CN101882296A - 切比雪夫神经网络混沌数字水印信息隐藏方法 - Google Patents

Abstract

一种切比雪夫(Chebyshev)神经网络混沌数字水印信息隐藏方法。该方法利用神经网络生成混沌序列，对需要隐藏的数字图像秘密信息进行异或加密，产生混沌数字水印，将其嵌入载体图像中，在基本不改变载体图像的外部特征及使用价值的情况下，使人的感觉器官感觉不到伪装图像的外观上有不易感知的数字水印的存在，从而逃过非法用户的注意和攻击，实现秘密信息的隐秘传递，达到隐蔽通信的目的。本发明可广泛应用于隐蔽通信、数据的不可抵赖性、数字作品的版权保护、防伪和数据的完整性。

Description

切比雪夫神经网络混沌数字水印信息隐藏方法

技术领域

本发明涉及信息安全技术领域，特别是一种切比雪夫(Chebyshev)神经网络混沌数字水印信息隐藏方法。

背景技术

传统的信息安全技术是应用密码学的基本原理、技术和方法对秘密信息进行加密，使非法用户难以破译加密生成的密文。由于密文通常是一组不可识别的乱码，且在公开信道中传递，容易引起非法用户的注意和攻击；根据香农(Shannon)信息论原理，理论上唯一安全的是“一次一密”序列密码。

信息隐藏是将秘密信息隐藏于另一非秘密媒体(图像、声音、文档文件)中，从而不被非法用户发觉的一种方法。这种非秘密媒体通常称为载体，秘密信息隐藏于载体的过程称为嵌人，载体嵌人秘密信息后称为伪装媒体。

现代信息隐藏技术的研究起源于1992年，是集多学科理论与技术于一体的新兴技术领域。信息隐藏技术利用人类感觉器官对数字信号的感觉冗余，将秘密信息本身的存在性隐藏起来，使非法用户察觉不到有秘密信息隐藏于载体之中；其最大优点是：除通信双方以外的任何第三方都不知道秘密信息存在这个事实，这就较之单纯的密码加密方法更多了一层保护，使得需要保护的秘密信息“看不见”，容易逃过非法用户的注意和攻击。

信息隐藏技术与密码技术既有区别又有联系：密码技术研究的是如何将秘密信息进行加密，以不可识别的密文进行公开传递，一般人“看不懂”信息的具体含义，但仍然能察觉到信息的存在；而信息隐藏技术是研究如何将秘密信息隐藏于载体中，然后通过载体的传输来传递秘密信息；使一般人“看不到”信息的存在，但非法用户一旦察觉到载体中秘密信息的存在，则很容易识别秘密信息。

如果把密码技术和信息隐藏技术结合起来，先将秘密信息加密，然后隐藏到一般的非秘密数字媒体中，则能显著提高信息的安全性。但加密时若采用理论上唯一安全的“一次一密”序列密码，因为其存在着分配大量随机密钥流、失步后如何同步、参数匹配和信道噪声等缺限，特别是收发双方之间达到同步所需的时间未能从理论上计算出来，这就限制了序列密码在信息隐藏中的应用。

发明内容

本发明的发明目的是为了克服以上现有技术存在的缺陷，提供一种切比雪夫神经网络混沌数字水印信息隐藏方法，本发明利用切比雪夫神经网络产生的混沌序列密码对需要隐藏的数字图像秘密信息进行异或加密，生成混沌数字水印，然后将其嵌入载体图像中进行隐藏，使非法用户无法从伪装图像的外观上发现有不易感知的数字水印的存在，从而逃过非法用户的注意和攻击，达到提高秘密信息安全性的目的。

为了实现上述发明目的，本发明采取的技术方案是切比雪夫神经网络混沌数字水印信息隐藏方法为：

(1)神经网络模型的构造

神经网络模型是一个单输入单输出三层切比雪夫(Chebyshev)神经网络模型，其中输入层至隐层的权值恒为1，隐层至输出层的权值w_i需通过学习后确定，隐层神经元的活跃函数是一组可根据递推公式求出的切比雪夫(Chebyshev)正交多项式，共有n个；

