[发明专利]基于BP神经网络数字图像压缩的图像水印嵌入与提取方法

说明书

技术领域

本发明涉及一种信息安全领域中的数字图像水印技术，尤其是涉及一种基于BP神经网络数字图像压缩的图像水印嵌入与提取方法。

背景技术

数字图像水印作为传统加密方法的有效补充手段，利用数据嵌入方法隐藏在数字图像产品中，用以证明创作者对其作品的所有权，并作为鉴定、起诉非法侵权的依据，同时通过对水印的检测和分析保证数字信息的完整可靠性，从而成为知识产权保护和数字多媒体防伪的有效手段，近年来引起了人们的高度重视，也已成为国际学术界研究的一个热点。图像水印要发挥应有的作用，必须具备鲁棒性和不可觉察性两个基本要素。水印鲁棒性是指数字媒体在经过常规的信号处理或者外来攻击之后，嵌入的图像水印仍然具有较好的可检测性。水印不可觉察性是指水印的嵌入不能影响到原始数字媒体的视觉质量。

图像水印按用途可分为版权保护水印、票据防伪水印、篡改提示水印和隐藏标识水印。按提取过程可分为盲水印和明文水印。按攻击能力可分为鲁棒性水印和脆弱性水印，其中鲁棒性水印主要应用于数字作品版权保护，脆弱性水印要求对信号的改动敏感，主要应用于完整性保护。根据水印嵌入位置可以将图像水印算法分为两类：基于变换域算法和基于空间域算法。随着JPEG压缩和JPEG2000的广泛使用，到目前为止，有很多是基于变换域的水印算法。根据所采用变换的不同，变换域水印算法可以分为如下几类：基于DCT变换的图像水印算法、基于小波变换的图像水印算法、基于DFT变换的鲁棒性水印算法。但是这些算法比较复杂，需要考虑复杂的空间频域变换过程，效率低，可嵌入信息量较少。空间域图像水印技术因其算法简单、速度快的优点而成为新的研究热点，它通过直接修改原始图像的像素值来达到嵌入水印的目的，但目前经典的空间域水印算法很容易受到图像压缩转换等通常的图像处理的干扰，在对图像进行几何旋转、压缩等基本处理后，基本上已经无法对水印进行正确的提取，实验仿真表明算法的抗攻击性不强，鲁棒性较低。但是随着神经网络、BP神经网络等机器学习方法的引入，使得水印的嵌入和检测过程可以充分利用图像中的一些自然特征，这样可以使得空间域的水印嵌入和检测鲁棒性得到一定的提高。虽然机器学习和各种图像域变换的结合针对具体水印的嵌入与提取都有较好的表现，但是仍然存在许多问题，例如像基于BP神经网络的图像水印方法等一般不可感知性很差，抗剪切和抗旋转的能力很差，水印的保密性也存在一定隐患，像基于空间频域变换的嵌入与提取方法一般计算复杂度较高，抵抗攻击能力还有待加强等。概括起来仍存在如下的一些问题：①基于空域的BP神经网来嵌入水印的位置一般都很确定，显然，这种特点存在着易被攻击和破解的局限性，数字媒体产品受到某一种或几种联合攻击后，会增加图像水印的提取难度；当密钥被破解时，非法用户就可以删除或篡改产品中嵌入的实际图像水印，使其重新回到无版权保护的状态，这将严重侵害版权所有者等各方面的利益。②目前提出的BP神经网络方案基本上都是引用标准的BP神经网络，样本训练的速度与精度都不是很高，这导致最后提取的水印图像失真比较严重。③水印系统的鲁棒性是评估水印系统承载常规处理能力的标准，这对于水印极为重要；现有数字图像水印检测方法将注意力放在对抗常规信号处理(如有损压缩、低通滤波、噪声干扰等)的研究上，而诸如旋转、缩放、平移、行列去除、剪切等几何攻击的抵抗效果不是很好；BP神经网络与变换域相结合，虽然可以有效提高水印检测的鲁棒性，但这些算法对剪切、旋转等攻击的鲁棒性还存在一些不足。倪顾伟撰写的《基于神经网络的数字水印算法的研究与实现》(南京理工大学硕士学位论文，2012.)提出了基于神经网络的数字图像水印技术，使用图像块周围的像素点来预测中间像素点的值，但是此算法在抵抗高斯噪声方面不是很理想，水印的鲁棒性很差，且BP神经网络训练复杂，稳定性不好。文献《Digital Watermarking Algorithm Based on Wavelet Transform and Neural NetWork》(Wang Zhenfei，Zhai Guangqun，Wang Nengchao，Wuhan University Joumal of Natural Sciences，2006，11(6)：1667-1670.)文中提出了一种基于小波域的神经网络鲁棒性的盲水印方案，其根据人类视觉系统(HVS)的特点是用于选择重要系数和添加水印到这些系数。由于神经网络具有学习能力从而具有给定的学习(训练)模式，此方法可以记住一个水印和含水印载体图像之间的对应关系。但是该水印方法抗JPEG压缩能力很差，当压缩率为20％时，提取的水印已经变得很差。

发明内容