本发明专利技术涉及基于RBF神经网络的图像水印嵌入、提取方法与装置。通过对原始水印图像进行加密，利用优化的RBF神经网络对载体图像进行训练，并将加密的水印图像嵌入到原始载体图像中；其中，通过在RBF神经网络算法中设置最优学习率实现对其权值变化的自适应调整。利用优化的RBF神经网络算法和差值运算提取嵌入在载体图像中加密的水印图像，并对所述加密的水印图像进行恢复，得到原始水印图像。所述的装置包括：置乱模块、嵌入模块和提取模块。本发明专利技术很好的平衡了水印图像的不可感知性和鲁棒性之间的矛盾。
【技术实现步骤摘要】
本专利技术涉及基于RBF神经网络的图像水印嵌入、提取方法与装置，涉及图像水印 的
技术介绍
将图像水印隐藏在数字图像的产品中，常用于证明创作者对其作品的所有权，或 作为鉴定、起诉非法侵权的依据，数字图像水印已经成为了知识产权保护和数字多媒体防 伪的有效手段，引起了人们的高度重视并且成为研究热点。通过对水印图像进行置乱加密 并嵌入到载体图像中，对一副有意义的数字图像作变换使之变成一幅杂乱无章的图像再对 其进行传输，接收者对获取的图像进行解密从而恢复出载体图像和水印图像。这样，一些非 法人员就无法在图像传输的过程中从杂乱无章的图像中获得原图像信息，保证了图像的机 密性。 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；水印图像若要充分发挥其作用，必须具备鲁棒性和不可感知性两个 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。水印不可感知性是指水印的嵌入不能影响到原始数字媒 体的视觉质量。这就对水印图像的嵌入和提取方法要求较高。 目前，根据水印嵌入位置可以将图像水印算法分为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，很多研究人员采用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。而空间域图像水印技 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，实验仿真表明该类算法的抗攻击性不强、鲁棒性较低。 近年来，随着神经网络、支持向量机等机器学习方法的引入，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。现有技术中公布号为：CN 104361548A"基于BP神经网 络数字图像压缩的图像水印嵌入与提取方法"中利用BP神经网络算法通过在隐含层嵌入水 印图像实现对水印图像的嵌入和提取，但是，传统提出的BP神经网络方案基本上都是引用 标准的BP神经网络，是一种全局逼近网络，学习速度慢，无法满足实时性要求的应用，即嵌 入水印的位置一般都很难确定，这导致最后提取水印的难度比较大以及提取的水印图像失 真比较严重，虽然保证水印图像的不可感知性，但是其水印检测的鲁棒性还是较弱。
技术实现思路
本专利技术的目的在于克服现有技术的不足，提出了基于RBF神经网络的图像水印嵌 入、提取方法，通过优化的RBF神经网络方法，解决了对于嵌入水印图像鲁棒性差的问题， 本专利技术还提出了一种基于RBF神经网络的图像水印嵌入、提取装置。 本专利技术是通过如下方案予以实现的： 基于RBF神经网络的图像水印嵌入方法，步骤如下： 步骤1，对原始水印图像进行加密，划分加密的水印图像为水印图像块； 步骤2,将载体图像划分为载体图像块，利用优化的RBF神经网络对载体图像块进 行训练，并将加密的水印图像块嵌入到载体图像块中；其中，通过在RBF神经网络算法中设 置最优学习率实现对其权值变化的自适应调整；最优学习率表达式如下： 其中，t为RBF神经网络的学习次数；？(/-I)为第t-1次学习时输出误差的向量 值；运为各个节点的径向基函数值。 进一步的，步骤2中所述的RBF神经网络为三层网络结构，即输入层、隐含层和输 出层；其中，加密的水印图像块嵌入到RBF神经网络的隐含层的输出。 