网络的操作模式如下：

输入层o＝x

隐神经元输入net_i＝o  i＝1，2，…，n

隐神经元输出o_i＝T_i(net_i)，T_i(net_i)是一组切比雪夫(Chebyshev)正交多项式，可由下式递推求得：

$\left\{\begin{array}{c}{T}_1\left(x\right)=1,T_2\left(x\right)=x\\ T_{j+2}\left(x\right)=2x{T}_{j+1}\left(x\right)-T_j\left(x\right);j=\mathrm{1,2},\·\·\·,n-2\end{array}\right.$

输出层 $y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{o}_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{T}_i\left(x\right)$

设训练样本为(x_t，d_t)，t＝1，2，…，s；这里s为样本数，x_t为切比雪夫(Chebyshev)神经网络输入，d_t为系统理想输出(实为x_t+1)，采用BP学习算法，有

误差e_t＝d_t-x_t，t＝1，2，…，s

训练指标 $J=\frac{1}{2}\underset{t=1}{\overset{s}{\mathrm{\Σ}}}{e}_t^2$

权值修正公式 $\mathrm{\Δ}{w}_j=-\mathrm{\η}\frac{\∂J}{\∂w_j}=\mathrm{\η}{e}_t{T}_j\left({\mathrm{net}}_j\right),$ j＝1，2，…n

(2)神经网络混沌数字水印信息隐藏的实现

首先利用罗吉斯特(Logistic)混沌序列x_k+1＝μx_k(1-x_k)；k＝1，2，…，s生成训练样本数据，构造切比雪夫(Chebyshev)神经网络混沌模型，以此对需要隐藏的数字图像秘密信息进行异或加密，产生混沌数字水印，然后将其嵌入载体图像中，使伪装图像的各种统计值不发生明显改变，增加了检测的难度，从而使非法用户无法从伪装图像的外观上发现有什么变化；

首先将原始图像lena转化为二进制序列m＝m₁m₂…m_q，则其长度q＝|m|；再任选混沌初值x₁(密钥)输入切比雪夫(Chebyshev)神经网络得混沌序列x＝x₁x₂…x_q，x与原始图像二进制序列m进行异或加密运算，得数字水印(这里，

表示异或运算)；最后c与载体图像二进制序列b＝b₁b₂…b_q进行嵌入运算，得伪装图像

(这里，

表示嵌入运算)。

本发明神经网络混沌数字水印信息隐藏方法的优点：

a、将不同的混沌初值输入神经网络混沌模型，可产生不同的混沌序列，从而做到“一次一密”加密。由香农信息论知，这种密码在理论上是不可破译的；

b、将加密产生的混沌数字水印嵌入载体图像后，在公开信道的传送过程中不易被非法用户检测到；

c、即使非法用户提取了隐藏的秘密信息，在不知道神经网络模型和置乱密钥(即混沌初值)的情况下仍然不能恢复出秘密图像信息，从而提高秘密数字图像信息的安全性。

附图说明

图1是本发明神经网络模型图；

图2是神经网络的混沌数字水印信息隐藏实现流程图；

图3是原始图像lena的混沌水印与解密结果图；

图4是λ＝0.01时的信息隐藏结果图；

图5是λ＝0.1时的信息隐藏结果图；

图6是λ＝0.5时的信息隐藏结果图。

具体实施方式

本发明的切比雪夫神经网络混沌数字水印信息隐藏方法：

一、发送方进行如下操作：

(1)生成混沌序列

对于罗吉斯特(Logistic)混沌序列x_k+1＝μx_k(1-x_k)；k＝1，2，…，s，取标准罗吉斯特(Logistic)混沌μ＝4.0，令混沌初值x₁＝0.12，样本数s＝100，可得训练样本为(x_t，x_t+1)，t＝1，2，…，100；

(2)构造神经网络模型

在图1所示的神经网络中，设隐层神经元个数n＝3，学习率η＝0.1，初始权值随机选取，对训练样本(x_t，x_t+1)，t＝1，2，…，100经过300次学习后，得训练指标J＝3.2517×10^-6，最终权值向量W＝[-2，4，-2]，说明神经网络模型构造成功；

(3)信息加密

需要隐藏的原始图像lena如图3所示，图3中(a)是原始图像lena(即秘密信息)；(b)是神经网络产生的混沌序列x的自相关函数；(c)是原始图像lena的二进制序列m与x进行异或加密运算后得到的数字水印

