CN107256529A - 多目标量子蝙蝠演进机制的小波数字水印生成方法 - Google Patents
多目标量子蝙蝠演进机制的小波数字水印生成方法 Download PDFInfo
- Publication number
- CN107256529A CN107256529A CN201710342909.9A CN201710342909A CN107256529A CN 107256529 A CN107256529 A CN 107256529A CN 201710342909 A CN201710342909 A CN 201710342909A CN 107256529 A CN107256529 A CN 107256529A
- Authority
- CN
- China
- Prior art keywords
- quantum
- watermark
- bat
- target
- dominant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0052—Embedding of the watermark in the frequency domain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Genetics & Genomics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供的是一种多目标量子蝙蝠演进机制的小波数字水印生成方法。建立设计模型,确定对应于多目标量子蝙蝠演进机制的关键参数。构造多目标小波数字水印系统最大值求解问题的多目标函数,量子蝙蝠根据目标函数值进行非支配量子位置排序和拥挤度计算,将非支配量子位置排序等级为1且拥挤度大的量子位置放入精英量子位置集。使用多目标量子蝙蝠演进机制更新量子蝙蝠的速度和量子位置,选择非支配量子位置,更新精英量子位置集。从最终的Pareto前端量子位置集中选择量子位置并映射为位置作为多目标小波数字水印的一种设计方案。本发明的实时性好且应用范围广泛,能够解决需要综合考虑不同指标要求的多目标小波数字水印设计这一技术难题。
Description
技术领域
本发明涉及一种多目标小波数字水印生成方法。
背景技术
随着数字技术的快速发展和互联网的普及与应用,人们发布、获取信息也愈加便捷,但是随之出现的问题也十分严重,数字作品易被拷贝与修改的特性使得数字多媒体信息存在被篡改和窃取的安全隐患,同时数字作品的版权问题也极易被侵犯,因此数字水印技术作为信息隐藏技术的一部分,在信息安全领域受到的广泛的关注。数字水印技术能够将特定的信息——水印嵌入到文档、音频、图像、视频等数字产品中,以此确保原创作者对其作品的所有权,并作为鉴定起诉非法侵权的证据以及知识产权保护和数字多媒体防伪的有效手段。数字水印技术通过将数字、序列号、文字、图像标志等信息嵌入到媒体中,并且在嵌入过程中尽量保证对载体的修改较小,确保获得最强的鲁棒性,当嵌入水印后的媒体受到攻击后仍然可以恢复水印或者检测出水印的存在。
小波变换是一种全局变换的方式,在时域和频域同时具有良好的局部化性能,从而被广泛的应用于图像水印技术。对于小波变换,低频部分记载的是图像的平滑部分数据,而高频部分则反映的是细节部分,在低频加入水印虽然会有很好的鲁棒性,但是会影响图像的质量,在高频部分加入水印不可感知性良好,但是鲁棒性较差。鲁棒性和不可感知性是信息隐藏算法好坏的重要判定依据,二者可以看作是一对矛盾,如何使不可感知性和鲁棒性同时达到最优,是具有挑战性的难题。
经对现有技术文献的检索发现,Anshul,K.K.等在《2016 InternationalConference onComputing,Communication and Automation(ICCCA)》(2016,pp.1140–1144)上发表的“Digital Image Watermarking and its optimizationusing GeneticAlgorithm”使用遗传算法来实现小波数字水印的设计,此方法通过加权系数,将多目标问题转化为对单目标问题对小波数字水印问题进行求解,使用此方法可在一定程度上获得鲁棒性和不可感知性的折中,但是此方法在复杂通信环境下不能使小波数字水印系统的鲁棒性和不可感知性同时达到最优。Jiann-Shu Lee等在《Journal of Internet Technology》(2013,Vol.14,No.7,pp.1131-1139)上发表的“A NSGA-II Based Image WatermarkingMethod”使用NSGA-II方法去获得小波数字水印系统的参数,但是该方法不能综合考虑嵌入位置和嵌入强度对小波数字水印系统参数设计的影响。Chakri,A. 等在《Expert SystemsWith application》(2016,Vol.69,pp.159–175)中“New directional bat algorithm forcontinuous optimization problems”提出了一种可较好的解决连续问题的蝙蝠搜索方法,但是此方法无法克服收敛速度与收敛精度之间的矛盾,在求解复杂工程问题时,难以获得优秀的结果。对已有文献检索表明,对于蝙蝠演进机制,仅能解决简单的单目标问题,且性能和速度有待提高,不能解决当前数字水印对鲁棒性和不可感知性的多目标问题。对于小波数字水印系统的鲁棒性和不可感知性的多目标要求,现有方法进行简单的线性加权,将多目标问题转化为单目标问题进行求解,不能在复杂要求下得到满意的结果。因此,设计新的多目标量子蝙蝠演进机制解决小波数字水印数字水印这个连续多目标难题有重要的理论价值和现实意义。
发明内容
本发明的目的在于提供一种实时性好,应用范围广泛,能够解决需要综合考虑不同指标要求的多目标量子蝙蝠演进机制的小波数字水印生成方法。
本发明的目的是这样实现的:
步骤一:构建多目标小波数字水印设计模型,确定多目标小波数字水印设计方法对应于多目标量子蝙蝠演进机制的关键参数:
1.水印嵌入方法
1)设原始图像系数矩阵为V,大小为N×N;原始水印系数矩阵为w,大小为M×M。将原始图像做D(D≥3)级小波变换,每一级都把图像分解为4个频带,可获得3D+1个频带子图。水印嵌入的位置与初始位置标号Tq有关,中频带中位置标号大于Tq的M×M个连续标号所对应的位置即为水印的嵌入位置,将挑选出的M×M个系数值序列记为X0,X0即为原始图像中水印嵌入位置所对应的系数矩阵。
2)对水印做D′(D′≤D)级小波变换,得到小波变换分解的小波系数,并对水印进行加密,将加密后的水印作为待嵌入的水印。水印嵌入时常用的规则有或其中X0为原始图像中水印嵌入位置所对应的系数矩阵,α是水印嵌入强度,是对原始水印加密变换后的水印系数矩阵,Xw是X0所对应的位置在嵌入加密水印后的系数矩阵。
3)对嵌入加密水印后的图像系数矩阵进行D级小波逆变换,完成水印的嵌入。
2.水印提取方法
1)根据嵌入方法,先将待检测含有水印的图像做相应的D级小波变换,得到之前在图像中嵌入加密水印的位置所对应的小波系数矩阵,使用规则或得到恢复的水印系数矩阵w′,X′w为嵌入加密水印后X0所对应位置的系数矩阵或被攻击后的系数矩阵。
2)利用D′(D′≤D)级小波逆变换对w′进行重构,通过密钥对恢复的水印进行解密,恢复原始水印。
原始水印和提取的水印的相似度f1与原图像和嵌入加密水印后图像的相似度f2的计算方式分别为其中,exp[]为以e为底的指数函数,abs()为取绝对值函数,w(x,y)表示原始水印第x行第y列的系数,w'(x,y)表示提取的水印第x行第y列的系数,w'(x,y)与Tq和α有关,E1为[M2,N2]之间的常数;其中,exp[]为以e为底的指数函数,abs() 为取绝对值函数,V(x,y)表示原始图像第x行第y列的系数,V'(x,y)表示嵌入加密水印后的图像第x行第y列的系数,V'(x,y)与Tq和α有关,E2为[M2,N2]之间的常数。在小波数字水印嵌入和提取的系统中,可通过对初始位置标号Tq和水印嵌入强度α的调整来完成小波数字水印的设计。
步骤二:初始化量子蝙蝠种群,在搜索空间内随机产生P只量子蝙蝠,在第t次迭代第i 只量子蝙蝠的量子位置为其映射的位置为其中 初始时t=0。在第t次迭代第i只量子蝙蝠的速度为其可在解空间随机初始化,初始时t=0。每个量子蝙蝠的位置对应多目标小波数字水印的一种设计方案。
步骤三:构造多目标小波数字水印系统最大值求解问题的多目标函数为 和分别对应原始水印和提取的水印的相似度与原始图像和嵌入加密水印后图像的相似度,可用位置的目标函数同时表征量子位置和位置的优劣。通过计算量子蝙蝠位置所对应的系统参数的目标函数值对每只量子蝙蝠进行适应度评价,对多目标量子蝙蝠搜索机制中所有量子蝙蝠的量子位置根据目标函数进行非支配量子位置排序和拥挤度计算。
对于求解最大值的多目标优化问题,对于量子蝙蝠的量子位置zi和zk,若对于所有的目标函数,zi的目标函数值都不小于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值大于zk的目标函数值,则称zi支配zk,zi为非支配量子位置。若对于所有的目标函数,zi的目标函数值都不大于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值小于zk的目标函数值,则称zi支配zk,zi为非支配量子位置。否则,量子位置zi、zk无任何支配关系。
对于需要确定非支配排序等级的量子位置集合中的每个量子位置p,计算能够支配此量子位置的量子位置数目和p能够支配的位置集合,如果能够支配位置p的量子位置数目为0,则可确定p的非支配排序等级为1。对于非支配排序等级为1的量子位置p,遍历p能够支配的量子位置集合中的每个量子位置q,计算p能支配的量子位置集合中能够支配量子位置 q量子位置数目,如果此数目为0,则将量子位置q放入另外一个集合中,并且量子位置q的非支配排序等级为2。利用上述过程,对于非支配排序等级为2的量子位置集合的每个量子位置进行重复,可得到非配非支配位置等级为3的量子位置集合。重复此过程,直至获得所有量子位置的非支配排序等级。
对于非支配等级相同的n个量子位置,相对于不同的目标函数,对n个量子位置按目标函数值升序的方式进行排列,将目标函数值最大和最小的量子位置所对应的拥挤度值设置为无穷大,其他量子位置的拥挤度为相邻两个量子位置的目标函数值的差除以最大目标函数值和最小目标函数值的差。对于每个量子位置的每个目标函数所对应的拥挤度都进行上述计算,最终的拥挤度就是所计算的各个拥挤度分量的和。
步骤四:为确保得到均匀的Pareto前端量子位置集,要向非支配量子位置排序等级为1 且拥挤度较大的量子位置演进,所以根据非支配量子位置排序等级和拥挤度的值排序精英量子位置。对非支配量子位置排序等级相同的量子位置按拥挤度由大到小进行排序,选择非支配量子位置排序等级为1且拥挤度较大的的量子位置加入精英量子位置集GMQBA中。
