2.5 基于卷积神经网络的图像去水印方法

2.5.1 研究背景

为保护文件版权，添加水印成为提高受保护文件安全性的一种流行方式。为了测试所添加水印的质量，可以采用水印去除技术。在水印去除过程中，集成先验信息和跨通道相关性可以修复受损通道图像信息，而最小可觉察误差可以估计水印去除质量。考虑到以前存在的文档扫描和背光页面的问题，Boyle等利用已知片段词典检测水印和去水印，克服文件损坏的影响。为了增强水印去除效果，Yang等利用离散余弦变换域和基于密钥矩阵融合来去除可见水印。此外，Makbol等将熵和边缘熵作为人类视觉系统（Human Visual System, HVS）特征，以快速提取水印特征并将水印去除。为提高水印去除算法的泛化能力，Ansari等使用小波变换提取水印特征，并利用所获得的特征对奇异值进行修正，测试所获得的水印的鲁棒性。Huynh等调整了垂直细节系数HL和水平细节系数LH之间的块差异，自动选择小波系数，从而提高水印去除质量。此外，傅里叶变换对水印去除也很有效。例如，Fares等使用傅里叶变换域去除水印图像中的R、G和B水印，这是盲彩色图像水印去除的优秀工具。考虑到鲁棒性和不可感知性，研究人员确保了载体图像能够最大化嵌入强度的信噪比，从而在图像去水印过程中对鲁棒性和不可感知性进行权衡。虽然这些方法在水印去除方面表现良好，但存在如下缺点：①需要采用复杂的优化方法来增强水印去除效果；②为了提高水印去除性能，需要手动选择参数。为了克服这些缺点，可以使用深度学习技术，特别是CNN来实现水印去除。

Chen等提出了用于水印去除的深度神经网络。为了提高水印去除质量，Sai等在深度CNN的中间层使用低维投影来表达水印去除中的图像内容。Haribabu等利用自动编码器处理具有两幅独立图像的水印图像。为了增强水印去除的鲁棒性，Chen等使用弹性权重合并和未标记数据增强自适应方法，从而更好地对水印进行表示。此外，粗略定位和水印分离技术也是完成图像去水印任务的有效工具。Lu等通过使用CNN、小波变换和残差正则化损失函数替代下采样与上采样操作，有效提升了水印图像的视觉质量。

尽管这些CNN在水印去除方面取得了较好的结果，但如何用黑盒提取CNN的有效特征来更好地表示水印，从而实现更复杂的水印去除成为学者们关心的问题。为此，本节介绍一种增强型水印去除U-Net（Improved Watermark Removal U-Net, IWRU-Net）。

2.5.2 网络结构

IWRU-Net是一种42层的增强型水印去除U-Net，其网络结构如图2-24所示。为增强所获得特征的鲁棒性，通过级联两个子网络来实现串行结构，获得有效信息，从而提高水印去除性能。为了解决长期依赖问题，在设计的串行结构中融合基于U-Net的简单组件，提取更明显的层次信息来处理水印去除问题。为提高IWRU-Net对现实世界的适应性，使用随机分布盲水印实现盲水印去除模型。可用式（2-11）来大致表述上述内容。

式中， I _w 表示水印图像；IWRUnet表示IWRU-Net的函数； I _c 表示清晰图像；Unet_Block表示U-Net块的函数。

为提高训练效率，使用最小绝对偏差（Least Absolute Deviation, LAD）训练用于图像去水印的IWRU-Net模型，即根据式（2-12）将水印图像和清晰图像引入IWRU-Net，以训练水印去除模型。

式中， 表示第 j 幅清晰图像； t 表示水印图像的总数； D 表示用于训练IWRU-Net模型的损失函数； θ 表示参数。在训练过程中，使用Adam优化器对IWRU-Net的参数进行优化。

2.5.3 实验结果

由于图像去水印是一项底层视觉任务，因此选择DnCNN、快速灵活去噪卷积神经网络（Fast and Flexible Denoising CNN, FFDNet）、U-Net、注意力引导去噪卷积神经网络（Attention-guided Denoising CNN, ADNet）和鲁棒变形去噪卷积神经网络（Robust Deformation Denoising CNN, RDDCNN）作为比较方法，以测试图像去水印方法在LVW和CLWD数据集上的定性与定量评估性能。为进行定性评估，首先，从LVW数据集中选择一幅图像，并使用1和0.5的透明度来测试IWRU-Net对图像去水印的影响，其PSNR如表2-6所示，对于图像去水印，IWRU-Net在透明度为1时获得了比在透明度为0.5时更高的PSNR。这也表明，当透明度较低时，IWRU-Net具有更好的水印去除效果。

其次，在LVW和CLWD数据集中随机选择100幅图像，从0.5、0.6、0.7到0.8调整透明度来测试IWRU-Net的去水印性能。在LVW和CLWD数据集上，不同方法的平均PSNR和SSIM分别如表2-7与表2-8所示。IWRU-Net在LVW和CLWD数据集上比其他方法获得更高的PSNR和SSIM，这表明IWRU-Net在图像去水印任务中具有较强的鲁棒性。

最后，在LVW数据集中尺寸为512×512的图像上测试不同图像去水印方法的复杂度，如表2-9所示。这些方法包括DnCNN、FFDNet、U-Net、RDDCNN、ADNet和IWRU-Net。复杂度评价指标包括参数量和浮点运算次数（Floating Point Operations, FLOPs）。此外，使用LVW数据集中尺寸为256×256、512×512和1024×1024的图像测试不同方法的运行时间，如表2-10所示，针对图像去水印的复杂度和运行时间，IWRU-Net也在可接受范围内。因此，IWRU-Net在图像去水印方面极具竞争力。

为进一步测试IWRU-Net的性能，使用定量评估方法进行以下实验。从LVW数据集中选择4幅图像，分别添加0.5、0.6、0.7和0.8的透明度，以测试IWRU-Net的视觉效果。此外，将DnCNN、FFDNet和U-Net作为比较方法，将放大的每幅预测视觉图像的一个选择区域作为观察区域，观察区域越清晰，相应方法在图像去水印方面的性能就越好。不同方法在透明度为0.5、0.6、0.7、0.8时的图像去水印效果如图2-25～图2-28所示，IWRU-Net的观察区域更清晰，说明IWRU-Net的图像去水印效果更好。图2-26表明IWRU-Net在图像去水印的定量评估方面更具优势。因此，可知IWRU-Net在定性和定量评估上都表现出色，非常适用于完成图像去水印任务。

2.5.4 研究意义

IWRU-Net通过对U-Net架构进行改进，引入新颖的串行结构来提高信息提取的准确性和鲁棒性，从而确保出色的水印去除效果。为了高效地对图像远距离像素的依赖关系进行建模，将U-Net设计为串行结构的基本单元，以捕获更多样的层次结构信息。此外，考虑到IWRU-Net在实际移动设备上的适用性，采用多种随机分布的水印对盲水印去除模型进行训练。与其他主流的图像去水印方法相比，IWRU-Net在定量和定性评估上都展现出优越的性能。 aFlVOdMO2blzy/JfrplEv43rSCnGXI1tuPRnA2tFkhd189uxfAy03pukBW3uF1DT