[发明专利]一种基于生成对抗网络的鲁棒图像水印方法

权利要求书

1.一种基于生成对抗网络的鲁棒图像水印方法，其特征在于：该方法包括：

(1)构建编码器-解码器框架，编码器将二进制的秘密信息嵌入到一张三通道的载体图像中，解码器从载密图像中提取出秘密信息；

(2)构建对抗网络框架，编码器网络和解码器网络组成一个端到端的模型作为生成器网络，通过生成器网络生成载密图像和提取出秘密信息，通过判别器网络进行隐写分析，对生成的编码图像的真假性进行判断；

(3)通过生成器网络和判别器网络之间相互对抗学习，使生成的载密图像和原始图像误差在一定范围内，同时使解码的秘密信息和原始的秘密信息误差在一定范围内；

(4)使用获取的自然图像数据集训练网络模型，通过结构相似性指标和峰值信噪比来验证模型的不可见性，通过提取秘密信息的准确度来验证模型的鲁棒性，得到最优的模型参数；通过训练好的网络模型得到鲁棒编码图像和提取秘密信息。

2.根据权利要求1所述的基于生成对抗网络的鲁棒图像水印方法，其特征在于：生成器和判别器对抗训练包括：

(a)生成器网络包括两个部分：编码器和解码器，其中编码器网络生成的编码图像要与原始图像误差在一定范围内；

(b)判别器网络用于隐写分析，即鉴别图像是编码图像还是原始图像，判断图像是否含有秘密信息；

(c)模拟噪声网络：将编码图像输入解码网络前设有一个模拟的攻击层，对编码图像进行模拟攻击，之后再输入解码器中进行解码；

(d)生成器网络在得到判别器网络的结果之后进行反向传播，利用梯度更新来更新编码器和判别器的参数，控制生成器生成图片质量。

3.根据权利要求1或2所述的基于生成对抗网络的鲁棒图像水印方法，其特征在于：通过使用自然图像数据集进行训练得到最优的模型参数，训练流程包括：

第一步，首先将具有L长度的秘密信息扩展成三维的向量，再改变二进制比特的秘密信息的形状，使其与图像大小相同；

第二步，将秘密信息和图像相互拼接，输入编码器，编码器通过特征提取和特征融合后输出一个三通道的彩色图像，该彩色图像即为载密图像；

第三步，在解码前设有一个模拟的攻击层网络来模拟实际攻击，经过模拟的攻击层得到一个被攻击的载密图像；

第四步，将被攻击的载密图像输入解码器中进行解码得到二进制的秘密信息。

4.根据权利要求1所述的基于生成对抗网络的鲁棒图像水印方法，其特征在于：编码器网络结构由卷积层加一个残差块组成；

首先将一串二进制秘密信息扩展成输入图像的尺寸，将扩展后的秘密信息与三通道的原始图像拼接在一起输入编码器，经过四次卷积操作用于特征的提取；然后经过一个残差块，即一个3×3的卷积层，提取特征信息；

每个卷积层得到的特征图都全连接到对应的上采样层，即不直接在高级特征图中进行监督和损失计算，结合低级特征图中的特征，使最终所得特征图中既包含高等级的特征，也包含低等级的特征，完成不同规模下的特征的融合；

最后，使用1×1的卷积层将多通道的特征图转化成三通道的彩色图像。

5.根据权利要求1或4所述的基于生成对抗网络的鲁棒图像水印方法，其特征在于：解码器在接收到编码图像I_stego，从载密图像中提取出所嵌入的秘密信息；具体包括：

解码器首先由3个3*3卷积层组成，进行特征的提取；接着设有一个残差块用于特征提取和减少梯度消失；再者设四个3×3卷积层以产生L通道的秘密信息张量；然后利用平均池化层和单一线性层将映射转换为L长度矢量。

6.根据权利要求3所述的基于生成对抗网络的鲁棒图像水印方法，其特征在于：网络模型使用不同的损失函数交替迭代更新编码器、解码器和判别器；消息损失函数用于保证模型的鲁棒性，图像损失函数和判别器损失函数用于保证模型的不可感知性；网络的损失函数构建如下：

使用图像损失函数L_eA保持原始图像I_cover和编码图像I_stego相似误差在一定范围内；L_eA的公式如下：

式中||·||₂是Frobenius范数，W、H和C分别表示输入图像的宽度、高度和通道数；

使用学习感知图像块相似性(LPIPS)损失L_lpips最小化原始图像I_cover和编码图像I_stego之间的距离；L_lpips计算如下：

其中l是用于提取特征堆栈的网络层，归一化的C_l维特征向量用和表示，其中包含图像I_cover在空间坐标h、w处的l层特征绝对值，I_cover和I_stego表示原始图像和编码图像；对于第l层，其中H_l,W_l和C_l是第l层中通道的高度、宽度和数量；w_l表示每个图像特征的自适应权重，表示异或运算；

解码器用于从编码图像中恢复秘密信息，解码后的消息与输入的秘密消息相同；消息损失函数L_dB计算如下：

其中M_in是二进制秘密消息，L表示秘密信息的长度，M_out是提取的秘密信息，M_in和M_out∈{0,1}^L；

判别器A用于判断接收到的图像是编码图像I_stego还是原始图像I_cover；使用判别器损失函数L_gA提高I_stego的视觉质量，L_gA计算如下：

L_gA＝log(1-A(I_stego))+log(A(I_cover)) (4)

其中log(*)表示对数函数；

在生成器的训练方面，模型为四个损失函数L_eA,L_lpips,L_dB和L_gA设置不同的权重以控制水印的鲁棒性和不可见性之间的平衡；

总损失函数L定义如下：

L＝λ_eAL_eA+λ_lpipsL_lpips+λ_dBL_dB+λ_gAL_gA (5)

其中λ_eA,λ_lpips,λ_dB和λ_gA分别为损失函数L_eA,L_lpips,L_dB和L_gA的权重。