基于Y-Net的数字水印方法、装置及系统与流程

基于y
‑
net的数字水印方法、装置及系统
技术领域
1.本发明属于数字水印技术领域，具体涉及一种基于y
‑
net的数字水印方法、装置及系统。


背景技术：

2.互联网技术的快速发展使得更多的数字作品可以在网络上传播。在方便交流的同时，作品的原创性也受到了考验，版权保护成为了人们极为重视的问题。
3.数字水印技术可以根据作品自身的特点，为作品原创性提供保护。近年来，各类基于深度学习的数字水印模型大量涌现，不仅能够扩大水印容量还可以有效的提升传输安全性。但这些方法依然存在一些问题，如含水印图像质量和抗分析安全性不够高，抵抗jpeg压缩等攻击的鲁棒性不强。


技术实现要素：

4.针对上述问题，本发明提出一种基于y
‑
net的数字水印方法、装置及系统，具有高水印容量、高隐蔽性、高安全性和强鲁棒性。
5.为了实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
6.第一方面，本发明提供了一种基于y
‑
net的数字水印方法，包括：
7.将载体图像和水印图像输入到y
‑
net生成网络中，得到嵌入了水印图像的含水印图像；
8.将所述含水印图像输入到经过预先训练的压缩损失模拟网络中，得到模拟压缩含水印图像；
9.采用经过预先训练的判别网络对所述模拟压缩含水印图像进行判别，得到判别结果，所述判别结果包括将含水印图像识别为载体图像或含水印图像；
10.将所述模拟压缩含水印图像输入到提取网络中，得到重构的水印图像；
11.根据所述含水印图像、重构的水印图像以及判别网络结果，计算整个水印网络的总损失函数，以总损失函数最小为目标优化所述水印网络，当损失下降并保持稳定时认为训练结束；所述水印网络包括y
‑
net生成网络、压缩损失模拟网络、判别网络和提取网络，其中，在优化过程中，所述判别网络和压缩损失模拟网络的权重固定；
12.使用训练好的水印网络，根据载体图像和水印图像生成含水印图像，将含水印图像进行压缩，从压缩后的含水印图像中重构出水印图像。
13.可选地，所述y
‑
net生成网络为跳跃连接结构，包括：载体第一卷积操作组、载体第二卷积操作组、载体第三卷积操作组、载体第四卷积操作组、载体第五卷积操作组、载体第六卷积操作组、水印第一卷积操作化组、水印第二卷积操作组、水印第三卷积操作组、水印第四卷积操作组、水印第五卷积操作组、水印第六卷积操作组、第七卷积操作组、第一反卷积操作组、第二反卷积操作组、第三反卷积操作组、第四反卷积操作组、第五反卷积操作组、第六反卷积操作组、第七反卷积操作组、第八卷积操作组；
14.所述载体第六卷积操作组及水印第六卷积操作组的输出与第一反卷积操作组的输出融合；
15.所述载体第五卷积操作组及水印第五卷积操作组的输出与第二反卷积操作组的输出融合；
16.所述载体第四卷积操作组及水印第四卷积操作组的输出与第三反卷积操作组的输出融合；
17.所述载体第三卷积操作组及水印第三卷积操作组的输出与第四反卷积操作组的输出融合；
18.所述载体第二卷积操作组及水印第二卷积操作组的输出与第五反卷积操作组的输出融合；
19.所述载体第一卷积操作组及水印第一卷积操作组的输出的输出与第六反卷积操作组的输出融合；
20.所述载体第六卷积操作组和水印第六卷积操作组进行通道拼接后输入到第七卷积操作组中，所述第七卷积操作组的输出端与所述第一反卷积操作组相连；
21.所述第六反卷积操作组、第一载体卷积操作组、第一水印卷积操作组进行跳跃连接后的结果，输入到第七反卷积操作组中；
22.所述第八卷积操作组的输入端与所述第七反卷积操作组相连，其输出为含水印图像；
23.其中，一个卷积操作组包括依次设置的卷积层、激活层、批标准化层；一个反卷积操作组包括依次设置的反卷积层、激活层、批标准化层。
24.可选地，所述判别网络通过以下训练步骤获得：
25.采集多个图像样本，确定各个样本图像的标签；所述标签包括相应样本图像包括水印图像的概率；
26.以各个图像样本为输入，各个图像样本的标签为输出训练zhu
‑
net，得到判别网络。
27.可选地，所述压缩损失模拟网络为u
‑
net网络。
28.可选地，所述提取网络为u
‑
net 网络。
29.可选地，所述判别网络为判别器，所述判别器中包含softmax函数。
30.可选地，所述水印网络的总损失函数为：
31.l＝αl
c
βl
s
δl
d
32.其中，l
c
为y
‑
net生成网络损失，l
s
为提取网络损失，l
d
为判别网络损失，α、β、δ为用于控制y
‑
net生成网络损失、提取网络损失以及判别网络损失的权值。
33.可选地，所述y
‑
net生成网络损失的计算公式为：
[0034][0035]
其中，n代表图像的总像素值，c
i
代表原始的载体图像，代表含水印图像；
[0036]
所述提取网络损失l
s
的计算公式为：
[0037][0038]
其中，s
i
代表原始的水印图像，代表重构出的水印图像；
[0039]
所述判别网络损失l
d
的计算公式为：
[0040][0041]
其中，y
i
'代表真实标签，即输入判别网络的图像到底是载体图像还是含水印图像的真实结果；y
i
代表判别网络的输出。
[0042]
第二方面，本发明提供了一种基于y
‑
net的强鲁棒数字水印装置，包括：
[0043]
第一处理单元，用于将载体图像和水印图像输入到y
‑
net生成网络中，得到嵌入了水印图像的含水印图像；
[0044]
第二处理单元，用于将所述含水印图像输入到经过预先训练的压缩损失模拟网络中，得到模拟压缩含水印图像；
[0045]
判别单元，用于采用经过预先训练的判别网络对所述模拟压缩含水印图像进行判别，得到判别结果，所述判别结果包括将含水印图像识别为载体图像或含水印图像；
[0046]
重构单元，用于将所述模拟压缩含水印图像输入到提取网络中，得到重构的水印图像；
[0047]
训练单元，用于根据所述含水印图像、重构的水印图像以及判别网络结果，计算整个水印网络的总损失函数，以总损失函数最小为目标优化所述水印网络，当损失下降并保持稳定时认为训练结束；所述水印网络包括y
‑
net生成网络、压缩损失模拟网络、判别网络和提取网络，其中，在优化过程中，所述判别网络和压缩损失模拟网络的权重固定；
[0048]
水印单元，用于使用训练好的水印网络，根据载体图像和水印图像生成含水印图像，将含水印图像进行压缩，从压缩后的含水印图像中重构出水印图像。
[0049]
第三方面，本发明提供了一种基于y
‑
net的强鲁棒数字水印系统，包括存储介质和处理器；
[0050]
所述存储介质用于存储指令；
[0051]
所述处理器用于根据所述指令进行操作以执行根据第一方面中任一项所述的方法。
[0052]
与现有技术相比，本发明的有益效果：
[0053]
本发明设计了富特征分支生成网络——y
‑
net，提高了含水印图像的视觉质量；
[0054]
首次引用u
‑
net 结构在图像数字水印领域，将其作为提取网络，提高了重构水印图像的视觉质量；
[0055]
考虑网络传输时jpeg压缩带来的图像质量损失，运用u
‑
net结构网络模拟jpeg压缩损失，提高了水印网络的抗jpeg压缩能力；
[0056]
使用zhu
‑
net网络结构作为判别网络，实时监测含水印图像的安全性；
[0057]
训练水印网络时固定判别网络和压缩损失模拟网络的权重，采用单向对抗的训练方法，加快了水印网络的收敛速度，既能提高图像质量，又保证了含水印图像的安全性。
附图说明
[0058]
为了使本发明的内容更容易被清楚地理解，下面根据具体实施例并结合附图，对本发明作进一步详细的说明，其中：
[0059]
图1是一个实施例的基于y
‑
net的数字水印方法流程图；
[0060]
图2是一个实施例的y
‑
net生成网络结构示意图；
[0061]
图3是一个实施例的压缩损失模拟网络结构示意图。
具体实施方式
[0062]
为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本技术进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本技术，并不用于限定本技术。
[0063]
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本技术的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
[0064]
下面结合附图对本发明的应用原理作详细的描述。
[0065]
实施例1
[0066]
本发明实施例中提供了一种基于y
‑
net的数字水印方法，如图1所示，具体包括以下步骤：
[0067]
s10，将载体图像和水印图像输入到y
‑
net生成网络中，得到嵌入了水印图像的含水印图像，即将水印图像嵌入到载体图像中，生成含水印图像；
[0068]
在本发明实施例的一种具体实施方式中，如图3所示，所述y
‑