步骤五:在多目标量子蝙蝠演进机制中,更新第i只量子蝙蝠的频率 li=lmin+(lmax-lmin)ui,其中i=1,2,...,P,lmin和lmax分别代表量子蝙蝠频率的下界和上界,ui为[0,1]之间均匀分布的随机数。第i只量子蝙蝠速度的第d维的演化方式为为了减少量子蝙蝠在搜索过程中飞离搜索空间的概率,可将量子蝙蝠的速度变化限定在一定的范围内其中,vd,max量子蝙蝠速度第d维的最大值, i=1,2,...,P,d=1,2,c1和c2均为常数,rand为[0,1]之间均匀分布的随机变量,在精英量子位置集GMQBA的前40%的优秀量子位置中随机选取,在精英量子位置集GMQBA的前20%的优秀量子位置中随机选取。已知第i只量子蝙蝠的当前速度,则第i只量子蝙蝠量子位置的第d维的演进方式为其中 i=1,2,...,P,d=1,2。
在第t次迭代,产生一个[0,1]之间均匀分布的随机数如果其大于第i只量子蝙蝠的脉冲发射率ri t,即量子旋转角的演进方式为β=1-c4·t/tmax,其中randn为[0,1]之间满足高斯分布的随机变量,c3和c4均为[0,1]之间的常数,tmax代表迭代次数的最大值, 在精英量子位置集GMQBA的前 20%的优秀量子位置中随机选取,d=1,2。则第i只量子蝙蝠的量子位置演进方式为
在第t次迭代中,如果量子旋转角的演进方式为其中为第i只量子蝙蝠的脉冲响度,为[0,1]之间均匀分布的随机数,c5为常数,则第i只量子蝙蝠量子位置的演进方式为
步骤六:更新第i只量子蝙蝠的脉冲发射率ri t+1=ri t[1-exp(-γt)]和脉冲响度γ为常数,δ为常数。
步骤七:对量子蝙蝠种群中新获得的量子位置进行适应度评价,并对其进行非支配量子位置排序和拥挤度计算,对非支配等级相同的量子位置按拥挤度由大到小进行排序,根据支配关系选择非支配等级为1的优秀量子位置加入精英量子位置集GMQBA。
步骤八:如果GMQBA中量子位置个数大于预先设置的Emax,则对GMQBA中的量子位置进行非支配量子位置排序,并对非支配等级相同的量子位置按拥挤度由大到小进行排序,从中选择前Emax个量子位置作为新的精英量子位置集GMQBA。
步骤九:如果没有达到最大迭代代数,令t=t+1,返回步骤五继续进行;否则,迭代终止,执行下一步。
步骤十:将得到的精英量子位置集GMQBA中的量子位置进行非支配量子位置排序和拥挤度计算,选择非支配等级为1且拥挤度较大的量子位置作为最终的Pareto前端量子位置集。根据多目标小波数字水印对不可感知性和鲁棒性的不同要求,从最终的Pareto前端量子位置集中选择量子位置并将其映射为位置,作为多目标小波数字水印的一种设计方案。
本发明针对现有小波数字水印设计方法的缺点和不足,提出了一种可综合考虑嵌入不可感知性和水印提取鲁棒性的多目标小波数字水印设计方法。建立多目标小波数字水印设计方法的数学模型,设计多目标量子蝙蝠演进机制(Multi-objective Quantum BatAlgorithm, MQBA),并通过非支配量子位置排序和量子位置拥挤度计算,获得Pareto前端量子位置集。在实际应用中,可以根据鲁棒性和不可感知性的不同需求,根据图像的视觉特性和计算结果,从Pareto前端量子位置集中选择最合适的量子位置并将其映射为位置,每一个位置对应一种多目标小波数字水印系统的设计方案。
本发明具体是通过使用多目标量子蝙蝠演进机制、非支配量子位置排序和量子位置拥挤度计算使小波数字水印的鲁棒性和不可感知性同时达到最优。
本发明的方法基于量子旋转门、量子演化机制和量子多目标蝙蝠搜索机制,通过非支配量子位置排序和量子位置拥挤度计算获得最终的Pareto前端量子位置集。在实际应用中,可根据不同的需求在Pareto前端量子位置集中选择合适的量子位置并将其映射为位置,作为多目标小波数字水印的一种设计方案。本发明所提的多目标小波数字水印设计方法能够综合考虑不可感知性和鲁棒性。
与现有小波数字水印设计方法相比本发明能够使水印的不可感知性和鲁棒性同时满足要求,具有以下优点:
(1)本发明解决了连续多目标小波数字水印的参数设计问题,并且基于非支配量子位置排序和量子位置拥挤度计算设计的多目标量子蝙蝠搜索机制,所设计的多目标小波数字水印设计方法具有较好的的全局收敛性能。
(2)相对于现有的小波数字水印参数设计方法,本发明可以同时解决固定权值多目标优化和非固定权值的多目标小波数子水印设计难题,所提方法的应用范围广泛。
(3)仿真结果表明,本发明所提出的小波数字水印设计方法可得到比现有基于遗传算法的小波数字水印参数优化方法更优秀的性能和更广泛的应用范围,说明了本方法的有效性。
附图说明
图1是基于多目标量子蝙蝠演进机制的多目标小波数字水印生成方法的示意图。
图2和图3给出了MQBA演进机制所得到Pareto前端量子位置集和遗传算法得到单目标函数最优解之间的关系。由遗传算法(GA)演进多目标要求的加权函数为Uf1+(1-U)f2,当第一个目标权重U分别取1、0和0.5时,获得三种不同情况下的单目标函数分别为f1、f2和0.5f1+0.5f2。
图4(a)-4(e)是所提多目标小波数字水印设计方法的不可感知性检测。
图5(a)-5(e)是所提多目标小波数字水印设计方法的抗攻击能力检测。
具体实施方式
下面举例对本发明做更详细的描述。主要包括以下步骤:
步骤一:构建多目标小波数字水印设计模型,确定多目标小波数字水印设计方法对应于多目标量子蝙蝠演进机制的关键参数:
1.水印嵌入方法
