一种基于DCFERNet的零水印生成以及提取方法

一种基于dcfernet的零水印生成以及提取方法
技术领域
1.本发明涉及数字水印技术领域，特别涉及一种基于dcfernet的零水印生成以及提取方法。


背景技术：

2.随着计算机技术和互联网技术的发展，图像、音频、视频等数字媒体得到了广泛的传播。由于数字媒体具有可移植性和易传输性的特点，因此部分非法用户利用该特点，在未获得拥有者许可的情况下，能够轻易地对数字作品进行非法篡改、复制和传播，将严重侵犯作品所有者的权利。如何有效地保护图像版权是信息安全领域中的重要挑战，水印技术被视为解决图像安全问题的一种有效方法。
3.水印技术一般分为脆弱水印和鲁棒水印。脆弱水印主要用于图像的篡改检测，能够有效地检测图像的篡改位置。鲁棒水印主要用于图像的版权保护，当图像被攻击后，仍能够提取水印证明版权信息。然而，针对非盲的水印，需要原始数据的参与。基于四元数指数矩的抗几何攻击的彩色图像水印方法，能够在保证不可见性的同时，提高水印的鲁棒性。但是，若需要提高嵌入的水印容量，则会影响含水印图像的透明性。
4.为了解决水印不可感知性和鲁棒性之间的矛盾，提出了零水印技术，该技术根据图像的特征构造零水印作为该图像的唯一标识，因此，无需破坏原始图像质量。现有技术1中提出了一种基于非均匀矩形分割的时域零水印方法，能够较好的抵抗常规的攻击，但无法抵抗较强的jpeg压缩。现有技术2中还提出一种将视觉密码和零水印技术相结合，提出dwt域视觉密码零水印方法，具有较好的鲁棒性。由于图像通过奇异值分解(singular value decomposition，svd)后得到的奇异值具有较好的稳定性，现有技术3中对图像各块进行奇异值分解，通过比较分解后u矩阵的第一列元素平方的方差与分解后v矩阵的第一列元素平方的方差大小产生零水印序列。现有技术4利用svd对图像块进行分解，并对奇异值矩阵进行dwt变换，通过比较低频逼近子带对角线元素的均值构建零水印。然而，以上的零水印方案均无法很好的对抗常规图像处理组合攻击。现有技术5还提出了一种通过对载体图像所有选择分块整体均值与分块均值的大小来构建零水印方法，该方法对普通图像处理具有一定的鲁棒性，但其无法抵抗几何攻击，例如旋转攻击。因此，以上传统零水印技术无法抵抗不同的攻击，不具有一定的普适性。
5.深度学习由于其具有强大的特征提取能力，引发了人们浓厚的研究兴趣。现有技术6利用adaboost算法框架提取目标haar-like特征，既能够实时处理目标检测，又具有很高的检测准确率。由于密集连接网络能有效利用特征，加强特征传递，缓解网络梯度消失及提高特征识别率等诸多优势，被人们广泛的使用。现有技术7提出一种基于密集连接网络的多尺度检测框架，能够准确检测出遥感图像中的目标。现有技术8将密集连接卷积神经网络用于入侵检测，并对损失函数进行改进，有效提高检测的准确率。然而，密集连接的连接密度过高，使其存在着较多的冗余连接。与许多传统鲁棒水印相比，基于深度学习的水印技术在能够更好的平衡不可见性与鲁棒性之间矛盾。ahmadi等人通过循环卷积将水印嵌入到载
体图像，并结合残差结构提高编码图像的质量，对于对抗训练中已知的图像失真具有较好的鲁棒性。luo等人通过信道编码和对抗性干扰的方式来表达训练图像的失真，即使未知的图像失真也具有较好的鲁棒性。然而，现阶段的零水印还很少和深度学习相结合。
6.综合上述分析可知，当前的零水印方法缺乏普适性，无法对抗不同的攻击。而密集连接能够有效提取图像特征，为构造鲁棒的零水印提供可能，但其存在较多的信息冗余问题。


技术实现要素：

7.针对上述问题，提出了一种密集连接和特征消冗网络的零水印方法,利用密集连接将各网络层输出的鲁棒特征进行融合，提高零水印的鲁棒性；为了消除密集连接的冗余信息，设计特征消冗模块，增强有效特征。
8.为了实现上述技术目的，本发明提供了一种基于dcfernet的零水印生成以及提取方法，包括如下步骤：
9.获取原始图像、噪声图像，其中噪声图像通过对原始图像按照批量等概率的形式随机添加一种攻击方式生成；
10.将原始图像通过训练完成的dcfernet，得到第一特征图fi，对所述第一特征图fi进行二值化处理，得到第一二值化图bi，对所述第一二值图bi与原始水印w0进行异或操作，生成零水印zw；
11.将噪声图像通过训练完成的dcfernet，得到第二特征图fn，对所述第二特征图fn进行二值化处理，得到第二二值化图bn，对所述第二二值图bn与零水印zw进行异或操作，提取出水印w1。
