【技術實現步驟摘要】
本申請涉及多媒體內容安全，尤其涉及一種端到端數字水印模型的單階段訓練方法、圖像水印鑒別方法及相關設備。
技術介紹
1、數字媒體的版權保護和內容認證已成為一個日益突出的問題。隨著數字圖像和視頻的廣泛傳播和易于編輯的特性，傳統的安全措施已難以滿足日益增長的版權保護需求。數字水印技術通過在數字媒體中嵌入難以察覺的信息標記，實現了對媒體內容的隱蔽標識，從而為版權所有者提供了一種追蹤和驗證的手段。然而，該技術在現實中的應用面臨著多重挑戰，尤其是在復雜多變的噪聲環境下，如何維持水印的穩定性和可靠性，成為了一個亟待解決的技術難題。
技術實現思路
1、有鑒于此，本申請的目的在于提出一種端到端數字水印模型的單階段訓練方法及相關設備。
2、基于上述目的，本申請提供了端到端數字水印模型的單階段訓練方法，包括：
3、獲取第一圖像和待嵌入的水印信息；所述第一圖像為原始圖像；
4、正向輸入所述第一圖像和所述待嵌入的水印信息至卷積神經網絡中，得到所述第一圖像的多個頻域，根據實際場景中噪聲類型，確定所述水印信息在所述第一圖像中的目標嵌入頻域；對水印信息進行擴散處理，對第一圖像進行預處理，得到第二圖像；
5、正向輸入所述待嵌入的水印信息和所述第二圖像至第一可逆神經網絡模型中，將所述待嵌入的水印信息嵌入所述第二圖像中，得到第三圖像；
6、對所述第三圖像進行融合處理，以將所述第三圖像的部分區域根據強度因子進行縮放，得到第四圖像；
7、正向輸入所述第
8、逆向輸入所述具有噪聲的水印圖像至所述第二可逆神經網絡模型中，進行不可微噪聲去除處理；
9、對經過不可微噪聲去除處理后的水印圖像進行逆向融合處理；
10、逆向輸入經過逆向融合處理后的水印圖像至所述第一可逆神經網絡模型中，進行水印信息提取；
11、逆向輸入經過水印信息提取后的水印圖像至所述卷積神經網絡中，進行目標嵌入頻域的水印信息提取，得到提取的水印信息和恢復的圖像；
12、基于所述待嵌入的水印信息與所述提取的水印信息的第一差異，所述第一圖像與所述具有噪聲的水印圖像的第二差異和所述第一圖像和所述恢復的圖像之間的第三差異，對所述卷積神經網絡、所述第一可逆神經網絡模型和所述第二可逆神經網絡模型進行訓練；
13、返回執行正向輸入所述第一圖像和所述待嵌入的水印信息至卷積神經網絡中的步驟，進行迭代訓練，直至所述第一差異、第二差異和所述第三差異收斂，得到訓練后的端到端數字水印模型的應用參數；其中所述應用參數包括訓練后的卷積神經網絡的參數，訓練后的第一可逆神經網絡模型的參數和訓練后的第二可逆神經網絡模型的參數。
14、在其中一些實施例中，所述第一圖像的多個頻域通過對所述第一圖像進行小波變換得到；所述多個頻域包括第一頻域，第二頻域，第三頻域和第四頻域，其中，所述第一頻域，第二頻域，第三頻域和第四頻域的值依次減小；
15、所述根據實際場景中噪聲類型，確定所述水印信息在所述第一圖像中的目標嵌入頻域包括：響應于確定所述噪聲類型包括可微噪聲，確定所述第一頻域為目標頻域；或
16、響應于確定所述噪聲類型包括不可微噪聲，確定所述第二頻域和第四頻域為目標頻域；或
17、響應于確定所述噪聲類型包括可微噪聲與不可微噪聲，確定所述第四頻域為目標頻域。
18、在其中一些實施例中，所述實際場景中噪聲類型包括可微噪聲與不可微噪聲；所述在所述第四圖像中添加基于第二可逆神經網絡模擬的實際場景中的噪聲，得到具有噪聲的水印圖像包括：
19、對所述第四圖像進行顏色空間轉換、離散余弦變換處理、量化處理及編碼，得到具有不可微噪聲的第五圖像；
20、添加可微噪聲至所述第五圖像中，得到具有混合噪聲的水印圖像；
21、所述對水印信息進行擴散處理，對第一圖像進行預處理包括：
22、對所述第一圖像進行小波變換處理，將所述第一圖像分解為多個頻域；
23、在所述多個頻域中的目標嵌入頻域中嵌入擴散處理后的水印信息。
24、在其中一些實施例中，所述顏色空間轉換處理包括：將第四圖像從rgb顏色空間轉換到yuv顏色空間，轉換公式包括：y＝0.299r+0.587g+0.114b；其中，y為亮度；r為紅色通道的值，g為綠色通道的值，b為藍色通道的值；u為色度，v為色度；u＝-0.14713r-0.28886g+0.436b+128；v＝0.615r-0.51499g-0.10001b+128。
25、在其中一些實施例中，所述離散余弦變換處理包括：將經過空間轉換處理的第四圖像分割為多個圖像塊；對每個圖像塊進行離散余弦變換處理，以將圖像塊的數據從空間域轉換到頻域；所述離散余弦變換處理通過式進行，其中，f(u,v)為頻域的離散余弦變換系數，f(x,y)為空域的像素值，α(u)和α(v)分別為歸一化系數。
26、在其中一些實施例中，所述量化處理通過式進行，其中，fq(u,v)為量化后的離散余弦變換系數，q(u,v)為量化表中的量化步長。
27、在其中一些實施例中，所述對所述第三圖像進行融合處理包括：
28、將所述第三圖像在第一方向進行分割處理，得到第一子圖像和第二子圖像；所述第一方向與所述第三圖像所在的平面相垂直；
29、對所述第一子圖像的部分區域根據強度因子進行縮放處理，得到處理后的第一子圖像；
30、將所述處理后的第一子圖像與所述第二子圖像進行融合處理。
31、在其中一些實施例中，所述獲取所述第一圖像的多個頻域，所述根據實際場景中噪聲類型，確定所述水印信息在所述第一圖像中的目標嵌入頻域；對水印信息進行擴散處理，對第一圖像進行預處理，得到第二圖像；
32、將所述待嵌入的水印信息嵌入所述第二圖像中，得到第三圖像包括：正向輸入所述待嵌入的水印信息和所述第二圖像至第一可逆神經網絡模型中，輸出第三圖像；所述第一可逆神經網絡模型包括交替排列的invertibleconv1x1層和invarch層；所述invertibleconv1x1層通過1x1卷積實現通道間的信息交換；所述invarch層包括多個密集塊，用于對特征圖進行拆分，提取和融合；
33、所述對所述第四圖像進行顏色空間轉換、離散余弦變換處理、量化處理及編碼，得到具有不可微噪聲的第五圖像包括：正向輸入所述第四圖像至第二可逆神經網絡模型中，輸出第五圖像。
34、在其中一些實施例中，所述第一差異包括所述待嵌入的水印信息與所述提取的水印信息之間的誤碼率；
35、所述第二差異包括所述第一圖像與所述具有噪聲的水印圖像之間的像素均方誤差；
36、所述第三差異包括所述第一圖像和所述恢復的圖像之間的像素均方誤差；
本文檔來自技高網...【技術保護點】
1.一種端到端數字水印模型的單階段訓練方法，其特征在于，包括：
2.根據權利要求1所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述第一圖像的多個頻域通過對所述第一圖像進行小波變換得到；所述多個頻域包括第一頻域，第二頻域，第三頻域和第四頻域，其中，所述第一頻域，第二頻域，第三頻域和第四頻域的值依次減小；
3.根據權利要求1所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述實際場景中噪聲類型包括可微噪聲與不可微噪聲；所述在所述第四圖像中添加基于第二可逆神經網絡模擬的實際場景中的噪聲，得到具有噪聲的水印圖像包括：
4.根據權利要求3所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述顏色空間轉換處理包括：將第四圖像從RGB顏色空間轉換到YUV顏色空間，轉換公式包括：Y＝0.299R+0.587G+0.114B；其中，Y為亮度；R為紅色通道的值，G為綠色通道的值，B為藍色通道的值；U為色度，V為色度；U＝-0.14713R-0.28886G+0.436B+128；V＝0.615R-0.51499G-0.10001B+128>
5.根據權利要求3所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述對所述第三圖像進行融合處理包括：
6.根據權利要求3所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述獲取所述第一圖像的多個頻域，所述根據實際場景中噪聲類型，確定所述水印信息在所述第一圖像中的目標嵌入頻域；對水印信息進行擴散處理，對第一圖像進行預處理，得到第二圖像；
7.根據權利要求3所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述第一差異包括所述待嵌入的水印信息與所述提取的水印信息之間的誤碼率；
8.一種圖像水印鑒別方法，其特征在于，包括：
9.一種電子設備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執行所述程序時實現如權利要求1至6任意一項或如權利要求7所述的方法。
10.一種非暫態計算機可讀存儲介質，所述非暫態計算機可讀存儲介質存儲計算機指令，所述計算機指令用于使計算機執行權利要求1至6任意一項或如權利要求7所述方法。
...【技術特征摘要】
1.一種端到端數字水印模型的單階段訓練方法，其特征在于，包括：
2.根據權利要求1所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述第一圖像的多個頻域通過對所述第一圖像進行小波變換得到；所述多個頻域包括第一頻域，第二頻域，第三頻域和第四頻域，其中，所述第一頻域，第二頻域，第三頻域和第四頻域的值依次減小；
3.根據權利要求1所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述實際場景中噪聲類型包括可微噪聲與不可微噪聲；所述在所述第四圖像中添加基于第二可逆神經網絡模擬的實際場景中的噪聲，得到具有噪聲的水印圖像包括：
4.根據權利要求3所述的端到端數字水印模型的單階段訓練方法，其特征在于，所述顏色空間轉換處理包括：將第四圖像從rgb顏色空間轉換到yuv顏色空間，轉換公式包括：y＝0.299r+0.587g+0.114b；其中，y為亮度；r為紅色通道的值，g為綠色通道的值，b為藍色通道的值；u為色度，v為色度；u＝-0.14713r-0.28886g+0.436b+128；v＝0.615r-0.51499g...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。