net生成网络为跳跃连接结构，包括：载体第一卷积操作组conv1_c、载体第二卷积操作组conv2_c、载体第三卷积操作组conv3_c、载体第四卷积操作组conv4_c、载体第五卷积操作组conv5_c、载体第六卷积操作组conv6_c、水印第一卷积操作化组conv1_s、水印第二卷积操作组conv2_s、水印第三卷积操作组conv3_s、水印第四卷积操作组conv4_s、水印第五卷积操作组conv5_s、水印第六卷积操作组conv6_s、第七卷积操作组conv7、第一反卷积操作组convt1、第二反卷积操作组convt2、第三反卷积操作组convt3、第四反卷积操作组convt4、第五反卷积操作组convt5、第六反卷积操作组convt6、第七反卷积操作组convt7、第八卷积操作组conv8；
[0069]
所述载体第六卷积操作组及水印第六卷积操作组的输出与第一反卷积操作组的输出融合；
[0070]
所述载体第五卷积操作组及水印第五卷积操作组的输出与第二反卷积操作组的输出融合；
[0071]
所述载体第四卷积操作组及水印第四卷积操作组的输出与第三反卷积操作组的输出融合；
[0072]
所述载体第三卷积操作组及水印第三卷积操作组的输出与第四反卷积操作组的输出融合；
[0073]
所述载体第二卷积操作组及水印第二卷积操作组的输出与第五反卷积操作组的输出融合；
[0074]
所述载体第一卷积操作组及水印第一卷积操作组的输出的输出与第六反卷积操作组的输出融合；
[0075]
所述载体第六卷积操作组和水印第六卷积操作组进行通道拼接后输入到第七卷积操作组中，所述第七卷积操作组的输出端与所述第一反卷积操作组相连；
[0076]
所述第六反卷积操作组、第一载体卷积操作组、第一水印卷积操作组进行跳跃连接后的结果，输入到第七反卷积操作组中；
[0077]
所述第八卷积操作组的输入端与所述第七反卷积操作组相连，其输出为含水印图像；
[0078]
其中，一个卷积操作组包括依次设置的卷积层conv、激活层leakyrelu、批标准化层bn；一个反卷积操作组包括依次设置的反卷积层convt、激活层leakyrelu、批标准化层bn。
[0079]
可见，所述y
‑
net生成网络运用所有的载体卷积操作组提取载体图像的特征，运用所有的水印卷积操作组提取水印图像的特征，两个分支分别独立地提取载体图像和水印图像的特征的操作可以有效防止两类图像的特征混淆。此外，在后续的反卷积过程中，设置了跳跃连接的结构，将前期提取的多维度特征进行了融合，使得含水印图像尽可能多的保留原始图像信息，为后续的水印图像重构工作提供了极大的便利。
[0080]
s20，将所述含水印图像输入到经过预训练的压缩损失模拟网络中，得到模拟压缩含水印图像；
[0081]
在具体实施过程中，在网络传输过程中，为了提高传输效率，通常会对图像进行jpeg压缩操作。jpeg压缩会减少图像高频部分的信息，导致嵌入在高频区域的水印图像受损严重，无法重构。为此，需要将jpeg压缩损失引入水印网络，但jpeg压缩的量化操作不连续，无法参与网络的反向传播过程。为此，本发明实施例中的压缩损失模拟网络可以选用u
‑
net网络，用来模拟jpeg压缩损失，有效提高重构水印图像的质量。
[0082]
在本发明实施例的一种具体实施方式中，所述u
‑
net压缩损失模拟网络为跳跃连接结构，包括第一卷积操作组、第二卷积操作组、第三卷积操作组、第四卷积操作组、第一反卷积操作组、第二反卷积操作组、第三反卷积操作组和第五卷积操作组；
[0083]
所述第三卷积操作组的输出与第一反卷积操作组的输出融合；
[0084]
所述第二卷积操作组的输出与第二反卷积操作组的输出融合；
[0085]
所述第一卷积操作组的输出与第三反卷积操作组的输出融合；
[0086]
其中，一个卷积操作组包括依次设置的卷积层、激活层、批标准化层；一个反卷积操作组包括依次设置的反卷积层、激活层、批标准化层。
[0087]
所述u
‑
net压缩损失模拟网络如图3所示，其中，第一卷积操作组、第二卷积操作组、第三卷积操作组、第四卷积操作组、第一反卷积操作组、第二反卷积操作组、第三反卷积操作组和第五卷积操作组对应图3所示的conv1、conv2、conv3、conv4、convt1、convt2、convt3、conv5。卷积层、激活层、批标准化层、反卷积层依次对应图3的conv、leakyrelu、bn、convt。
[0088]
将所述含水印图像输入到所述压缩损失模拟网络中进行jpeg压缩过程中的图像质量损失模拟，输出模拟压缩后的含水印图像，即模拟压缩含水印图像；
[0089]
s30，采用经过预先训练的判别网络对所述模拟压缩含水印图像进行判别，得到判
别结果，所述判别结果包括将含水印图像识别为载体图像或含水印图像；
[0090]
