CN109544438A - 一种基于神经网络与dct变换的数字水印方法 - Google Patents
一种基于神经网络与dct变换的数字水印方法 Download PDFInfo
- Publication number
- CN109544438A CN109544438A CN201811385721.3A CN201811385721A CN109544438A CN 109544438 A CN109544438 A CN 109544438A CN 201811385721 A CN201811385721 A CN 201811385721A CN 109544438 A CN109544438 A CN 109544438A
- Authority
- CN
- China
- Prior art keywords
- watermark
- neural network
- image
- original image
- original
- 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.)
- Pending
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 36
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000003780 insertion Methods 0.000 claims abstract description 13
- 230000037431 insertion Effects 0.000 claims abstract description 13
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 12
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 239000000284 extract Substances 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 239000000203 mixture Substances 0.000 claims description 4
- 238000000926 separation method Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 2
- 238000005516 engineering process Methods 0.000 abstract description 7
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 abstract description 3
- 238000011161 development Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000010008 shearing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 210000003169 central nervous system Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005242 forging Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000009738 saturating Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
一种基于神经网络与DCT变换的数字水印方法涉及数字水印技术领域，是鲁棒性较强的不可见数字水印方法。本发明根据人眼视觉特性结合原始图像RGB分量的比例，自适应的嵌入水印，提高透明性，数字水印在抵御几何攻击方面不足，利用Hopfield神经网络的优势，在水印检测过程中，对水印图像进行校正，从而提高鲁棒性。新型数字水印方法可以更好地平衡水印透明性和鲁棒性之间的关系。
Description
技术领域
本发明涉及数字水印技术领域，尤其适用于鲁棒性较强的不可见数字水印方法。
背景技术
随着产业发展化的趋势，水印的应用越来越广泛，数字水印刚开始是为了对数字作品进行版权上的维护，但随着研究的深入，使用范围也快速扩大，呈现出面向互联网、以及多种多样应用集成的大趋势。盗版跟踪、阻止非法拷贝、媒体的所有权的和版权的认定与保护、作品内容的真假判别和隐蔽通信等这几个方面，成为未来发展的主要趋势。
信息时代的到来，产生了音频、动画、电子美术等多种新技术，都造成了版权保护的困扰，最终多由于新的版权保护制度和法案的产生而重新得到控制，数字信息的不断发展对现今的版权保护产生了诸多的不利，比如低廉的复制、数字标识信息的篡改、非法盗版等问题。数字化技术低价、准确、大范围的复制篡改和计算机全球广泛的信息传播力都给数字产品版权保护带来了很大的冲击，使得假冒、伪造的数字产品每年在成倍的增长，同时也严重阻碍了科学信息技术的发展。因此，要彻底的实现版权保护、防止篡改、防止伪造是一个困扰各国科学研究人员的难题。
数字水印为多媒体信息隐藏、版权保护和产品防伪提供了一种有效的途径。数字水印技术具有强大且无法估量的潜在市场，能够对未来的社会发展以及经济进程起到不容忽视的巨大影响。
信息隐藏是数字水印技术中不可缺少的组成部分，它无疑为多媒体信息安全、版权保护和产品防伪提供了重要的维护手段，可以说信息隐藏技术是一个非常活跃且有待进一步研究的领域。数字水印技术作为新兴的事物具有强大的潜在市场，在以后的应用发展中能够将这种方法的优点更多的展现出来，同时为市场带来相当可观的收入.