12.优选地，所述攻击方式包括：jpeg压缩、高斯噪声、高斯滤波、椒盐噪声、均值滤波、中值滤波、旋转攻击、缩放攻击、随机剪切。
13.优选地，所述dcfernet包括：
14.密集连接模块，用于获取图像特征fd，保证相应的零水印能够抵抗不同的图像攻击；
15.特征消冗模块，用于通过进行基于图像特征fd特征间权重学习和特征内权重学习，降低相应冗余信息的权重。
16.优选地，密集连接模块包括4个网络层，并且各层之间进行密集连接，每一网络层经过非线性变换，输出的特征图为：
17.f
l
＝g
l
(con(f1，
…
，f
l-1
))
ꢀꢀ
(1)
18.其中，f1，...，f
l-1
分别表示第1，
…
，l-1网络层输出的特征图，这些特征图作为l层的输入，con(
·
)表示特征的连接，g
l
(
·
)表示网络层的非线性变换。
19.优选地，所述特征间权重学习包括：
20.特征压缩分别使用全局最大池化层和全局均值池化层，将大小为h
×w×
c的特征图fd在空间上分别压缩为1
×1×
c大小的特征图；
21.mlp用于学习特征图fd中各个特征之间的权重，并通过权重的大小来衡量特征间相关性；
22.特征加权融合将特征图fd与其特征间的权重mc(fd)进行加权，得到更新后的特征
图fc。
23.优选地，所述mlp包括两层全连接网络：第一层的神经元个数为c/r，其中r为压缩率，c为fd的特征个数，并采用激活函数为relu；第二层神经元个数为c。
24.优选地，所述特征内权重学习包括：
25.特征内压缩：采用全局最大池化和全局均值池化在通道域上对fc进行压缩，压缩后的特征依次通过卷积与sigmoid激活函数得到特征内不同位置的权重ms(fc)；
26.特征内加权融合：将fc与ms(fc)加权得到特征图f
cs
：
27.f
cs
＝fc×ms
(fc)
28.最后，将从特征图fd学习到的权重分布f
cs
，施加在fd上，用于改变原有特征的分布；
29.fi表示为：
30.fi＝conv(f
cs
+fd)
ꢀꢀꢀ
(7)。
31.优选地，将原始图像与噪声图像的特征进行相似度训练，再采用均方误差mse损失函数优化第一特征图fi和第二特征图fn的相似度：
[0032][0033]
其中，x
i，j
为fi中坐标为(i，j)的特征值，y
i，j
为fn中坐标为(i，j)的特征值。
[0034]
本发明具有如下技术效果：本方案具有较好的抗不同攻击的泛化能力，相比现有零水印方法，具有较好的鲁棒性。
附图说明
[0035]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0036]
图1为本发明实施例提供的基于密集连接和特征消冗网络的零水印框架示意图；
[0037]
图2为本发明实施例提供的密集连接和特征消冗网络结构示意图；
[0038]
图3为本发明实施例提供的基于dcfernet的零水印生成流程示意图；
[0039]
图4为本发明实施例提供的基于dcfernet的零水印提取流程示意图；
[0040]
图5为本发明实施例提供的测试图像；
[0041]
图6为本发明实施例提供的原始水印图。
[0042]
图7为本发明实施例提供的不同质量因子对在不同jpeg压缩攻击强度下本方法的抗jpeg压缩攻击能力示意图；
[0043]
图8为本发明实施例提供的不同的角度对图像进行旋转攻击下本方法的抗几何攻击能力示意图；
[0044]
图9为本发明实施例提供的不同的缩放比例对图像进行缩放攻击下本方法的抗几何攻击能力示意图；
[0045]
图10为本发明实施例提供的不同强度高斯噪声攻击下本方法的抵抗能力示意图；
[0046]
图11为本发明实施例提供的在不同强度椒盐噪声攻击下本方法的抵抗能力示意图；
[0047]
图12为本发明实施例提供的dcfernet与f0，fd，f
cs
不同图像构造零水印的相似度的数据分布图；
[0048]
图13为本发明实施例提供的dcfernet，f0，fd，f
cs
四种方式构造零水印的鲁棒性。
具体实施方式
[0049]
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0050]
为了解决在现有技术中存在现有大学生创业教育用智能宣传装置智能化不足等问题，本发明提供了如下方案：
[0051]
