基于小波变换及注意力机制的隐蔽水印攻击算法

本发明涉及数字水印，具体地讲，涉及基于小波变换及注意力机制的隐蔽水印攻击算法。

背景技术：

1、水印攻击是指通过修改、遮挡、删除或添加水印等方式，对数字图像、音频、视频等内容进行篡改或破坏的行为。水印技术是一种在数字媒体中保护知识产权的常用技术，常用于防止盗版、抄袭和不当使用等问题。因此，水印攻击的目的往往是破坏数字媒体中的知识产权保护机制，以实现非法目的。水印攻击是一个日益严重的问题，因为随着数字媒体的广泛应用，数字媒体的知识产权保护已成为全球性的难题。数字媒体的盗版、侵权和不当使用问题已经引起了广泛关注，而水印技术则被认为是一个有效的解决方案。然而，随着水印技术的不断提高，水印攻击技术也在不断进化，给数字媒体的知识产权保护带来了更大的挑战。因此，对水印攻击技术的研究和防御已经成为数字媒体知识产权保护的重要组成部分。

2、传统水印攻击算法在检测到水印信息后，尽管能将水印信息从图像中完全去除，但主要缺陷是难以去除一些嵌入较为深入的水印，同时也可能会对图像的质量和内容产生不可逆的影响，可能会破坏原始图像的完整性和可读性会对图像产生较大的干扰。

技术实现思路

1、本发明要解决的技术问题是提供基于小波变换及注意力机制的隐蔽水印攻击算法，不仅能够有效地去除水印信息，同时能保障图像的视觉质量，不会影响图像的实用价值，并且能够使得攻击具有良好的不可感知性以及隐蔽性。

2、本发明采用如下技术方案实现发明目的：

3、基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于，包括以下步骤：

4、s1：获取数据集；

5、使用div2k数据集，将所有图像剪裁为统一大小，使用qphfms水印嵌入算法得到含水印图像作为本网络的数据集；

6、s2：构建水印攻击网络；

7、s3：构建损失函数；

8、s4：建立评价指标。

9、作为本技术方案的进一步限定，所述水印攻击网络主体是由l个连续的相同块组成；

10、每个块中包括一个多核卷积层、一个通道注意力模块和一个空间注意力模块，在每个块中，使用跳跃连接增强信息流；

11、还包括瓶颈结构，所述瓶颈结构包括两个卷积层和一个relu激活层；

12、还包括全局残差学习方法，即在所述水印攻击网络的末端添加一个从输入到末端的长跳跃连接。

13、作为本技术方案的进一步限定，所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示。

14、作为本技术方案的进一步限定，将所述s1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像系数作为所述水印攻击网络的输入且在训练前被分成四个通道。

15、作为本技术方案的进一步限定，所述水印攻击网络的处理步骤为:

16、s21:使用卷积层从输入中提取浅层特征；

17、s22：将所有块的所有输出沿通道维连接起来，在融合多个块的特征后，利用所述瓶颈结构将这些特征映射进一步缩小；

18、s23：利用逆小波变换将处理后的图像重构回原始图像，完成水印去除，即可得到不含水印的图；

19、s24：通过所述全局残差学习方法使，使所述水印攻击网络能够学习预测残差成分，而不是直接预测不含水印的干净图像，有助于鲁棒的训练和快速融合；

20、s25：将重构清晰图像与输入图像进行残差连接得到干净的去水印图像。

21、作为本技术方案的进一步限定，使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；

22、均方误差损失能够有效提升攻击后图像与含水印图像之间的结构相似性的优势，表达式如下：

23、 （1）

24、其中：是图片的高度；

25、是图片的宽度；

26、表示含水印头像

27、表示受攻击后的图像

28、表示整幅图像像素值的x轴坐标；

29、表示整幅图像像素值的y轴坐标；

30、表示含水印图像在对应坐标处的像素值；

31、表示受攻击后的图像在对应坐标处的像素值；

32、感知损失用于加强有效特征提取，利用感知损失可以计算攻击后图像与含水印图像之间的特征差异，定义如下所示：

33、  （2）

34、其中：表示含水印头像；

35、表示受攻击后的图像；

36、表示训练的神经网络；

37、表示该网络的第层；

38、表示第层的特征图形状；

39、将上述两项损失函数进行线性组合得到最终完整的损失函数，其表达式如下：

40、 （3）

41、其中：用来调节两个损失函数之间的权重。

42、作为本技术方案的进一步限定，所述s4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：

43、 （4）

44、其中：表示图像像素的最大值。

45、作为本技术方案的进一步限定，所述s4中评价指标还包括误码率ber，公式为：

46、 （5）

47、其中：表示提取的水印中错误信息的位数；

48、表示原始水印信息的总位数。

49、与现有技术相比，本发明的优点和积极效果是：本发明提出一种崭新的水印攻击网络。基于小波变换及注意力机制的水印攻击网络。使用小波变换，将图像分解为高频纹理细节和低频信息，利用小波变换得到了四个系数，通过这种方式，高频和低频分量被明确得分离为四个通道，能够提供一种在时间和频率域上进行信号分析的方法。小波变换可以用于定位水印信息，同时小波变换还可以用于去除由于数字水印引起的伪影和失真；多核卷积层作为网络的基本模块，使用不同大小的卷积核进行卷积，通过多条路径同时提取特征，然后进一步聚合这些路径的特征，从而融合来自不同接受域的不同模式，进一步提高模型性能；另外使用了注意力机制，注意力机制可以通过对网络中的不同部分进行加权来提高网络性能，可以在通道和空间维度上自适应地增强所需要的特征，并且能够抑制不必要的特征，在水印攻击过程时，注意力机制可以帮助网络更好地聚焦于学习特征图像中与水印相关的区域，提高水印攻击的精度和鲁棒性。能够有效的提高攻击后图像的重构质量。

技术特征：

1.基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于，包括以下步骤：

2.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述水印攻击网络主体是由l个连续的相同块组成；

3.根据权利要求2所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述多核卷积层为所述水印攻击网络的基本模块，所述多核卷积层包含多个卷积核，每个卷积核对输入特征图进行一次卷积操作，得到一个输出特征图，多个卷积核的输出特征图在通道维度上进行拼接或者加权组合，得到一个更加丰富的特征表示。

4.根据权利要求3所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：将所述s1获取的含水印图像进行二维离散小波变换，分解为四个子带图像，四个所述子带图像提供不同频率的信息，四个子带图像的系数作为所述水印攻击网络的输入且在训练前被分成四个通道。

5.根据权利要求4所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述水印攻击网络的处理步骤为:

6.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：使用均方误差损失以及感知损失进行组合得到的损失函数来训练所述水印攻击网络；

7.根据权利要求6所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述s4中评价指标包括使用峰值信噪比衡量图像被攻击后的质量，其结果可以表示受攻击后图像与含水印图像的失真程度，计算公式为：

8.根据权利要求1所述的基于小波变换及注意力机制的隐蔽水印攻击算法，其特征在于：所述s4中评价指标还包括误码率ber，公式为：

技术总结
本发明公开基于小波变换及注意力机制的隐蔽水印攻击算法，涉及数字水印技术领域，包括以下步骤：S1：获取数据集；使用DIV2K数据集，将所有图像剪裁为统一大小，使用QPHFMs水印嵌入算法得到含水印图像作为本网络的数据集；S2：构建水印攻击网络；S3：构建损失函数；S4：建立评价指标。本发明要解决的技术问题是提供基于小波变换及注意力机制的隐蔽水印攻击算法，不仅能够有效地去除水印信息，同时能保障图像的视觉质量，不会影响图像的实用价值，并且能够使得攻击具有良好的不可感知性以及隐蔽性。

技术研发人员：王春鹏,李欣颖,夏之秋,马宾,魏子麒,周琳娜,李琦,李健,咸永锦,韩冰,王晓雨
受保护的技术使用者：齐鲁工业大学（山东省科学院）
技术研发日：
技术公布日：2024/1/13