申请/专利权人：南京信息工程大学

申请日：2021-05-24

公开（公告）日：2023-05-16

公开（公告）号：CN113158583B

主分类号：G06F30/27

分类号：G06F30/27;G06T1/00;G06F21/16;G06N3/048;G06N3/0455;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2023.05.16#授权;2021.08.10#实质审查的生效;2021.07.23#公开

摘要：一种端到端的基于深度学习的文本图像水印模型建立方法，包括步骤：S1.准备适合深度学习的文本图像集，分为互不相同的训练集和测试集，并进行分批训练数据流程；S2.将训练集放入文本图像水印的嵌入和提取算法框架内，对模型展开训练，利用深度学习训练出文本图像水印模型；S3.将准备好的测试集放入文本图像水印模型中进行测试。本发明公开的一种端到端的基于深度学习的文本图像水印模型建立方法具有不可见性高、鲁棒性强、实用性优的特点。在实际使用过程中，成本更低、检测精度更高、耗时更短。

主权项：1.一种端到端的基于深度学习的文本图像水印模型建立方法，其特征在于，包括如下步骤：S1.准备深度学习的文本图像集，分为互不相同的训练集和测试集，并进行分批训练数据流程；S2.将训练集放入文本图像水印的嵌入和提取算法框架内，对模型展开训练，利用深度学习训练出文本图像水印模型；所述文本图像水印模型包括水印嵌入网络、图像变换网络、水印提取网络；水印嵌入网络从分批训练数据流程中获取文本图像集合和水印信息集合并将水印信息嵌入至文本图像，生成含水印信息的文本图像；图像变换网络对在网络信道传播过程中受到噪声干扰的含水印信息的文本图像进行图像变换，生成含水印的变换图像；水印提取网络对含水印的变换图像进行水印信息提取；通过水印嵌入网络生成含水印信息的文本图像，包括如下步骤：S2.1获取到分批训练的文本图像集合和水印信息集合，将水印信息集合中长度为100bit的水印信息经过一个全连接层，生成7500个单元，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，将这7500个单元重定义尺寸为50*50*3的特征图；对卷积结果进行上采样从而将特征图放大8倍，特征图尺寸为400*400*3，与文本图像集合中的文本图像尺寸相同；将扩大8倍后水印信息的特征图与文本图像进行拼接操作，生成尺寸为400*400*6的Input张量图；S2.2对Input张量图进行卷积操作，其中卷积通道为32，卷积核尺寸为1*1，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv1尺寸大小为400*400*32；S2.3经过卷积层的张量图conv1与扩大8倍后水印信息的特征图进行拼接操作，然后进行卷积操作，其中卷积通道为32，卷积核尺寸为3*3，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv2尺寸大小为400*400*32；S2.4经过卷积层的张量图conv2和扩大8倍后的水印信息特征图与文本图像进行拼接操作，然后进行卷积操作，其中卷积通道为64，卷积核尺寸为3*3，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv3尺寸大小为400*400*32；S2.5经过卷积层的张量图conv3和扩大8倍后的水印信息特征图进行拼接操作，然后进行卷积操作，其中卷积通道为64，卷积核尺寸为3*3，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv4尺寸大小为400*400*64；S2.6经过卷积层的张量图conv4和扩大8倍后的水印信息特征图与文本图像进行拼接操作，然后进行卷积操作，其中卷积通道为64，卷积核尺寸为3*3，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv5尺寸大小为400*400*64；S2.7经过卷积层的张量图conv5和扩大8倍后的水印信息特征图进行拼接操作，然后进行卷积操作，其中卷积通道为64，卷积核尺寸为3*3，激活函数为“relu”函数，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的conv6尺寸大小为400*400*64；S2.8经过卷积层的张量图conv6进行卷积操作，其中卷积通道为3，卷积核尺寸为1*1，卷积核初始化使用“he_normal”方法，池化层像素填充使用“same”方式，保证图像的尺寸不变，经过卷积层进行操作后的含水印图像残差图尺寸大小为400*400*3；S2.9含水印图像残差图与文本图像原图相加，生成含水印信息的文本图像；S3.将准备好的测试集放入文本图像水印模型中进行测试。

全文数据：

权利要求：

百度查询： 南京信息工程大学 一种端到端的基于深度学习的文本图像水印模型建立方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD