全连接操作压缩为长度为200的秘密信息。

3.根据权利要求1所述的面向大容量鲁棒水印应用的多解码端并行提取方法，其特征在于：所述W_L2,W_Llpips,W_message分别设置为6，2，6；同时通过分阶段添加失真函数作为训练方法，其中W_message始终设为常数6，从40000到50000次迭代过程中，从0线性增加到2，W_L2从0到200000次迭代过程中，从0线性增加到6；其中总共训练600000次，学习步长余弦指数下降。

4.根据权利要求1所述的面向大容量鲁棒水印应用的多解码端并行提取方法，其特征在于：所述步骤(3)中模型只是提取端不同，但是嵌入端始终是相同的。