如图1所示，本发明提供了一种基于dcfernet的零水印生成以及零水印的提取方法，包括如下步骤：
[0052]
获取大小为m
×n×
3原始图像、噪声图像，其中噪声图像通过对原始图像按照批量等概率的形式随机添加一种攻击方式生成；
[0053]
将原始图像通过训练完成的dcfernet，得到第一特征图fi，对所述第一特征图fi进行二值化处理，得到第一二值化图bi，对所述第一二值图bi与原始水印w0进行异或操作，生成零水印zw；
[0054]
将噪声图像通过训练完成的dcfernet，得到第二特征图fn，对所述第二特征图fn进行二值化处理，得到第二二值化图bn，对所述第二二值图bn与零水印zw进行异或操作，提取出水印w1。
[0055]
如图2所示，dcfernet主要包括两个模块，分别为密集连接模块和特征消冗模块，密集连接模块目的为生成图像的鲁棒特征，从而保证相应的零水印能够抵抗不同的图像攻击；而特征消冗模块则为了降低特征冗余性，从而增强零水印的唯一性。
[0056]
密集连接模块中每一个网络层的输出特征图都将作为后面网络层的输入，从而使网络中各层之间达到最大信息流，加强了各个网络层的特征传播。通过l层的特征传播，获得图像特征fd，该特征融合了的不同深浅的图像信息。
[0057]
密集连接模块包括4个网络层，并且各组之间进行密集连接，保证了特征的重复利用。每一网络层经过非线性变换，输出的特征图为：
[0058]fl
＝g
l
(con(f1，
…
，f
l-1
))
ꢀꢀꢀ
(1)
[0059]
其中，f1，...，f
l-1
分别表示第1，
…
，l-1网络层输出的特征图，这些特征图作为l层的输入，con(
·
)表示特征的连接，g
l
(
·
)表示网络层的非线性变换，具体包括3
×
3卷积(convolution，conv)、批标准化(batch normalization，bn)以及指数线性单元(exponential linear units，elu)激活函数。设每网络层经过g
l
(
·
)处理后生成的特征为k个，则第l层的输入特征有k
×
(l-1)+k0个，其中，k0为f0的输入特征个数。为了避免输入特征数过大而导致模型过于复杂，密集连接模块采用4层网络，每层32个卷积核，最终得到大小为h
×w×
c的特征图fd，其中h＝m/2，w＝n/2，c＝160，即共有160个特征。
[0060]
特征消冗模块：尽管在密集连接模块，四层网络获取的特征图fd融合了各个网络层的鲁棒特征，然而，fd也包含了图像较多的冗余信息，这些冗余信息会降低相应图像的识别度，从而较大影响零水印的唯一性。因此，提出了特征消冗模块，通过特征间权重学习和特征内权重学习，降低相应冗余信息的权重，从而减少图像的冗余特征。其中，特征间权重学习包括特征间压缩、共享多层感知器(multilayer perceptron，mlp)和特征间加权融合。
[0061]
特征压缩目的为提取各个特征的全局信息，从而进行mlp学习，分别使用全局最大池化层和全局均值池化层，将大小为h
×w×
c的特征图fd在空间上分别压缩为1
×1×
c大小的特征图：
[0062][0063]
其中，maxpool(
·
)和avgpool(
·
)分别表示全局最大池化和全局均值池化函数。
[0064]
mlp用于学习特征图fd中各个特征之间的权重，并通过权重的大小来衡量特征间相关性。mlp包括两层全连接网络：第一层的神经元个数为c/r，其中r为压缩率，c为fd的特征个数，并采用激活函数为relu；第二层神经元个数为c。和经过两层全连接神经网络，并依次通过加法融合、sigmoid激活函数提取各个特征的权重，表示为：
[0065][0066]
其中，mlp(
·
)表示共享多层感知机，σ(
·
)为sigmoid激活函数，mc(fd)为各个特征的权重，其大小为1
×1×
c。
[0067]
特征加权融合将密集连接模块的输出特征图fd与其特征间的权重mc(fd)进行加权，降低了特征间冗余信息，得到更新后的特征图fc：
[0068]
fc＝fc×
mc（fd)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0069]
此外，特征内权重学习则为了降低特征内的冗余信息，其包括：特征内压缩以及特征内加权融合。
[0070]
首先，特征内压缩分别采用全局最大池化和全局均值池化在通道域上对fc进行压缩，压缩后的大小均为h
