一种鲁棒图像水印嵌入方法和系统

本发明涉及数字水印与深度学习，具体是涉及一种鲁棒图像水印嵌入方法和系统。

背景技术：

1、数字图像在互联网传播、内容分发、版权确权和生成式人工智能数据治理等场景中被广泛使用。为了实现版权标识、溯源追踪或隐式认证，通常需要在图像中嵌入难以察觉且可可靠提取的水印信息。

2、现有图像水印方法主要依赖频域变换、空域修改或专用编码器—解码器网络进行嵌入。传统空域或频域水印方法实现简单，但在面对噪声扰动、重新压缩、轻微裁剪、缩放和再传播链路时，水印信息容易损坏，导致提取准确率下降。基于端到端神经网络的水印方法通常需要专门训练嵌入网络和解码网络，训练成本高、模型适配性差，在更换图像分布、设备环境或部署场景时需要重新调参甚至重新训练。预训练图像分类模型在大规模图像数据集上学习到稳定的高维特征表达，其输出类别空间包含丰富且可微的模型响应。然而，现有技术较少直接利用预训练分类模型的输出对数空间承载二进制水印信息，也缺少一种在有限扰动预算下结合期望变换优化来提升噪声攻击和后处理鲁棒性的水印嵌入方案。

3、因此，亟需提供一种无需重新训练专用嵌入网络、能够直接利用预训练分类模型输出空间进行隐式信息承载，并兼顾不可感知性、嵌入稳定性和攻击鲁棒性的图像水印嵌入方法及系统。

技术实现思路

1、本发明提供一种鲁棒图像水印嵌入方法和系统，以解决现有技术中的存在的一个或多个技术问题，并至少提供一种有益的选择或创造条件。

2、本发明提供了一种鲁棒图像水印嵌入方法，包括：获取待嵌入水印的原始图像、预训练图像分类模型以及待嵌入的二进制水印信息；

3、将所述二进制水印信息映射为目标logits向量，并确定与所述目标logits向量对应的多个输出索引；

4、以所述原始图像为初始载体图像，在扰动幅度约束下对载体图像进行迭代优化，在每次迭代中对当前载体图像执行从预设变换分布采样得到的随机变换或噪声扰动，得到增强图像；

5、将所述增强图像输入所述预训练图像分类模型，基于所述多个输出索引对应的模型输出与所述目标logits向量之间的损失值计算梯度，并依据所述梯度更新当前载体图像，得到水印图像。

6、进一步，所述鲁棒图像水印嵌入方法还包括恢复步骤，所述恢复步骤为：将所述水印图像输入所述预训练图像分类模型，提取所述多个输出索引对应的输出值，并依据所述输出值的符号或阈值判定结果恢复所述二进制水印信息。

7、进一步，将所述二进制水印信息映射为目标logits向量，具体包括：将所述二进制水印信息中的每一位二进制比特与一输出索引一一对应；当所述二进制比特为第一取值时，将对应位置的目标logits设置为正尺度值；当所述二进制比特为第二取值时，将对应位置的目标logits设置为负尺度值；由各位置的目标logits组成所述目标logits向量。

8、进一步，所述第一取值为1，所述第二取值为0，所述正尺度值和所述负尺度值的绝对值相同或不同，且所述正尺度值与所述负尺度值之间形成用于水印提取的符号间隔。

9、进一步，所述预训练图像分类模型为卷积神经网络模型，所述原始图像在输入所述预训练图像分类模型之前进行尺寸调整与归一化处理；所述多个输出索引选自所述预训练图像分类模型的输出类别空间中的预定类别索引集合，所述多个输出索引的数量与所述二进制水印信息的长度一致。

10、进一步，所述随机变换或噪声扰动包括至少一种：高斯噪声扰动、几何微变换、压缩扰动、裁剪扰动或者颜色扰动。

11、进一步，在扰动幅度约束下对载体图像进行迭代优化，具体包括：在预设扰动半径范围内对初始载体图像添加随机初始扰动，得到初始优化图像；

12、针对每次迭代，将当前优化图像设置为可求导变量，对其执行所述随机变换或噪声扰动，得到增强图像；将增强图像输入所述预训练图像分类模型，提取所述多个输出索引对应的模型输出，结合所述目标logits向量计算损失值；