在得到模拟压缩含水印图像后，为了提高其安全性，判断水印图像的嵌入位置是否合理，选择效果最好的隐写分析器zhu
‑
net作为判别器，可有效区别模拟压缩含水印图像和载体图像。为此，在具体实施过程中，所述判别网络可以选用zhu
‑
net网络，对不同空域水印算法生成的含水印图像进行学习，例如：s
‑
uniward、hugo；将所述压缩模拟含水印图像输入判别网络进行判别，输出二分类结果，即将含水印图像识别为载体图像或含水印图像。
[0091]
在本发明实施例的一种具体实施方式中，所述判别网络通过以下训练步骤获得：
[0092]
采集多个图像样本，确定各个样本图像的标签；所述标签包括相应样本图像包括水印图像的概率；
[0093]
以各个图像样本为输入，各个图像样本的标签为输出训练zhu
‑
net，得到判别网络。
[0094]
s40，将所述模拟压缩含水印图像输入到提取网络中，得到重构的水印图像；
[0095]
在具体实施过程中，所述提取网络可以选用u
‑
net 网络，将所述压缩模拟含水印图像输入提取网络，输出重构出的水印图像；以u
‑
net 网络结构构建的提取网络通过一系列嵌套的跳跃连接操作，可以抓取特征图不同层次的特征，保证水印图像提取的较高准确度；
[0096]
s50，根据所述含水印图像、重构的水印图像以及判别网络结果，计算水印网络的总损失函数，以总损失函数最小为目标优化所述水印网络，当损失下降并保持稳定时认为训练结束；所述水印网络包括y
‑
net生成网络、压缩损失模拟网络、判别网络和提取网络，其中，在优化过程中，所述判别网络、压缩损失模拟网络的权重固定。实现了采用单向对抗训练方法，将经过预先训练的压缩损失模拟网络和判别网络加入水印网络，并固定压缩损失模拟网络、判别网络权重，网络训练过程中只不断改变y
‑
net生成网络、以及提取网络的权重，大大提高了网络的稳定性，加快收敛速度，在保证图像水印安全性的同时提高了图像质量。
[0097]
在本发明实施例的一种具体实施方式中，所述水印网络的总损失函数为：
[0098]
l＝αl
c
βl
s
δl
d
[0099]
其中，l
c
为y
‑
net生成网络损失，l
s
为提取网络损失，l
d
为判别网络损失，α、β、δ为用于控制y
‑
net生成网络损失、提取网络损失以及判别网络损失的权值。
[0100]
其中，所述y
‑
net生成网络损失(即含水印图像质量损失)的计算公式为：
[0101][0102]
其中，n代表图像的总像素值，c
i
代表原始的载体图像，代表含水印图像；
[0103]
所述提取网络损失(即重构水印图像质量损失)l
s
的计算公式为：
[0104][0105]
其中，s
i
代表原始的水印图像，代表重构出的水印图像；
[0106]
所述判别网络损失l
d
的计算公式为：
[0107][0108]
其中，y
i
'代表真实标签(即输入判别网络的图像到底是载体图像还是含水印图像的真实结果)，y
i
代表判别网络的输出(即判别器中softmax函数的输出)。
[0109]
在水印网络的训练过程中，固定预先训练好的压缩损失网络和判别网络的权重，只有生成网络、提取网络的权重在不断变化，有效提高了网络训练的稳定性。
[0110]
s60,使用训练好的水印网络，根据载体图像和水印图像生成含水印图像，将含水印图像进行jpeg压缩，从压缩后的含水印图像中重构出水印图像。
[0111]
在实际应用中，将载体图像和水印图像输入到训练好的y
‑
net生成网络中，得到高质量的含水印图像；将含水印图像输入到训练好的压缩损失模拟网络中，得到模拟了jpeg压缩的含水印图像；将压缩后的含水印图像输入到训练好的提取网络中，提取出隐藏在含水印图像中的水印图像。
[0112]
综上可见，本发明实施例中的基于y
‑
net的数字水印方法，将载体图像和水印图像输入y
‑
net生成网络，生成含水印图像；将含水印图像输入经过预训练的压缩损失模拟网络，得到模拟压缩含水印图像；采用预先训练得到的判别网络判别所述模拟压缩含水印图像是否藏有水印图像，同时将模拟压缩含水印图像输入提取网络，得到重构的水印图像，具有高隐蔽性、高安全性以及强鲁棒性。
[0113]
为验证本发明效果，首先基于公开数据集pascal
‑
voc2007训练所提出的水印模型，并在公开数据集pascal
‑
voc2012上进行测试。在图像质量方面的实验结果如表1。其中，u
‑
net[duan x t,jia k,li b x,et al.reversible image steganography schemebased on a u
‑
net structure[j].ieee access,2019,2019(7):9314
‑
9323]模型是当前生成含水印图像及重构水印图像最好的模型。isgan[zhang r,dong sq,liu jy.invisible steganography via generative adversarial networks.multimedia tools and applications,2019,78(7):8559
‑
8575]则是嵌入灰度水印方面，生成含水印图像及重构水印图像最好的模型。在安全性方面的实验结果如表2，其中srnet[boroumand m,chen m,fridrich j.deep residual network for steganalysis of digital images[j].ieee transactions on information forensics and security,2018,14(5):1181
‑
1193]和zhu
‑
net[zhang r,zhu f,liu j,et al.depth
‑
wise separable convolutions and multi
‑
level pooling for an efficient spatial cnn
‑
based steganalysis[j].ieee transactions on information forensics and security,2019,2019(15):1138
‑
1150]是当前效果较好的两种隐写分析模型。
[0114]
表1
[0115][0116]
表2
[0117][0118]
实施例2
[0119]
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于y
‑
net的强鲁棒数字水印装置，包括：
[0120]
第一处理单元，用于将载体图像和水印图像输入到y
‑
net生成网络中，得到嵌入了水印图像的含水印图像；
[0121]
第二处理单元，用于将所述含水印图像输入到经过预先训练的压缩损失模拟网络中，得到模拟压缩含水印图像；
[0122]
判别单元，用于采用经过预先训练的判别网络对所述模拟压缩含水印图像进行判别，得到判别结果，所述判别结果包括将含水印图像识别为载体图像或含水印图像；
[0123]
重构单元，用于将所述模拟压缩含水印图像输入到提取网络中，得到重构的水印图像；
[0124]
训练单元，用于根据所述含水印图像、重构的水印图像以及判别网络结果，计算整个水印网络的总损失函数，以总损失函数最小为目标优化所述水印网络，当损失下降并保持稳定时认为训练结束；所述水印网络包括y
‑
net生成网络、压缩损失模拟网络、判别网络和提取网络，其中，在优化过程中，所述判别网络和压缩损失模拟网络的权重固定；
[0125]
水印单元，用于使用训练好的水印网络，根据载体图像和水印图像生成含水印图像，将含水印图像进行压缩，从压缩后的含水印图像中重构出水印图像。
[0126]
其余部分均与实施例1相同。
[0127]
实施例3
[0128]
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于y
‑
net的强鲁棒数字水印系统，包括存储介质和处理器；
[0129]
所述存储介质用于存储指令；
[0130]
所述处理器用于根据所述指令进行操作以执行根据实施例1中任一项所述的方法。
[0131]
本领域内的技术人员应明白，本技术的实施例可提供为方法、系统、或计算机程序产品。因此，本技术可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本技术可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd
‑
rom、光学存储器等)上实施的计算机程序产品的形式。
[0132]
本技术是参照根据本技术实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0133]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0134]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0135]
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。