一種雙分支生成對抗水印攻擊算法

本發明涉及圖像處理，具體地講，涉及一種雙分支生成對抗水印攻擊算法。

背景技術：

1、數字水印技術是一種先進的信息隱藏手段，旨在將特定的標識信息嵌入到數字媒體內容中，以實現版權保護、內容認證和隱藏通信等目的。這種技術通過在圖像、音頻或視頻數據中嵌入不易察覺的水印，使得媒體內容在遭受未授權使用、篡改或分發時，能夠追溯到原始所有者或驗證其完整性。數字水印可分為可見水印和不可見水印，其中不可見水印通過空間域或頻域的方法嵌入，以保證水印的隱蔽性和對信號處理操作的魯棒性。盡管數字水印技術在提高媒體安全性方面發揮著重要作用，但它也面臨著如何平衡水印的不可見性、魯棒性和安全性等挑戰。隨著技術的發展，研究人員不斷探索新的水印嵌入算法，以增強其對攻擊的抵抗力，同時保持對原始媒體內容的最小影響。

2、生成對抗網絡（gan）是一種前沿的深度學習模型，由生成器和判別器兩個關鍵組件構成，通過對抗性訓練實現了圖像生成和判別能力的顯著提升。生成器負責創建逼真的圖像，而判別器則致力于區分真實圖像與生成圖像。兩者在訓練過程中相互競爭，推動了生成圖像質量的持續改進。gan的網絡結構通常基于卷積神經網絡，使其在圖像處理領域，如藝術創作、數據增強和圖像編輯等方面展現出巨大潛力。然而，gan的訓練過程可能面臨穩定性和模式崩潰的挑戰，需要精心設計網絡架構和訓練策略。此外，評估生成圖像的質量也比傳統圖像處理更為復雜，需要綜合考慮視覺真實性、多樣性和對抗性判別器的反饋。盡管存在挑戰，gan在圖像生成和編輯方面的應用前景廣闊，不斷推動著人工智能領域的發展。

3、圖像處理和分析在水印攻擊中扮演著至關重要的角色。首先，圖像處理技術用于優化水印的嵌入過程，確保水印的隱蔽性，使其不易被視覺察覺，同時通過圖像增強和濾波等手段提高水印的魯棒性，保證水印信息在圖像經過常見處理操作后依然可被準確提取。其次，圖像分析技術不僅幫助評估水印的穩定性和抵抗能力，還用于檢測和識別圖像是否遭受了水印攻擊，以及攻擊的類型和程度。此外，深度學習的發展，特別是生成對抗網絡（gan）的應用，為水印攻擊提供了新的工具，攻擊者可以利用gan生成難以檢測的水印，而防御者則可以利用這些技術提高水印的抵抗能力。圖像質量評估也是關鍵，它確保了水印技術的實用性，即在保護版權和完整性的同時，不犧牲圖像的視覺質量。這些技術的綜合應用，推動了水印攻擊與防御策略的不斷演化。

4、水印攻擊技術在推動水印技術發展方面發揮著至關重要的作用。首先，它通過揭示現有水印算法的潛在弱點，激發研究者開發更安全、更健壯的解決方案，從而促進了水印技術的持續進步和創新。其次，作為一種高效的安全測試手段，水印攻擊幫助開發者和研究者深入理解實際應用中可能遇到的攻擊場景，這對于設計能夠抵御復雜攻擊的水印系統至關重要。此外，水印攻擊技術的發展為評估水印算法的魯棒性提供了有效的測試工具，通過模擬不同類型的攻擊，可以準確地測試水印算法在面對真實世界威脅時的穩定性和可靠性。這不僅加強了水印技術的安全性，也為水印算法的標準化評估和測試提供了科學依據。

5、盡管水印攻擊技術持續進步，它們仍面臨一系列挑戰。傳統方法在對數字媒體執行圖像變換、尺寸調整、壓縮等操作時，常常會損害媒體的質量，引起失真，這不僅影響了用戶的體驗，也降低了嵌入水印的圖像在實際應用中的價值。盡管新一代的水印攻擊技術能夠規避現有的水印偵測機制，但它們仍處于起步階段，面臨著諸如攻擊隱蔽性不足、效果有限以及網絡結構過于簡化等缺陷。現有技術存在以下不足：

6、1.水印攻擊能力不足：現有的水印攻擊技術往往無法有效破壞或移除嵌入圖像中的水印信息，導致攻擊后的圖像仍然可以被檢測出水印，無法達到攻擊者的目的。

7、2.攻擊后的圖像不可感知性差：傳統攻擊方法可能會在去除水印的過程中損害圖像質量，導致攻擊后的圖像在視覺上與原圖有較大差異，無法滿足在不降低圖像質量的前提下進行有效攻擊的需求。

8、3.保留圖像細節的同時去除水印：在水印攻擊過程中，如何在有效去除水印信息的同時，保持圖像的細節和質量，確保攻擊后的圖像仍然具有實用性和可接受的視覺質量。

技術實現思路

1、本發明要解決的技術問題是提供一種雙分支生成對抗水印攻擊算法，能夠在保持圖像質量的同時，有效地對抗現有的水印技術，為水印安全性評估提供了一種新的工具，并推動了水印技術的進步。

2、本發明采用如下技術方案實現發明目的：

3、一種雙分支生成對抗水印攻擊算法，其特征在于，包括以下步驟：

4、s1：構造精密的兩分支生成對抗網絡架構，包括細節保留生成對抗網絡及水印攻擊生成對抗網絡；

5、s2：圖像差異分析：使用精密的兩分支生成對抗網絡架構將原始圖像與含水印圖像進行逐像素做差操作，以提取圖像細節和水印信息，輸出是兩個獨立的通道即圖像細節圖和水印信息圖；

6、含水印圖像 wi和原始水印信息 oi做差得到圖像細節圖；

7、（1）

8、含水印圖像 wi和原始圖像 o做差得到水印信息 i；

9、??（2）

10、s3：生成細節保留圖像：圖像細節圖隨后輸入至細節保留生成對抗網絡，細節保留生成對抗網絡生成一個細節保留圖像；

11、s4：生成水印破壞后圖像：水印信息圖與對應的置反水印信息圖一同輸入至水印攻擊生成對抗網絡，生成一個水印破壞后的圖像；

12、s5：圖像融合：將細節保留圖像與水印破壞后圖像進行像素級相加，以產生最終的攻擊后圖像。

13、作為對本技術方案的進一步限定，所述s3包括：在生成對抗的過程中，設計一個生成器 g，它將圖像細節圖作為輸入，并生成一個圖像，該圖像不僅保留了細節圖的特征，還應接近原始圖像；同時，設計一個判別器，區分生成的圖像和原始圖像；

14、以下是生成器的目標函數：

15、?（3）

16、其中：是對抗性損失；

17、是內容損失；

18、是細節損失；

19、是目標邊緣增強損失；

20、是權重參數，用于平衡不同損失項的貢獻；

21、以下是判別器的目標函數：

22、判別器的目標是最大化以下函數，以正確區分原始圖像和生成的圖像：

23、?（4）

24、其中：第一項是原始圖像的損失，鼓勵判別器對原始圖像 o給出高評分；

25、第二項是生成圖像的損失，鼓勵判別器對生成器 g生成的圖像給出低評分。

26、作為對本技術方案的進一步限定，所述s4包括：水印信息是 i，置反水印信息為 ri，輸出為水印破壞后圖像 ai，生成對抗的公式如下：

27、（5）

28、生成器 g接收兩個輸入，水印信息是 i和置反水印信息為 ri；

29、置反水印信息為 ri是經過置反水印處理的圖像，并且生成器 g通過其參數使得水印信息是 i向置反水印信息為 ri學習并生成水印破壞后的圖像 ai。

30、作為對本技術方案的進一步限定，所述s5包括：將水印破壞后的圖像 ai?和細節保留圖融合成攻擊后圖像? wiaa，可通過融合函數 f來實現，該函數將水印破壞后的圖像 ai?和細節保留圖像 dpi作為輸入，并輸出融合后的圖像 wiaa，這個過程可用以下公式表示：

31、?（6）

32、其中： f是融合函數；

33、為深度學習模型參數。

34、作為對本技術方案的進一步限定，細節保留生成對抗網絡由細節保留生成器和細節保留判別器，兩者協同工作以生成高質量的細節保留圖像。

35、作為對本技術方案的進一步限定，所述s3的具體流程為：

36、s31：細節保留生成器的細節提取：細節保留生成器接收圖像細節圖作為輸入，細節保留生成器的目標是利用細節信息生成一個視覺上與原始圖像相似，同時去除了水印信息的細節保留圖像；

37、s32：細節保留判別器的真偽判斷：生成的細節保留圖像與原始圖像一同輸入至細節保留判別器，細節保留判別器提供反饋，指導細節保留生成器優化生成的細節保留圖像，使其在視覺上無法與原始圖像區分；

38、s33：對抗性訓練：細節保留生成器和細節保留判別器在對抗性訓練過程中相互競爭；

39、s34：細節保留生成器的迭代優化：基于細節保留判別器的反饋，細節保留生成器通過反向傳播和梯度下降優化算法，調整內部參數，以生成更加逼真的細節保留圖像，直至細節保留生成器產生的圖像能夠在不犧牲視覺質量的前提下有效去除水印信息；

40、s35：結果驗證：最終，生成的細節保留圖像經過細節保留判別器的評估，若能頻繁地欺騙細節保留判別器，即被判別為真實圖像，則認為細節保留生成器成功完成了任務。

41、作為對本技術方案的進一步限定，水印攻擊生成對抗網絡包括水印攻擊生成器及水印攻擊判別器。

42、作為對本技術方案的進一步限定，所述s4的具體流程為：

43、s41：水印攻擊生成器的初始化：水印攻擊生成器接收原始水印信息作為輸入；

44、s42：損壞水印信息的生成：水印攻擊生成器通過其內部網絡結構處理輸入的原始水印信息，產生損壞的水印信息；

45、s43：水印攻擊判別器的真假判斷：生成的損壞水印信息隨后與對應的置反水印信息一起輸入至水印攻擊判別器，水印攻擊判別器負責評估這兩種信息，并進行真假判斷；

46、s44：對抗性訓練機制：水印攻擊生成器和水印攻擊判別器在對抗性訓練中相互競爭；

47、s45：水印攻擊生成器的反饋優化：水印攻擊判別器的真假判斷結果反饋給水印攻擊生成器，用于指導水印攻擊生成器的參數更新；

48、s46：輸出的損壞水印信息：經過對抗性訓練和迭代優化，水印攻擊生成器最終能夠產生在視覺上與置反水印信息相似的水印信息，以至于能夠欺騙過水印攻擊判別器的水印信息。

49、作為對本技術方案的進一步限定，置反水印信息圖為水印的逆向表示。

50、與現有技術相比，本發明的優點和積極效果是：本發明包括四個核心創新：一、雙分支結構設計：?該網絡采用的雙分支結構設計是其顯著的創新點之一。這種設計允許網絡將水印攻擊任務分解為兩個子任務：圖像細節的保留和水印信息的破壞。每個分支都有其專門的生成器和判別器，使得網絡可以更加精確地對圖像進行編輯和水印攻擊，從而提高整體性能和效果。二、細節與水印信息分離處理：?網絡通過將圖像的細節信息與水印信息分離，使得兩種信息可以在不同的網絡分支中獨立處理。這種分離處理策略不僅提高了攻擊的針對性和有效性，而且允許網絡在不損害圖像質量的前提下，更精確地對水印信息進行操作。三、生成對抗網絡的對抗性訓練：?利用生成對抗網絡（gan）的對抗性訓練機制，生成器和判別器在訓練過程中相互競爭，生成器致力于產生能夠欺騙判別器的水印破壞圖像，而判別器則不斷提高其識別能力。這種對抗性訓練不僅增強了生成器生成高質量圖像的能力，也使得生成的圖像在視覺上更加逼真，難以被現有的水印檢測技術所識別。四、創新的水印攻擊范式：?該網絡提出的水印攻擊范式是一種創新的方法，它不僅能夠驗證現有水印技術的安全性，還能夠推動水印技術的發展。通過模擬攻擊者可能使用的策略，該網絡能夠揭示水印技術的潛在弱點，從而為水印技術的改進提供指導。這種方法的應用，將有助于構建更為健壯和可靠的數字媒體保護機制。這四項創新之處共同構成了雙分支生成對抗水印攻擊網絡的獨特優勢，使其在水印攻擊領域具有顯著的潛力和應用價值。通過這種設計，網絡能夠在保持圖像質量的同時，有效地對抗現有的水印技術，為水印安全性評估提供了一種新的工具，并推動了水印技術的進步。本發明通過對抗性訓練，生成器學習生成在視覺上幾乎無法區分的圖像，這使得攻擊結果更難被檢測系統發現，提高了攻擊的隱蔽性。細節保留分支專注于維護圖像的視覺質量，確保攻擊過程中圖像的細節和紋理信息得到最大程度的保留，減少了傳統攻擊方法可能引入的失真和噪聲。水印信息攻擊分支專門針對水印信息進行破壞，而不是對整個圖像進行粗糙處理，這使得攻擊更加精準，有效降低了誤傷非水印部分的可能性。利用深度學習技術，特別是生成對抗網絡，該網絡能夠學習復雜的圖像模式和水印嵌入技術，提供了一種更為先進的攻擊手段。