[发明专利]图像水印嵌入和提取方法、装置、设备及可读存储介质

说明书

本申请公开了一种图像水印嵌入和提取方法、装置、设备及可读存储介质，属于多媒体内容安全技术领域。本申请获取第一水印信息和原始图片，将第一水印信息和原始图片转化为二维水印特征和原始图片频域特征，正向输入至可逆神经网络，并输出水印图片与损失信息；将水印图片与损失信息转化为水印图片频域特征与矩阵，反向输入水印图片频域特征与矩阵至可逆神经网络，并输出第二水印信息；将所述第一水印信息与所述第二水印信息对比，得到相似度验证结果。其中，所述相似度验证结果用于确定所述原始图片的版权归属。结合离散小波变换，水印消息处理以及可逆神经网络，在保证图像质量的基础上，实现了一个高鲁棒性的深度学习图像水印方法。

技术领域

本申请涉及多媒体内容安全技术领域，尤其涉及图像水印嵌入和提取方法、装置、设备及可读存储介质。

背景技术

随着互联网的快速发展，衍生出了对于图像数字水印的大量应用需求。数字水印是一种在信息隐藏研究领域的重要技术，他将具有特定意义的水印信息通过数字嵌入的方法隐藏在图像，视频，音频，文档等数字产品中，通过对水印信息的提取和还原，用以证明作品拥有者对其作品的所有权，并作为鉴别非法侵权的证据，从而成为版权保护和数字多媒体产品防伪的有效手段。

根据数字水印的嵌入方法是否使用了深度神经网络，数字水印可大致分为两大类：一类是通过人工设计图像特征来进行水印嵌入的传统方法，另一类是通过深度神经网络来学习图像的特征来进行水印嵌入的深度学习方法。然而传统方法严重依赖人工设计的图像特征，无法充分利用图片的冗余信息，导致传统水印嵌入方法的鲁棒性都较差。而深度学习方法将深度神经网络应用于数字图像水印，通过在训练中加入各种常见的图像噪声来提高水印方法的鲁棒性。但是，大多数的深度学习方法在对抗JPEG压缩的鲁棒性上都表现不佳，而JPEG压缩是不可微的、是目前互联网上最常用的有损图像压缩方法。

因此，目前存在现有的数字水印技术难以对抗不可微噪声的技术问题。

上述内容仅用于辅助理解本申请的技术方案，并不代表承认上述内容是现有技术。

发明内容

本申请的主要目的在于提供一种图像水印嵌入和提取方法、装置、设备及可读存储介质，旨在设计实现一个比现有数字水印方法在各种攻击下都更具鲁棒性的深度学习数字水印方法。

为实现上述目的，本申请提供一种图像水印嵌入和提取方法，所述图像水印嵌入和提取方法包括以下步骤：

获取第一水印信息和原始图片，所述原始图片为待嵌入水印的图片；

将所述原始图片和所述第一水印信息转化为原始图片频域特征和具有冗余信息的二维水印特征，其中，所述冗余信息平均地扩散在所述二维水印特征上；

正向输入所述二维水印特征与所述原始图片频域特征至可逆神经网络，并输出水印图片与损失信息；

将所述水印图片与所述损失信息转化为水印图片频域特征与矩阵，所述矩阵为通过高斯采样生成的与所述损失信息维度一致的矩阵；

反向输入所述水印图片频域特征与所述矩阵至可逆神经网络，并输出第二水印信息；

将所述第一水印信息与所述第二水印信息对比，得到相似度验证结果，其中，所述相似度验证结果用于确定所述原始图片的版权归属。

可选地，所述将所述原始图片和所述第一水印信息转化为原始图片频域特征和具有冗余信息的二维水印特征，其中，所述冗余信息平均地扩散在所述二维水印特征上的步骤包括：

基于压缩与激励网络，将所述第一水印信息正向转化为具有冗余信息的二维水印特征，所述第一水印信息为一维水印信息；

将所述原始图片通过离散小波变换正向转化为所述原始图片频域特征，其中，通过频域进行水印的嵌入，能够提升水印图片的图像质量。