摘要
随着多媒体及网络技术的不断发展，使得多媒体信息安全问题引起了社会各界与科研工作者的广泛关注。数字水印是一种在图像、视频或音频等数字信号载体中嵌入指定信息来实现版权保护和安全认证的一项重要技术。与其他信息隐藏技术不同，在数字水印技术的使用场景中，研究者需要考虑更为复杂的信道攻击。即，通过多种有意或无意的信号处理后，数字水印仍能保持完整性并且能被准确鉴别。数字图像水印技术经过近几年的发展，在结合计算机领域的深度学习技术后，出现了多种抵抗信道攻击的水印方法。但现有的深度学习水印方法仅从空域对图像进行分析，没有从频域角度对图像进行分析。同时，现有的数字水印技术局限于单一媒体呈现形式，在诸如拍摄印刷成品、拍摄显示屏等实际生活中的呈现形式上缺乏相关研究。对于这种跨媒介的水印技术存在两大难题:一是未知的失真攻击对水印可视性与鲁棒性的挑战，二是如何在前景背景混杂的图像中定位水印区域的水印同步问题。基于上述问题，本文开展如下研究: 针对如何在未知的失真攻击中保证水印的可视性与鲁棒性问题，本文提出了带有频域分析模块的深度学习数字图像水印生成方法。该方法首先构造了一种端到端的神经网络，其中包含了一个编码器与一个解码器实现对水印信息的嵌入和提取。然后通过失真层模拟跨媒介失真攻击。最后引入了空域高低频与傅里叶变化域的频域分析方法，设计了频域分析模块。在MIRFLICKR数据集上的实验结果表明该水印方法在跨媒介信道传播中具有较好的鲁棒性，并且提高了水印图像的质量。 针对如何在前景背景混杂的图像中定位水印区域的水印同步问题，本文提出了基于深度学习的水印同步方法。首先结合信息隐藏中的频域分析理论，改进了现有的深度学习图像分割网络架构，然后将融合高频信息的深度学习图像分割方法应用到水印块分割的场景中。在COCO数据集上的实验结果表明融合高频信息的深度学习图像分割方法则更进一步地解决了跨媒介传播水印在复杂背景下的同步问题。
NETL