一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法

本发明涉及图像水印，特别是一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法。

背景技术：

1、图像鲁棒水印作为信息隐藏技术领域的重要技术之一，广泛用于知识产权保护和泄露源追踪。常见地利用图像的信息冗余可嵌入水印信息，难以被察觉。具体地，图像鲁棒水印通常以一种不可见的方式将水印信息嵌入进图像里，得到编码图像，然后从编码图像中提取出水印信息，并且保证即使编码图像遭受破坏，仍然可以从遭受破坏的编码图像里提取出水印信息。图像鲁棒水印最重要的属性是鲁棒性与不可感知性，而鲁棒性指的是鲁棒水印方法有能力去抵抗常见图像失真，如高斯噪声、裁剪等常见的图像处理操作；不可感知性指的是通过鲁棒水印方法生成一个几乎与原始图像相同的编码图像。近年来，为了追求鲁棒性与不可感知性，传统算法将水印信息嵌入频域，在文献《a dwt-based imagewatermarking algorithm》中，daren等人提出基于离散小波变换(discrete wavelettransform)的水印方法。在文献《robust and blind image watermarking in dct do-main using inter-block coefficient correlation》中，ko等人提出基于离散余弦变换(discrete cosine transform)的一种鲁棒图像水印方法。但这些方法大多需要手工提取图像特征，算法依赖设计者的经验，且无法满足自适应的需求。

2、随着深度学习的发展，由于神经网络较好的学习拟合能力，基于深度神经网络的图像水印因此也得到了快速的发展。在文献《hidden:hiding data with deep networks》中，zhu等人提出基于噪声层的神经网络自动编码器来联合训练出一个编码器-噪声层-解码器的网络结构。为了提升嵌入水印信息后的编码图像视觉质量，提出结合判别器来鉴别编码图像是否含有水印信息，以提高生成编码图像的视觉质量，同时也保证模型生成的编码图像没有可见的伪影；另外为了保证模型的鲁棒性，通过把秘密信息每一位比特扩展成单通道增加冗余的方式同时也保证了解码信息的提取准确率，但这种编码解码方式嵌入水印信息，增加网络的宽度，降低了网络性能，增加了资源开销，且无法抵抗较高强度的高斯模糊、裁剪等常见图像处理攻击，因此鲁棒性与不可感知性无法得到保证。为了进一步提升鲁棒性与不可感知性，在文献《mbrs:enhancing robustness of dnn-based watermarkingby mini-batch of real and simulated jpeg compression》中，jia等人提出利用自动编码网络，结合se(squeeze-and-excitation)块与消息处理器，利用单一的全连接神经网络增加水印信息冗余，提高了网络的嵌入与提取能力，但是面对特定的图像失真，无法较好的保证其鲁棒性和不可感知性。

3、综上所述，现有技术存在两个不足：1)现有编码器-噪声层-解码器的网络结构通过把秘密信息每一位比特扩展成单通道增加冗余的方式增加了网络的宽度，降低了网络性能，且无法抵抗较高强度的高斯模糊、裁剪等常见图像处理攻击，鲁棒性与不可感知性无法得到保证。2)利用单一的全连接神经网络增加水印信息冗余方式在面对特定的图像失真，无法较好地保证其鲁棒性。

技术实现思路

1、本发明的目的是提供一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法，将水印信息嵌入进预处理好的载体图像，得到编码图像；利用图像攻击手段对编码图像进行攻击得到噪声图像；通过网络不断迭代优化最终从噪声图像里提取正确的水印信息，得到抗图像攻击的鲁棒水印嵌入与提取模型。

2、实现本发明目的的技术方案如下：

3、一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法，所述嵌入与提取模型包括第一harr小波变换器、通道编码模块、通道解码模块、可逆模块、嵌入与分离模块、第一图像攻击模块和第二图像攻击模块；

4、通道编码模块包括依次连接的通道编码器、上采样器、扩展器和第二harr小波变换器；所述通道编码器为依次连接的全连接网络、激活层、dropout层和全连接网络；

5、通道解码模块包括依次连接的第二分离器、第一harr小波逆变换器、第三分离器和通道解码器；所述通道解码器为依次连接的全连接网络、激活层和全连接网络；

6、可逆模块包括多个特征聚合层，多个特征聚合层依次连接后，还连接一个卷积神经网络；所述特征聚合层为依次连接的卷积神经网络和激活层；

7、嵌入与分离模块包括第一分离器、第二harr小波逆变换器和第三harr小波变换器；

8、第一图像攻击模块包括第一攻击层，第二图像攻击模块包括第二攻击层和第三攻击层；

9、训练所述嵌入与提取模型，包括步骤：

10、s1.将载体图像i，维度为d1＝[b,c,h,w]，其中b为批次大小，c为通道数目，h与w分别为载

11、体图像的高与宽，经第一harr小波变换器降采样，提取载体图像i低维特征，维度为

12、d2＝[b,4c,h/2,w/2]；

13、s2.将水印信息m，维度为d3＝[b,l]，其中l为水印信息的长度，输入通道编码器，得到冗余的水印信息r1，维度为d4＝[b,l]，其中l为冗余的水印信息长度；经上采样器得到与载体图像i相同尺寸的信息，维度为d5＝[b,1,h,w]，经扩展器得到与载体图像i维度大小一致的冗余信息，维度为d6＝[b,c,h,w]；再经第二harr小波变换器，得到水印m低维特征，维度为d7＝[b,4c,h/2,w/2]；