1)设原始图像系数矩阵为V,大小为N×N;原始水印系数矩阵为w,大小为M×M。将原始图像做D(D≥3)级小波变换,每一级都把图像分解为4个频带,可获得3D+1个频带子图。水印嵌入的位置与初始位置标号Tq有关,中频带中位置标号大于Tq的M×M个连续标号所对应的位置即为水印的嵌入位置,将挑选出的M×M个系数值序列记为X0,X0即为原始图像中水印嵌入位置所对应的系数矩阵。
2)对水印做D′(D′≤D)级小波变换,得到小波变换分解的小波系数,并对水印进行加密,将加密后的水印作为待嵌入的水印。水印嵌入时常用的规则有或其中X0为原始图像中水印嵌入位置所对应的系数矩阵,α是水印嵌入强度,是对原始水印加密变换后的水印系数矩阵,Xw是X0所对应的位置在嵌入加密水印后的系数矩阵。
3)对嵌入加密水印后的图像系数矩阵进行D级小波逆变换,完成水印的嵌入。
2.水印提取方法
1)根据嵌入方法,先将待检测含有水印的图像做相应的D级小波变换,得到之前在图像中嵌入加密水印的位置所对应的小波系数矩阵,使用规则或得到恢复的水印系数矩阵w′,X′w为嵌入加密水印后X0所对应位置的系数矩阵或被攻击后的系数矩阵。
2)利用D′(D′≤D)级小波逆变换对w′进行重构,通过密钥对恢复的水印进行解密,恢复原始水印。
原始水印和提取的水印的相似度f1与原图像和嵌入加密水印后图像的相似度f2的计算方式分别为其中,exp[]为以e为底的指数函数,abs()为取绝对值函数,w(x,y)表示原始水印第x行第y列的系数,w'(x,y)表示提取的水印第x行第y列的系数,w'(x,y)与Tq和α有关,E1为[M2,N2]之间的常数;其中,exp[]为以e为底的指数函数,abs() 为取绝对值函数,V(x,y)表示原始图像第x行第y列的系数,V'(x,y)表示嵌入加密水印后的图像第x行第y列的系数,V'(x,y)与Tq和α有关,E2为[M2,N2]之间的常数。在小波数字水印嵌入和提取的系统中,可通过对初始位置标号Tq和水印嵌入强度α的调整来完成小波数字水印的设计。
步骤二:初始化量子蝙蝠种群,在搜索空间内随机产生P只量子蝙蝠,在第t次迭代第i 只量子蝙蝠的量子位置为其映射的位置为其中 初始时t=0。在第t次迭代第i只量子蝙蝠的速度为其可在解空间随机初始化,初始时t=0。每个量子蝙蝠的位置对应多目标小波数字水印的一种设计方案。
步骤三:构造多目标小波数字水印系统最大值求解问题的多目标函数为 和分别对应原始水印和提取的水印的相似度与原始图像和嵌入加密水印后图像的相似度,可用位置的目标函数同时表征量子位置和位置的优劣。通过计算量子蝙蝠位置所对应的系统参数的目标函数值对每只量子蝙蝠进行适应度评价,对多目标量子蝙蝠搜索机制中所有量子蝙蝠的量子位置根据目标函数进行非支配量子位置排序和拥挤度计算。
对于求解最大值的多目标优化问题,对于量子蝙蝠的量子位置zi和zk,若对于所有的目标函数,zi的目标函数值都不小于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值大于zk的目标函数值,则称zi支配zk,zi为非支配量子位置。若对于所有的目标函数,zi的目标函数值都不大于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值小于zk的目标函数值,则称zi支配zk,zi为非支配量子位置。否则,量子位置zi、zk无任何支配关系。
对于需要确定非支配排序等级的量子位置集合中的每个量子位置p,计算能够支配此量子位置的量子位置数目和p能够支配的位置集合,如果能够支配位置p的量子位置数目为0,则可确定p的非支配排序等级为1。对于非支配排序等级为1的量子位置p,遍历p能够支配的量子位置集合中的每个量子位置q,计算p能支配的量子位置集合中能够支配量子位置 q量子位置数目,如果此数目为0,则将量子位置q放入另外一个集合中,并且量子位置q的非支配排序等级为2。利用上述过程,对于非支配排序等级为2的量子位置集合的每个量子位置进行重复,可得到非配非支配位置等级为3的量子位置集合。重复此过程,直至获得所有量子位置的非支配排序等级。
对于非支配等级相同的n个量子位置,相对于不同的目标函数,对n个量子位置按目标函数值升序的方式进行排列,将目标函数值最大和最小的量子位置所对应的拥挤度值设置为无穷大,其他量子位置的拥挤度为相邻两个量子位置的目标函数值的差除以最大目标函数值和最小目标函数值的差。对于每个量子位置的每个目标函数所对应的拥挤度都进行上述计算,最终的拥挤度就是所计算的各个拥挤度分量的和。
步骤四:为确保得到均匀的Pareto前端量子位置集,要向非支配量子位置排序等级为1 且拥挤度较大的量子位置演进,所以根据非支配量子位置排序等级和拥挤度的值排序精英量子位置。对非支配量子位置排序等级相同的量子位置按拥挤度由大到小进行排序,选择非支配量子位置排序等级为1且拥挤度较大的的量子位置加入精英量子位置集GMQBA中。
步骤五:在多目标量子蝙蝠演进机制中,更新第i只量子蝙蝠的频率 li=lmin+(lmax-lmin)ui,其中i=1,2,...,P,lmin和lmax分别代表量子蝙蝠频率的下界和上界,ui为 [0,1]之间均匀分布的随机数。第i只量子蝙蝠速度的第d维的演化方式为为了减少量子蝙蝠在搜索过程中飞离搜索空间的概率,可将量子蝙蝠的速度变化限定在一定的范围内其中,vd,max量子蝙蝠速度第d维的最大值,i=1,2,...,P,d=1,2,c1和c2均为常数,rand为[0,1]之间均匀分布的随机变量,在精英量子位置集GMQBA的前40%的优秀量子位置中随机选取,在精英量子位置集GMQBA的前20%的优秀量子位置中随机选取。已知第i只量子蝙蝠的当前速度,则第i只量子蝙蝠量子位置的第d维的演进方式为其中i=1,2,...,P,d=1,2。