13、依据所述损失值对当前优化图像求梯度，并沿使所述损失值减小的方向更新所述当前优化图像；

14、将更新后的优化图像投影至以原始图像为中心、以预设扰动半径为边界的扰动可行域内，得到下一次迭代的优化图像；当迭代次数达到预设次数或损失值满足终止条件时，输出水印图像。

15、进一步，所述损失值为模型输出与目标logits向量之间的均方误差损失，所述更新采用基于梯度符号的步进更新方式，所述扰动可行域采用范数约束。

16、进一步，所述鲁棒图像水印嵌入方法还包括鲁棒性验证步骤；所述鲁棒性验证步骤为：对所述水印图像施加噪声攻击或变换攻击，得到受扰图像；将所述受扰图像输入所述预训练图像分类模型并恢复水印信息；计算恢复水印信息与原始二进制水印信息之间的一致度，以评估鲁棒性。

17、另一方面，提供了一种鲁棒图像水印嵌入系统，包括：处理器和存储器，所述存储器用于存储计算机可读程序；当所述计算机可读程序被所述处理器执行时，使得所述处理器实现如上述技术方案中任一项所述的鲁棒图像水印嵌入方法。

18、本发明至少具有以下有益效果：本发明的方法无需重新训练专用嵌入网络和解码网络，可直接利用预训练分类模型输出空间完成水印承载；通过构建目标logits向量，使二进制水印的各比特位在模型输出空间中形成可分离的符号边界，提高了水印提取准确性。通过在优化过程中引入期望变换思想，对噪声与轻微变换进行联合建模，提高了水印在后处理和攻击场景下的稳定性；通过扰动投影约束控制图像修改幅度，使得水印嵌入兼顾不可感知性与可恢复性。本发明还提供对应的系统，该系统的有益效果与方法类似，这里就不重复描述了。本发明主要用于数字水印与深度学习技术领域。

1.一种鲁棒图像水印嵌入方法，其特征在于，包括：获取待嵌入水印的原始图像、预训练图像分类模型以及待嵌入的二进制水印信息；

2.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，还包括恢复步骤，所述恢复步骤为：将所述水印图像输入所述预训练图像分类模型，提取所述多个输出索引对应的输出值，并依据所述输出值的符号或阈值判定结果恢复所述二进制水印信息。

3.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，将所述二进制水印信息映射为目标logits向量，具体包括：将所述二进制水印信息中的每一位二进制比特与一输出索引一一对应；当所述二进制比特为第一取值时，将对应位置的目标logits设置为正尺度值；当所述二进制比特为第二取值时，将对应位置的目标logits设置为负尺度值；由各位置的目标logits组成所述目标logits向量。

4.根据权利要求3所述的一种鲁棒图像水印嵌入方法，其特征在于，所述第一取值为1，所述第二取值为0，所述正尺度值和所述负尺度值的绝对值相同或不同，且所述正尺度值与所述负尺度值之间形成用于水印提取的符号间隔。

5.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，所述预训练图像分类模型为卷积神经网络模型，所述原始图像在输入所述预训练图像分类模型之前进行尺寸调整与归一化处理；所述多个输出索引选自所述预训练图像分类模型的输出类别空间中的预定类别索引集合，所述多个输出索引的数量与所述二进制水印信息的长度一致。

6.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，所述随机变换或噪声扰动包括至少一种：高斯噪声扰动、几何微变换、压缩扰动、裁剪扰动或者颜色扰动。

7.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，在扰动幅度约束下对载体图像进行迭代优化，具体包括：在预设扰动半径范围内对初始载体图像添加随机初始扰动，得到初始优化图像；

8.根据权利要求7所述的一种鲁棒图像水印嵌入方法，其特征在于，所述损失值为模型输出与目标logits向量之间的均方误差损失，所述更新采用基于梯度符号的步进更新方式，所述扰动可行域采用范数约束。

9.根据权利要求1所述的一种鲁棒图像水印嵌入方法，其特征在于，还包括鲁棒性验证步骤；所述鲁棒性验证步骤为：对所述水印图像施加噪声攻击或变换攻击，得到受扰图像；将所述受扰图像输入所述预训练图像分类模型并恢复水印信息；计算恢复水印信息与原始二进制水印信息之间的一致度，以评估鲁棒性。

10.一种鲁棒图像水印嵌入系统，其特征在于，包括：处理器；