基于 BP 神经网络压缩域的图像水印嵌入与提取方法技术

本发明专利技术公开了一种基于BP神经网络压缩域的图像水印嵌入与提取方法。本发明专利技术提出的图像水印嵌入与提取方法是在Arnold变换的基础上，对载体图像进行BP神经网络压缩处理，并且把水印信息嵌入到神经网络隐含层到输出层的权重中，对载体图像几乎没有影响，不可见性非常强，安全性更高。在这种BP神经网络的压缩域中，含水印的载体图像即使经历多种攻击后，仍然能够记忆局部像素点之间的关系，从而实现对水印信号的正确检测，使得这种嵌入和提取方法对各种常规图像攻击均具有很强的鲁棒性，很好地平衡了图像水印的鲁棒性和不可感知性之间的矛盾，且能够实现了图像水印的盲检测。

【技术实现步骤摘要】
基于BP神经网络压缩域的图像水印嵌入与提取方法
本专利技术涉及一种信息安全领域中的数字图像水印技术，尤其是涉及一种基于BP神经网络压缩域的图像水印嵌入与提取方法。
技术介绍
数字图像水印作为传统加密方法的有效补充手段，利用数据嵌入方法隐藏在数字图像产品中，用以证明创作者对其作品的所有权，并作为鉴定、起诉非法侵权的依据，同时通过对水印的检测和分析保证数字信息的完整可靠性，从而成为知识产权保护和数字多媒体防伪的有效手段，近年来引起了人们的高度重视，也已成为国际学术界研究的一个热点。图像水印要发挥应有的作用，必须具备鲁棒性和不可觉察性两个基本要素。水印鲁棒性是指数字媒体在经过常规的信号处理或者外来攻击之后，嵌入的图像水印仍然具有较好的可检测性。水印不可觉察性是指水印的嵌入不能影响到原始数字媒体的视觉质量。图像水印按用途可分为版权保护水印、票据防伪水印、篡改提示水印和隐藏标识水印。按提取过程可分为盲水印和明文水印。按攻击能力可分为鲁棒性水印和脆弱性水印，其中鲁棒性水印主要应用于数字作品版权保护，脆弱性水印要求对信号的改动敏感，主要应用于完整性保护。根据水印嵌入位置可以将图像水印算法分为两类：基于变换域算法和基于空间域算法。随着JPEG压缩和JPEG2000的广泛使用，到目前为止，有很多是基于变换域的水印算法。根据所采用变换的不同，变换域水印算法可以分为如下几类：基于DCT变换的图像水印算法、基于小波变换的图像水印算法、基于DFT变换的鲁棒性水印算法。但是这些算法比较复杂，需要考虑复杂的空频域变换过程，效率低，可嵌入信息量较少。空间域图像水印技术因其算法简单、速度快的优点而成为新的研究热点，它通过直接修改原始图像的像素值来达到嵌入水印的目的，但目前经典的空间域水印算法很容易受到图像压缩转换等通常的图像处理的干扰，在对图像进行几何旋转、压缩等基本处理后，基本上已经无法对水印进行正确的提取，实验仿真表明算法的抗攻击性不强，鲁棒性较低。但是随着神经网络、BP神经网络等机器学习方法的引入，使得水印的嵌入和检测过程可以充分利用图像中的一些自然特征，这样可以使得空间域的水印嵌入和检测鲁棒性得到一定的提高。虽然机器学习和各种图像域变换的结合针对具体水印的嵌入与提取都有较好的表现，但是仍然存在许多问题，例如像基于BP神经网络的图像水印方法等一般都无法实现盲提取，水印的保密性还存在一定隐患，像基于空频域变换的嵌入与提取方法一般计算复杂度较高，抵抗攻击能力还有待加强等。
技术实现思路
针对以上问题及难点，本专利技术所要解决的技术问题是在确保数字图像质量没有下降的情况下，利用BP神经网络压缩域和空间域相结合图像水印技术，提出一种基于BP神经网络压缩域的图像水印嵌入与提取方法，来提高图像水印的安全性、鲁棒性、不可感知性和盲检测性。本专利技术所采用技术方案的第一部分为：基于Arnold空间域数字图像变换置乱和BP神经网络压缩域的图像水印嵌入方法，其特征在于包括以下步骤：步骤(1)分别输入图像大小为N×N的数字载体图像I和图像大小为M×M的水印图像W，依此作为待嵌入水印的原始载体图像和图像水印图像。其中w(i,j)和I(i,j)分别记为I＝{I(i,j),1≤i≤N,1≤j≤N}，w＝{w(i,j),1≤I≤M,1≤j≤M}，其中N为载体数字图像的高和宽，M为水印图像的高和宽，I(i,j)为载体图像在(i,j)位置的像素值，w(i,j)为水印图像在(i,j)位置的像素值；步骤(2)通过二维空间域Arnold变换图像置乱算法，对二进制的标志图w做n次Arnold迭代变换，即以水印图像的位置(x0,y0)作为初值，其中1≤x0≤M，1≤y0≤M，按照如下公式：xn＝(x0+ay0)modMyn＝(bx0+(ab+1)y0)modM其中，mod符号是求余运算符，a、b和n均为正整数且0<n<M2/2，特别是a、b、n三个正整数取不同值的组合，(a,b,n)可以作为秘钥使用；进行n次迭代，得到对应水印的置乱后的值(xn,yn)，其中1≤xn≤M，1≤yn≤M，(xi,yi)是原水印图像的像素点，(xn,yn)是变换后新水印图像的像素点，M是水印图像的阶数，即水印图像的尺寸大小，一般多为正方形图像；步骤(3)将载体图像I(i,j)进行图像分块，分成8×8像素的图像块C{i1，j1}，C{i1，j1}为一个的细胞数组，再建立一个[64864]的三层BP神经网络，输入值为C{i1，j1}，期望值为C{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为100，神经元激活函数阈值为0.05，学习常数为0.5，建立好BP神经网络后，开始进行训练，得到隐含层的输出O(i2,j2)，和隐含层到输出层的调节系数W(i3,j3)，其中O(i2,j2)为8x1的矩阵，W(i3,j3)为8x64的矩阵；步骤(4)加载水印图像，把水印图像w(i,j)的每一个像素点归一化，然后对应加到W(i3,j3)的每一列的第一个点上，即加到W(1,j3)得到含有水印图像信息的权重W'(1,j3)；然后使用O(i2,j2)与W'(1,j3)进行图像解压，得到含有水印的图像I'。本专利技术所采用技术方案的第二部分为：基于Arnold空间域数字图像变换置乱和BP神经网络压缩域的图像水印提取方法，其特征在于包括以下步骤：步骤(1)将待提取二值图像水印的数字图像记为I'，分辨率是N×N，I'(i,j)表示嵌有水印的载体图像在(i,j)位置的像素值，其中1≤i≤N，1≤j≤N；步骤(2)将含有水印的载体图像I'(i,j)进行图像分块，分成8×8像素的图像块C'{i1，j1}，C'{i1，j1}为一个一块的细胞数组，再建立一个[64864]的三层BP神经网络，输入值为C'{i1，j1}，期望值为C'{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为100，神经元激活函数阈值为0.05，学习常数为0.5，建立好BP神经网络后，开始进行训练，得到隐含层到输出层的调节系数W″(i3,j3)；步骤(3)使用W'(i3,j3)减去W″(i3,j3)，得到二者之间的差值D(i3,j3)，对D(i3,j3)反归一化处理，得到D'(i3,j3)，再对D'(i3,j3)进行Arnold图像置乱反变换，得到水印图像w(i,j)。与现有图像水印嵌入与提取技术相比，本专利技术的优点在于：(1)相比于传统的图像水印嵌入技术，本专利技术的嵌入方法通过Arnold变换和在BP神经网络的压缩域来实现，引入参数变多，即密钥数量增加，所以提高了图像水印的安全性。此外，嵌入规则中载体图像的像素值的改变幅度很小，这不仅实现了图像水印的完全不可察觉性，而且对原始数字图像数据产生很小的破坏，不存在图像质量下降的问题，维持了原始数字图像信息的完整性和含水印载体图像的不可感知性。(2)相比于现有的基于BP神经网络的图像水印嵌入与提取技术，本专利技术的BP神经网络引入图像压缩的概念，并且将图像压缩与光滑BP神经网络相结合，取代标准BP神经网络来模拟人眼对嵌入水印的载体图像的视觉特征，不仅应用方式新颖，为数字图像水印技术提供了一种新的方案，测试样本的预测像素结果比本文档来自技高网...

