技术摘要：
本发明提供的一种基于图像降噪的抗打印拍摄图像数字水印方法，采用生成对抗网络构建一个能够抵抗图像在打印拍摄过程中可能存在的噪声攻击的图像降噪层，能够抵抗多种噪声的同时攻击，实现更好的降噪效果，保证图像具有高保真度；并且将图像降噪层加入到整个水印嵌入与  全部
背景技术：
近年来，多媒体技术的快速发展使得信息传播变得高效方便，给用户访问、获取、 打印或存储图像、视频、文本等多媒体数据带来了极大的便利，同时也给假冒伪造者降低了 媒体信息篡改、伪造和盗用等的门槛。图像数字水印方法将特定标识信息嵌入图像中且不 破坏图像视觉效果，是版权保护和认证防伪中常用的方法。 现有的方法分为传统图像处理方法和深度学习方法，传统方法包括了基于变换域 的方法如基于傅里叶-梅林变换、小波变、离散余弦变换等，基于特征点的方法和基于自相 关序列的方法，深度学习方法包括了HiDDeN、StegaStamp、CDTF和WMNet等网络，基本上由三 个模块组成，分别是水印编码器、噪声层和水印解码器。 基于变换域不变量的传统方法的缺点在于抗打印拍摄的鲁棒性相对较差，而基于 深度学习的方法中，HiDDeN和StegaStamp等网络为了兼顾鲁棒性和视觉效果，嵌入容量相 对较小。而CDTF和SteganoGAN网络为了有较大的嵌入容量，减弱了中间噪声层的强度或是 不考虑噪声层，导致了其抗打印拍摄的鲁棒性也明显地降低了。 因此，现有技术大多只考虑了水印嵌入、噪声建模和水印提取模块，而这些模块的 学习能力无法匹配兼顾鲁棒性、嵌入容量和视觉效果三个指标的目的，使得它们往往这三 者中进行取舍，难以很好地均衡三者的效果。
技术实现要素：
本发明为克服现有的图像数字水印方法只考虑了水印嵌入、噪声建模和水印提取 模块，存在无法同时兼顾鲁棒性、嵌入容量和视觉效果三者效果的技术缺陷，提供一种基于 图像降噪的抗打印拍摄图像数字水印方法。 为解决上述技术问题，本发明的技术方案如下： 一种基于图像降噪的抗打印拍摄图像数字水印方法，包括以下步骤： S1：对打印拍摄过程中的噪声进行建模，构建噪声层；根据噪声层对生成式对抗网 络GANs进行对抗训练，构建图像降噪层； S2：将原始图像和经过噪声层的噪声图像作为对抗训练后的图像降噪层的输入， 得到一个对畸变过程具有一定鲁棒性的降噪层； S3：对降噪层进行预训练并构建水印编码器、水印解码器； S4：随机生成水印信息，将原始图像和水印信息输入水印编码器中，将水印信息嵌 入到原始图像中，输出水印图像； S5：将水印图像经过噪声层和预训练的降噪层，模拟水印图像的畸变过程和降噪 过程，得到降噪后的水印图像； 5 CN 111598761 A 说　明　书 2/9 页 S6：利用水印解码器对降噪后的水印图像进行解码，得到解码后的水印信息； S7：根据水印信息和解码后的水印信息判断解码正确率，若符合训练标准，则完成 抗打印拍摄图像数字水印方法；若否，使用交叉熵函数对水印解码器的解码器正确率进行 训练，返回执行步骤S4。 上述方案中，采用了生成对抗网络来构建一个能够抵抗图像在打印拍摄过程中可 能存在的噪声攻击的图像降噪层，与基于传统去噪的水印检测方法相比较，基于生成对抗 网络的降噪方法能够抵抗多种噪声的同时攻击，实现更好的降噪效果，保证图像具有高保 真度；并且将图像降噪层加入到整个水印嵌入与提取的训练框架中，图像降噪层实现了抵 抗噪声攻击的功能，在一定程度上保证了鲁棒性，使得水印编解码器可以更专注于提高水 印嵌入后的视觉效果、水印的检测准确率和嵌入容量，从而实现鲁棒性、视觉效果和嵌入容 量三种指标的均衡。 上述方案中，本发明提供的一种基于图像降噪的抗打印拍摄图像数字水印方法， 在不破坏视觉效果的前提下将给定的标识信息嵌入到图像载体上，确保在经过各种通信过 程攻击后的图像载体上使用特定的解码器仍然可以将肉眼不可察觉的标识信息检测出来， 达到版权保护、隐蔽通信、认证与防伪等目的。 其中，所述步骤S1包括以下步骤： S11：对打印拍摄过程的噪声进行建模，得到噪声层； S12：将原始输入图像输入噪声层对图像进行噪声攻击； S13：通过GANs的生成器对经过噪声攻击后的图像进行降噪，得到去噪图像并计算 生成器的代价函数； S14：将去噪图像和原始输入图像均进行相同的分块操作，由生成式对抗网络GANs 的判别器计算对应图像块对的损失，将所有图像块对的损失和作为判别器的总损失，得到 判别器的损失函数； S15：根据损失函数对代价函数进行训练，得到优化后的生成器，并将该生成器作 为图像降噪层，完成图像降噪层的构建。 其中，所述步骤S11具体为： 对打印拍摄过程的噪声进行建模，根据打印拍摄过程中造成的畸变进行测量和分 析，包括几何畸变、运动模糊、颜色变换、噪点攻击和JPEG压缩，具体分析为： 几何畸变主要有打印过程中可能发生纸张放置不妥当而造成的图像轻微扭曲和 拍摄过程中未对准目标中心而导致图像位置的偏移，使用随机仿射变换矩阵进行模拟； 运动模糊主要来源于拍摄时存在的相机运动和相机失焦，分别使用随机角度的直 线模糊核和高斯模糊核与图像的卷积来模拟； 颜色变换包括了色调、饱和度、亮度和对比度的调整，是打印和拍摄过程中都会发 生的攻击，色调和饱和度的变换通过随机调整RGB各通道的权重或用灰度值进行插值来实 现，亮度和对比度的调整则通过直方图缩放进行模拟； 噪点攻击是打印拍摄过程中固有的噪声，采用高斯噪声模型进行模拟； JPEG压缩可能发生在图像打印前的传输过程，采用现有的可微分JPEG算法，采用 反向传播对网络进行训练从而进行模拟； 通过对打印拍摄过程中造成的畸变进行测量、分析和模拟，完成对噪声层建模。 6 CN 111598761 A 说　明　书 3/9 页 其中，所述步骤S13、S14的过程具体为： 生成器首先使用特征金字塔网络FPN对经过噪声攻击后的图像进行特征提取，包 括5层特征映射； 自底向上的阶段通过卷积神经网络CNN来实现，该卷积神经网络由5个网络单元组 成，除最顶层的网络单元只采用卷积层外，其余的每个网络单元均由卷积层和最大池化层 组成，卷积层的感受野大小均为3*3，步长为1，最大池化层感受野为2*2，步长为2； 自顶向下的阶段也由5个网络单元组成，除最顶层的网络单元只采用步长为1，感 受野大小为3*3的卷积层外，其余的每个网络单元均由上采样倍数为2的上采样层和相同参 数的卷积层组成，该阶段对自底向上阶段中的每个输出特征图进行1*1卷积后送入到本阶 段对应尺寸的网络单元相加，因此本阶段中卷积层的输入除了本阶段中上一个网络单元的 输出外，还有自底向上阶段中对应网络单元的输出信息； 然后进行残差图的重建，先对自顶向下阶段中的前3个网络单元的输出分别进行 倍数为8、4和2的上采样操作，再与第4个网络单元的输出拼接后进行卷积和倍数为2的上采 样操作，接着与第5个网络单元的输出先拼接后卷积，最后经过一个包含上采样层和卷积层 的网络单元； 最后将残差图与输入的噪声图像进行相加作为生成器的最终结果图像； 以上的每个网络单元除了残差图重建中最后的网络单元使用tanh激活函数，其余 的网络单元均采用Relu激活函数；具体的： 生成器的代价函数LG主要包括三部分，分别是输出图像与原始图像的L2范数距离 Lm(使用MSE)、视觉距离Lp(使用VGG19距离)和判别器的评估分数Ld，表示为式(1)： LG＝0.5*Lm 0.005*Lp 0.01*Ld    (式1) 判别器由6层卷积层组成，每层卷积层的感受野大小为3*3，步长为2，并使用Relu 激活函数；根据基于生成式对抗网络的图像去噪算法，使用PatchGAN能够获得更为清晰的 结果，因此将图像均等分割成4块，用RaGAN-LS损失函数，即式2计算每个图像块的损失： 其中，D(·)表示判别器，G(·)表示生成器，x表示原始输入图像块，z表示噪声图 像；最后取所有图像块的损失和作为判别器的总损失。 其中，在所述步骤S3中，所述降噪层进行预训练过程具体为将降噪层的参数进行 冻结。 其中，在所述步骤S3中，所述水印编码器、水印解码器的构建过程具体为： 水印编码器和水印解码器分别使用生成式对抗网络和卷积神经网络实现，其中水 印编码器接收原始图像和水印信息，然后输出嵌入水印后的水印图像，再经过噪声层和图 像降噪层，最后将去噪后的图像送入水印解码器进行水印信息的提取；具体的： 水印编码器采用WGAN-GP实现，包含了生成器和判别器，其中生成器融合原始图像 和水印信息后生成水印图像，判别器则鉴别其输入图像是原始图像还是水印图像，帮助生 成器提高生成水印图像的质量； 生成器采用U-Net结构，主要包含了5层不同尺寸的特征映射；首先将水印信息送 7 CN 111598761 A 说　明　书 4/9 页 入一个输出维度为7500的全连接层，然后将其变形成50*50*3的矩阵，在长和宽方向上各复 制n遍使得尺寸与图像尺寸一致，再将两者按深度方向进行拼接后作为生成器的输入； 先经过一个步长为1的卷积层，接着是4个步长为2的卷积层，再送入4个网络单元， 每个网络单元均由上采样层、卷积层、拼接层和卷积层组成；其中上采样层对上个网络层的 输入进行倍数为2的上采样操作，然后送入第一个卷积层进行步长为1的卷积操作后与最开 始步长为2的卷积层中尺寸相等的输出进行拼接，最后送入第二个步长为1的卷积层； 以上的卷积层均使用Relu激活函数，感受野大小均为3*3；最后经过一个输出深度 为3、感受野大小为1*1且没有激活函数的卷积层得到水印残差图，与原始图像相加得到水 印图像； 生成器的代价函数LWG主要包括三部分，分别是输出图像与原始图像的L2范数距离 Lwm(使用MSE)、视觉距离Lwp(使用lpips分数)和判别器的评估分数Lwd，表示为式(3)： LwG＝0.5*Lwm Lwp 0.5*Lwd    (式3) 判别器由5个步长为2的3*3卷积层组成，除最后一层卷积层外，其他层使用Relu激 活函数，取最后卷积层的输出平均值作为评估分数；采用的WGAN-GP判别器代价函数为式 (4)： 其中，D(·)表示判别器，G(·)表示生成器，x表示原始图像，z表示水印图像，y表 示介于x与z之间的中间值； 水印解码器由8个网络单元组成，第1个网路单元只有一个卷积层，第2到第4个网 络单元由3个卷积层和最大池化层组成，第5个网络单元包含3个卷积层，第6到第8个网络单 元由1个转置卷积层和3个卷积层组成，最后的网络单元叠加了一个全局平均池化层以使网 络的输出维度等于水印信息的长度；除最后一层卷积层使用sigmoid激活函数外，其他卷积 层均使用Relu激活函数，感受野大小均为3*3。 其中，在所述步骤S7中，所述交叉熵函数具体如式(5)所示： 其中，n为信息长度，x为水印编码器的输出，a为输入的水印信息。 与现有技术相比，本发明技术方案的有益效果是： 本发明提供的一种基于图像降噪的抗打印拍摄图像数字水印方法，采用生成对抗 网络构建一个能够抵抗图像在打印拍摄过程中可能存在的噪声攻击的图像降噪层，能够抵 抗多种噪声的同时攻击，实现更好的降噪效果，保证图像具有高保真度；并且将图像降噪层 加入到整个水印嵌入与提取的训练框架中，图像降噪层实现了抵抗噪声攻击的功能，在一 定程度上保证了鲁棒性，使得水印编解码器可以更专注于提高水印嵌入后的视觉效果、水 印的检测准确率和嵌入容量，从而实现鲁棒性、视觉效果和嵌入容量三种指标的均衡。 附图说明 图1为本发明所述方法流程示意图； 图2为降噪层的生成器框架示意图； 8 CN 111598761 A 说　明　书 5/9 页 图3为降噪层的训练流程示意图； 图4为水印编码器的生成器框架示意图； 图5为水印编码器的整体流程框图。