(d)是lena混沌水印的解密结果，可由计算得到。

首先将混沌初值x₁＝0.1(密钥)输入神经网络模型，产生混沌加密序列x＝x₁x₂…x_q(q＝|m|，即原始图像lena的二进制序列m的长度)，其自相关函数如图3(b)所示，再由产生原始图像lena的混沌数字水印，如图3(c)所示，其解密结果如图3(d)所示。

(4)信息隐藏

设载体cameraman为b，如图4-6(a)所示，原始图像lena的混沌数字水印为c，嵌入混沌数字水印后的伪装图像为c′，如图4-6(b)所示，则嵌入算法c′＝λc+(1-λ)b，式中0＜λ＜1称为隐藏率，水印和载体提取算法分别为

和

为了比较信息隐藏结果的优劣，下面选取不同的λ进行试验：

1)当λ＝0.01时，信息隐藏结果如图4所示；

2)当λ＝0.1时，信息隐藏结果如图5所示；

3)当λ＝0.5时，信息隐藏结果如图6所示；

由此可知，λ越小信息隐藏效果越好。

图4-6中：(a)为载体cameraman的图像，(b)为嵌入lena混沌数字水印后的伪装图像，(c)为从(b)中提取出来的lena混沌数字水印。

(5)发送

将混沌神经网络模型、混沌初值x₁和隐藏率λ经秘密信道传送给接收方；将载体b、伪装图像c′和q经公开信道传送给接收方。

二、接收方进行如下操作：

(1)将混沌初值x₁输入神经网络模型，生成混沌加密序列x＝x₁x₂…x_q。

(2)提取水印：

水印解密：

然后将二进制序列m转化为图像格式即可得原始图像lena。

Claims (1)

1.一种切比雪夫神经网络混沌数字水印信息隐藏方法，其特征是按以下步骤：

(1)神经网络模型的构造

神经网络模型是一个单输入单输出三层切比雪夫神经网络模型，其中输入层至隐层的权值恒为1，隐层至输出层的权值w_i需通过学习后确定，隐层神经元的活跃函数是一组可根据递推公式求出的切比雪夫正交多项式，共有n个；

网络的操作模式如下：

输入层o＝x

隐神经元输入net_i＝o  i＝1，2，…，n

隐神经元输出o_i＝T_i(net_i)，T_i(net_i)是一组切比雪夫正交多项式，可由下式递推求得：

$\left\{\begin{array}{c}{T}_1\left(x\right)=1,T_2\left(x\right)=x\\ T_{j+2}\left(x\right)=2x{T}_{j+1}\left(x\right)-T_j\left(x\right);j=\mathrm{1,2},\·\·\·,n-2\end{array}\right.$

输出层 $y=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{o}_i=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_i{T}_i\left(x\right)$

设训练样本为(x_t，d_t)，t＝1，2，…，s；这里s为样本数，x_t为切比雪夫神经网络输入，d_t为系统理想输出(实为x_t+1)，采用BP学习算法，有

误差e_t＝d_t-x_t，t＝1，2，…，s

训练指标 $J=\frac{1}{2}\underset{t=1}{\overset{s}{\mathrm{\Σ}}}{e}_t^2$

权值修正公式 $\mathrm{\Δ}{w}_j=-\mathrm{\η}\frac{\∂J}{\∂w_j}=\mathrm{\η}{e}_t{T}_j\left({\mathrm{net}}_j\right),j=\mathrm{1,2},\·\·\·n$

(2)切比雪夫神经网络混沌数字水印信息隐藏的实现

首先利用罗吉斯特混沌序列x_k+1＝μx_k(1-x_k)；k＝1，2，…，s生成训练样本数据，构造切比雪夫神经网络混沌模型，以此对需要隐藏的数字图像秘密信息进行异或加密，产生混沌数字水印，然后将其嵌入载体图像中，使伪装图像的各种统计值不发生明显改变，增加了检测的难度，从而使非法用户无法从伪装图像的外观上发现有什么变化；

实施过程如下：首先将原始图像lena转化为二进制序列m＝m₁m₂…m_q，则其长度q＝|m|；再任选混沌初值x₁(密钥)输入切比雪夫神经网络得混沌序列x＝x₁x₂…x_q，x与原始图像二进制序列m进行异或加密运算，得数字水印

(这里，

表示异或运算)；最后c与载体图像二进制序列b＝b₁b₂…b_q进行嵌入运算，得伪装图像

这里，

表示嵌入运算。

Images