本技术介绍了一种深度学习驱动的数字图像水印技术,旨在增强水印的鲁棒性和隐蔽性。该技术流程包括:1) 利用兴趣点提取网络识别图像的关键兴趣点;2) 通过深度学习模型对水印信息进行编码;3) 将编码后的水印嵌入到图像的兴趣点中。该方法不仅提高了水印的抗攻击能力,也确保了水印的不可见性,适用于版权保护和内容验证等领域。
背景技术
多媒体技术的普及和应用给社会带来了很多便利,但也给信息保护带来了很多风险。数字图像信息被广泛用于通信,但这种信息容易被非法篡改。数字图像水印算法是版权保护的有力工具。现有的水印方法主要可以分为空间域、频域,混合算法和基于学习的模型。空间域水印将信息隐藏在封面图像的不可见区域内,但在受到色差等攻击时,由于信息的丢失,可能会导致解码错误。
信息隐藏技术是一种通过技术手段将具有保密价值的信息数据嵌入到普通图像、音频或字符串等载体中,以实现对秘密数据的隐藏。与传统密码学所隐藏的真实含义不同,信息隐藏技术旨在隐藏信息的存在,并通过相应算法恢复其中隐藏的信息,以达到秘密传递信息的目的。根据隐藏对象的不同,信息隐藏技术可分为字符串信息、图像信息和音频信息等。用于隐藏秘密数据的图像被称为载体图像,而从中恢复出来的信息或图像则被称为秘密信息或图像。信息隐藏技术已广泛应用于版权保护、信息认证等多个领域。
当受到色差变化和裁剪等攻击时,会造成解码错误。频域水印算法将水印信号应用于的频率来嵌入信息。基于离散余弦变换的方法DCT(Discrete cosine transform)的方法和在对编码图像进行反变换后,将水印分散到整个空间图像上。编码图像后,将水印分散在整个空间图像上,它们实现了卓越的隐蔽性,但在抗裁剪和压缩方面不够强大。
对于基于SIFT(Scale Invariant Feature Transform)和ORB(Oriented Fastand Rotated Brief)的混合水印算法,他们使用基于纹理信息和特征点的自适应区域选择方法ORB来定位纹理信息和特征点来定位区域嵌入DCT水印,它具有更好的隐蔽性和不可见性,但水印的容量有限,而且特征点在攻击下经常移动。但水印容量有限,而且特征点在攻击下经常发生位移。基于深度学习的水印算法显著提高了不同攻击下的鲁棒性和在不同的攻击下的不可见性。
将水印按照嵌入的方式划分,可以将其划分为空间域和频率域水印。
空间域数字水印通过直接修改图像的像素值来嵌入水印信息。最小有效位修改LSB(the least significance bits)算法具有简单容易操作的特点,因此被广泛利用。然而,此类算法在受到噪声攻击后的鲁棒性较差,并且容易通过滤波等攻击方式去除。频域方法主要通过将图像进行频域变换之后在特定的频率进行改变,使得水印具有更好的不可感知性和鲁棒性。相应的,算法的复杂度也更高的同时抵抗不同种类攻击的能力也更强。常用的方法有基于奇异值分解的空间域水印算法SVD(Singular Value Decomposition)和基于DCT(Discrete Cosine Transform)的频域水印算法,该算法对水印信息进行预处理,并将其嵌入到图像奇异值中。基于频域的算法一般具有良好的隐藏性,但是具有较低的信息容量。随着深度学习技术的出现,神经网络的学习能力使水印技术取得了巨大的进步。基于学习模型的水印算法在信息隐藏的容量和对于不同噪声的抵抗能力都有了长足的进步,这类算法主要分为生成类,对抗类和阶段性算法。生成算法直接利用对抗网络生成图像,而阶段性算法则通过编码器和解码器的分阶段训练达到较好的嵌入效果和实现鲁棒性。
优秀的信息隐藏算法需要从三个方面都表现很出色,分别是嵌入容量、鲁棒性和不可感知性。其中嵌入容量是嵌入秘密信息的长度与载体图像的比值,比值越大,代表嵌入的容量越大,算法携带信息的能力越强。鲁棒性指的是提取秘密信息的能力,信息隐藏的最终目的是秘密传递信息,如果提取的信息存在较大的误差,甚至不能恢复出想要传达的信息,那么算法的鲁棒性是非常差的。不可感知性代表了算法在嵌入信息之后与原始没嵌入信息的图像之间的差异性,差异越小代表信息嵌入对原始图像的影响越小,不可感知性越好,载体图像与载密图像越难区分,效果越好。
需要说明的是,在上述背景技术部分公开的信息仅用于对本申请的背景的理解,因此可以包括不构成对本领域普通技术人员已知的现有技术的信息。
实现思路