一种基于舒尔分解和卷积编解码的数字水印方法

本发明属于信息安全，涉及大容量彩色数字图像的快速版权保护。

背景技术：

1、随着互联网的快速发展，互联网上的多媒体信息急剧增加，然而网络的开放性和资源的共享性也导致了网络信息安全问题日益突出，数字产品更容易受到恶意攻击或遭受版权侵犯。为了应对这一挑战，数字水印技术作为解决方案的一部分，在图像内容安全方面做出了重大贡献，并引起越来越多的关注；同时，深度学习在图像处理领域取得了显著进展。深度学习通过构建深层神经网络模型，可以从大量的图像数据中学习到图像的高级特征表示，该学习能力使得深度学习技术在各种图像处理任务中具有很好的应用效果。因此，如何结合深度学习设计一个能够适应当前复杂网络环境下不可见性好、鲁棒性强的水印方案迫在眉睫。

技术实现思路

1、一种基于舒尔分解和卷积编解码器网络的数字水印方法，其特征在于通过具体的水印嵌入过程、提取过程实现，其水印嵌入过程描述如下：

2、第一步：将一幅像素个数为的二值水印图像转换成长度为的一维水印位序列，其中；

3、第二步：将一幅像素个数为的彩色宿主图像依照红、绿、蓝三基色的顺序分成3个分层宿主图像，选取蓝色通道图像进行水印图像的嵌入；

4、第三步：首先，利用伪随机算法在中选取一个非重叠的像素个数为的图像块，并将其分成两个大小的图像块，分别记为、；然后，按照公式（1）在空域中分别计算出两个图像块、经舒尔分解后的近似最大特征值、，并使用公式（2）计算其绝对系数差且将其保存在一维数组中；

5、                                         (1)

6、                                      (2)

7、其中，为在图像块中第行第列位置处的像素值，，为图像块边长像素个数，是绝对值函数，为与的绝对系数差；

8、第四步：重复第三步，直到得到个像素个数为的非重叠图像块的最大特征值的绝对系数差，并将其保存在一维数组中；

9、第五步：对一维数组中的绝对系数差进行重新排序，并基于总的最小均方差和嵌入强度因子计算出阈值的上限和阈值的下限，如公式（3）和（4）所示：

10、<mstyle displaystyle="true" mathcolor="#000000"><mi>v</mi><mi>=</mi><munder><mi>argmin</mi><mrow><mi>x</mi><mi>∈</mi><mi>[</mi><mn>0</mn><mi>,avg(</mi><mi>δ</mi><mi>)]</mi></mrow></munder><mrow><mo>(</mo><mstyle displaystyle="true"><munder><mo>∑</mo><mi>i</mi></munder><mrow><mi>(</mi><msub><mi>δ</mi><mi>i</mi></msub><mi>−</mi><mi>x</mi><msup><mi>)</mi><mn>2</mn></msup></mrow></mstyle><mo>)</mo></mrow></mstyle>                                     (3)

11、                                                   (4)

12、其中，为绝对系数差的平均值，为排序后的第个绝对系数差，若时，需调整；

13、第六步：按照先后顺序从中取出一位水印位，如果嵌入水印信息并且，则使用公式（5）修改、，得到新的近似最大特征值、，使得，即嵌入了该水印信息；

14、             (5)

15、其中，，是绝对值函数；

16、如果嵌入水印信息时并且，则使用公式（6）修改、，得到新的、，使得，即嵌入了该水印信息；

17、             (6)

18、其中，，是绝对值函数；

19、第七步：重复执行本过程的第六步，直到中所有的水印信息都被嵌入完成为止，由此得到含水印的蓝色层图像；最后，将与原始的红色层图像、绿色层图像重新组合并获得像素个数为的含水印图像；

20、其水印提取过程描述如下：

21、第一步：判断含水印图像是否受到几何攻击，若受到几何攻击，则使用几何校正算法进行矫正，否则，跳过几何矫正过程；随之，对含水印图像进行降维处理，得到红、绿、蓝三层图像，选取含水印的蓝色层图像进行提取特征映射图像；

22、第二步：首先，使用md5伪随机算法在含水印蓝色层图像中选取非重叠的像素个数为的图像块，并将其分成两个大小的图像块，分别记为、，然后，按照公式（7）在空域中分别计算出两个图像块、经舒尔分解后的近似最大特征值、，并使用公式（8）计算与的绝对系数差且将其保存到一维数组中;

23、                                     (7)

24、                                   (8)

25、其中，为图像块边长像素个数，为在图像块中第行第列位置处的像素值，，为与的绝对系数差；

26、第三步：重复第二步，直到得到个像素个数为的非重叠图像块的最大特征值的绝对系数差，并将其全部保存在中；

27、第四步：将中所有绝对系数差逐一归一化到[0，255]区间范围内，并保存到一维数组中；

28、第五步：将一维数组重塑为大小的二维数组，并将其保存为特征映射图像；

29、第六步：搭建一个编码器-解码器网络，其中，编码器部分由5个卷积层组成，每个卷积层都由卷积滤波器、批处理归一化、激活函数组成，在每个卷积层后都部署了最大池化层；解码器各层与编码器中各卷积层一一对应，但是最大池化层被上采样层替代，在最后一个解码器层中连接一个分类器；然后将训练集中特征映射图像输入搭建好的网络结构中进行训练，得到训练好的网络，其中，输入图像像素个数设置为，原始二值水印作为标签图像，编码器结构中采用vgg16的预设权值；

30、第七步：将特征映射图像输入到训练好的网络中，提取水印图像。

31、该方法利用深度学习的强大学习能力来对图像攻击模式进行建模。首先，在空域中计算图像块内相邻子图像块经舒尔分解后的近似最大特征值，然后调整相邻子图像块之间的绝对系数差，以实现水印信息的嵌入。接着，在对含有水印的图像进行图像矫正操作后，提取所有图像块的相邻子图像块特征值的绝对系数差，并将归一化后的绝对系数差转换成特征映射图像，然后输入到预先构建好的卷积编解码网络中。该方法在保证较好不可见性的前提下，获得了强鲁棒性。