神经网络反映了多学科交叉技术领域，在机器学习和相关领域，人工神经网络(人工神经网络)的计算模型灵感来自动物的中枢神经系统(尤其是脑)，并且被用于估计或可以依赖于大量的输入和一般的未知近似函数。人工神经网络通常呈现为相互连接的“神经元”，它可以从输入的计算值，并且能够机器学习以及模式识别由于它们的自适应性质的系统。基于神经网络的盲检测水印算法分别对原始图像和二值水印采用分布式存储和自组织形式进行联想记忆，使得系统连线即使被破坏了50％，仍能将存储的能量最大限度的优化记忆联想出来，一定程度上提高了水印的鲁棒性
发明内容
本发明要解决的技术问题是不可见水印的鲁棒性不能满足社会的需求.，要保证透明性的同时提高数字水印的鲁棒性。
本发明的基本原理为：根据人眼视觉特性结合原始图像RGB分量的比例，自适应的嵌入水印，提高透明性，数字水印在抵御几何攻击方面不足，利用 Hopfield神经网络的优势，在水印检测过程中，对水印图像进行校正，从而提高鲁棒性。
本发明提供的新型数字水印方法，具体实现步骤如下：
步骤1：将二值图像作为嵌入的水印信号；
步骤2：原始彩色图像的三色分离；
步骤3：使用Arnold变换对水印图像进行置乱处理；
步骤4：原始图像的离散余弦变换(DCT)；
步骤5：水印图像自适应的嵌入到原始彩色图像；
步骤6:进行IDCT变换，得到嵌水印图像
步骤7：嵌入的水印图像，输入到Hopfield神经网络中；
步骤8：将Hopfield神经网络联想恢复出来的水印信号与提取的水印进行比较；
步骤9：存在水印，比较两者像素差值，提取出由0,1组成的二值水印信息；
步骤10：通过Hopfield神经网络联想出原始水印位平面信息；
步骤11：水印图像与没有结合神经网络的水印图像进行攻击后效果对比；
本发明通过神经网络技术与数字水印技术进行结合同时考虑了HVS，有效提高了数字水印的透明性，增强了数字水印的鲁棒性。
附图说明
图1为本发明所涉及方法总体的流程图；
图2为数字水印嵌入的流程图；
图3为数字水印提取的流程图
具体实施方式
下面结合附图和实施步骤对本发明做进一步说明。
基于神经网络与数字水印方法流程图如图1所示，包括以下步骤：
(1)将二值图像作为嵌入的水印信号；
(2)神经网络的训练学习,将彩色的原始图像进行灰度处理，然后将一个水印位平面和原始图像位平面输入到Hopfield神经网络中，进行训练，其可以记忆联想出原始图像和水印信号；
(3)原始彩色图像的三色分离，提取原始图像的红，绿，蓝三个基色分量；
(4)对二值水印信号进行Arnold置乱变换，Arnold变换是有一定周期性的，周期的大小与图像的大小相关，本方法选用64*64水印图像，置乱15次后，像素之间的关系已经变得很弱，很难发现隐藏在图像中的信息，经过生成的水印信号为W；
(5)分别对三个基色分量做离散余弦变换；
(6)基于神经网络对图像分类处理的能力，实现对原始图像RGB三基色进行分类统计。离散Hopfield网络是一种反馈网络。Hopfield神经网络会自行运行而收敛到设定的平衡点，此过程中，据原始图像RGB三基色所占的比例将水印信息嵌入到原始图像的三个通道中，而实现水印嵌入强度的动态调整。 HVS特性是水印信号嵌入的强度同原始图像的亮度成正比。从图像类特性考虑，图像又可以分为纹理区域以及平滑区域。人的视觉对纹理复杂的区域比纹理简单的区域更不敏感，嵌入信息的多少与图像纹理区域密集程度成正比。从频率特性考虑，人的视觉对低频分量更敏感，高频分量不敏感，人眼对三基色的敏感程度不同，蓝色最弱，结合HVS特性将置乱变换后生成的水印信号W嵌入其中，实现了水印自适应的嵌入到原始图像离散余弦变换后的绿色分量的低频系数中，蓝色分量的高频系数中，最后避免能量在同一频率过度集中，将最后一部分水印信息嵌入到红色分量的中频系数中；
嵌入的顺序不同可以作为另一种加密手段，本方法选用的加密顺序是绿色分量，蓝色分量，红色分量。
水印嵌入的强度与水印不可见性和稳健性关系密切，且稳健性和不可见性存在矛盾，强度太大会破坏图像本身的价值。嵌入强度根据MATLB仿真可知，水印嵌入强度达到0.02时，不会对原始图像整体造成一定的破坏,不影响视觉效果的前提下,使得图像的透明性最好。此时原始图像R，G，B分量的嵌入系数分别为2.8387、2.7498、2.4114；
(7)将绿色分量的低频分量，蓝色分量的高频分量，红色分量的频分量分别进行IDCT变换，得到嵌水印图像,；
(8)将嵌入水印的图像,，输入Hopfield神经网络中，利用神经网络的自学习能力，将遭受几何攻击的嵌水印图像恢复到原始图像的大小或朝向，同时联想出原始图像和水印信号；
(9)将Hopfield神经网络联想恢复出来的水印信号与提取的水印作对比，通过相似程度的大小，判断水印是否存在；
(10)若相似度大小在百分之八十以上,则说明水印存在，联想出的原始彩色图像和加攻击的嵌水印图像比较像素差值，由此提取出由0，1组成的二值水印信息；
(11)通过Hopfield神经网络联想出原始水印位平面信息；
由上述实施步骤得到的新型数字水印方法通过与没有使用神经网络以及没有考虑HVS与本发明方法的图像水印峰值信噪比与归一化相似度相比较，当水印的嵌入强度为0.02的情况下，没有考虑HVS特性的算法通过仿真计算嵌入水印图像质量值PSNR为39.6，本方法得到的嵌入水印后的图像质量值PSNR可达到47.6，得出在嵌入强度为0.02的情况下，本方法的算法透明性更好。在进行攻击检测，通过比较本方法与颜色不等权值方法的NC值，对于缩放攻击NC 值都为1，缩放攻击抵御效果相同，但是在裁剪攻击后，本方法提取出的水印的 NC值为1，颜色不等全值算法经过1/16、1/4、1/2裁剪攻击后提取水印的NC 值分别为0.974、0.892、0.770。本方法在经过旋转攻击之后仍能获得较为清晰的水印图像，且通过实验仿真可知提取出的水印的NC值为1；而视觉观察，色不等权值算法在此类攻击下受到的影响较大，已经无法提取水印信息，过实验仿真可知，经过逆时针旋转5°、15°、45°、60°和90°后，提取出的水印的NC值分别为0.377、0.355、0.337、0.338和0.382。因此神经网络数字图像水印的计算方法摆脱了传统观念的束缚，加适应当代发展的实际需求，保证了水印的透明性，能够有效的抵抗多种类型的攻击，以获得清晰的水印信号，主要是由于神经网络强大的联想记忆功能，从残存的片段式信息中完整的提取水印信息，此水印的鲁棒性也得到很大程度的提升，而获得清晰的水印信息。
Claims (3)
