一种新的基于BP神经网络的数字水印技术.pdfVIP

第十七届中国过程控制会议论文集 一种新的基于 BP 神经网络的数字水印技术 娄国焕，雷明 （河北理工大学 计算机与自动控制学院，河北 唐山, 063009） 摘要: BP神经网络可实现从输入到输出的任意非线性映射的特性。本文利用这一特性，用神经网络建立起图 像中所选像素点与其邻域中其它像素点之间的关系模型。然后，根据被选像素与模型输出之间的关系来嵌入 水印。同时，把水印嵌入在图像的低频部分，因此增强水印的透明性。实验证明，该方法具有较好的稳定性。 关键词: 图像；数字水印；BP神经网络； 0 引言 数字水印技术是目前信息安全技术领域的一个新方向，是一种可以在开放网络环境下保护版权和认证 来源及完整性的新型技术，创作者的创作信息和个人标志通过数字水印系统以人所不可感知的水印形式嵌 入在多媒体中，人们无法从表面上感知水印，只有专用的检测器或计算机软件才可以检测出隐藏的数字水 印。不同的应用对数字水印的要求不尽相同，一般认为数字水印应具有如下特点[1]： ·可证明性：水印应能为受到版权保护的信息产品的归属提供完全可靠的证据。水印算法能够将所有 者的有关信息（如注册的用户号码、产品标志或有意义的文字等）嵌入到被保护的对象中，并在需要的时 候将这些信息提取出来。水印可以用来判别对象是否受到保护，并能够监视被保护数据的传播、真伪鉴别 以及非法拷贝控制等。这实际上也是发展水印技术的基本动力。 ·不可感知性：不可感知性是指视觉或听觉上的不可感知性，即指因嵌入水印导致载体数据的变换对 于观察者的视觉或听觉系统来讲应该是不可察觉的，最理想的情况是水印与原始载体在视觉上是一模一样 的，这是绝大多数水印算法所应达到的要求。 ·稳健性：稳健性是指水印应该能够承受大量的物理和几何失真，包括有意的（如恶意攻击）或无意 的（如图像压缩、滤波、打印、扫描与复印、噪声污染、尺寸变换等等）。显然在经过这些操作后，稳健 的水印算法应仍能从水印载体中提取出嵌入的水印或证明水印的存在。 1 建立 BP 网络模型 1.1 嵌入位置的选取 Cox 等人[2]提出了基于图像全局变换的数字水印算法。他们的重要贡献是明确提出加载在图像的视觉 敏感部分的数字水印才能有较强的稳健性。他们的水印方案是先对整个图像 I 进行 DCT，然后将水印加载 到 DCT 域中幅值最大的前 k 个系数上（除去直流分量），通常为图像的低频分量。我们就选取这 k 个系数 所对应的象素作为水印嵌入位置。 1.2 BP 神经网络 BP 神经网络是一种应用非常广泛的前馈神经网络, 通过输入输出样本集的训练,可实现从输入到输出的任 意非线性映射,其实质是采取最速梯度下降法来实现映 射关系的逼近。其典型结构包含输入层、中间隐层和输 出层。 如图 1 所示，其中每一层有一个或多个神经元,它们 图 1. BP 神经网络结构 与相邻层的神经元完全连接,在每个连接上有一个权值 398 第十七届中国过程控制会议论文集 W i ,j ,代表它们的连接程度 通过输入/输出样本集训练 BP 神经网络,也即调整这些权值和每个神经元的阈 值。 一般地,所有初始的权值 W i ,j 分配为随机值(第0步),在以后每次迭代过程中根据 delta 学习规则进行 调整,当满足一定的终止条件后停止训练,从而建立起一个从输入到输出之间函数关系的神经网络模型。 1.3 图像邻域像素关系的 BP 模型 建立一个三层的 BP 神经网络模型。输入层为 8个神经元、隐藏层为 N个神经元、输出层为 1个神经 元。其中，选定图像嵌入位置的某点 xi,j 临近的 8个点：x ，x ，x ，x ，x ，x ，