CN104361548B - 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 - Google Patents

Abstract

本发明提供一种基于BP神经网络数字图像压缩的图像水印嵌入方法，包括：S1a、对原始水印图像W进行置乱处理，获得置乱后的水印图像；S2a、建立BP神经网络，设置BP神经网络的传递函数、调整训练函数，并设置BP神经网络的训练次数、神经元激活函数阈值、学习常数以及压缩系数；S3a、划分置乱后的水印图像为嵌入图像块，将输入和输出期望均设置为载体图像块，通过BP神经网络对载体图像块进行训练，获得隐含层的输出O；S4a、在隐含层的输出O中嵌入水印，将嵌入水印图像信息后的压缩图像进行解压，得到嵌入水印的载体图像。本发明还提供一种基于BP神经网络数字图像压缩的图像水印提取方法。

Description

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

技术领域

本发明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神经网络数字图像压缩的图像水印嵌入与提取方法。

背景技术

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，需要考虑复杂的空间频域变换过程，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不可感知性很差，抗剪切和抗旋转的能力很差，水印的保密性也存在一定隐患，像基于空间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。概括起来仍存在如下的一些问题：①基于空域的BP神经网来嵌入水印的位置一般都很确定，显然，这种特点存在着易被攻击和破解的局限性，数字媒体产品受到某一种或几种联合攻击后，会增加图像水印的提取难度；当密钥被破解时，非法用户就可以删除或篡改产品中嵌入的实际图像水印，使其重新回到无版权保护的状态，这将严重侵害版权所有者等各方面的利益。②目前提出的BP神经网络方案基本上都是引用标准的BP神经网络，样本训练的速度与精度都不是很高，这导致最后提取的水印图像失真比较严重。③水印系统的鲁棒性是评估水印系统承载常规处理能力的标准，这对于水印极为重要；现有数字图像水印检测方法将注意力放在对抗常规信号处理(如有损压缩、低通滤波、噪声干扰等)的研究上，而诸如旋转、缩放、平移、行列去除、剪切等几何攻击的抵抗效果不是很好；BP神经网络与变换域相结合，虽然可以有效提高水印检测的鲁棒性，但这些算法对剪切、旋转等攻击的鲁棒性还存在一些不足。倪顾伟撰写的《基于神经网络的数字水印算法的研究与实现》(南京理工大学硕士学位论文，2012.)提出了基于神经网络的数字图像水印技术，使用图像块周围的像素点来预测中间像素点的值，但是此算法在抵抗高斯噪声方面不是很理想，水印的鲁棒性很差，且BP神经网络训练复杂，稳定性不好。文献《Digital Watermarking Algorithm Based on Wavelet Transform and NeuralNetWork》(Wang Zhenfei，Zhai Guangqun，Wang Nengchao，Wuhan University Joumal ofNatural Sciences，2006，11(6)：1667-1670.)文中提出了一种基于小波域的神经网络鲁棒性的盲水印方案，其根据人类视觉系统(HVS)的特点是用于选择重要系数和添加水印到这些系数。由于神经网络具有学习能力从而具有给定的学习(训练)模式，此方法可以记住一个水印和含水印载体图像之间的对应关系。但是该水印方法抗JPEG压缩能力很差，当压缩率为20％时，提取的水印已经变得很差。

发明内容

本发明的目的是提供一种图像水印嵌入、提取的方法，用以解决常规BP神经网络水印的缺陷，通过进一步的扩展完善，还能够很好地解决现有嵌入的不可感知性差和鲁棒性弱的问题，以及训练样本速度慢、精度低的问题；训练样本复杂的问题；密钥数量少的问题。

为实现上述目的，本发明的方案包括：

一种基于BP神经网络数字图像压缩的图像水印嵌入方法，其包括如下步骤：

S1a、对原始水印图像W进行置乱处理，获得置乱后的水印图像；

S2a、建立BP神经网络，设置BP神经网络的传递函数、调整训练函数，并设置BP神经网络的训练次数、神经元激活函数阈值、学习常数以及压缩系数；

S3a、划分置乱后的水印图像为嵌入图像块，将输入和输出期望均设置为载体图像块，通过BP神经网络对载体图像块进行训练，获得隐含层的输出O；

S4a、在隐含层的输出O中嵌入水印，将嵌入水印图像信息后的压缩图像进行解压，得到嵌入水印的载体图像。

在本发明所述的BP神经网络数字图像压缩的图像水印嵌入方法中，所述步骤S1a中通过Arnold变换对水印图像进行置乱处理，获得置乱后的水印图像。

在本发明所述的BP神经网络数字图像压缩的图像水印嵌入方法中，所述步骤S2中BP神经网络为64×8×64的三层BP神经网络，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，压缩系数为8。

