發(fā)布時(shí)間：2024-04-11 19:58

　　移動(dòng)互聯(lián)網(wǎng)時(shí)代,大量的數(shù)字圖像被制造出來(lái)并被廣泛傳播。在數(shù)字圖像被分享傳輸?shù)倪^(guò)程中,這些圖像的所有權(quán)或者來(lái)源往往需要被確定。為了能夠?qū)�這些數(shù)字圖像進(jìn)行有效的版權(quán)保護(hù)或者追蹤溯源,許多魯棒數(shù)字水印算法應(yīng)運(yùn)而生。同時(shí),為了衡量水印的魯棒性,水印攻擊算法也受到了學(xué)者的關(guān)注。兩者相互促進(jìn),相輔相成。經(jīng)過(guò)多年的發(fā)展,魯棒數(shù)字水印已經(jīng)能夠有效抵抗常規(guī)的水印攻擊。然而水印攻擊自上個(gè)世紀(jì)末以來(lái)陷入了停滯。一種好的水印攻擊算法,往往能夠激發(fā)研究者設(shè)計(jì)出更加可靠魯棒的水印算法,所以攻擊算法在水印算法研究這個(gè)系統(tǒng)中也具有重要的意義。水印攻擊的主要目的為破壞水印的提取。在攻擊過(guò)程中,通常假設(shè)攻擊者可以使用除密鑰外的所有信息來(lái)對(duì)水印信息的提取進(jìn)行破壞。最有效的一種水印攻擊方式稱(chēng)為去除攻擊,這種攻擊的目的為將載體圖像中的水印信息徹底去除。傳統(tǒng)去除攻擊在破壞水印信息的同時(shí),往往對(duì)圖像質(zhì)量也有較大的破壞。而水印算法經(jīng)過(guò)多年發(fā)展對(duì)去除攻擊有一定的抵抗力。近年來(lái),神經(jīng)網(wǎng)絡(luò)算法在圖像恢復(fù)領(lǐng)域表現(xiàn)出強(qiáng)大的能力。深度卷積神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)到圖像先驗(yàn)分布并據(jù)此有效恢復(fù)圖像。因此,傳統(tǒng)水印算法魯棒性在神經(jīng)網(wǎng)絡(luò)時(shí)代面臨著新的挑戰(zhàn)。本文...

【文章頁(yè)數(shù)】：64 頁(yè)

【部分圖文】：

圖３．３?ＣＮＮ網(wǎng)絡(luò)細(xì)節(jié)圖??

?第３章基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒水印算法攻擊方案???ｌｎｐｕｔ－禮ｋｉｈ？Ｍｋｉ?卜．．．＂１？?臼?０Ｈｊ＾，，ｕｔｐｕｔ??Ｃｏｎｖ?＋?ＲｅＬＵ?、?Ｃｏｎｖ?＋?ＢＮ?＋?ＲｅＬＵ?Ｃｏｎｖ?＋?ＢＮ?＋?ＲｅＬＵ?ｊ?Ｃｏｎｖ??Ｖ??１８?ｌａｙｅｒｓ??圖３．３?Ｃ....

圖３．４測(cè)試圖片??

?第３章基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒水印算法攻擊方案???｜畫(huà)顯??（ａ）?Ｌｅｎａ?（ｂ）?Ｂａｒｂａｒａ?（ｃ）?Ｂｏａｔ?（ｄ）?Ｍａｎ?（ｅ）?Ｃｏｕｐｌｅ??圖３．４測(cè)試圖片??基礎(chǔ)的ｋｅｒａｓ框架，硬件條件為單張ＧＴＸ?１０８０Ｔｉ?ＧＰＵ。??在已知水印算法的情況下，本文....

圖３．５不同嵌入水印圖像及其白盒攻擊后的圖像對(duì)比??注：第一行為水印圖像；第二行為攻擊后圖像；第三行為學(xué)習(xí)到的殘差噪聲

?第３章基于卷積神經(jīng)網(wǎng)絡(luò)的魯棒水印算法攻擊方案???￣ｙｍｍ??ＷＭＩ：?Ｈ；?■??■■■??＜ａ）分塊ＤＣＴ水印算法?（ｂ＞?ＢＳＳ－Ｃ水印算法?（ｃ）?ＵＬＰＭ水印算法??圖３．５不同嵌入水印圖像及其白盒攻擊后的圖像對(duì)比??注：第一行為水印圖像；第二行為攻擊后圖像；第三行為....

圖３．７分塊ＤＣＴ去除攻擊結(jié)果對(duì)比??

算�？沼蚝皖l域表現(xiàn)區(qū)別依舊不大且不同噪聲??強(qiáng)度訓(xùn)練的模型區(qū)別也不大。這是由于分塊ＤＣＴ算法嵌入方式較為簡(jiǎn)單，修改??的系數(shù)變量較少，網(wǎng)絡(luò)模型可以完全不借助修改后的參數(shù)，而僅憑其他參數(shù)就可??以有效恢復(fù)被嵌入水印的系數(shù)。由于不需要對(duì)應(yīng)水印嵌入系數(shù)所提供的信息，所??以增添嵌入強(qiáng)度....

本文編號(hào)：3951067