14、s3.将载体图像i低维特征与水印信息m低维特征堆叠，得到堆叠的载体图像i与水印信息

15、m低维特征，维度为d8＝[b,8c,h/2,w/2]；

16、s4.将堆叠的载体图像i与水印信息m低维特征，通过可逆模块前向传播，得到堆叠的载体

17、图像i与水印信息m高维特征，维度为d9＝[b,8c,h/2,w/2]，具体为：

18、将堆叠的载体图像i与水印信息m低维特征，作为可逆模块的第一个特征聚合层的输入数据，再将第一个特征聚合层的输出数据与第一个特征聚合层的输入数据融合，作为第二个特征聚合层的输入数据；以此类推；将最后一个特征聚合层的输出数据经卷积神经网络后得到堆叠的载体图像i与水印信息m高维特征；

19、s5.将堆叠的载体图像i与水印信息m高维特征输入第一分离器，得到载体图像i高维特征、水印信息m高维特征，维度均为d10＝[b,4c,h/2,w/2]；设置融合强度因子s，将水印信息

20、m高维特征，与步骤s1得到的载体图像i低维特征融合，再经第二harr小波逆变换器得到编码图像w，维度为d11＝[b,c,h,w]；

21、s6.使用第一图像攻击模块的第一攻击层攻击编码图像w，得到噪声图像n1，即攻击后图像n1；使用第二图像攻击模块的第二攻击层攻击编码图像w，得到噪声图像n2，再使用第三攻击层攻击噪声图像n2，得到噪声图像n3，即攻击后图像n3；

22、s7.将攻击后图像n1经第三harr小波变换器，得到攻击后图像与水印信息高维特征，维度为d13＝[b,4c,h/2,w/2]，通过复制攻击后图像与水印信息高维特征，并堆叠，得到堆叠的攻击后图像与水印信息高维特征，维度为d14＝[b,8c,h/2,w/2]；

23、s8.将堆叠的攻击后图像与水印信息高维特征通过可逆模块反向传播，得到堆叠的攻击后图像与水印信息低维特征，维度为d15＝[b,8c,h/2,w/2]；

24、s9.将堆叠的攻击后图像与水印信息低维特征通过第二分离器，得到攻击后图像低维特征、水印信息低维特征，维度均为d16＝[b,4c,h/2,w/2]，再经第一harr小波逆变换器，得到恢复的载体图像i'与冗余信息，维度均为d17＝[b,c,h,w]；再将冗余信息经过第三分离器分离得到冗余的水印信息r2，维度为d18＝[b,h*w]，输入通道解码器，得到提取后水印信息

25、m1，维度为d19＝[b,l]；

26、s10.按照s7至s9类同的方法处理攻击后图像n3，抛弃恢复的载体图像，仅保留提取后水印信息m2，维度为d20＝[b,l]；

27、按照步骤s1至s10，迭代训练直到模型收敛，得到抗图像攻击的可逆鲁棒水印嵌入与提取模型。

28、进一步的技术方案，所述特征聚合层还包括通道注意力模块和空间注意力模块，特征聚合层为依次连接的卷积神经网络、激活层、通道注意力模块和空间注意力模块；所述步骤s4.将堆叠的载体图像i与水印信息m低维特征，通过可逆模块前向传播，得到堆叠的载体图像i与水印信息m高维特征，具体为：将堆叠的载体图像i与水印信息m低维特征，作为可逆模块的第一个特征聚合层的输入数据，再将第一个特征聚合层的输出数据与第一个特征聚合层的输入数据融合，作为第二个特征聚合层的输入数据；以此类推；将最后一个特征聚合层的输出数据经卷积神经网络后得到堆叠的载体图像i与水印信息m高维特征；所述特征聚合层中，激活层的输出数据作为通道注意力模块的输入数据，通道注意力模块的输入数据与通道注意力模块的输出数据融合后，作为空间注意力模块的输入数据，空间注意力模块的输出数据即为特征聚合层的输出数据。

29、上述技术方案中，所述按照步骤s1至s10，迭代训练直到模型收敛，具体为：令载体图像i与编码图像w编码的均方误差为编码损失loss1，水印信息m与提取后水印信息m1的均方误差为第一提取损失loss2，提取后水印信息m1与提取后水印信息m2的均方误差为第二提取损失loss3，载体图像i与恢复的载体图像i'的均方误差为恢复损失loss4；将loss1、loss2、loss3和loss4加权求和，得到总损失lsum；结合总损失lsum，利用adam优化方法对模型进行优化，直到m1与m之间的平均水印提取准确率大于阈值，模型收敛。

30、与现有技术相比，本发明具有如下的有益效果：

31、1、利用通道编码机制完成水印的嵌入与提取，改变了原有单一的全连接神经网络增加冗余的方式，提高了模型的鲁棒性能与水印信息的提取准确率。

32、2、密集连接注意力网络技术方案采用卷积神经网络结合激活层的方式，建立密集连接网络，减少了重要特征丢失；进一步技术方案采用卷积神经网络结合激活层的方式后加入通道注意力模块与空间注意力模块，构建密集连接注意力网络，改善了生成编码图像的画面质量，提高了编码图像的不可感知性。

33、3、使用通道编码与上采样方法获得的冗余水印，在嵌入载体图像后得到编码图像经图像处理攻击仍能准确快速还原，改善了网络的性能，减少了资源开销。