CN104616244A - 基于bp神经网络压缩域的图像水印嵌入与提取方法 - Google Patents

Abstract

本发明公开了一种基于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。

Description

基于BP神经网络压缩域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神经网络压缩域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。

发明内容

针对以上问题及难点，本发明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。

本发明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：

＝mod(M)

进行n次迭代，得到对应水印的置乱后的值(x_n,y_n)，其中1≤x_n≤N，1≤y_n≤N，(X_i,y_i)是原图像的像素点，(X_n,y_n)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[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'。

本发明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)成快成8x8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，本发明的优点在于：

(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标准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。

附图说明

图1是本发明的基于BP神经网络压缩域的图像水印嵌入方法流程图；

图2是本发明的基于BP神经网络压缩域的图像水印提取方法流程图；

图3～5是原始载体图像、原始水印图像和嵌入水印后的载体图像；

图6是无攻击时提取的水印图像；

图7～9是直方图均衡化后的含水印载体图像、提取的水印图像和均衡化后的直方图；

图10、11是加高斯噪声(μ＝0和σ＝0.02)后的含水印载体图像和提取的水印图像；

图12、13是密度为0.06的椒盐后的含水印载体图像和提取的水印图像；

图14、15是中值滤波(9×9)后的含水印载体图像和提取的水印图像；

图16、17是JPEG压缩10％后的含水印载体图像和提取的水印图像；

图18～27是分别是几何切割左上角200×200、右上角200×200、左下角200×200、右下角200×200、中间200×200后的含水印载体图像和提取的水印图像；

图28～35是几何旋转30°、60°、90°、180°后的含水印载体图像和提取的水印图像。

具体实施方式

以下结合附图和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神经网络压缩域的图像水印嵌入与提取方法，其利用Arnold变换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，并充分利用Arnold变换的混沌置乱特性，实现将水印图像均匀地分布到宿主图像中；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局部像素点之间的关系，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，实现了水印的盲检测。

本发明的第一部分是：

如图1所示，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，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(x_n,y_n)，其中1≤x_n≤N，1≤y_n≤N，(X_i,y_i)是原图像的像素点，(X_n,y_n)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'。

本发明的第二部分是：

如图2所示，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)成快成8x8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)。

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 CPU2.50GHz2.50GHz2.50GHz2.50GHz，4.0GB)上用MATLABR2014a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3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4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，首先由BP神经网络进行图像压缩，得到隐含层到输出层的调整权重，把水印嵌入到对应的权重中，使用含有水印行的权重与隐含层的输出解压图像，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，得到隐含层到输出层新的调整权重，使用含有水印信息的权重与新的权重相减，最后经Arnold反变换回原水印图像。两者的过程相辅相成。

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：

$\mathrm{BER}=\frac{1}{M\×K}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{K}{\mathrm{\Σ}}}w(i,j)\⊕w^{\′}(i,j)$

其中M＝35，K＝35，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：

$\mathrm{PSNR}=10\mathrm{lo}{g}_{10}\frac{\mathrm{mn}\underset{m,n}{\max }\left({I_{i,j}}^2\right)}{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{(I_{i,j}-{I^{\′}}_{i,j})}^2}$

其中m＝300，n＝300，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：

$\mathrm{NC}=\frac{\underset{m,n}{\mathrm{\Σ}}{I}_{m,n}{I^{\′}}_{m,n}}{\underset{m,n}{\mathrm{\Σ}}{I_{m,n}}^2}.$

图5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5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36.3697dB，与图3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6是按照本发明的方法提取出的水印图像，结果表明，图4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＝0.9785，非常接近1，BER＝0.0059，近似等于0。因此提取出的图像基本就是原始水印图像。

下面对图5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改进Arnold空间域变换和FSSVM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5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7所示的水印Lena数字图像。

(2)叠加高斯噪声

对图5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10所示的含水印Lena数字图像。

(3)叠加椒盐噪声

对图5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12所示的含水印Lena数字图像。

(4)中值滤波

对图5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14所示的水印Lena数字图像。

(5)JPEG压缩

对图5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16所示的水印Lena数字图像。

(6)几何切割

对图5所示的嵌入实际水印后的Lena数字图像进行几何切割处理，自左侧开始切去100×300个像素点，得到如图18～27所示的水印Lena数字图像。

(7)几何旋转

对图5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28～35所示的水印Lena数字图像。

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，基于BP神经网络压缩来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，而且实现了水印的不可感知性及其盲提取。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标准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。

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和BP神经网络压缩域的图像水印技术，基于Arnold变换与BP有机结合，克服前者安全性不高、鲁棒性不强的缺点，也克服了后者无法盲提取水印的缺陷，达到优势互补的功效，适用于多种版权受攻击的场合。

Claims (2)

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：

＝mod(M)

进行n次迭代，得到对应水印的置乱后的值(x_n,y_n)，其中1≤x_n≤N，1≤y_n≤N，(X_i,y_i)是原图像的像素点，(X_n,y_n)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'。

2.基于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)成快成8x8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)。