一种针对图像数据的水印嵌入方法与流程

本发明涉及水印嵌入，具体涉及一种针对图像数据的水印嵌入方法。

背景技术：

1、随着网络和多媒体技术的飞速演进以及社交网络的成熟，数字数据的共享和传播变得极为便利，为人们的工作和娱乐带来了巨大便利。然而，这一便利也伴随着一系列问题，其中包括非法复制、伪造、恶意篡改以及未经授权的传播等行为，这些严重损害了数字产品所有者的合法权益。因此，数字产品的版权保护问题亟待解决。

2、传统的图像鲁棒水印方法通常可根据嵌入领域的不同划分为基于空域、基于变换域和基于多重变换域的方法。而基于深度学习的水印方法拥有独特的优势，因为它们将整个图像视为嵌入领域，并利用端到端的学习来实现对整个图像的最佳嵌入。然而，深度学习技术也存在一些限制，它依赖于反向传播算法，要求网络的各个组成部分都是可微分的。对于数字水印领域的一些常见攻击手段，如jpeg压缩，其中包含不可微分的步骤，这可能会对深度学习水印的鲁棒性造成影响。

3、因此，急需提出一种针对图像数据的水印嵌入方法，解决现有技术中存在的基于深度学习的水印嵌入网络无法抵抗住不可微分的攻击手段，导致对深度学习水印的鲁棒性造成影响的技术问题。

技术实现思路

1、有鉴于此，有必要提供一种针对图像数据的水印嵌入方法，用以解决现有技术中存在的基于深度学习的水印嵌入网络无法抵抗住不可微分的攻击手段，导致对深度学习水印的鲁棒性造成影响的技术问题。

2、一方面，本发明提供了一种针对图像数据的水印嵌入方法，包括：

3、获取预设个数初始图像，对每个初始图像进行分割，得到所述每个初始图像对应的载体图像和水印图像，并将所述预设个数初始图像分为训练集和验证集；

4、根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练，得到目标水印网络；

5、将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中，得到所述验证集中所有初始图像的整体损失数据集；

6、当所述整体损失数据集中数值的和小于预设损失阈值时，确定所述目标水印网络训练完成。

7、在一些可能的实现方式中，所述预设水印网络包括水印嵌入网络和水印提取网络；

8、所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练，得到目标水印网络，包括：

9、从所述训练集中确定第一初始图像；

10、将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合，得到初始水印载体图像和嵌入损失；

11、对所述初始水印载体图像进行模拟攻击，得到攻击后的目标水印载体图像；

12、根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络，得到整体损失；

13、根据所述整体损失对所述预设水印网络的参数进行调整，得到初始水印网络；

14、在所述整体损失达到预设损失阈值，或所述训练集中不存在未进行嵌入的初始图像的情况下，对训练过程中的参数进行调整，重新根据所述训练集对所述预设水印网络进行训练，得到目标水印网络。

15、在一些可能的实现方式中，所述根据所述嵌入损失、所述第一初始图像、所述目标水印载体图像和所述水印提取网络，得到整体损失，包括：

16、将所述目标水印载体图像输入至所述水印提取网络中，得到目标水印图像；

17、对所述第一初始图像的所述水印图像和所述目标水印图像进行比较，得到提取损失；

18、根据所述嵌入损失和所述提取损失，确定整体损失。

19、在一些可能的实现方式中，所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练，得到目标水印网络，还包括：

20、在所述整体损失未达到所述预设损失阈值的情况下，判断所述训练集中是否存在未进行嵌入的初始图像；

21、若是，则从所述训练集中随机确定第二目标调整图像，根据所述第二目标调整图像和所述初始水印网络，得到新整体损失，并根据所述新整体损失对所述初始水印网络进行更新，对所述整体损失和所述训练集进行判断；

22、若否，则对训练过程中的参数进行调整，重新根据所述训练集对所述预设水印网络进行训练，得到目标水印网络。

23、在一些可能的实现方式中，所述将所述第一初始图像的所述载体图像和所述水印图像输入至所述水印嵌入网络中进行融合，得到初始水印载体图像和嵌入损失，包括：

24、对所述载体图像和所述水印图像进行格式转换，得到所述载体图像对应的载体格式数据和所述水印图像对应的水印格式数据；

25、将所述水印格式数据和所述载体格式数据的通道深度进行拼接，得到水印载体格式数据；

26、将所述水印载体格式数据输入至所述水印嵌入网络中，得到初始水印载体图像；

27、根据预设均方损失函数对所述载体图像和所述初始水印载体图像进行计算，得到嵌入损失。

28、在一些可能的实现方式中，所述对所述初始水印载体图像进行模拟攻击，得到攻击后的目标水印载体图像，包括：

29、在所述初始水印载体图像上添加随机白噪声和加性噪声，得到噪声水印载体图像；

30、对所述噪声水印载体图像抑制或者关闭阻断区域地神经元，得到裁剪水印载体图像；

31、对所述裁剪水印载体图像的窗口进行平滑，得到平滑水印载体图像；

32、对所述平滑水印载体图像进行可微分的jpeg攻击，得到目标水印载体图像。

33、在一些可能的实现方式中，所述对每个初始图像进行分割，得到所述每个初始图像对应的载体图像和水印图像，包括：

34、对所述每个初始图像进行分割，得到前半部分图像和后半部分图像；

35、将所述前半部分图像确定为所述载体图像；

36、将所述后半部分图像确定为所述水印图像。

37、在一些可能的实现方式中，在所述根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练，得到目标水印网络之前，还包括：

38、对所述预设个数初始图像中的所有载体图像进行可逆线性变换，得到每个载体图像对应的变化载体图像；

39、根据所述变化载体图像对所述每个初始图像对应的所述载体图像进行更新。

40、在一些可能的实现方式中，在所述获取预设个数初始图像之后，还包括：

41、根据预设固定宽高对所述预设个数初始图像的宽高进行调整，得到统一宽高的预设个数初始图像。

42、另一方面，本发明还提供了一种针对图像数据的水印嵌入装置，包括：

43、图像获取模块，用于获取预设个数初始图像，对每个初始图像进行分割，得到所述每个初始图像对应的载体图像和水印图像，并将所述预设个数初始图像分为训练集和验证集；

44、网络训练模块，用于根据所述训练集中所述每个初始图像的所述载体图像和所述水印图像对预设水印网络进行融合和可微分模拟攻击的训练，得到目标水印网络；

45、损失确定模块，用于将所述验证集中所述每个初始图像的所述载体图像和所述水印图像输入至所述目标水印网络中，得到所述验证集中所有初始图像的整体损失数据集；

46、训练完成模块，用于当所述整体损失数据集中数值的和小于预设损失阈值时，确定所述目标水印网络训练完成。

47、采用上述实施例的有益效果是：本发明提供的针对图像数据的水印嵌入方法，通过对初始图像进行分割，得到载体图像和水印图像，从而可以根据预设水印网络对载体图像和水印图像进行融合，还可以对融合之后的图像进行可微分的模拟攻击，进而起到起到提高水印载体图像鲁棒性的目的，从而得到目标水印网络，然后可以通过验证集中的初始图像对目标水印网络进行验证，从而可以在验证集的整体损失数据集小于预设损失阈值时，得到可以抵抗常见攻击手段的目标水印网络，提高了深度学习水印的鲁棒性。