在第t次迭代,产生一个[0,1]之间均匀分布的随机数如果其大于第i只量子蝙蝠的脉冲发射率ri t,即量子旋转角的演进方式为β=1-c4·t/tmax,其中randn为[0,1]之间满足高斯分布的随机变量,c3和c4均为[0,1]之间的常数,tmax代表迭代次数的最大值, 在精英量子位置集GMQBA的前 20%的优秀量子位置中随机选取,d=1,2。则第i只量子蝙蝠的量子位置演进方式为
在第t次迭代中,如果量子旋转角的演进方式为其中为第i只量子蝙蝠的脉冲响度,为[0,1]之间均匀分布的随机数,c5为常数,则第i只量子蝙蝠量子位置的演进方式为
步骤六:更新第i只量子蝙蝠的脉冲发射率ri t+1=ri t[1-exp(-γt)]和脉冲响度γ为常数,δ为常数。
步骤七:对量子蝙蝠种群中新获得的量子位置进行适应度评价,并对其进行非支配量子位置排序和拥挤度计算,对非支配等级相同的量子位置按拥挤度由大到小进行排序,根据支配关系选择非支配等级为1的优秀量子位置加入精英量子位置集GMQBA。
步骤八:如果GMQBA中量子位置个数大于预先设置的Emax,则对GMQBA中的量子位置进行非支配量子位置排序,并对非支配等级相同的量子位置按拥挤度由大到小进行排序,从中选择前Emax个量子位置作为新的精英量子位置集GMQBA。
步骤九:如果没有达到最大迭代代数,令t=t+1,返回步骤五继续进行;否则,迭代终止,执行下一步。
步骤十:将得到的精英量子位置集GMQBA中的量子位置进行非支配量子位置排序和拥挤度计算,选择非支配等级为1且拥挤度较大的量子位置作为最终的Pareto前端量子位置集。根据多目标小波数字水印对不可感知性和鲁棒性的不同要求,从最终的Pareto前端量子位置集中选择量子位置并将其映射为位置,作为多目标小波数字水印的一种设计方案。
从图2和图3可以看出,所提多目标量子蝙蝠演进机制的小波数字水印设计方法所获得的Pareto前端量子位置集均能支配只考虑第一个目标函数(GA-1)、第二个目标函数(GA-2) 和两个目标函数的权重值各为0.5(GA-3)的单目标遗传算法演进所获得的最优解。
从图4(a)-4(e)可以看出所所提多目标小波数字水印设计方法能综合考虑不可感知性和鲁棒性,效果良好。图5(a)-5(e)给出在噪声密度为0.001的椒盐噪声攻击下所提方法的多目标小波数字水印嵌入和提取结果,从图中可以看出所设计方法嵌入水印后有较好的不可感知性,而且能够提取出较清晰的水印信息,由此可知所提多目标小波数字水印设计方法具有较好的抗攻击能力。
仿真基于多目标小波数字水印系统,对于载波图像N=256,对于水印图像M=32,水印图像使用猫脸变换和逆变换进行加密和解密,D=3,D′=1,E1=E2=3072。多目标量子蝙蝠(MQBA)演进机制的参数设置如下:P=20,lmax=2,lmin=0,c1=2,c2=2,c3=0.5, c4=0.8,c5=2,ri 0=0.4,γ=0.9,δ=0.9,Emax=20,终止迭代次数为1000。遗传算法参数设置为:种群规模为20,迭代次数为1000,单点交叉,交叉概率为0.6,变异概率为0.01,使用精英保留策略。
Claims (4)
1.一种多目标量子蝙蝠演进机制的小波数字水印生成方法,其特征是:
步骤一:构建多目标小波数字水印设计模型,确定多目标小波数字水印设计方法对应于多目标量子蝙蝠演进机制的关键参数;
步骤二:初始化量子蝙蝠种群,在搜索空间内随机产生P只量子蝙蝠,在第t次迭代第i只量子蝙蝠的量子位置为其映射的位置为其中i=1,2,...,P,d=1,2,初始时t=0,在第t次迭代第i只量子蝙蝠的速度为
步骤三:构造多目标小波数字水印系统最大值求解问题的多目标函数为 和分别对应原始水印和提取的水印的相似度与原始图像和嵌入加密水印后图像的相似度,用位置的目标函数同时表征量子位置和位置的优劣,通过计算量子蝙蝠位置所对应的系统参数的目标函数值对每只量子蝙蝠进行适应度评价,对多目标量子蝙蝠搜索机制中所有量子蝙蝠的量子位置根据目标函数进行非支配量子位置排序和拥挤度计算;
步骤四:根据非支配量子位置排序等级和拥挤度的值排序精英量子位置,对非支配量子位置排序等级相同的量子位置按拥挤度由大到小进行排序,选择非支配量子位置排序等级为1且拥挤度大的量子位置加入精英量子位置集GMQBA中;
步骤五:在多目标量子蝙蝠演进机制中,更新第i只量子蝙蝠的频率;
步骤六:更新第i只量子蝙蝠的脉冲发射率和脉冲响度γ为常数,δ为常数;
步骤七:对量子蝙蝠种群中新获得的量子位置进行适应度评价,并对其进行非支配量子位置排序和拥挤度计算,对非支配等级相同的量子位置按拥挤度由大到小进行排序,根据支配关系选择非支配等级为1的优秀量子位置加入精英量子位置集GMQBA;
步骤八:如果GMQBA中量子位置个数大于预先设置的Emax,则对GMQBA中的量子位置进行非支配量子位置排序,并对非支配等级相同的量子位置按拥挤度由大到小进行排序,从中选择前Emax个量子位置作为新的精英量子位置集GMQBA;
步骤九:如果没有达到最大迭代代数,令t=t+1,返回步骤五继续进行;否则,迭代终止,执行下一步;
步骤十:将得到的精英量子位置集GMQBA中的量子位置进行非支配量子位置排序和拥挤度计算,选择非支配等级为1且拥挤度较大的量子位置作为最终的Pareto前端量子位置集,从最终的Pareto前端量子位置集中选择量子位置并将其映射为位置,作为多目标小波数字水印的一种申城方案。
