基于CNN预测的图像可逆水印方法

本发明属于数字水印
技术领域：
，具体涉及一种基于cnn预测的图像可逆水印方法。
背景技术：
：近年来，新颖的数字水印算法不断被提出，逐渐拓宽了数字水印的应用领域。通过对图像像素的相关性进行研究，利用相邻像素间存在的冗余可以实现图像无损压缩和图像可逆水印技术。可逆水印技术具有完整性认证和版权保护的作用，能够在提取水印信息之后，准确无误地恢复原始图像。基于这种特性，数字可逆水印被广泛应用于军事、医疗和超分辨率处理等领域，且随着技术的更新迭代，其应用范围不断拓展。在目前的研究进展中，可逆水印算法主要基于数据压缩、直方图平移和预测误差扩展技术。随着深度学习的发展，利用卷积神经网络处理图像成为目前图像处理研究的热点。将可逆水印与深度学习结合，不仅拓宽了可逆水印的
技术领域：
，而且引入新的框架和方向。技术实现要素：本发明的主要目的在于克服现有技术的缺点与不足，提出一种基于cnn预测的图像可逆水印方法，基于卷积神经网络，利用预测误差扩展的思想，通过深度学习模型预测图像全局像素值，实现将水印信息嵌入到扩展值的最低有效位中，然后利用修改后的值重构水印图像。在没有受到攻击情况下，基于相同的深度学习模型，可以从水印图像中提取水印信息和恢复原始图像。为了达到上述目的，本发明采用以下技术方案：基于cnn预测的图像可逆水印方法，包括水印嵌入步骤以及水印提取和图像恢复步骤。进一步的，所述水印嵌入步骤具体包括：对图像进行集合划分，划分为点集和叉集，构建独立的两个集合图像；构建深度学习模型，进行模型训练和验证；利用训练好的深度学习模型，输入点集图像，预测叉集图像并嵌入一半水印；利用相同的深度学习模型，输入叉集水印图像，预测点集图像并嵌入另一半水印；将得到的叉集水印图像和点集水印图像在空域上组合，生成水印图像。进一步的，所述构建深度学习模型具体为：所构建深度学习模型的输入为点集图像和叉集图像，真实标签分别为叉集图像和点集图像，所述深度学习模型用于特征提取和图像预测；深度学习模型中的特征提取网络采用残差网络resnet101进行构建，具体为：采用残差网络前两层进行特征提取，输入的图像利用卷积操作在图像空域上提取特征，不同大小的卷积核采用不同的感受野获取多维度特征，所获得特征用于模型下采样过程中，同时在下采样过程中增加通道数以保持每层网络参数个数一致；所述图像预测时，由于输入图像与真实标签图像大小一致，需要对高维特征进行维度扩展，具体为：采用全反卷积网络，对高维特征进行上采样，恢复图像原始大小；反卷积过程中逐步减小通道数，更好地对高维特征进行拓展，从而得到预测值；所述深度学习模型的训练过程具体为：将图像划分为点集图像和叉集图像，当训练样本为点集图像时，目标样本为叉集图像，当训练样本为叉集图像时，目标样本为点集图像；根据深度学习模型输出的预测图像与目标图像的误差，采用adam优化器优化网络模型，优化过程的损失函数为均方误差，公式如下：其中，p为样本个数，i为目标样本，为预测样本，λ是权重衰减系数，ω代表模型内的所有权重值；重复进行模型训练和验证，直至损失值稳定时，保存模型参数。进一步的，所述输入点集图像，预测叉集图像并嵌入一半水印具体为：将点集图像id作为深度学习模型的输入，得到预测叉集图像计算叉集图像ic与预测叉集图像的预测误差，利用预测误差扩展方法，将一半的水印信息嵌入到叉集图像ic中，得到叉集水印图像icw。进一步的，所述输入叉集水印图像，预测点集图像并嵌入另一半水印具体为：将叉集水印图像icw作为深度学习模型的输入，得到预测点集图像计算点集图像id与预测点集图像的预测误差，利用预测误差扩展方法，将另一半的水印信息嵌入到点集图像id中，得到点集水印图像idw。