[发明专利]一种分阶段的自适应盲水印嵌入方法

说明书

本发明公开一种分阶段的自适应盲水印嵌入方法，属于信息安全技术领域；方法包括：S1，建立模型框架，框架中设置有编码器、适应器、解码器、噪音层以及辨别器；S2，无适应器阶段训练，将自适应因子统一设置为1，将编码后的图像经过噪音层攻击模拟后送入解码器进行解码，同时辨别器也将参与训练；S3，自适应因子整体微调阶段，首先冻结无适应器阶段训练得到的编码器的参数，将适应器加入训练，并且对解码器进行调整，发掘出编码图像最合适的强度因子；提升了水印的性能，并且有效解决了现有基于深度学习的抗打印扫描水印水印强度因子人工赋值导致无法达到最优性能的问题。

技术领域

本发明属于信息安全技术领域，具体涉及一种分阶段的自适应盲水印嵌入方法。

背景技术

信息隐藏就是为了将信息隐藏在载体之中，这些载体可以是音频，图像，视屏等，现在使用比较多的载体是图像。信息隐藏有两个重要的分支方向，一个是隐写术，另一个就是数字水印，二者同样重要但却有着不同的侧重方向。隐写术更偏向于信息的隐蔽性，嵌入在载体中信息难以被识别，常常和密码学结合，从而具有良好的保密性。而数字水印更加侧重的是鲁棒性，鲁棒性指的是含秘密的图像在经过破坏之后接收方依然能够恢复出其中隐藏的信息，对于各种攻击有良好的抵抗能力。在信息隐藏中，鲁棒性和不可感知性一直都是关注的热点。盲水印就是借鉴了隐写术的特征，该类水印在具有良好抗攻击能力的同时，又能够有优秀的隐秘性。

最近的研究表明，基于深度学习的水印嵌入方案相比于传统水印嵌入方案有着独天得厚的优势，深度学习能够在比传统方式更加理想的位置嵌入水印。所以，基于深度学习的水印嵌入方式已经成为水印研究的主流方式之一。目前的基于深度学习的数字水印方案也引入了强度因子，但也只是为整个训练过程设定一个固定的值，停留在简单的人工赋值阶段。

最近的几年内，深度学习的发展最为火热，已经成为图像研究领域不可获取的关键技术。基于深度学习的图像分析方法层出不穷，其中深度网络(DNN)和卷积神经网络(CNN)在大量的计算机视觉应用中得到广泛的关注，如模式识别图像分类和篡改检测。在此之中，基于DNN的数字水印方案也取得了不错的进展。对于基于深度学习的水印嵌入方案，大致可以分为两种类型的嵌入方式。第一种是非端到端的水印方案，该方案由篡改检测改进而来，将深度学习和传统水印相结合，深度学习用于识别出嵌入水印的位置，然后利用传统的水印方式将水印嵌入其中。有人为了能使水印图像在经过社交平台的有损传播后也能够解析，利用DNN模拟有损传播造成的攻击从而寻找出一幅图像中那些不会因有损传播而改变的鲁棒块，然后，再用传统的递归嵌入方式将水印信息嵌入到强壮的鲁棒块中，由于鲁棒块在社交平台的传递过程中不会发生改变，嵌入在其中的水印信息也不会有损失，但是，这种方案的鲁棒性和不可感知性很差，也不能够很好地提取出其中的水印信息。另一种嵌入方式是主流的端到端的水印方案，这种方案把整个过程都融在了一个整体的网络中，也就是把嵌入水印和提取水印的过程完全交给DNN。端到端的方案能够是的各个组件关联紧密，环环相扣，提升水印的嵌入和提取效率。在端到端的方案中，有人提出了较为完整的端到端的鲁棒盲水印的经典网络架构，给定一个掩蔽图像和一个二进制消息，编码器产生一个视觉上无法区分的编码图像，该图像包含该秘密信息，信息可由解码器以较高的精度恢复。该网络架构主要由四个部分组成：编码器、噪声层、辨别器和编码器，编码器能够嵌入水印，噪声层用于提升水印的抗攻击能力，辨别器用于分辨输入图像是否带有水印，解码器负责将图像中的水印信息提取出来。该模型参考了生成式对抗网络(GAN,GenerativeAdversarial Networks)，生成部分即为编码器产生带有水印的图像，对抗部分体现在辨别器预测给定图像是否包含编码信息，水印图像和载体图像的区分提供了一种对抗性损失，从而提高编码图像的质量。之后有人提出了一种新颖实用的两阶段可分离深度学习盲水印框架，该框架由无噪声端到端对手训练和噪声感知解码器训练组成，所提出的框架不仅对传统的高强度噪声具有较强的鲁棒性，而且对一些黑盒噪声也具有较强的鲁棒性。还有人在改进的框架中引入了水印嵌入强度因子的概念，编码器生成的是水印本身，随后将水印W乘以强度因子S以得到待嵌入的水印，然后将水印和载体图像IC直接相加得到最终的编码图像，研究结果发现对于不同的S，S值越高编码图像的鲁棒性就越高和不可感知性也越差，相反，S值越低，编码图像也就会拥有更差的抗攻击能力和更高的图像质量。计算过程由式1所示：