2.根据权利要求1所述的多目标量子蝙蝠演进机制的小波数字水印生成方法,其特征是步骤一具体包括:
(1)水印嵌入方法
1)设原始图像系数矩阵为V,大小为N×N;原始水印系数矩阵为w,大小为M×M,将原始图像做D、D≥3级小波变换,每一级都把图像分解为4个频带,获得3D+1个频带子图,水印嵌入的位置与初始位置标号Tq有关,中频带中位置标号大于Tq的M×M个连续标号所对应的位置即为水印的嵌入位置,将挑选出的M×M个系数值序列记为X0,X0即为原始图像中水印嵌入位置所对应的系数矩阵;
2)对水印做D′、D′≤D级小波变换,得到小波变换分解的小波系数,并对水印进行加密,将加密后的水印作为待嵌入的水印,水印嵌入的规则有或其中X0为原始图像中水印嵌入位置所对应的系数矩阵,α是水印嵌入强度,是对原始水印加密变换后的水印系数矩阵,Xw是X0所对应的位置在嵌入加密水印后的系数矩阵;
3)对嵌入加密水印后的图像系数矩阵进行D级小波逆变换,完成水印的嵌入;
(2)水印提取方法
1)根据嵌入方法,先将待检测含有水印的图像做相应的D级小波变换,得到之前在图像中嵌入加密水印的位置所对应的小波系数矩阵,使用规则或得到恢复的水印系数矩阵w′,X′w为嵌入加密水印后X0所对应位置的系数矩阵或被攻击后的系数矩阵;
2)利用D′、D′≤D级小波逆变换对w′进行重构,通过密钥对恢复的水印进行解密,恢复原始水印;
原始水印和提取的水印的相似度f1与原图像和嵌入加密水印后图像的相似度f2的计算方式分别为其中,exp[]为以e为底的指数函数,abs()为取绝对值函数,w(x,y)表示原始水印第x行第y列的系数,w'(x,y)表示提取的水印第x行第y列的系数,w'(x,y)与Tq和α有关,E1为[M2,N2]之间的常数;其中,exp[]为以e为底的指数函数,abs()为取绝对值函数,V(x,y)表示原始图像第x行第y列的系数,V'(x,y)表示嵌入加密水印后的图像第x行第y列的系数,V'(x,y)与Tq和α有关,E2为[M2,N2]之间的常数,通过对初始位置标号Tq和水印嵌入强度α的调整来完成小波数字水印的设计。
3.根据权利要求2所述的多目标量子蝙蝠演进机制的小波数字水印生成方法,其特征是步骤三具体包括:
对于量子蝙蝠的量子位置zi和zk,若对于所有的目标函数,zi的目标函数值都不小于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值大于zk的目标函数值,则称zi支配zk,zi为非支配量子位置;若对于所有的目标函数,zi的目标函数值都不大于zk的目标函数值,且至少相对于一个目标函数,zi的目标函数值小于zk的目标函数值,则称zi支配zk,zi为非支配量子位置;否则,量子位置zi、zk无任何支配关系;
对于需要确定非支配排序等级的量子位置集合中的每个量子位置p,计算能够支配此量子位置的量子位置数目和p能够支配的位置集合,如果能够支配位置p的量子位置数目为0,则确定p的非支配排序等级为1;对于非支配排序等级为1的量子位置p,遍历p能够支配的量子位置集合中的每个量子位置q,计算p能支配的量子位置集合中能够支配量子位置q量子位置数目,如果此数目为0,则将量子位置q放入另外一个集合中,并且量子位置q的非支配排序等级为2;对于非支配排序等级为2的量子位置集合的每个量子位置进行重复,得到非配非支配位置等级为3的量子位置集合;直至获得所有量子位置的非支配排序等级;
对于非支配等级相同的n个量子位置,相对于不同的目标函数,对n个量子位置按目标函数值升序的方式进行排列,将目标函数值最大和最小的量子位置所对应的拥挤度值设置为无穷大,其他量子位置的拥挤度为相邻两个量子位置的目标函数值的差除以最大目标函数值和最小目标函数值的差;对于每个量子位置的每个目标函数所对应的拥挤度都进行上述计算,最终的拥挤度就是所计算的各个拥挤度分量的和。
4.根据权利要求3所述的多目标量子蝙蝠演进机制的小波数字水印生成方法,其特征是步骤五具体包括:
更新第i只量子蝙蝠的频率li=lmin+(lmax-lmin)ui,其中i=1,2,...,P,lmin和lmax分别代表量子蝙蝠频率的下界和上界,ui为[0,1]之间均匀分布的随机数,第i只量子蝙蝠速度的第d维的演化方式为将量子蝙蝠的速度变化限定在范围内,其中,vd,max量子蝙蝠速度第d维的最大值,i=1,2,...,P,d=1,2,c1和c2均为常数,rand为[0,1]之间均匀分布的随机变量,在精英量子位置集GMQBA的前40%的优秀量子位置中随机选取,在精英量子位置集GMQBA的前20%的优秀量子位置中随机选取,已知第i只量子蝙蝠的当前速度,则第i只量子蝙蝠量子位置的第d维的演进方式为其中i=1,2,...,P,d=1,2;
在第t次迭代,产生一个[0,1]之间均匀分布的随机数如果大于第i只量子蝙蝠的脉冲发射率ri t,即量子旋转角的演进方式为β=1-c4·t/tmax,其中randn为[0,1]之间满足高斯分布的随机变量,c3和c4均为[0,1]之间的常数,tmax代表迭代次数的最大值,在精英量子位置集GMQBA的前20%的优秀量子位置中随机选取,d=1,2,则第i只量子蝙蝠的量子位置演进方式为
在第t次迭代中,如果量子旋转角的演进方式为其中为第i只量子蝙蝠的脉冲响度,为[0,1]之间均匀分布的随机数,c5为常数,则第i只量子蝙蝠量子位置的演进方式为