在本发明所述的BP神经网络数字图像压缩的图像水印嵌入方法中，载体图像分块成8×8的图像块。

在本发明所述的BP神经网络数字图像压缩的图像水印嵌入方法中，

所述步骤S4a包括如下子步骤：

S41a、把置乱后的水印图像进行归一化处理，把水印图像量化到一个预设的值；

S42a把量化后的水印图像嵌入到隐含层的输出O的每行的第一个位置中；

S43a、把嵌入水印图像信息后的压缩图像进行解压，得到嵌入水印的载体图像。

本发明还提供一种基于BP神经网络数字图像压缩的图像水印提取方法，用于获取上述任意一项中嵌入水印的载体图像中的原始水印图像，其包括如下步骤：

S1b、建立BP神经网络，设置BP神经网络的传递函数、调整训练函数，并设置BP神经网络的训练次数、神经元激活函数阈值、学习常数以及压缩系数；

S2b、划分嵌入水印后的图像为图像块，将输入设置为载体图像块，将输出期望设置为原图像块，通过BP神经网络对载体图像块进行训练，获得隐含层的输出O″；

S3b、获得隐含层的输出O″与隐含层的输出O的差，得到差值图像D；

S4b、对差值图像D进行反变换，得到置乱恢复的水印图像；

S5b、置乱恢复的水印图像进行反归一化处理，得到原始水印图像W。

在本发明所述的基于BP神经网络数字图像压缩的图像水印提取方法中，所述步骤S1b中BP神经网络为64×8×64的三层BP神经网络，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，压缩系数为8。

在本发明所述的基于BP神经网络数字图像压缩的图像水印提取方法中，所述步骤S2b中嵌入水印后的图像分块成8×8的图像块。

附图说明

图1是本发明的嵌入与提取流程图；

图2-1是原始载体图像；

图2-2是原始水印图像；

图2-3是嵌入水印后的载体图像；

图3是无攻击时提取的水印图像；

图4-1是直方图均衡化后的含水印载体图像；

图4-2是提取图4-1的水印图像；

图4-3是图像均衡化后的直方图；

图5-1是加高斯噪声(μ＝0和σ＝0.02)后的含水印载体图像；

图5-2是提取图5-1的水印图像；

图6-1是密度为0.06的椒盐后的含水印载体图像；

图6-2是提取图6-1的水印图像；

图7-1是中值滤波(9×9)后的含水印载体图像；

图7-2是提取图7-1的水印图像；

图8-1是JPEG压缩10％后的含水印载体图像；

图8-2是提取图8-1的水印图像；

图9-1是几何切割中间200×200后的含水印载体图像；

图9-2是提取图9-1的水印图像；

图10-1是几何旋转60°后的含水印载体图像；

图10-2是提取图10-1的水印图像；

图11为BP神经网络的结构示意图。

具体实施方式

以下结合附图实施例对本发明做进一步的详细描述。

本发明从图像水印的安全性考虑，利用压缩域图像水印技术，提出一种基于BP神经网络数字图像压缩的图像水印嵌入与提取方法，其通过增加变量数目和扩大变换空间来改进Arnold变换算法对水印图像进行置乱处理，增加了密钥数量以提高水印的安全度；然后结合BP神经网络对图像压缩能力，使得水印图像在经历多种攻击后仍能记忆确定位置像素点的值，从而实现对水印的正确检测。本发明充分结合空间域和机器学习的特点，并优化其算法，实现了具有优异鲁棒性能的抗常规图像攻击的图像水印嵌入和提取方法，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，实现了水印的嵌入和提取。

BP神经网络数字图像压缩技术的工作原理：基本BP算法主要包括信号的前向传播和误差的反向传播，即计算实际输出时按从输入到输出的方向进行，而权值和阈值的修正是从输出到输入的方向进行。BP网络能学习和存贮大量的输入-输出模式映射关系，而无需事前揭示描述这种映射关系的数学方程。它的学习规则是使用最速下降法，通过反向传播来不断调整网络的权值和阈值，使网络的误差平方和最小。BP神经网络模型拓扑结构包括输入层(input)、隐层(hide layer)和输出层(output layer)。通过BP神经网络的这一特性，可以通过建立3层的BP神经网络来实现对图像的压缩处理。

如图11所示，图11是BP神经网络的结构图。

图中x_j表示输入层第j个节点的输入，j＝1，2，...，M，W_ij表示隐含层第i个节点到输入层第j个节点之间的权值，θ_i表示隐含层第i个节点的阈值，表示隐含层的激励函数，W_ki表示输出层第k个节点到隐含层第i个节点之间的权值，i＝1，2，...，q，a_k表示输出层第k个节点的阈值，k＝1，2，...，L，ψ(x)表示输出层的激励函数，o_k表示输出层第k个节点的输出。

(1)信号的前向传播过程如下：

隐含层第i个节点的输入net_i为

隐含层第i个节点的输出o_i为

输出层第k个节点的输入net_k为

输出层第k个节点的输出o′_k为

(2)误差的反向传播过程如下：

首先由输出层开始逐层计算各层神经元的输出误差，然后根据误差梯度下降法来调节各层的权值和阈值，使修改后的网络的最终输出能接近期望值。

对于每一个样本p的二次型误差准则函数E_p为

系统对P个训练样本的总误差准则函数为

根据误差梯度下降法依次修正输出层权值的修正量ΔW_ki、输出层阈值的修正量Δa_k、隐含层权值的修正量ΔW_ij、隐含层阈值的修正量Δθ_i分别如下：

输出层权值调整公式

输出层阈值调整公式

隐含层权值调整公式

隐含层阈值调整公式

通过多次的调整误差关系实现了非线性拟合，通过BP神经网络的这一特性，可以通过建立3层的BP神经网络实现对图像的压缩处理。神经网络的输入为原图像，输出期望也为原图像，进行神经网络训练，可得到隐含层的输出O，O即为经神经网络压缩后的压缩图像。然后在BP神经网络产生的压缩图像中实现对水印的嵌入和提取处理，能够取得非常好的效果。

首先，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。

通过增加变量数目和扩大变换空间来改进Arnold变换算法，对水印图像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

即

进行n次迭代，得到置乱后的水印图像(x_n，y_n)，其中1≤x_n≤N，1≤y_n≤N，N为原始载体图像的阶数，a、b和n均为正整数且

将载体图像I(i，j)分块成8×8的图像块C(i₁，j₁)，然后建立一个64×8×64的三层BP神经网络，实现对图像的压缩，其输入值为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ω(i₃，j₃)，其中O(i₂，j₂)为8×1的矩阵，ω(i₃，j₃)为8×64的矩阵。

加载水印图像时，为了减小水印图像加入对载体图像的影响，需要置乱后的水印图像进行归一化处理即对水印图像的每一个像素点进行归一化处理；把水印图像W(i，j)的每一个像素点进行归一化处理，归一化方法如下：

W′(i，j)＝{W(i，j)/500，1≤i≤M，1≤j≤M}

其中M为原始水印图像的高和宽，W(i，j)为水印图像在(i，j)位置的像素值，W′为进行归一化后的水印图像。

对应加到隐含层输出O(i₂，j₂)(其中O为压缩图像)的每一行的第一个点上，即加到O(i₂，1)得到含有水印图像信息的隐含层输出O′(i₂，j₂)(其中O′为含有水印的压缩图像)，方法如下：

O′(i₂，j₂)＝{O(i₂，1)+W′(i，j)，i₂≤M×M，1≤i≤M，1≤j≤M}

然后使用O′(i₂，j₂}与ω{i₃，j₃}进行图像解压，得到含有水印的图像I′，方法如下：

将待提取二值图像水印的数字图像记为I′，分辨率是N×N，j′(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。再次将含有水印的载体图像I′(i，j)分块为8×8的图像块C′(i₁，j₁)，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，得到隐含层到输出层O″(i₃，j₃)。然后使用O′(i₃，j₃)减去O″(i₃，j₃)，得到二者之间的差值D(i，j)，方法如下：

D(i，j)＝{O′(i₃，1)-O″(i₃，1)，1≤i₃≤M×M}

对D(i，j)反归一化处理，得到D′(i，j)，方法如下：

D′(i，j)＝{D′(i，j)×500，1≤i≤M，1≤j≤M}，

再对D′(i₃，j₃)进行Arnold图像置乱反变换，得到原始水印图像W(i，j)。其中Arnold变换进行Arnold反变换，方法如下：

即以D′(i₃，j₃)像素点坐标值(i，j)作为初值，其中1≤i≤N，1≤j≤N，按照如下公式

进行n次迭代，得到(i，j)对应在水印图像中的位置坐标(x₀，y₀)，其中1≤x₀≤M，1≤y₀≤M，-1是求逆矩阵，M为水印图像矩阵的阶数，N为载体图像的阶数，a、b和n均为正整数且最终得到M×M个位置坐标(x_i，y_i)，其中i＝1，2，...，M×M，这些坐标正是原始水印图像的坐标值，即得到原始水印图像W(i，j)。