1.一种基于神经网络与DCT变换的数字水印方法，其特征在于包括如下步骤：
步骤1：将二值图像作为嵌入的水印信号；
步骤2：原始彩色图像的三色分离；
步骤3：使用Arnold变换对水印图像进行置乱处理；
步骤4：原始图像的离散余弦变换；
步骤5：水印图像自适应的嵌入到原始彩色图像；
步骤6:进行IDCT变换，得到嵌水印图像
步骤7：嵌入的水印图像，输入到Hopfield神经网络中；
步骤8：将Hopfield神经网络联想恢复出来的水印信号与提取的水印进行比较；
步骤9：如果存在水印，比较两者像素差值，提取出由0,1组成的二值水印信息；
步骤10：通过Hopfield神经网络联想出原始水印位平面信息。
2.根据权利要求1所述的方法，其特征在于，包括以下步骤：
(1)将二值图像作为嵌入的水印信号；
(2)将彩色的原始图像进行灰度处理，然后将一个水印位平面和原始图像位平面输入到Hopfield神经网络中，进行训练，记忆联想出原始图像和水印信号；
(3)原始图像的三色分离，提取原始图像的红，绿，蓝三个基色分量；
(4)对二值水印信号进行Arnold置乱变换，
(5)分别对三个基色分量做离散余弦变换；
(6)基于神经网络对图像分类处理的能力，实现对原始图像RGB三基色进行分类统计；据原始图像RGB三基色所占的比例将置乱变换后生成的水印信号嵌入到原始图像的三个通道中，得到绿色分量的低频分量，蓝色分量的高频分量，红色分量的中频分量；
(7)将绿色分量的低频分量，蓝色分量的高频分量，红色分量的中频分量分别进行IDCT变换，得到嵌入水印图像,；
(8)将嵌入水印的图像,，输入Hopfield神经网络中，利用神经网络的自学习能力，将遭受几何攻击的嵌水印图像恢复到原始图像的大小或朝向，同时联想出原始图像和水印信号；
(9)将Hopfield神经网络联想恢复出来的水印信号与提取的水印作对比，通过相似程度的大小，判断水印是否存在；
(10)若相似度大小在百分之八十以上，则说明水印存在，联想出的原始彩色图像和加攻击的嵌水印图像比较像素差值，由此提取出由0，1组成的二值水印信息；
(11)通过Hopfield神经网络联想出原始水印位平面信息。
3.根据权利要求1所述的方法，其特征在于，选用64*64水印图像，置乱15次后生成的水印信号。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385721.3A CN109544438A (zh) | 2018-11-20 | 2018-11-20 | 一种基于神经网络与dct变换的数字水印方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811385721.3A CN109544438A (zh) | 2018-11-20 | 2018-11-20 | 一种基于神经网络与dct变换的数字水印方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN109544438A true CN109544438A (zh) | 2019-03-29 |
Family
ID=65848892
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811385721.3A Pending CN109544438A (zh) | 2018-11-20 | 2018-11-20 | 一种基于神经网络与dct变换的数字水印方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109544438A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110223273A (zh) * | 2019-05-16 | 2019-09-10 | 天津大学 | 一种结合离散余弦变换与神经网络的图像修复取证方法 |
| CN110276708A (zh) * | 2019-05-08 | 2019-09-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
| CN113240111A (zh) * | 2021-05-31 | 2021-08-10 | 成都索贝视频云计算有限公司 | 基于离散余弦变换通道重要性得分的剪枝方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030095683A1 (en) * | 2001-08-28 | 2003-05-22 | Kayvan Najarian | Automated digital watermarking methods using neural networks |
| CN101739657A (zh) * | 2009-11-06 | 2010-06-16 | 上海第二工业大学 | 基于dct域的彩色图像数字水印的嵌入及提取方法 |
| CN107240061A (zh) * | 2017-06-09 | 2017-10-10 | 河南师范大学 | 一种基于动态bp神经网络的水印嵌入、提取方法与装置 |
-
2018
- 2018-11-20 CN CN201811385721.3A patent/CN109544438A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20030095683A1 (en) * | 2001-08-28 | 2003-05-22 | Kayvan Najarian | Automated digital watermarking methods using neural networks |
| CN101739657A (zh) * | 2009-11-06 | 2010-06-16 | 上海第二工业大学 | 基于dct域的彩色图像数字水印的嵌入及提取方法 |
| CN107240061A (zh) * | 2017-06-09 | 2017-10-10 | 河南师范大学 | 一种基于动态bp神经网络的水印嵌入、提取方法与装置 |
Non-Patent Citations (3)
| Title |
|---|
| 张新红 等: "基于Hopfield网络的数字水印技术的研究", 《计算机与数字工程》 * |
| 张森等: "一种基于Arnold置乱的彩色图像数字水印算法", 《福建电脑》 * |
| 赵卫国: "基于Hopfield的DWT数字图像水印新算法", 《河北工程大学学报(自然科学版)》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110276708A (zh) * | 2019-05-08 | 2019-09-24 | 济南浪潮高新科技投资发展有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
| CN110276708B (zh) * | 2019-05-08 | 2023-04-18 | 山东浪潮科学研究院有限公司 | 一种基于gan网络的图像数字水印生成及鉴别系统及方法 |
| CN110223273A (zh) * | 2019-05-16 | 2019-09-10 | 天津大学 | 一种结合离散余弦变换与神经网络的图像修复取证方法 |
| CN110223273B (zh) * | 2019-05-16 | 2023-04-07 | 天津大学 | 一种结合离散余弦变换与神经网络的图像修复取证方法 |
| CN113240111A (zh) * | 2021-05-31 | 2021-08-10 | 成都索贝视频云计算有限公司 | 基于离散余弦变换通道重要性得分的剪枝方法 |
| CN113240111B (zh) * | 2021-05-31 | 2022-09-06 | 成都索贝视频云计算有限公司 | 基于离散余弦变换通道重要性得分的剪枝方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | How to prove your model belongs to you: A blind-watermark based framework to protect intellectual property of DNN | |
| Su et al. | A novel blind color image watermarking using upper Hessenberg matrix | |
| Chen et al. | A fuzzy c-means clustering-based fragile watermarking scheme for image authentication | |
| Wang et al. | Data hiding with deep learning: A survey unifying digital watermarking and steganography | |
| Hadmi et al. | Perceptual image hashing | |
| CN104599225A (zh) | 基于奇异值分解和主成分分析的图像水印嵌入与提取方法 | |
| CN109544438A (zh) | 一种基于神经网络与dct变换的数字水印方法 | |
| Sakazawa et al. | Visual decoding of hidden watermark in trained deep neural network | |
| Hou et al. | Detection of hue modification using photo response nonuniformity | |
| Moghaddam et al. | A robust color image watermarking technique using modified imperialist competitive algorithm | |
| CN102024249A (zh) | 基于视觉感知特性的数字图像水印方法 | |
| Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
| Su | Color image watermarking: algorithms and technologies | |
| 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 | |
| Yuan et al. | Semi-fragile neural network watermarking for content authentication and tampering localization | |
| CN117291786A (zh) | 一种无需第三方认证的dnn模型后门水印方法 | |
| Mushtaq et al. | Novel method for image splicing detection | |
| Zhang et al. | Generative model watermarking based on human visual system | |
| CN106600516A (zh) | 基于数字指纹的图像嵌入方法 | |
| Dai | Analysis on digital watermarking technology and its applications | |
| CN114881838A (zh) | 针对深度伪造的双向人脸数据保护方法、系统及设备 | |
| Ito et al. | Access control of semantic segmentation models using encrypted feature maps | |
| Ren et al. | Multi-Carrier Information Hiding Algorithm Based on Angle Structure Descriptor | |
| Jia-Fa et al. | Research of spatial domain image digital watermarking payload | |
| Ma et al. | Research on color image watermarking algorithm based on Quaternion Fourier transform |
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 | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20190329 |