×w×
1。压缩后的特征依次通过卷积与sigmoid激活函数得到特征内不同位置的权重：
[0071]ms
(fc)＝σ(conv(con(maxpool(fc)，avgpool(fc))))
ꢀꢀꢀ
(5)
[0072]
其中，conv(
·
)表示带有1个滤波器的3
×
3卷积操作。
[0073]
其次，特征内加权融合降低了特征图fc和fd特征内不同位置的冗余信息。
[0074]
将fc与ms(fc)加权得到特征图f
cs
：
[0075]fcs
＝fc×ms
(fc)
[0076]
最后，将从特征图fd学习到的权重分布f
cs
，施加在fd上，从而改变原有特征的分布，增强有效特征，使得卷积输出的特征fi具有较好的唯一性与鲁棒性。
[0077]
最终得到的fi表示为：
[0078]fi
＝conv(f
cs
+fd)
ꢀꢀ
(7)
[0079]
特征间权重学习降低了各特征之间的冗余信息，而特征内权重学习减弱了特征内各个区域的冗余信息。相比fd，去除冗余后的f
cs
更加突出了与图像内容密切相关的特征，作
为零水印构造的重要组成部分，提高了零水印的唯一性。此外，为了保证水印鲁棒性，保留了原有的鲁棒特征fd。因此，fi特征既保留了鲁棒性，又保留了唯一性，从而保证了构造的零水印具有较好的版权保护功能。
[0080]
损失函数：为了使零水印具有较好的稳健性，将原始图像与噪声图像的特征进行相似度训练。原始图像与噪声图像分别输入dcfernet，得到相应的图像特征fi和fn，并采用均方误差(mean squared error，mse)损失函数优化它们的相似度：
[0081][0082]
其中，x
i，j
为fi中坐标为(i，j)的特征值，y
i，j
为fn中坐标为(i，j)的特征值。
[0083]
此外，为了零水印能够抵抗不同图像噪声攻击，噪声图像通过对原始图像按照批量等概率的形式随机添加一种攻击的方式生成。通过对dcfernet的不断训练，不断降低mse损失，从而使得fi和fn达到较高的相似度，提高了网络对图像鲁棒特征的提取能力。当完成整个网络的训练时，网络的鲁棒特征提取能力最佳。此时，网络参数保持不变，基于训练好的dcfernet构建鲁棒零水印。
[0084]
基于dcfernet的零水印构造：
[0085]
设原始图像i生成的零水印为zw，原始水印为w0，它们的大小都为h
×
w。
[0086]
如图3所示，将i通过训练完成的dcfernet，构造零水印，其详细步骤如下：
[0087]
步骤1.将i输入dcfernet，提取出大小为h
×
w的特征图fi步骤2.对fi进行二值化：将fi分成大小为h
×
w互不重叠的分块pk，其中对每一分块进行计算得到
[0088][0089]
其中，ak为第k个分块pk的均值，为pk块内坐标为(i，j)的值。重复对每一个分块进行二值化操作，最后，将每一块的组成二值图bi。
[0090]
步骤3.二值图bi与原始水印w0进行异或操作，生成零水印zw：
[0091][0092]
基于dcfernet的零水印提取
[0093]
当接收图像时，图像有可能受到攻击，为验证该图像的版权，提取相应的零水印。设噪声图像为n，提取零水印的过程如图4所示，详细步骤为：
[0094]
步骤1.将n输入dcfernet，提取出大小为h
×
w的特征图像fn。
[0095]
步骤2.对fn进行二值化：将fn分成大小为h
×
w互不重叠的分块qk，对每一分块进行二值化计算得到
[0096][0097]
其中，a
′k为第k个分块qk的均值，x
i，j
为qk块内坐标为(i，j)的值。重复对每一分块进行二值化操作，最后，将每一块的组成二值图bn。
[0098]
步骤3.二值图bn与零水印zw进行异或操作，得到水印w1[0099][0100]
实验结果及分析
[0101]
本方法采用keras网络框架，在nvidia geforce rtx 2080 ti上执行。网络训练采用cifar10训练集[]的64000副彩色图像，随机梯度下降(stochastic gradient descent，sgd)作为优化器，以学习率为1e-4进行训练。为了使网络能够抵抗不同的攻击类型，在网络训练的每次迭代过程中，按照小批量等概率的形式随机选取一种攻击，所选取的攻击类型如表1所示。
[0102]
表1
[0103][0104]
为了验证本方法的有效性，实验选取原始图像为512
