基于广义猫映射与神经网络图像空域水印算法.docVIP

基于广义猫映射与神经网络图像空域水印算法 　　摘要：提出了基于广义Arnold变换和神经网络模型的图像空域水印算法。二值水印嵌入位置通过广义猫映射随机产生，训练一个神经网络记忆每个图像块中像素之间的关系，并采用水印嵌入增强处理技术，加强了水印的嵌入强度。实验结果表明，该算法具有较强的鲁棒性，能有效地抵抗剪切攻击、LSB攻击和椒盐噪声攻击等。 　　关键词：水印； 神经网络； Arnold映射 　　中图分类号：TP399文献标志码：A 　　文章编号：1001－3695(2008)04－1144－03 　　 　　数字水印是现代信息隐藏技术的一个重要分支。到目前为止，已经提出了很多数字水印算法，大致分为空域水印和变换域水印两大类。目前提出的新的水印算法基本上是基于变换域的，但是空域水印方案在水印容量大和算法易于实现方面优势明显，只是目前大多数空域水印方案是基于LSB的嵌入思想。这种水印算法鲁棒性极差，极容易被攻击者提取[1，2]，缺乏安全性。虽然一些学者针对LSB算法提出了抗检测分析的措施[2]，但仍不能提高LSB算法的鲁棒性。Hwang等人[3]采用单向hash函数提高了水印算法的安全性。宋琪等人[4]借鉴了文献[3]的思想提出了用随机数置乱水印嵌入位置来提高安全性的方法，并将水印嵌入到非LSB位平面；但随机产生的水印嵌入位置存在冲突现象，需要用记录表来解决此冲突问题，这样无疑降低了算法的时间效率和可应用性。 　　?ト斯ど窬?网络具有强大的学习和非线性逼近能力，这些特点与人眼视觉系统具有极大的相似性。因此基于神经网络的智能处理理论可以精确地确定图像中嵌入水印的特征、强度并建立它们之间的关系[5]。本文提出了一种利用神经网络实现的空域图像水印算法[6]。它首先采用二维广义Arnold映射随机生成水印嵌入位置；然后，建立一个从输入至输出的非线性函数关系的神经网络模型，再在该模型的指导下嵌入和提取水印；最后，通过理论分析和实验仿真，验证了本算法良好的安全性、不可感知性和鲁棒性，水印提取和检测不需要原始图像和水印。 　　?? 　　1水印嵌入与提取策略 　　 　　??1．1广义猫映射基本工作原理 　　?ト粼靥逋枷褡?标点的取值用??{1,2,…,N}×{1,2,…,N}表示，映射方程表示形式为?? 　　?オ?xnyn=1Pqpq+1??nx0y0?? mod?? N+1(1) 　　?ナ?(1)表示用给定的独立参数p、q和迭代次数n作为密钥，由初值点(x0,y0)先经过n次迭代后取模运算，再将结果加1作为变换后的坐标(xn,yn)。这样推广的??Arnold??映射式(1)具有混沌映射特性，生成的迭代结果(xn,yn)作为水印图像中的点(x,y)将嵌入载体图像中的位置(x′,y′)。由于映射的混沌特性，当迭代次数足够大时，任意两个相邻像素点的嵌入位置将会产生极大的分离。又由于该映射是一一映射，不同位置的水印像素置乱到载体图像空间的位置不会发生冲突。这样，水印图像的全部像素将被随机而均匀地置乱到载体图像的整个像素空间，从而实现了水印嵌入位置的随机选择。?? 　　??1．2BP神经网络模型的建立 　　??BP神经网络是一种应用非常广泛的前馈神经网络，其典型结构如图1所示，包含输入层、隐层和输出层。 其中,每一层的神经元与相邻层的神经元完全连接，在每个连接上有一个权值??wi, j，通过样本集的训练与学习，调整了它们之间连接的权值和每个神经元的阈值。 通常，所有初始权值wi, j??为随机值，每次迭代均根据delta学习规则调整相应的权值，直到满足终止条件，从而建立一个从输入至输出间非线性关系的神经网络模型。 　　?? 　　二值水印采用空域嵌入技术。本文通过建立宿主图像中被随机选择的像素及其3×3邻域像素之间关系的BP神经网络模型作为嵌入模型。由于神经网络是本质的非线性系统，能充分逼近任意复杂的非线性关系，所建立的神经网络模型能够很好地表示像素点与其邻域像素点之间的关系[7]。本文建立了一个输入层为八个神经元、隐层为八个神经元、输出层为一个神经元的三层BP神经网络（881结构）。其中：隐层神经元的变换函数为sigmoid 型函数；输出层为纯线性函数。若选定图像某点??Xi, j，将其周围的八个点作为输入，Yi, j??作为输出，构成一个学习样本，神经网络模型如下： 　　 　　?ニ婊?选取若干个互不相同的水印嵌入点及其邻域就构成了神经网络的全部样本学习空间。 　　?ト粼靥逋枷裎?512×512的Elaine图像，按照广义猫映射方法选取其中的128×128 个点及其邻域形成样本空间集，共涉及到384×384个像素点，这样的随机选取可覆盖整个图像。以此样本集进行训练，经过36代后得到的BP??模型的输出Yi ,