基于深度模板的数字水印

传统基于模板的数字水印

基于模板的数字水印是传统水印算法的一个重要分支，与其他类型相比，具有更高的嵌入效率。模板是专门设计出来的带有一些统计特征的模式，用来携带水印和定位水印信息的。

嵌入过程是将模板叠加到图像的空间域中来执行。

关于空间域：又称图像空间(image space)。由图像像元组成的空间。在图像空间中以长度(距离)为自变量直接对像元值进行处理称为空间域处理。

• 以时间作为变量所进行的研究就是时域
• 以频率作为变量所进行的研究就是频域
• 以空间坐标作为变量进行的研究就是空间域
• 以波数作为变量所进行的研究称为波数域

在深度学习之前，特征提取过程主要是通过一系列图像处理操作来完成的，如边缘检测、SIFT特征提取等。但这种的特征提取能力有限，无法抵御严重的失真。因此，这些传统方法的鲁棒性都不够好。为了提高鲁棒性，唯一可能的方法是使用更强的模板模式，但这将严重牺牲视觉质量。

提取程序的框架

主要由两个模块构成：目标水印模块和辅助定位模块

目标水印模块

对于一个给定的目标水印序列，首先通过循环冗余码CRC（https://www.jianshu.com/p/7f4fd7f62de2）和BCH码（https://zhuanlan.zhihu.com/p/95909150?utm_source=wechat_session）对其进行编码，生成具有纠错能力的消息位矩阵。

在基于模板的水印算法中，位‘0/1’用不同的图案表示。最终的水印模板是根据矩阵W放置相应的‘0/1’图案组成的。

我们提出了一套基于人类视觉系统特性的模板生成准则（HVS）

1. 由于“倾斜效应”，相同的修改像素量下，倾斜方向的图像比水平方向和垂直方向的图像产生的变化感知更小。

2. JPEG压缩对高频分量的影响较大，对低频影响较小，所以模板需要将信息更多的集中在低频，抵抗JPEG压缩的影响

3. 由于传输过程中的采样操作，改变了模板的连通域。为了保证特征的完整性，至少要在模板中存在一个较大的连通域，这样采样操作才不会擦除所有的特征。

   图像的连通域：是指图像中具有相同或相似像素值并且位置相邻的像素组成的区域。

   

4. 人眼对亮度梯度的变化十分敏感。所以我们的模板应该避免显著的亮度变化。

我们设计了32*32的模板

用下面两种形式来表示0和1

倾斜的区域设计满足要求1。

傅里叶变换后，发现能量明显集中在低频区域满足要求2。

中间有较大的联通区域，满足要求3。

以灰色亮度为低，相邻模板区域之间都是以灰色相连，无论是灰色->白色，还是灰色->黑色，变化都比较顺滑，满足要求4。

定位模块生成

于水印单元的位置和大小会受到裁剪和缩放畸变的影响，因此在提取过程中需要对水印模板进行定位和调整大小，这些都需要定位模块的参与。当定位模板与完整的水印单元成固定比例时，我们可以根据定位模板检测到的变换来恢复水印模板的原始状态。

我们在图像中反复嵌入4组完整的水印，以抵抗剪切攻击（在图像受到裁剪操作时希望总有一个幸存下来）。并设置定位模板的大小为水印模板大小的1/4（图像的1/16）。

我们生成一幅均值为0，方差为0.01的高斯噪声图像，记为S0。再在S0上做三个对称的翻转操作。

四组水印模板，就需要四组定位模板。

总体过程

由于人眼对蓝色和红色的敏感度低于绿色，所以嵌入到红色通道和蓝色通道中。

提取算法流程

先对图像进行透视矫正：

再寻找红色通道的横纵对称轴来定位和恢复水印。以列为例：

以第j列为分界线，分成了j1、j2和j3三个区域。比较j1和j2的相似度。取一个使左右相似度最高的j列来作为列对称轴。行也如此。

两阶段的提取网络

提取部分使用深度学习的方式，有两个阶段的提取网络，一个是辅助增强子网络用以恢复扭曲的图像，一个分类子网络对每个比特模式进行分类。

我们希望辅助增强子网络能学习逆畸变过程。使用Unet结构

关于Unet：https://blog.csdn.net/l2181265/article/details/87735610

Unet的结构是先编码（下采用）再解码（上采样）的U形结构，保持输入和输出大小一样。

关于通道数和卷积的关系：https://zhuanlan.zhihu.com/p/251068800

这里先用16个卷积核将1通道图像输出成16通道。再用4个卷积层进行下采样（每次采样时通道数翻倍，长宽减半，所以存在两个卷积核），得到4*4的一个特征映射，再使用一个额外的卷积层得到一个全局的1*1的特征块，并反复连接到4*4的特征映射上得到一个128通道的4*4的特征块。再通过上采样过程，恢复成和输出一样。

分类子网络是一个二分类器，判断该32*32单元是表示1还是0。

损失函数：

CE：交叉熵。https://zhuanlan.zhihu.com/p/35709485