×
512的标准彩色图像分别为fruits，pepper，tiffany，airplane，house，barba，sailboat与lena，如图5所示。此外，选取标识含“宁波大学”的二值图像作为原始水印，如图6所示。为了检测不同图像生成零水印的唯一性，采用归一化相关系数(normalized correlation coefficient，nc)客观评判两者的相似度：
[0105][0106]
其中，zw和zw
*
分别表示不同的原始图像提取的零水印。此外，为了测试零水印的稳健性，采用误差率ber检测原始水印和提取水印的相似度：
[0107][0108]
其中，ne表示提取错误水印比特的个数。
[0109]
唯一性检测
[0110]
为验证提出方法的有效性，首先对不同图像零水印进行相似度检测，从而保证不同图像的唯一性。表2为图5八张测试图像生成零水印相互之间的nc值，从表中可知nc的最大为0.6666，表明不同图像生成的零水印相似度较低，即说明不同图像相应的零水印具有较好的唯一性。此外，我们从cifar10测试集中随机选取200张图像进行唯一性检验，实验表明不同图像产生零水印的nc值均小于0.75，因此本方法的零水印能够较好证明图像的版权。
[0111]
表2:不同图像的零水印相似度测试
[0112][0113]
鲁棒性检测
[0114]
为了验证本方法的鲁棒性，采用jpeg压缩、高斯噪声、椒盐噪声、缩放、旋转、滤波等一系列不同强度的单一攻击以及组合攻击进行测试。
[0115]
抗jpeg压缩攻击
[0116]
为评估当前方法抗jpeg压缩攻击的性能，采用不同质量因子对jpeg压缩进行测试，如图7所示。与其他7张测试图像相比，不同强度的jpeg压缩对lena的稳健性破坏均是最强的。尽管如此，八张测试图像在不同的jpeg压缩攻击强度下，相应的误差率都低于0.035，证明本方法能够有效抵抗jpeg压缩攻击。
[0117]
抗几何攻击
[0118]
为了检测抗几何攻击能力，对图像进行旋转和缩放。采用不同的角度对图像进行旋转攻击，相应的ber值都低于0.051，如图8所示。此外，图9采用了不同的缩放比例对图像进行缩放攻击，测试图像lena的ber最高，但其仍旧低于0.02，因此，从抗旋转以及缩放攻击能力得知，本方法对几何攻击也具有较强的鲁棒性。
[0119]
抗加性噪声攻击
[0120]
为了检测抗加性噪声，高斯噪声和椒盐噪声作为本方法的鲁棒性检测。高斯噪声通过改变方差的大小控制噪声强弱，而椒盐噪声通过椒盐率的大小控制噪声强弱。图10显示了不同强度高斯噪声的鲁棒性，从图中可知相应的ber值均低于0.0213。同时，本方法也
能够较好抵抗不同强度的椒盐噪声，如图11所示。
[0121]
此两个类型的抗攻击实验证明了本方法对加性噪声攻击具有较强的抵抗能力。
[0122]
抗滤波攻击
[0123]
测试抗滤波攻击的鲁棒性，包括高斯滤波、均值滤波、中值滤波、维纳滤波，相应的滤波窗口大小分别设置为3
×
3，5
×
5，7
×
7，9
×
9，实验结果如表3，表4，表5，表6所示。在四种滤波攻击下，lena的平均误差率均最高，分别为0.0191，0.0242，0.0263，0.0410，因此，本方法能够有效保护图像的版权。
[0124]
表3抗高斯滤波实验结果
[0125][0126]
表4抗均值滤波实验结果
[0127][0128]
表5抗中值滤波实验结果
[0129][0130]
表6抗维纳滤波实验结果
[0131][0132]
鲁棒性对比实验
[0133]
为了验证本方法的优越性，与现有的零水印方法进行比较，实验结果如表7、表8与表9所示。
[0134]
表7展示了本方法与现有技术1的鲁棒性能对比，所选的测试图像均为barba，如图5(f)所示。由表7可知，本方法仅在抵抗剪切攻击处理弱于现有技术1，然而，在jpeg压缩、高斯噪声、高斯滤波、中值滤波、椒盐噪声等方面，本方法的鲁棒性均明显好于现有技术1，因此，证明了本方法生成的零水印具有较强的鲁棒性。
[0135]
表7抗常规图像处理和几何攻击实验结果
[0136][0137]
现有技术9提出了一种抗逆攻击的零水印方案，利用包含病人数据的qr码对医学图像进行认证。
[0138]
现有技术10：zou等设计了一种可区分的零水印方案，该方案将基于相似度的检索引入到眼底图像drm中，并根据眼底图像的灰度变化提取特征.
