引言
水印技术是一种将信息隐藏或嵌入到另一图像（特别是视频、音乐或图片）中的过程。这种技术有多种应用方式，从传统的隐写术到当前的商业应用，如实现专有权和版权控制信息[1]。然而，如果不仔细考虑这些应用背景，分析水印的特性可能会导致误导性的结果。水印的形状根据用户的需求而变化，例如用于秘密通信的隐藏信息、用于图像保护的随机位、或者用于电子签名或验证的标识[2]。水印被编码的原因有很多，包括通过使用加密模块提高智能随机性以增强安全性，或者通过使用错误校正码来减少噪声对水印完整性的影响[3],[4],[5]。此外，水印还用于多种目的，比如通过加密技术增加安全性，或者使用错误校正码在网络攻击下恢复信息完整性[6]。传统的图像水印研究[7]仅关注单比特提取，以判断图像是否带有水印[8]。
数字水印技术显著提高了图像内容的安全性，并引起了更多关注。它包括在封面图像中安全嵌入信息并随后提取信息。水印被无缝整合到封面图像中，以确保嵌入的水印在视觉上无法被检测到。只有授权接收者才能准确提取水印信息。水印模块被应用于多种场景中。在水印的多种目标场景中，水印信息可以有多种表现形式；例如，一些随机位或电子签名用于图像保护和认证[9]，或者一些隐藏消息用于秘密通信[1,8]。目前，数字图像水印技术与多种其他技术相结合，以增强其在某些领域的能力，如遗传算法（GA）、奇异值分解、深度学习（DL）等。根据水印隐藏的域，水印技术可以分为频域水印和空域水印。早期的数字图像水印研究主要集中在提高对删除水印攻击的鲁棒性上[10]。然而，这些方法低估了伪造攻击的风险，即攻击者可以创建虚假的水印图像，从而侵犯水印的版权或破坏篡改检测功能[11]。近年来，将水印嵌入图像的技术得到了进一步发展[12]。通常，传统的数字图像水印模块在频域或空域中嵌入信息[13]。
现有的空域模型通常通过对比特流或像素值进行操作来直接嵌入水印[14],[15],[16]。频域水印技术通过修改频率系数来嵌入水印。小波变换将数据分解为多个频率成分，并进行多尺度分析，保留重要特征并有效减少噪声。当提供系数集时，可以使用逆函数来估计原始数据。常用的频域包括离散余弦变换（DCT）域、离散傅里叶变换（DFT）域、离散小波变换（DWT）域和轮廓波域[17]。目前，采用深度学习（DL）模块的卷积神经网络（CNNs）被用于解决各种计算机视觉问题，其中CNN被训练以提取特定任务所需的有用图像特征[18]。DL在水印领域也取得了显著成果，例如Squeeze-and-Excitation Network（SENet）和Convolutional Block Attention Module（CBAM）[19]，这些技术能够在计算开销较小的情况下实现更好的性能提升。随着DL的发展，许多研究者开始使用深度神经网络（DNNs）进行数字图像水印处理，从而取得了实质性的进展[20]。然而，像CNN这样的DL模型非常复杂，容易受到对抗性攻击的影响。因此，为了提高图像水印的安全性和数据传输的可靠性，设计了一种结合DL的混合优化算法的新框架。
图像水印技术将隐藏信息嵌入到数字图像中，以实现保护、认证、版权验证和数据完整性，同时不会显著影响图像质量。传统的图像水印方法存在一些局限性，具体如下：
- •
一些现有方法的嵌入性能有限，因为缺乏有效的优化机制。
- •
现有方法的适用性仅限于灰度图像，因为它们依赖于灰度处理并对几何失准敏感。
- •
此外，一些现有方法由于缺乏专用的密钥依赖提取机制，因此在传输和存储方面存在安全隐患。
因此，开发了JGO_DCNN来有效解决现有方法的局限性，实现高效的水印处理。所提出的JGO_DCNN利用JGO优化基于DCNN的感兴趣区域（ROI）选择和嵌入过程，从而实现适合的水印插入区域的自适应选择并提高嵌入效率。此外，JGO_DCNN使用QCT进行水印嵌入，提供了多尺度表示，从而提高了对彩色图像的适用性并增强了对抗几何变形的鲁棒性。JGO_DCNN还使用128位密钥和相应的密钥映射来标识嵌入位置，从而仅允许授权的密钥持有者提取水印。
本研究的主要贡献如下：
- ?
提出的JGO_DCNN用于图像水印：开发了一种新的图像水印框架，利用JGO_DCNN来增强数据传输的安全性。DCNN用于ROI选择过程，其权重通过JGO进行优化。这里，JGO是Jaya优化（Jaya）和Gazelle优化（GO）的结合。此外，通过对水印图像应用QCT来提取水印图像。
本文的其余部分安排如下：第2节全面回顾了传统的水印技术；第3节详细介绍了提出的JGO_DCNN框架；第4节讨论了JGO_DCNN框架的评估结果；第5节总结了本文的潜在未来工作。