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710342909.9A CN107256529B (zh) | 2017-05-16 | 2017-05-16 | 多目标量子蝙蝠演进机制的小波数字水印生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710342909.9A CN107256529B (zh) | 2017-05-16 | 2017-05-16 | 多目标量子蝙蝠演进机制的小波数字水印生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107256529A true CN107256529A (zh) | 2017-10-17 |
CN107256529B CN107256529B (zh) | 2020-07-28 |
Family
ID=60028018
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710342909.9A Active CN107256529B (zh) | 2017-05-16 | 2017-05-16 | 多目标量子蝙蝠演进机制的小波数字水印生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256529B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784472A (zh) * | 2017-11-09 | 2018-03-09 | 河南科技学院 | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 |
CN110474769A (zh) * | 2019-08-23 | 2019-11-19 | 上海海事大学 | 一种基于修改方向的量子彩色图像加密方法 |
CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050123169A1 (en) * | 2001-03-08 | 2005-06-09 | Wendt Peter D. | Method to make wavelet watermarks resistant to affine transformations |
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN104134185A (zh) * | 2014-07-31 | 2014-11-05 | 江西理工大学 | 一种抵御联合攻击的图像水印嵌入和提取方法与系统 |
CN104217389A (zh) * | 2014-01-22 | 2014-12-17 | 河南师范大学 | 一种基于改进Arnold变换的图像水印嵌入、提取的方法与装置 |
CN104732474A (zh) * | 2015-03-30 | 2015-06-24 | 陕西师范大学 | 基于多级小波系数加权和量化的数字水印嵌入及提取方法 |
CN106452625A (zh) * | 2016-10-09 | 2017-02-22 | 哈尔滨工程大学 | 多目标绿色认知无线电系统参数生成方法 |
-
2017
- 2017-05-16 CN CN201710342909.9A patent/CN107256529B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050123169A1 (en) * | 2001-03-08 | 2005-06-09 | Wendt Peter D. | Method to make wavelet watermarks resistant to affine transformations |
CN103324978A (zh) * | 2013-07-03 | 2013-09-25 | 哈尔滨工程大学 | 基于多目标量子蚁群算法的多目标决策引擎参数优化方法 |
CN104217389A (zh) * | 2014-01-22 | 2014-12-17 | 河南师范大学 | 一种基于改进Arnold变换的图像水印嵌入、提取的方法与装置 |
CN104134185A (zh) * | 2014-07-31 | 2014-11-05 | 江西理工大学 | 一种抵御联合攻击的图像水印嵌入和提取方法与系统 |
CN104732474A (zh) * | 2015-03-30 | 2015-06-24 | 陕西师范大学 | 基于多级小波系数加权和量化的数字水印嵌入及提取方法 |
CN106452625A (zh) * | 2016-10-09 | 2017-02-22 | 哈尔滨工程大学 | 多目标绿色认知无线电系统参数生成方法 |
Non-Patent Citations (4)
Title |
---|
SEJPAL S, SHAH N.: "A novel multiple objective optimized color watermarking scheme based on LWT-SVD domain using nature based Bat Algorithm and Firefly algorithm", 《2016 IEEE INTERNATIONAL CONFERENCE ON ADVANCES IN ELECTRONICS, COMMUNICATION AND COMPUTER TECHNOLOGY (ICAECCT)》 * |
