[发明专利]一种基于注意力机制的多尺寸图像鲁棒水印方法及系统

说明书

本发明提出了一种基于注意力机制的多尺寸图像鲁棒水印方法及系统，涉及数字图像水印领域,通过图像特征提取网络，对输入的彩色图像进行预处理，提取图像特征张量；利用水印特征提取网络，对要嵌入的水印信息进行Arno l d置乱，生成与图像特征张量大小相同的水印特征张量；通过水印嵌入网络，对图像特征张量和水印特征张量进行深度融合，生成彩色含水印图像；利用模拟攻击网络，对彩色含水印图像进行模拟攻击，生成被攻击图像；将被攻击图像输入到水印提取网络中，提取水印信息；本发明利用多头注意力机制捕捉到更丰富的特征信息，利用注意力机制加强有用通道特征，抑制不重要通道特征，提高方法的不可感知性和水印算法的嵌入容量和鲁棒性。

技术领域

本发明属于数字图像水印领域，尤其涉及一种基于注意力机制的多尺寸图像鲁棒水印方法及系统。

背景技术

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着数字多媒体技术的迅速发展以及图像编辑软件的应用普及，图像恶意篡改和传播现象层出不穷，图像水印技术作为主动取证的重要分支之一，以不可见的形式在数字图像中嵌入水印，在商业、医学、法庭、军事等领域得到了广泛应用；然而，现有的图像水印方法大多只适用于特定图像大小，水印嵌入容量有限制，一般为图像大小的1/64，且鲁棒性能仍有待提高。

深度学习因其强大的表示与学习能力，在图像水印领域得到了广泛应用，性能较传统水印方法有了较大的提升；但为了实现较好的性能，一般采用较深的网络，算法复杂度高、训练时间长；现有的基于深度神经网络的图像水印算法，为了实现高不可感知性，水印嵌入容量不大，且为了达到实际应用需求，通常需要深度卷积网络，导致计算复杂度大幅增加，甚至会出现过拟合、梯度异常等现象。

因此，如何在保证不可感知性的前提下，提高水印算法的嵌入容量和鲁棒性，是目前所需解决的问题之一。

发明内容

为克服上述现有技术的不足，本发明提供了一种基于注意力机制的多尺寸图像鲁棒水印方法及系统，包括图像特征提取、水印特征提取、水印嵌入、模拟攻击和水印提取五个步骤，利用多头注意力机制捕捉到更丰富的特征信息，以及利用注意力机制加强有用通道特征，抑制不重要通道特征，提高方法的不可感知性和水印算法的嵌入容量和鲁棒性。

为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：

本发明第一方面提供了一种基于注意力机制的多尺寸图像鲁棒水印方法；

一种基于注意力机制的多尺寸图像鲁棒水印方法，包括：

通过图像特征提取网络，对输入的彩色图像进行预处理，提取图像特征张量；

利用水印特征提取网络，对要嵌入的水印信息进行Arnold置乱，生成与图像特征张量大小相同的水印特征张量；

通过水印嵌入网络，对图像特征张量和水印特征张量进行深度融合，生成彩色含水印图像；

利用模拟攻击网络，对彩色含水印图像进行模拟攻击，生成被攻击图像；

将被攻击图像输入到水印提取网络中，提取水印信息。

进一步的，所述对输入的彩色图像进行预处理，包括尺寸处理和图像卷积；

所述尺寸处理，是将不同大小的彩色图像处理为相同大小的标准图像，具体为：首先将彩色图像调整为指定大小，然后进行归一化处理，再生成符合标准正态分布的相同大小的标准图像；

所述图像卷积，对标准图像进行卷积，生成图像张量。

进一步的，所述图像特征提取网络，是U形网络结构，包括卷积块、下采样块和上采样块，并通过跳跃连接将下采样块提取的浅层特征与上采样块提取的深层特征结合，学习不同阶段的特征图。