基于遗传算法优化的图像水印嵌入技术研究.docVIP

基于遗传算法优化的图像水印嵌入技术研究 　　摘要：根据遗传算法的优点对数字水印在图像中的嵌入进行优化，实现水印的最佳嵌入，该算法改善了水印图像的鲁棒性和不可见性，具有很强的抗打印扫描攻击性。 　　关键词：数字水印；遗传算法；适应度函数；优化 　　中图分类号：TP301文献标识码：A文章编号：1009-3044(2011)11-2652-03 　　Application of Genetic Algorithm for Digital Watermark Security 　　MAO Shi-hao, WANG Hui-qin, LIAO Yong, GUO Heng-chuan 　　(Information and Control Institute of Xian University of Arc. Tech. Xian 710055, China) 　　Abstract: According to the advantages of genetic algorithms, we optimize the digital watermark embedding in the images to achieve the best embedding of watermark, the algorithm improves the robustness and invisibility of watermark images and has a strong anti-print scan offensive. 　　Key words: Digital watermarking; Genetic algorithm; Fitness function; Optimization 　　随着计算机随着计算机和通信技术的迅速发展，多媒体信息渗透到社会的各个领域。同时多媒体信息网络化也带来知识产权保护问题。数字水印技术是将版权信息嵌入到指定媒体中实现版权保护的一种技术，它作为信息隐藏技术的一个重要分支已经成为信息安全领域中的一个研究热点。鲁棒性和不可见性是对数字水印算法的两个基本要求。鲁棒性要求嵌入的水印在经历一般的信号处理以及常见攻击时仍然具有较好的可检测性；不可见性要求嵌入水印后的原始载体没有明显的感知失真。然而，这两者是相互制约的。传统的水印算法常根据实验结果来判断所选的嵌入参数能否较好的满足这两个指标，如果选取的参数不合适则重新选取再次进行测试，其过程十分繁琐并且很难找到最佳值。该文提出一种基于遗传算法的水印优化嵌入技术，采用遗传算法对水印嵌入位置进行优化，达到对水印鲁棒性和不可见性的综合优化。 　　1 GA算法简介 　　1.1 GA算法概念 　　遗传算法（GA）是模仿自然生物进化机制发展起来的随机全局搜索和优化方法，它借鉴了达尔文的进化论和孟德尔的遗传学说。其本质是一种高效、并行、全局搜索的方法，它能在搜索过程中自动获取和积累有关搜索空间的知识，并自适应的控制搜索过程以求得最优解。 　　遗传算法是从代表问题可能潜在的解集的一个种群（population）开始的，而一个种群则由经过基因（gene）编码的一定数目的个体(individual)组成。每个个体实际上是染色体(chromosome)带有特征的实体。染色体作为遗传物质的主要载体，即多个基因的集合，其内部表现（即基因型）是某种基因组合，它决定了个体的形状的外部表现，如黑头发的特征是由染色体中控制这一特征的某种基因组合决定的。因此，在一开始需要实现从表现型到基因型的映射即编码工作。由于仿照基因编码的工作很复杂，我们往往进行简化，如二进制编码，初代种群产生之后，按照适者生存和优胜劣汰的原理，逐代（generation）演化产生出越来越好的近似解，在每一代，根据问题域中个体的适应度（fitness）大小选择（selection）个体，并借助于自然遗传学的遗传算子（genetic operators）进行组合交叉（crossover）和变异（mutation），产生出代表新的解集的种群。这个过程将导致种群像自然进化一样的后生代种群比前代更加适应于环境，末代种群中的最优个体经过解码（decoding），可以作为问题近似最优解。 　　1.2 GA的基本流程 　　遗传算法的基本运算过程如图1所示，过程如下： 　　a) 初始化：设置进化代数计数器t=0，设置最大进化代数T，随机生成M个个体作为初始 群体P(0)。 　　b) 个体评价：计算群体P(t)中各个个体的适应度。 　　c) 选择运算：将选择算子作用于群体。选择的目的是把优化的个体直接遗传到下一代或通过配对交叉产生新的个体再遗传到下一代。选择操作是建立在群体中个体的适应度评估基础上的。 　　d