方旺盛,曾苑,岳崇伦: "基于粒子群优化和小波变换的视频水印算法", 《电视技术》 * |
邱群, 马小虎: "采用整数小波变换和多目标遗传算法的可逆灰度水印", 《计算机辅助设计与图形学学报》 * |
高洪元,梁炎松,刘丹丹: "基于新量子蜂群算法的鲁棒多用户检测", 《计算机工程》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107784472A (zh) * | 2017-11-09 | 2018-03-09 | 河南科技学院 | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 |
CN107784472B (zh) * | 2017-11-09 | 2021-12-14 | 河南科技学院 | 一种面向仓储式肉鸡养殖的多堆垛机协同给料优化方法 |
CN110474769A (zh) * | 2019-08-23 | 2019-11-19 | 上海海事大学 | 一种基于修改方向的量子彩色图像加密方法 |
CN110474769B (zh) * | 2019-08-23 | 2020-11-17 | 上海海事大学 | 一种基于修改方向的量子彩色图像加密方法 |
WO2021036361A1 (zh) * | 2019-08-23 | 2021-03-04 | 上海海事大学 | 一种基于修改方向的量子彩色图像加密方法及线路 |
CN112531728A (zh) * | 2020-12-07 | 2021-03-19 | 广东电网有限责任公司佛山供电局 | 一种基于改进naga-ii算法的配电网无功优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107256529B (zh) | 2020-07-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110460600A (zh) | 可抵御生成对抗网络攻击的联合深度学习方法 | |
CN105389770B (zh) | 基于bp和rbf神经网络的图像水印嵌入、提取方法与装置 | |
CN111311472B (zh) | 一种图像处理模型与图像处理算法的产权保护方法 | |
CN110610082A (zh) | 一种基于dnn用于护照抵御模糊攻击的系统与方法 | |
CN101452570B (zh) | 基于网格的矢量空间数据数字水印方法 | |
CN108961141B (zh) | 矢量地图的双重零水印方法、系统、存储介质及服务器 | |
CN107256529A (zh) | 多目标量子蝙蝠演进机制的小波数字水印生成方法 | |
Takore et al. | A new robust and imperceptible image watermarking scheme based on hybrid transform and PSO | |
CN106709854B (zh) | 基于猫脸变换和混沌的图像信息融合加密方法 | |
CN109919303B (zh) | 一种深度神经网络的知识产权保护方法、系统及终端 | |
CN102393900A (zh) | 基于鲁棒哈希的视频拷贝检测方法 | |
CN111130748A (zh) | 一种量子混沌的并行图像加密方法 | |
CN115619616A (zh) | 基于水印扰动的对抗样本生成方法、装置、设备及介质 | |
Yang et al. | Multi-source data hiding in neural networks | |
CN104766263A (zh) | 基于四元数Legendre矩校正的彩色图像水印嵌入及检测方法 | |
Lee et al. | Constructing gene features for robust 3D mesh zero-watermarking | |
CN102314667B (zh) | 基于顶点权值的obj格式三维模型数字水印方法 | |
CN100437560C (zh) | 一种向关系数据库嵌入和提取数字水印的方法 | |
Kaur et al. | An efficient image steganography method using multiobjective differential evolution | |
CN106778106A (zh) | 基于改进型lsb算法的数据版权保护方法及系统 | |
CN114978466A (zh) | 类分形模型和希尔伯特同步置乱扩散的加密方法 | |
Ito et al. | Access control of semantic segmentation models using encrypted feature maps | |
CN102622429B (zh) | 一种基于特征距离比值的地理数据库水印方法 | |
CN113744175A (zh) | 一种基于双向约束生成对抗网络的图像生成方法及系统 | |
Vybornova et al. | Copyright protection for image classification models using pseudo-holographic watermarks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |