基于rbf神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入、提取方法與裝置的制造方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入、提取方法與裝置，涉及圖像水印 的技術(shù)領(lǐng)域。
【背景技術(shù)】
[0002] 將圖像水印隱藏在數(shù)字圖像的產(chǎn)品中，常用于證明創(chuàng)作者對其作品的所有權(quán)，或 作為鑒定、起訴非法侵權(quán)的依據(jù)，數(shù)字圖像水印已經(jīng)成為了知識產(chǎn)權(quán)保護和數(shù)字多媒體防 偽的有效手段，引起了人們的高度重視并且成為研究熱點。通過對水印圖像進行置亂加密 并嵌入到載體圖像中，對一副有意義的數(shù)字圖像作變換使之變成一幅雜亂無章的圖像再對 其進行傳輸，接收者對獲取的圖像進行解密從而恢復(fù)出載體圖像和水印圖像。這樣，一些非 法人員就無法在圖像傳輸?shù)倪^程中從雜亂無章的圖像中獲得原圖像信息，保證了圖像的機 密性。
[0003] 圖像水印按用途可分為版權(quán)保護水印、票據(jù)防偽水印、篡改提示水印和隱藏標(biāo)識 水印；按提取過程可分為盲水印和明文水印；按攻擊能力可分為魯棒性水印和脆弱性水 印，其中魯棒性水印主要應(yīng)用于數(shù)字作品版權(quán)保護，脆弱性水印要求對信號的改動敏感，主 要應(yīng)用于完整性保護；水印圖像若要充分發(fā)揮其作用，必須具備魯棒性和不可感知性兩個 基本要素。水印魯棒性是指數(shù)字媒體在經(jīng)過常規(guī)的信號處理或者外來攻擊之后，嵌入的圖 像水印仍然具有較好的可檢測性。水印不可感知性是指水印的嵌入不能影響到原始數(shù)字媒 體的視覺質(zhì)量。這就對水印圖像的嵌入和提取方法要求較高。
[0004] 目前，根據(jù)水印嵌入位置可以將圖像水印算法分為基于變換域算法和基于空間域 算法。隨著JPEG壓縮和JPEG2000的廣泛使用，很多研究人員采用基于變換域的水印算法， 根據(jù)所采用變換的不同，變換域水印算法可以分為如下幾類：基于DCT變換的圖像水印算 法、基于小波變換的圖像水印算法、基于DFT變換的魯棒性水印算法。但是，這些算法比較 復(fù)雜，需要考慮復(fù)雜的空頻域變換過程，效率低，可嵌入信息量較少。而空間域圖像水印技 術(shù)因其算法簡單、速度快的優(yōu)點而成為新的研究熱點，它通過直接修改原始圖像的像素值 來達到嵌入水印的目的，但目前經(jīng)典的空間域水印算法很容易受到圖像壓縮轉(zhuǎn)換等通常的 圖像處理的干擾，在對圖像進行幾何旋轉(zhuǎn)、壓縮等基本處理后，基本上已經(jīng)無法對水印進行 正確的提取，實驗仿真表明該類算法的抗攻擊性不強、魯棒性較低。
[0005] 近年來，隨著神經(jīng)網(wǎng)絡(luò)、支持向量機等機器學(xué)習(xí)方法的引入，水印的嵌入和檢測過 程可以充分利用圖像中的一些自然特征，這樣可以使得空間域的水印嵌入和檢測魯棒性得 到一定的提高。雖然機器學(xué)習(xí)和各種圖像域變換的結(jié)合針對具體水印的嵌入與提取都有較 好的表現(xiàn)，但是仍然存在許多問題?，F(xiàn)有技術(shù)中公布號為：CN 104361548A"基于BP神經(jīng)網(wǎng) 絡(luò)數(shù)字圖像壓縮的圖像水印嵌入與提取方法"中利用BP神經(jīng)網(wǎng)絡(luò)算法通過在隱含層嵌入水 印圖像實現(xiàn)對水印圖像的嵌入和提取，但是，傳統(tǒng)提出的BP神經(jīng)網(wǎng)絡(luò)方案基本上都是引用 標(biāo)準(zhǔn)的BP神經(jīng)網(wǎng)絡(luò)，是一種全局逼近網(wǎng)絡(luò)，學(xué)習(xí)速度慢，無法滿足實時性要求的應(yīng)用，即嵌 入水印的位置一般都很難確定，這導(dǎo)致最后提取水印的難度比較大以及提取的水印圖像失 真比較嚴(yán)重，雖然保證水印圖像的不可感知性，但是其水印檢測的魯棒性還是較弱。

【發(fā)明內(nèi)容】

[0006] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提出了基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印嵌 入、提取方法，通過優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)方法，解決了對于嵌入水印圖像魯棒性差的問題， 本發(fā)明還提出了一種基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入、提取裝置。
[0007] 本發(fā)明是通過如下方案予以實現(xiàn)的：
[0008] 基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入方法，步驟如下：
[0009] 步驟1，對原始水印圖像進行加密，劃分加密的水印圖像為水印圖像塊；
[0010] 步驟2,將載體圖像劃分為載體圖像塊，利用優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對載體圖像塊進 行訓(xùn)練，并將加密的水印圖像塊嵌入到載體圖像塊中；其中，通過在RBF神經(jīng)網(wǎng)絡(luò)算法中設(shè) 置最優(yōu)學(xué)習(xí)率實現(xiàn)對其權(quán)值變化的自適應(yīng)調(diào)整；最優(yōu)學(xué)習(xí)率表達式如下：
[0011]
[0012] 其中，t為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)；？(/-I)為第t-1次學(xué)習(xí)時輸出誤差的向量 值；運為各個節(jié)點的徑向基函數(shù)值。
[0013] 進一步的，步驟2中所述的RBF神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層和輸 出層；其中，加密的水印圖像塊嵌入到RBF神經(jīng)網(wǎng)絡(luò)的隱含層的輸出。
[0014] 基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印提取方法，用優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)算法和差值運算 提取嵌入在載體圖像中加密的水印圖像，實現(xiàn)對載體圖像和加密的水印圖像的分離，并對 所述加密的水印圖像進行恢復(fù)，得到原始水印圖像。
[0015] 進一步的，所述的差值運算是利用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練已嵌入加密的水印圖像的載 體圖像時，隱含層輸出〇"與神經(jīng)網(wǎng)絡(luò)訓(xùn)練載體圖像時的隱含層輸出〇的差值。
[0016] 基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入裝置，所述的裝置依次包括：置亂模塊、嵌入模 塊，其中：
[0017] 1)置亂模塊：對原始水印圖像進行加密，劃分加密的水印圖像為水印圖像塊；
[0018] 2)嵌入模塊：將載體圖像劃分為載體圖像塊，利用優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)對載體圖 像塊進行訓(xùn)練；其中，通過在RBF神經(jīng)網(wǎng)絡(luò)算法中設(shè)置最優(yōu)學(xué)習(xí)率實現(xiàn)對其權(quán)值變化的自 適應(yīng)調(diào)整并將加密的水印圖像塊嵌入到原始載體圖像塊中；最優(yōu)學(xué)習(xí)率表達式如下：
[0019]
[0020] 其中，t為RBF神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)次數(shù)為第t-1次學(xué)習(xí)時輸出誤差的向量 值；P為各個節(jié)點的徑向基函數(shù)值。
[0021] 進一步的，所述的嵌入模塊中的RBF神經(jīng)網(wǎng)絡(luò)為三層網(wǎng)絡(luò)結(jié)構(gòu)，即輸入層、隱含層 和輸出層；其中，加密的水印圖像塊嵌入到RBF神經(jīng)網(wǎng)絡(luò)的隱含層的輸出。
[0022] 基于RBF神經(jīng)網(wǎng)絡(luò)的圖像水印提取裝置，所述的提取裝置中包括提取模塊，利用 優(yōu)化的RBF神經(jīng)網(wǎng)絡(luò)算法和差值運算提取嵌入在載體圖像中加密的水印圖像，實現(xiàn)對載體 圖像和加密的水印圖像的分離，并對所述加密的水印圖像進行恢復(fù)，得到原始水印圖像。
[0023] 進一步的，所述的差值運算是利用RBF神經(jīng)網(wǎng)絡(luò)訓(xùn)練已嵌入加密的水印圖像的載 體圖像時，隱含層輸出〇〃與神經(jīng)網(wǎng)絡(luò)訓(xùn)練載體圖像的隱含層輸出〇的差值。
[0024] 本發(fā)明和現(xiàn)有技術(shù)相比的有益效果是：