【技术保护点】
基于BP神经网络压缩域的图像水印嵌入方法，其特征在于，包括以下步骤：步骤(1)分别输入图像大小为N×N的数字载体图像I和图像大小为M×M的水印图像W，依此作为待嵌入水印的原始载体图像和图像水印图像；其中W(i,j)和I(i,j)分别记为I＝{I(i,j),1≤i≤N,1≤j≤N}，W＝{W(i,j),1≤I≤M,1≤j≤M}，其中N为载体数字图像的高和宽，M为水印图像的高和宽，I(i,j)为载体图像在(i,j)位置的像素值，w(i,j)为水印图像在(i,j)位置的像素值；步骤(2)通过二维空间域Arnold变换图像置乱算法，对二进制的标志图W做n次Arnold迭代变换，即以水印图像的位置(x0,y0)作为初值，其中1≤x0≤M，1≤y0≤M，按照如下公式：＝mod(M)进行n次迭代，得到对应水印的置乱后的值(xn,yn)，其中1≤xn≤N，1≤yn≤N，(Xi,yi)是原图像的像素点，(Xn,yn)是变换后新图像的像素点，M是图像阶数，即图像的尺寸大小，一般多为正方形图像；步骤(3)将载体图像I(i,j)成快成8x8的图像块C{i1，j1}，C{i1，j1}为一个的细胞数组，再建立一个[64 8 64]的三层BP神经网络，输入值为C{i1，j1}，期望值为C{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为100，神经元激活函数阈值为0.05，学习常数为0.5，建立好BP神经网络后，开始进行训练，得到隐含层的输出O(i2,j2)，和隐含层到输出层的调节系数W(i3,j3)，其中O(i2,j2)为8x1的矩阵，W(i3,j3)为8x64的矩阵；步骤(4)加载水印图像，把水印图像w(i,j)的每一个像素点归一化后，对应加到W(i3,j3)的每一列的第一个点上，即加到W(i3,1)得到含有水印图像信息的权重W'(i3,1)；然后使用O(i2,j2)与W'(i3,1)进行图像解压，得到含有水印的图像I'。...

【技术特征摘要】
1.基于BP神经网络压缩域的图像水印嵌入方法，其特征在于，包括以下步骤：步骤(1)分别输入图像大小为N×N的数字载体图像I和图像大小为M×M的水印图像w，依此作为待嵌入水印的原始载体图像和图像水印图像；其中w(i,j)和I(i,j)分别记为I＝{I(i,j),1≤i≤N,1≤j≤N}，w＝{w(i,j),1≤I≤M,1≤j≤M}，其中N为载体数字图像的高和宽，M为水印图像的高和宽，I(i,j)为载体图像在(i,j)位置的像素值，w(i,j)为水印图像在(i,j)位置的像素值；步骤(2)通过二维空间域Arnold变换图像置乱算法，对二进制的标志图w做n次Arnold迭代变换，即以水印图像的位置(x0,y0)作为初值，其中1≤x0≤M，1≤y0≤M，按照如下公式：xn＝(x0+ay0)modMyn＝(bx0+(ab+1)y0)modM其中，mod符号是求余运算符，a、b和n均为正整数且0<n<M2/2，特别是a、b、n三个正整数取不同值的组合，(a,b,n)可以作为秘钥使用；进行n次迭代，得到对应水印的置乱后的值(xn,yn)，其中1≤xn≤M，1≤yn≤M，(xi,yi)是原水印图像的像素点，(xn,yn)是变换后新水印图像的像素点，M是水印图像的阶数，即水印图像的尺寸大小，一般多为正方形图像；步骤(3)将载体图像I(i,j)进行图像分块，分成8×8像素的图像块C{i1，j1}，C{i1，j1}为一个的细胞数组，再建立一个[64864]的三层BP神经网络，输入值为C{i1，j1}，期望值为C{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次...

【专利技术属性】
技术研发人员：段新涛，申长安，张恩，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南;41