基于BP神经网络盲数字水印算法.docVIP

基于BP神经网络盲数字水印算法 　　摘要:该文将二值水印嵌入到宿主图像的小波变换域的低频分量中,利用BP神经网络很好的非线性映射和自学习、自适应学习特点实现水印信息的盲提取,仿真实验结果表明该算法既能抵抗常规的图像处理攻击,也能抵抗一定程度的几何攻击,如JPEG 压缩、剪切、加噪和滤波等,具有较好的鲁棒性和不可见性。 　　关键词:数字水印;盲提取;BP神经网络;小波变换 　　中图分类号:TP311文献标识码:A文章编号:1009-3044(2009)13-3478-03 　　 　　1 引言 　　近年来,基于小波域的数字水印一时成为研究热点。但由于小波变换不具有旋转?p缩放和平移等几何不变性的缺点,使得小波域的水印很难抵抗几何攻击。如何既保持小波域水印原有抗滤波和压缩攻击的优点,又加入抗几何攻击的能力,是一个很有意义的研究课题。 　　神经网络作为一种新的方法体系,具有分布并行处理、非线性映射、自适应学习和鲁棒性等特性,这使得它在模式识别、控制优级化、智能信息处理以及故障诊断等方面都有广泛的应用。 　　该文研究了一种基于小波变换和BP神经网络的盲数字水印算法。此算法将一幅二值水印图像每位水印信息连续多次嵌入到宿主图像的小波变换域的低频子带中。同时,在水印嵌入过程中利用BP神经网络良好的非线性逼近特性,使其通过训练、学习,得到水印信号嵌入前后象素值间的对应关系,在水印恢复时依靠已训练好的神经网络来提取水印,在提取过程中只需要密钥,而不需要原始宿主图像,从而实现了水印的盲提取。实验结果表明该算法具有较好的鲁棒性和不可见性。 　　 　　2 相关理论 　　2.1 BP(Back Propagation)神经网络 　　BP神经网络是一种采用误差反向传播算法的多层前馈网络,具有逼近非线性映射关系的能力。其基本思想是最小二乘算法,它采用梯度搜索技术,以期使网络的实际输出值与期望输出值的误差均方值最小。BP神经网络学习过程分两个阶段:第一个阶段是输入已知学习样本,通过设置的网络结构和前一次迭代的权值和阈值,输入信息从输入层经隐含层逐层处理并传向输出层,每层神经元的状态只影响下一层神经元的状态。第二个阶段是对权值和阈值进行修改。如果在输出层不能得到期望的输出,则反向传播,将误差信号沿原来的连接通路返回,通过误差往回传递,修改各层神经元的权值直到收敛,使误差信号最小。通过调整这些权值和每个神经元的阈值,根据学习规则进行多次迭代,满足一定的条件后停止训练,从而建立一个从输入信号到输出信号之间任意非线性映射的神经网络。如图1所示。 　　2.2 小波变换(Wavelet Transformation) 　　所谓小波,就是用具有零均值,在时域和频域内能量局部化的函数表示,其波形表现为两端衰减为零的小的波形。图像经过小波变换后,图像数据就被分解为大小,位置和方向都不同的分量。能量在各个频率空间进行了重新分配。其中不同分辨率的子图像对应的频率是不一样的。同时小波系数与原始图像存在着空间上的对应关系,通过对小波系数分布情况的分析,利用不同的滤波器处理小波系数,经过逆变换后可以得到理想的处理效果。 　　小波变换不仅和JPEG2000图像压缩标准相兼容,而且在时域和频域同时具有良好的局部化特性。图像经多层小波分解后,在相同分辨率不同方向以及不同分辨率相同方向之间的小波系数存在一定的相关性。由于BP神经网络可实现从输入向量到输出向量的任意非线性映射,因而可利用BP神经网络所建立的非线性映射来描述这种小波系数间的相关性,进而使BP神经网络与小波分析进行很好地结合。 　　 　　3 水印的嵌入 　　该算法把一幅大小为m×n的二值图像watermark作为有意义的水印信号嵌入到经过一层小波分解的宿主图像低频子带小波系数中,设水印信号watermark={b(i,j)1?Qi?Qm, 1?Qj?Qn },其中b(i,j)∈{0,1},低频子带小波系数A={LL1(i,j)?O1?Qi?QM, 1?Qj?QN },其中M×N为宿主图像经过一层小波分解后低频子带的大小。如图2所示。 　　其具体的嵌入算法如下所述: 　　步骤1:利用密钥Key1生成长度为k的二值序列p=p1p2p3…pk,其中pi∈{0,1},(1?Qi?Qk),k的大小可以任意确定,其主要作用是构建神经网络的训练方式,以便有效记忆水印信息和被调制的小波系数之间关系。同时将二维水印序列降维成一维序列S=s1s2s3…sm,其中si∈{0,1},(1?Qi?Qm) (m为二维水印序列降维成一维序列时的长度),把两个序列串联成水印序列W=w1w2w3…wn=p1p2p3…pks1s2s3…sm,其中n=k+m; 　　步骤2:利用密钥Key2生成一个随机位置坐标序列Z={(it,j