基于支持向量机与结构相似度图像数字水印算法.docVIP

基于支持向量机与结构相似度图像数字水印算法 　　摘 要：针对空域数字水印算法鲁棒性差、难以抵抗较强的攻击的问题，本文提出一种基于支持向量机SVM与结构相似度SSIM的自适应图像数字水印算法。本文利用结构相似度算法SSIM计算不同图像子块的最大水印嵌入强度，通过回归性支持向量机建立不同图像子块与最大水印嵌入强度的相关性模型，实现了根据不同图像子块预测水印嵌入强度。本文在现有基于图像邻域像素之间相关性的时空域数字水印算法的基础上，选取图像中 的图像子块进行水印嵌入，通过修改子块中心位置像素值，进行水印嵌入与提取。本文提出的算法在确保水印算法具有较好的透明性的基础上，提高了水印算法的鲁棒性。实验结果表明，该算法在保持较好透明性的基础上，对于JPEG压缩、噪声、中值滤波等攻击具有较强的抵抗能力。 　　关键字：计算机应用技术；自适应水印算法；支持向量机；结构相似度；鲁棒性 　　中图分类号：TP399 文献标识码：A DOI：10.3969/j.issn.1003-6970.2013.08.035 　　本文著录格式：[1]刘一楠，周亚建. 基于支持向量机与结构相似度的图像数字水印算法[J].软件，2013，34（8）：112-115 　　0 引言 　　数字水印是一种能够有效保护数字内容安全的技术，自数字水印概念提出后，便成为信息安全领域的热点技术之一。现有数字水印算法从水印嵌入方式分类主要有基于空域的数字水印与基于变换域的数字水印技术[1-2]。空域数字水印算法具有实现简单，易于操作等优点，但是对于攻击算法抵抗力较差。近年来，一些研究将机器学习算法如支持向量机、神经网络等应用于数字水印技术，用于提高数字水印算法的透明性与鲁棒性。在空域数字水印算法中，机器学习的应用取得了较好的效果，较大程度的提高了空与数字水印算法的鲁棒性与透明性。文献[3]对于彩色图像，在水印嵌入过程中，利用神经网络算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的神经网络模型，对于图像进行恢复，以提高算法的鲁棒性。文献[4]在水印嵌入过程中，利用SVM算法，学习水印信息与载体图像之间的对应关系，在水印提取过程中，利用所学习的SVM模??，对图像进行恢复，提高算法的抵抗攻击能力。文献[5]利用神经网络与人耳听觉系统，对于音频中水印嵌入强度进行预测，实现自适应的音频数字水印嵌入，从而提高音频数字水印的鲁棒性与透明性。文献[6]提出一种基于支持向量回归机的图像数字水印算法，利用支持向量回归机学习图像邻域像素之间的关系，通过中心像素值与模型输出值之间的关系进行水印的嵌入与提取。文献[7]利用支持向量回归机学习子块内像素之间的关系，通过调整中心像素并利用模型预测值与中心像素值之间的关系实现了水印的嵌入与提取，实现了具有较强鲁棒性的空域数字水印算法。由此可见，目前神经网络、支持向量机等机器学习算法在数字水印技术中已经进行了广泛的研究，尤其是在空域数字水印技术的应用中，基于支持向量机的空域数字水印算法在提高算法的鲁棒性上取得了一定的成果。但是在现有的空域数字水印算法中，对于水印嵌入强度的确定计算缺少有效的手段，而水印嵌入强度直接关系到水印算法的透明性与鲁棒性，嵌入强度过小，水印算法抵抗攻击的能力较差，鲁棒性较低，水印嵌入强度过大，水印算法的透明性会降低。 　　本文以回归性支持向量机（SVR）以及结构相似度（SSIM）理论为基础，提出了一种自适应的图像数字水印算法，在保证数字水印算法透明性的基础上，较大程度的提高了数字水印算法的鲁棒性。本文首先随机选取大量图像子块，利用SSIM确定图像子块的水印嵌入强度，训练SVR，模拟图像子块与水印嵌入强度之间的相关性，生成水印强度预测模型。水印嵌入过程中，通过训练SVR，模拟图像子块中中心像素与邻域像素之间的非线性关系，通过修改中心像素值，完成水印的嵌入与提取。 　　1 支持向量机与结构相似度 　　1.1 支持向量机 　　回归型支持向量机（SVR）是支持向量机（SVM）在回归学习中的应用，其基本思想是：对于给定的训练样本点（其中，表示输入样本空间，表示实数域），训练一个函数，使得该函数根据每个样本输入值计算得到的输出值与样本的实际输出值的误差不超过，并保证通函数的输出值尽量平滑[8]。对于线性情况，假设回归函数形式为：。要保证函数尽量平滑，就要求尽量小，于是可以将确定函数描述成一个如式（1）所示的优化问题： 　　考虑到允许拟合误差的情况，引入松弛因子，则式（1）可改写为如式（2）所示： 　　采用同样的优化方法可以得到其对偶问题，如式（3）所示： 　　是拉格朗日因子，得到的回归函数如式（4）： 　　1.2 结构相似度 　　图像数据在采集、压缩、处理、传输和恢复的过程中可能会引入各种失真，导致图像