[0025] 在現(xiàn)有技術(shù)中很難平衡好水印圖像的魯棒性和不可感知性。本發(fā)明采用優(yōu)化的 RBF神經(jīng)網(wǎng)絡(luò)算法，將水印圖像嵌入神經(jīng)網(wǎng)絡(luò)的隱含層，實現(xiàn)對水印圖像的嵌入和提取。RBF 神經(jīng)網(wǎng)絡(luò)是一種性能良好的前向網(wǎng)絡(luò)，能夠逼近任意的非線性函數(shù)，可以處理系統(tǒng)內(nèi)難以 解析的規(guī)律性，具有良好的泛化能力。但標(biāo)準(zhǔn)RBF神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)率的選擇問題帶來了很大 不便，本發(fā)明推導(dǎo)了 RBF神經(jīng)網(wǎng)絡(luò)的動態(tài)最優(yōu)學(xué)習(xí)率，并將其運用在神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)算法 中實現(xiàn)對權(quán)值的自適應(yīng)動態(tài)調(diào)節(jié)，不僅可以保證學(xué)習(xí)的穩(wěn)定性，而且具有較快的收斂速度， 強大的抗噪能力和修復(fù)能力，即水印圖像在經(jīng)歷噪聲后仍能記憶局部像素點之間的關(guān)系， 從而實現(xiàn)對水印的正確檢測，充分考慮到嵌入的水印圖像在面對多種類型攻擊下，仍然具 有很好的抵抗效果，在保證不影響原始圖像質(zhì)量的情況下，有效的提高了水印檢測的魯棒 性。
【附圖說明】
[0026] 圖1本發(fā)明實施例的BP神經(jīng)網(wǎng)絡(luò)原理圖；
[0027] 圖2本發(fā)明實施例的RBF神經(jīng)網(wǎng)絡(luò)原理圖；
[0028] 圖3本發(fā)明實施例的嵌入與提取流程圖；
[0029] 圖4-1本發(fā)明實施例的原始載體Lena圖像；
[0030] 圖4-2本發(fā)明實施例的原始水印hsd64圖像；
[0031] 圖5-1本發(fā)明實施例實驗（一）中嵌入水印后的載體Lena圖像；
[0032] 圖5-2本發(fā)明實施例實驗（一）中最終恢復(fù)的水印圖像；
[0033] 圖6-1本發(fā)明實施例實驗（一）中仿射變換置亂圖；
[0034] 圖6-2本發(fā)明實施例實驗（一）中BP神經(jīng)網(wǎng)絡(luò)二次加密圖；
[0035] 圖7-1本發(fā)明實施例實驗（一）中變亮（+75)后含水印的載體Lena圖像；
[0036] 圖7-2本發(fā)明實施例實驗（一）中變暗（-50)后含水印的載體Lena圖像；
[0037] 圖7-3本發(fā)明實施例實驗（一）中變亮（+75)后提取的水印圖像；
[0038] 圖7-4本發(fā)明實施例實驗（一）中變暗（-50)后提取的水印圖像；
[0039]圖8-1本發(fā)明實施例實驗（一）中圖像均衡化后的直方圖；
[0040]圖8-2本發(fā)明實施例實驗（一）中直方圖均衡化后含水印的載體Lena圖像；
[0041]圖8-3本發(fā)明實施例實驗（一）中直方圖均衡化后提取的水印圖像；
[0042] 圖9-1本發(fā)明實施例實驗（一）中加高斯噪聲（y = 0和〇 =0? 02)后含水印 的載體Lena圖像；
[0043] 圖9-2本發(fā)明實施例實驗（一）中加高斯噪聲（y = 0和〇 =0? 02)后提取的 水印圖像；
[0044] 圖10-1本發(fā)明實施例實驗（一）中值濾波（9X9)后含水印的載體Lena圖像；
[0045] 圖10-2本發(fā)明實施例實驗（一）中值濾波（9X9)后提取的水印圖像；
[0046] 圖11-1本發(fā)明實施例實驗（一）中幾何切割左側(cè)100X300后含水印的載體Lena 圖像；
[0047] 圖11-2本發(fā)明實施例實驗（一）中幾何切割左側(cè)100X300后提取的水印圖像；
[0048] 圖12-1本發(fā)明實施例實驗（一）中JPEG壓縮10%后含水印的載體Lena圖像；
[0049] 圖12-2本發(fā)明實施例實驗（一）中放大因子為2的JPEG放大后含水印的載體 Lena圖像；
[0050] 圖12-3本發(fā)明實施例實驗（一）中JPEG壓縮10 %后提取的水印圖像；
[0051] 圖12-4本發(fā)明實施例實驗（一）中放大因子為2的JPEG放大后提取的水印圖 像；
[0052]圖13-1本發(fā)明實施例實驗（一）中幾何順時針旋轉(zhuǎn)10°后含水印的載體Lena圖 像；
[0053] 圖13-2本發(fā)明實施例實驗（一）中幾何逆時針旋轉(zhuǎn)30°后含水印的載體Lena圖 像；
[0054] 圖13-3本發(fā)明實施例實驗（一）中幾何順時針旋轉(zhuǎn)10°后提取的水印圖像；
[0055] 圖13-4本發(fā)明實施例實驗（一）中幾何逆時針