基于RBF神经网络的图像水印提取方法，用优化的RBF神经网络算法和差值运算 提取嵌入在载体图像中加密的水印图像，实现对载体图像和加密的水印图像的分离，并对 所述加密的水印图像进行恢复，得到原始水印图像。 进一步的，所述的差值运算是利用RBF神经网络训练已嵌入加密的水印图像的载 体图像时，隐含层输出〇"与神经网络训练载体图像时的隐含层输出〇的差值。 基于RBF神经网络的图像水印嵌入装置，所述的装置依次包括：置乱模块、嵌入模 块，其中： 1)置乱模块：对原始水印图像进行加密，划分加密的水印图像为水印图像块； 2)嵌入模块：将载体图像划分为载体图像块，利用优化的RBF神经网络对载体图 像块进行训练；其中，通过在RBF神经网络算法中设置最优学习率实现对其权值变化的自 适应调整并将加密的水印图像块嵌入到原始载体图像块中；最优学习率表达式如下： 其中，t为RBF神经网络的学习次数为第t-1次学习时输出误差的向量 值；P为各个节点的径向基函数值。 进一步的，所述的嵌入模块中的RBF神经网络为三层网络结构，即输入层、隐含层 和输出层；其中，加密的水印图像块嵌入到RBF神经网络的隐含层的输出。 基于RBF神经网络的图像水印提取装置，所述的提取装置中包括提取模块，利用 优化的RBF神经网络算法和差值运算提取嵌入在载体图像中加密的水印图像，实现对载体 图像和加密的水印图像的分离，并对所述加密的水印图像进行恢复，得到原始水印图像。 进一步的，所述的差值运算是利用RBF神经网络训练已嵌入加密的水印图像的载 体图像时，隐含层输出〇〃与神经网络训练载体图像的隐含层输出〇的差值。 本专利技术和现有技术相比的有益效果是： 在现有技术中很难平衡好水印图像的鲁棒性和不可感知性。本专利技术采用优化的 RBF神经网络算法，将水印图像嵌入神经网络的隐含层，实现对水印图像的嵌入和提取。RBF 神经网络是一种性能良好的前向网络，能够逼近任意的非线性函数，可以处理系统内难以 解析的规律性，具有良好的泛化能力。但标准RBF神经网络学习率的选择问题带来了很大 不便，本专利技术推导了 RBF神经网络的动态最优学习率，并将其运用在神经网络的学习算法 中实现对权值的自适应动态调节，不仅可以保证学习的稳定性，而且具有较快的收敛速度， 强大的抗噪能力和修复能力，即水印图像在经历噪声后仍能记忆局部像素点之间的关系， 从而实现对水印的正确检测，充分考虑到嵌入的水印图像在面对多种类型攻击下，仍然具 有很好的抵抗效果，在保证不影响原始图像质量的情况下，有效的提高了水印检测的鲁棒 性。【附图说明】 图1本专利技术实施例的BP神经网络原理图； 图2本专利技术实施例的RBF神经网络原理图； 图3本专利技术实施例的嵌入与提取流程图； 图4-1本专利技术实施例的原始载体Lena图像； 图4-2本专利技术实施例的原始水印hsd64图像； 图5-1本专利技术实施例实验（一）中嵌入水印后的载体Lena图像； 图5-2本专利技术实施例实验（一）中最终恢复的水印图像； 图6-1本专利技术实施例实验（一）中仿射变换置乱图； 图6-2本专利技术实施例实本文档来自技高网...
【技术保护点】
基于RBF神经网络的图像水印嵌入方法，其特征在于，步骤如下：步骤1，对原始水印图像进行加密，划分加密的水印图像为水印图像块；步骤2，将载体图像划分为载体图像块，利用优化的RBF神经网络对载体图像块进行训练，并将加密的水印图像块嵌入到载体图像块中；其中，通过在RBF神经网络算法中设置最优学习率实现对其权值变化的自适应调整；最优学习率表达式如下：其中，t为RBF神经网络的学习次数；为第t‑1次学习时输出误差的向量值；为各个节点的径向基函数值。
【技术特征摘要】
【专利技术属性】
技术研发人员：孙林，李名，常宝方，王世勋，赵永进，郁丽萍，王念念，李源，张非，刘金金，刘琛，
申请(专利权)人：河南师范大学，
类型：发明
国别省市：河南;41
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。