介绍了水印的嵌入与提取过程，下面以两幅典型的测试图像实验仿真结果和分析为例，来更好地说明本发明提出的基于BP神经网络压缩域的图像水印嵌入与提取方法的可行性和有效性。

实验验证是在PC机(Win7，Intel(R)Core(TM)i5-3210M CPU 2.50GHz，4.0GB)上用MATLAB R2014a软件编程实现，待嵌入图像水印的原始数字图像I选用uint 8的Lena灰度图像，图像大小为512×512，如图2-1所示；待嵌入的实际图像水印W选用一个二值序列图像，图像大小为64×64，如图2-2所示。

在嵌入水印时，首先由Arnold变换得到载体置乱后的水印图像，密钥参数n＝8，再确定嵌入位置；而提取水印时，再次使用BP神经网络进行图像压缩，得到隐含层输出，把水印嵌入到对应的隐含层输出中，使用含有水印的隐含层的输出与权重解压图像，得到含有水印信息的图像，再将水印信息的图像进行BP神经网络图像压缩，得到新的隐含层输出，使用含有水印信息的隐含层输出与新的隐含层输出相减，最后经Amold反变换回原水印图像。上述两者的过程是相辅相成的。

通过普通人群(年龄分布在50岁以下，视力正常)的肉眼对提取的水印信号进行主观辨别，且还可采用提取的水印与原水印的位误差率(BER)指标来对提取的水印进行客观评价，BER越接近0，说明水印系统的鲁棒性越高，抗攻击能力越强，其BER表示如下：

其中M＝64，K＝64，W(i，j)和W′(i，j)分别为对应位置上的原始水印与提取水印的像素值，表示按位进行的异或运算。

嵌入实际图像水印后的数字图像的质量和感知性能采用峰值信噪比(PSNR)来进行评判，它表示嵌入水印信息对载体质量的损坏程度，PSNR越大，损坏程度越小，其PSNR表示如下：

其中m＝512，n＝512，I(i，j)和I′(i，j)分别为原始载体图像和加有水印的载体图像各点的的像素值。

图像水印检测结果的客观评价还可用归一化相关系数(NC)，通过载体图像嵌入水印前后的变化来评价水印的近似程度，相似度NC越大，说明水印的鲁棒性越高，其NC表示如下：

图2-3是按照本发明的方法嵌入实际水印图像W后的Lena数字图像。从图2-3中可以看到，嵌入水印后的Lena数字图像质量并没有发生任何变化，PSNR很高，达到了44.2034dB，与图2-1所示的原始Lena数字图像一致，完全满足了水印不可察觉性的要求。图3是按照本发明的方法提取出的水印图像，结果表明，图2-2所示的嵌入实际水印后的Lena数字图像在未受任何攻击处理时，可以近乎无损地提取出嵌入的实际图像水印，NC＝0.9982，非常接近1，BER＝0。因此，提取出的图像基本就是原始水印图像。

下面对图2-3所示的嵌入实际水印后的Lena数字图像进行多种攻击处理，来验证本发明提出的基于Arnold空间域变换和BP神经网络压缩域的数字图像水印嵌入与提取方法的鲁棒性。

(1)直方图均衡化

对图2-3所示的嵌入实际水印后的Lena数字图像进行直方图均衡化处理，得到如图4-1所示的水印Lena数字图像。经过直方图均衡化处理，水印Lena数字图像的像素值分布发生了明显改变，PSNR下降至18.4074dB。用本发明的方法对图4-1所示的水印Lena数字图像进行图像水印提取，提取出的实际图像水印如图4-2所示。由结果可知，嵌入的实际图像水印能被较理想地提取出，BER＝0，则提取出的水印比较接近无攻击时的结果。因此该提取算法对载体图像的对比度变化具有较强的鲁棒性。

(2)叠加高斯噪声

对图2-3所示的嵌入实际水印后的Lena数字图像进行噪声干扰，噪声选用均值为0和方差为0.02的高斯噪声，得到如图5-1所示的含水印Lena数字图像。用本发明的方法对图5-1所示的含水印Lena数字图像进行图像水印提取，提取出的实际图像水印如图5-2所示。由图5-1可知，尽管含水印Lena数字图像受到高斯噪声干扰，视觉质量受到严重退化，PSNR下降至16.8854dB，但图5-2表明，嵌入的实际图像水印仍然具有很好的抗噪声干扰能力，BER＝0，则提取出的水印比较接近无攻击时的结果。因此该提取算法对噪声干扰具有较好的鲁棒性。

(3)叠加椒盐噪声

对图2-3所示的嵌入实际水印后的Lena数字图像进行噪声干扰，噪声选用密度为0.06的椒盐噪声，得到如图6-1所示的含水印Lena数字图像。用本发明的方法对图6-1所示的含水印Lena数字图像进行图像水印提取，提取出的实际图像水印如图6-2所示。由图6-1可知，尽管含水印Lena数字图像受到高斯噪声干扰，视觉质量受到严重退化，PSNR下降至17.4384dB，但图6-2表明，嵌入的实际图像水印仍然具有很好的抗噪声干扰能力，BER＝0.0007，近似等于0，则提取出的水印比较接近无攻击时的结果。因此该提取算法对噪声干扰具有较好的鲁棒性。

(4)中值滤波

对图2-3所示的嵌入实际水印后的Lena数字图像进行中值滤波处理，滤波器窗口大小选择为[9×9]，得到如图7-1所示的水印Lena数字图像。用本发明的方法对图7-1所示的水印Lena数字图像进行图像水印提取，提取出的实际图像水印如图7-2所示。由图7-1可以看出，这时水印Lena数字图像的细节已经比较模糊，PSNR下降至28.1076dB，但由图7-2表明，嵌入的实际图像水印仍具有比较理想的抗滤波能力，BER＝0。因此该提取算法对滤波处理具有较好的鲁棒性。

(5)JPEG压缩

对图2-3所示的嵌入实际水印后的Lena数字图像进行JPEG有损压缩处理，压缩质量因子为10％，得到如图8-1所示的水印Lena数字图像。由图8-1可以看出，这时水印Lena数字图像呈现出比较明显的方块效应，视觉质量发生了严重退化，PSNR仅为5.4062dB，但由图8-2表明，嵌入的实际图像水印仍具有很理想的抗JPEG有损压缩处理能力，BER＝0。因此该提取算法对JPEG压缩处理具有较强的鲁棒性。

(6)几何切割

对图2-3所示的嵌入实际水印后的Lena数字图像进行几何切割处理，是几何切割中间200×200个像素点后，得到如图9-1所示的水印Lena数字图像。由图9-1可以看出，这时水印Lena数字图像受到较大的破坏，PSNR＝13.1317dB，但由图9-2表明，本发明方法对于几何切割具有比较好的鲁棒性，嵌入的实际图像水印仍能被很好地提取出来，BER＝0。因此该提取算法对几何切割处理具有很强的鲁棒性。

(7)几何旋转

对图2-3所示的嵌入实际水印后的Lena数字图像进行顺时针方向旋转，角度为30°，得到如图10-1所示的水印Lena数字图像，PSNR＝11.2553dB。用本发明的方法对图10-1所示的水印Lena数字图像进行图像水印提取，不必先将旋转后的图像再反向旋转就直接可提取实际图像水印，如图10-2所示。由图10-2表明，本发明方法对于几何旋转攻击仍具有很强的鲁棒性，嵌入的实际图像水印能被很好地提取出来，BER＝0.00898，近似等于0。因此该提取算法对几何旋转处理具有很强的鲁棒性。

综上所述，本发明利用空间域和压缩域相结合的图像水印技术，在BP神经网络压缩域中确定水印嵌入到载体图像中的位置，不仅密钥参数增加，安全性提高，而且很好地平衡了水印的不可感知性和鲁棒性。其中，①相比于传统的图像水印嵌入技术，本发明的嵌入方法通过Arnold变换和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，本发明的BP神经网络引入图像压缩的概念，并且将图像压缩与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，也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常规的BP神经网络更接近实际值，最终使提取出的水印十分接近原始水印。③本发明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的输出中，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，仍然提取出嵌入位置中像素的大小，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。

本发明的方法不同于传统的图像水印嵌入与提取方法，其实质是利用空间域变换和BP神经网络压缩域相结合的图像水印技术，基于Arnold变换与BP有机结合，克服了水印安全性不高、鲁棒性不强的缺点，达到优势互补的功效，适用于多种版权受攻击的场合。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。

专业人员还可以进一步意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能性一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应超过本发明的范围。

结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块，或者二者的结合来实施。软件模块可以置于随机储存器、内存、只读存储器、电可编程ROM、电可檫除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其他形式的存储介质中。

可以理解的是，对于本领域的普通技术人员来说，可以根据本发明的技术构思做出其它各种相应的改变与变形，而所有这些改变与变形都应属于本发明权利要求的保护范围。

Claims (6)

1.一种基于BP神经网络数字图像压缩的图像水印嵌入方法，其特征在于，其包括如下步骤：

S1a、对原始水印图像W进行置乱处理，获得置乱后的水印图像；

所述步骤S1a中通过改进Arnold变换对水印图像进行置乱处理，获得置乱后的水印图像；改进Arnold变换算法是增加变量数目和扩大变换空间，对水印图像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

即

<mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <msub> <mi>x</mi> <mi>n</mi> </msub> <mo>=</mo> <mo>(</mo> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>+</mo> <mi>a</mi> <msub> <mi>y</mi> <mn>0</mn> </msub> <mo>)</mo> <mi>mod</mi> <mi> </mi> <mi>N</mi> </mtd> </mtr> <mtr> <mtd> <msub> <mi>y</mi> <mi>n</mi> </msub> <mo>=</mo> <mo>(</mo> <mi>b</mi> <msub> <mi>x</mi> <mn>0</mn> </msub> <mo>+</mo> <mrow> <mo>(</mo> <mrow> <mi>a</mi> <mi>b</mi> <mo>+</mo> <mn>1</mn> </mrow> <mo>)</mo> </mrow> <msub> <mi>y</mi> <mn>0</mn> </msub> <mo>)</mo> <mi>mod</mi> <mi> </mi> <mi>N</mi> </mtd> </mtr> </mtable> </mfenced>

进行n次迭代，得到置乱后的水印图像(x_n，y_n)，其中1≤x_n≤N，1≤y_n≤N，N为原始载体图像的阶数，a、b和n均为正整数且M为水印图像的高和宽；

S2a、建立BP神经网络，设置BP神经网络的传递函数、调整训练函数，并设置BP神经网络的训练次数、神经元激活函数阈值、学习常数以及压缩系数；

S3a、划分置乱后的水印图像为嵌入图像块，将输入和输出期望均设置为载体图像块，通过BP神经网络对载体图像块进行训练，获得隐含层的输出O；

S4a、在隐含层的输出O中嵌入水印，将嵌入水印图像信息后的压缩图像进行解压，得到嵌入水印的载体图像；

所述步骤S4a包括如下子步骤：

S41a、把置乱后的水印图像进行归一化处理，把水印图像量化到一个预设的值；

S42a把量化后的水印图像嵌入到隐含层的输出O的每行的第一个位置中；

S43a、把嵌入水印图像信息后的压缩图像进行解压，得到嵌入水印的载体图像。

2.如权利要求1所述的BP神经网络数字图像压缩的图像水印嵌入方法，其特征在于，所述步骤S2a中BP神经网络为64×8×64的三层BP神经网络，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，压缩系数为8。

3.如权利要求1所述的BP神经网络数字图像压缩的图像水印嵌入方法，其特征在于，载体图像分块成8×8的图像块。

4.一种基于BP神经网络数字图像压缩的图像水印提取方法，用于获取权利要求1至3任意一项中嵌入水印的载体图像中的原始水印图像，其特征在于，其包括如下步骤：

S1b、建立BP神经网络，设置BP神经网络的传递函数、调整训练函数，并设置BP神经网络的训练次数、神经元激活函数阈值、学习常数以及压缩系数；

S2b、划分嵌入水印后的图像为图像块，将输入设置为载体图像块，将输出期望设置为原图像块，通过BP神经网络对载体图像块进行训练，获得隐含层的输出O″；

S3b、获得隐含层的输出O″与隐含层的输出O的差，得到差值图像D；

S4b、对差值图像D进行反变换，得到置乱恢复的水印图像；S5b、置乱恢复的水印图像进行反归一化处理，得到原始水印图像W。

5.如权利要求4所述的基于BP神经网络数字图像压缩的图像水印提取方法，其特征在于，所述步骤S1b中BP神经网络为64×8×64的三层BP神经网络，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，压缩系数为8。

6.如权利要求4所述的基于BP神经网络数字图像压缩的图像水印提取方法，其特征在于，所述步骤S2b中嵌入水印后的图像分块成8×8的图像块。