进一步的，所述预测误差的计算公式如下：其中，xi,j为真实集中的像素值，为预测集中的像素值，ei,j为预测误差；当输入深度学习模型的图像为点集图像id时，真实集为叉集图像ic，预测集为预测叉集图像当输入深度学习模型的图像为叉集图像ic时，真实集为点集图像id，预测集为预测叉集图像所述预测误差扩展方法具体为：采用预测误差扩展方法修改预测误差，从而嵌入水印信息，具体公式为：其中，阈值tn和tp用于控制水印嵌入的容量，w为水印信息的一位，将处理后的预测误差与预测值相加，从而嵌入一半水印信息，生成水印图像，原始像素变为：其中，是带有水印信息的像素值，di,j是扩展之后误差。进一步的，所述水印提取和图像恢复步骤包括：对水印图像进行集合划分，划分为点集水印图像和叉集水印图像；基于相同的深度学习模型和参数，先恢复点集图像并提取水印信息，再恢复叉集图像并提取水印信息；将得到的点集图像和叉集图像在空域上组合，重构原始图像。进一步的，所述先恢复点集图像并提取水印信息，再恢复叉集图像并提取水印信息具体为：先将叉集水印图像icw作为深度学习模型输入，输出预测点集图像通过预测误差扩展方法恢复原始点集图像id，并提取水印信息；将恢复的点集图像id作为深度学习模型输入，输出预测叉集图像通过预测误差扩展方法恢复原始叉集图像ic，并提取水印信息。进一步的，所述预测误差扩展方法恢复原始图像具体如下：进一步的，所述提取水印信息具体为：根据公式得到公式：水印信息提取为：w＝di,jmod2,di,j∈[2tn,2tp+1]提取水印信息后，恢复原始像素值：本发明与现有技术相比，具有如下优点和有益效果：1、本发明基于深度学习模型，利用卷积神经网络的拟合能力进行预测，与传统算法的线性预测相比，深度学习的非线性预测能力能够更好地利用像素之间的相关性，确保较好的预测效果。基于深度学习的可逆水印算法对于可逆水印的研究具有较大的启发作用。2、本发明结合预测误差扩展和深度学习技术，与传统算法利用局部像素点来预测嵌入点位置的像素值不同，基于深度学习的模型能够充分利用整幅图像的特征来预测出更接近嵌入点的真实值的像素值，降低了预测误差，实现嵌入水印图像高质量的视觉效果，且具有泛化能力。附图说明图1是本发明方法水印嵌入的流程图；图2是本发明划分点集和叉集图像的示意图；图3a是叉集水印嵌入的流程图；图3b是点集水印嵌入的流程图；图4是本发明方法水印提取和图像恢复的流程图；图5a是cnn预测器的预测误差直方图；图5b是差分预测器的预测误差直方图；图5c是med预测器的预测误差直方图；图5d是gap预测器的预测误差直方图；图6a是示例图片lena在不同预测器下嵌入可逆水印的psnr值；图6b是示例图片goldhill在不同预测器下嵌入可逆水印的psnr值；图6c是示例图片peppers在不同预测器下嵌入可逆水印的psnr值；图6d是示例图片barbara在不同预测器下嵌入可逆水印的psnr值。具体实施方式下面结合实施例及附图对本发明作进一步详细的描述，但本发明的实施方式不限于此。实施例如图1所示，本发明，基于cnn预测的图像可逆水印方法，包括水印嵌入步骤以及水印提取和图像恢复步骤，在本实施例中，如图1所示，水印嵌入步骤包括：s1、对图像进行集合划分，划分为点集和叉集，构建独立的两个集合图像，具体为：将图像分成点集和叉集，对于叉集中的某个像素值，其周围四个相邻的像素均属于点集，如图2所示，将属于点集和叉集的像素分离出来，在点集图像中，位于叉集位置的像素都被置零；在叉集图像中，位于点集位置的像素都被置零。s2、构建深度学习模型，进行模型训练和测试，具体为：s21、所构建深度学习模型的输入为点集图像和叉集图像，真实标签分别为叉集图像和点集图像，所述深度学习模型用于特征提取和图像预测。深度学习模型中的特征提取网络采用残差网络resnet101进行构建，具体为：采用残差网络前两层进行特征提取，实现数据下采样和提取高维特征；模型下采样过程中增加通道数，保持每层网络参数个数一致以及弥补下采样造成的数据损失。s22、所述图像预测时，由于输入图像与真实标签图像大小一致，需要对高维特征进行维度扩展，具体为：采用全反卷积网络，对高维特征进行上采样，恢复图像原始大小；反卷积过程中逐步减小通道数，更好地对高维特征进行拓展，从而得到预测值。s23、进行模型训练和验证；所述训练过程具体为：将图像划分为点集图像和叉集图像，当训练样本为点集图像时，目标样本为叉集图像，当训练样本为叉集图像时，目标样本为点集图像；根据深度学习模型输出的预测图像与目标图像的误差，采用adam优化器优化网络模型，优化过程的损失函数为均方误差，公式如下：其中，p为样本个数，i为目标样本，为预测样本，λ是权重衰减系数，ω代表模型内的所有权重值；重复进行模型训练和验证，直至损失值稳定时，保存模型参数。s3、利用训练好的深度学习模型，输入点集图像，预测叉集图像并嵌入一半水印，如图3a所示，具体为：将点集图像id作为深度学习模型的输入，得到预测叉集图像计算叉集图像ic与预测叉集图像的预测误差，利用预测误差扩展方法，将一半的水印信息嵌入到叉集图像ic中，得到叉集水印图像icw。在本实施例中，计算误差值公式为：其中，xi,j为真实集中的像素值，为预测集中的像素值，ei,j为预测误差；当输入深度学习模型的图像为点集图像id时，真实集为叉集图像ic，预测集为预测叉集图像当输入深度学习模型的图像为叉集图像ic时，真实集为点集图像id，预测集为预测叉集图像所述预测误差扩展方法具体为：基于预测误差值构建统计直方图，通过预测误差扩展修改预测误差，从而嵌入水印信息，公式具体为：其中，阈值tn和tp用于控制水印嵌入的容量，w为水印信息的一位，所述水印信息是由“0”和“1”随机组成的比特流；将处理后的预测误差与预测值相加，从而嵌入一半水印信息，生成水印图像，原始像素变为：其中，是带有水印信息的像素值，di,j是扩展之后误差。s4、利用相同的深度学习模型，输入叉集水印图像，预测点集图像并嵌入另一半水印，如图3b所示，具体为：将叉集水印图像icw作为深度学习模型的输入，得到预测点集图像计算点集图像id与预测点集图像的预测误差，利用预测误差扩展方法，将另一半的水印信息嵌入到点集图像id中，得到点集水印图像idw。计算误差值、预测误差扩展方法以及原始像素计算公式详见步骤s3。s5、将得到的叉集水印图像和点集水印图像在空域上组合，生成水印图像，具体为：将叉集水印图像icw和点集水印图像idw在空域上组合，生成水印图像iw。在本实施例中，如图4所示，水印提取和图像恢复步骤包括以下步骤：s1、对水印图像进行集合划分，划分为点集水印图像和叉集水印图像；具体为：对水印图像iw进行集合划分，得到叉集水印图像icw和点集水印图像idw；s2、基于相同的深度学习模型和参数，先恢复点集图像并提取水印信息，再恢复叉集图像并提取水印信息，具体为：s21、恢复点集图像和提取水印信息，具体为：基于相同的深度学习模型和参数，输入叉集水印图像icw，得到预测点集图像通过预测误差扩展方法恢复原始点集图像id，并提取水印信息，所述通过预测误差扩展方法恢复原始点集图像具体为：所述提取水印信息具体为：根据公式得到公式：水印信息提取为：w＝di,jmod2,di,j∈[2tn,2tp+1]提取水印信息后，恢复原始像素值：s22、恢复叉集图像和提取水印信息，具体为：将恢复后的点集图像id作为深度学习模型的输入，得到预测叉集图像通过预测误差扩展方法恢复原始叉集图像ic，并提取水印信息，预测误差扩展方法和水印信息提取公式详见步骤s21。s3、将得到的点集图像和叉集图像在空域上组合，重构原始图像，具体为：将恢复的点集图像id和叉集图像ic在空域上组合，恢复原始图像i。本发明方法的cnn预测器，与差分预测器、med预测器和gap预测器进行比较，通过比较各个预测器在测试集上的平均mse和嵌入水印信息后的平均psnr来分析预测性能。在深度学习模型训练和测试过程中，图像数据来源于imagenet。在测试过程中，将100张图像转换成大小为512×512的灰度图像。不同预测器预测结果的平均mse实验结果如表1所示，基于cnn的预测器的mse值为40.8，比传统的差分预测器(mse值为221.8)、med预测器(mse值为108.9)和gap预测器(mse值为215.1)的预测误差更低，说明cnn预测器的预测精度更高。其次，表1中列举了不同预测器的预测误差均值和方差：cnn预测器的均值为4.77，方差为134.1，比传统差分预测器(均值为5.13，方差为306.1)、med预测器(均值为7.37，方差为166.8)和gap预测器(均值为9.86，方差为166.4)的预测误差平均值更小。由于误差波动范围在0附近，其预测结果的全局损失更低。总体而言，本发明基于cnn的预测能力，利用图像的全局特征进行预测，通过损失函数优化网络参数，使得整体误差更低。预测器cnn预测器差分预测器med预测器gap预测器mse40.8221.8108.9215.1均值4.775.137.379.86方差134.1306.1166.8166.4表1如图5a、图5b、图5c以及图5d所示，分别展示了图片lena在cnn预测器、差分预测器、med预测器和gap预测器下的预测误差直方图。从图5a、图5b、图5c以及图5d可以发现当横坐标为[-100,100]时，cnn预测器的预测误差直方图比差分预测器、med预测器和gap预测的误差直方图更集中，说明其预测效果更好；对于大部分的预测误差，cnn预测器的预测误差集中在[-10,10]，比差分预测器(集中在[-25,25])、med预测器(集中在[-20,20])和gap预测(集中在[-25,25])误差波动范围更窄，说明cnn模型的全局预测策略优于传统的局部预测策略。对于不同的预测器，嵌入可逆水印时采用预测误差扩展技术将水印信息嵌入到图像中，其实验结果如表2所示。从表2可以发现，在嵌入水印信息长度为10000比特时，基于cnn预测方法的平均psnr为58.44db，比差分预测器(56.68db)、med预测器(56.84db)和gap预测(54.19db)的平均psnr值均高。当水印长度从10000比特增加到70000比特时，cnn预测器的平均psnr比其他预测器的平均psnr均高。表2如图6a、图6b、图6c以及图6d所示，分别展示了4张示例图片(lena、goldhill、peppers和barbara)在cnn预测器、差分预测器、med预测器和gap预测器作用下，分别嵌入10000比特到70000比特时的平均psnr值。从图6a、图6b、图6c以及图6d可以发现，cnn预测器嵌入可逆水印后的psnr值比差分预测器、med预测器和gap预测器嵌入可逆水印后的psnr值更高，且其下降趋势更缓慢。还需要说明的是，在本说明书中，诸如术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其他实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。当前第1页12