[0139]
现有技术11:提出了一种基于图像块纹理特征的立体图像零水印方法。
[0140]
现有技术12:zhou等人提出了一种基于超混沌系统的立体图像版权保护零水印算法，该算法根据立体图像左右视图dwt域的视差稳定性构造零水印。
[0141]
表8采用图5八张测试图像的平均值与现有技术9-12对于不同攻击的误差率的对比情况。由表8可知，尽管与现有技术9相比，本方法在对抗3
×
3的高斯滤波、椒盐噪声和缩放攻击等弱于现有技术9，但本文在对抗其他攻击的鲁棒性和普适性均明显好于现有技术9，且本文对表8中的所有攻击的稳健性均好于现有技术10-12，因而，采用本方法构建的零水印具有较强的鲁棒性和普适性。
[0142]
表8抗常规图像处理和几何攻击实验结果
[0143][0144]
表9展示了本方法对十种组合攻击的检测结果，与现有技术2-5进行对比。现有技术2-5明显无法抵抗常规图像处理的组合攻击，而现有技术5对组合攻击的鲁棒性较好，但仍有上升空间。本方法在网络训练时按照小批量等概率随机选择一种攻击的方式，在对抗组合攻击方面具有较好的鲁棒性。如表9所示，与现有技术5相比，在对抗常规图像处理的十种组合攻击中，本方法的整体对抗组合攻击的鲁棒性明显更强。
[0145]
表9抗常规图像处理组合攻击实验结果
[0146][0147]
模型分析实验
[0148]
为了评估密集连接模块和特征消冗模块对零水印的鲁棒性和唯一性的贡献，分别
将f0，fd，f
cs
经过3
×
3卷积输出作为零水印构造的特征图像，与dcfernet网络进行对比。实验结果，如图12与13所示。图12展示了dcfernet与f0，fd，f
cs
不同图像构造零水印的相似度的数据分布。由图12可知，fo与fu构造的零水印的唯一性整体偏高，甚至超过0.75，而dcfernet与fs构造的零水印均不超过0.75，可见，不包含消冗模块零水印的唯一性整体偏高。此外，由于f
cs
仅比fd多了特征消冗模块，但在唯一性上明显增强，因此从实验上证明了特征消冗余模块能够明显增强零水印的唯一性。
[0149]
图13展示了四种方式构造零水印的鲁棒性。与f0相比，fd的误差率明显降低，而fd仅比f0多了一个密集连接模块，因此，证明了密集连接模块提高了零水印的鲁棒性。而通过dcfernet，fd与f
cs
构造的零水印的鲁棒性相差不大，证明了特征消冗模块不能进一步提升零水印的鲁棒性。
[0150]
综上所述，基于dcfernet构造的零水印鲁棒性主要来自于密集连接模块的作用，而零水印唯一性主要来自于特征消冗模块的作用。
[0151]
与现有的零水印技术不同，本发明设计的dcfernet提取图像的鲁棒特征，然后，根据图像特征分块的均值与块内像素大小关系来构造零水印。实验结果表明提出的方法具有较好的抗不同攻击的泛化能力，相比现有零水印方法，具有较好的鲁棒性。此外，实验证明了，密集连接模块能够从不同卷积层提取浅层和深层特征，增强零水印的鲁棒性；特征冗余模块能有效降低相应冗余信息的权重，增强零水印的唯一性。
[0152]
以上显示和描述了本发明的基本原理、主要特征和优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。