基于bp和rbf神經網絡的圖像水印嵌入、提取方法與裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及基于BP和RBF神經網絡的圖像水印嵌入、提取方法與裝置，涉及圖像 水印的技術領域。
【背景技術】
[0002] 將圖像水印隱藏在數字圖像的產品中，常用于證明創(chuàng)作者對其作品的所有權，或 作為鑒定、起訴非法侵權的依據，數字圖像水印已經成為了知識產權保護和數字多媒體防 偽的有效手段，并且引起了人們的高度重視并且研究熱點。數字圖像置亂加密作為信息隱 藏前的預處理手段，不僅可以對信息進行加密，而且在增強秘密信息的不可感知性、提高隱 蔽通信的抗攻擊性能力以及增加隱蔽信道的容量等方面都具有一定的作用。
[0003] 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的過程中從雜亂無章的 圖像中獲得原圖像信息。
[0004] 為了確保圖像的機密性，置亂過程中一般引入密鑰，現有技術常用的置亂加密 算法主要有Arnold變換、Fibonacci與Fibonacci-Q變換、幻方變換、正交拉丁方變換、 Hilbert曲線變換、Gray碼變換、仿射變換、混沌置亂變換等。但是，如Arnold變換、 Fibonacci變換都存在取模運算，使得在置亂時比較費時，且逆變換比較難求的問題，而且 Arno1d變換的周期比較大。如在Arno1d空間域變換的過程中參數較少，導致圖像的密鑰太 少，安全性不高，抗攻擊能力較弱。

【發(fā)明內容】

[0005] 本發(fā)明的目的在于克服現有技術的不足，提出了基于BP和RBF神經網絡的圖像水 印嵌入、提取方法，解決了水印圖像保密程度較低的問題，本發(fā)明還提出了一種基于BP和 RBF神經網絡的圖像水印嵌入、提取裝置。
[0006] 本發(fā)明是通過如下方案予以實現的：
[0007] 基于BP和RBF神經網絡的圖像水印嵌入方法，步驟如下：
[0008] 步驟1，通過仿射變換對原始水印圖像置亂，再結合改進的BP神經網絡算法實現 對置亂圖像的加密，得到加密的水印圖像，并劃分加密的水印圖像為水印圖像塊；
[0009] 步驟2,將載體圖像劃分為載體圖像塊，并將加密的水印圖像塊嵌入到載體圖像塊 中；
[0010] 進一步的，步驟1所述的仿射變換表達式如下：
[0011] 當x〈y時，
[0012]
[0013]當X多y時，
[0014]
[0015] 其中，（x，y)為原始水印圖像的像素點坐標;Μ為原始水印圖像的尺寸大小； (Xuyj為通過仿射變換后的水印圖像的像素點坐標；a、b、c、d、e、f為密鑰。
[0016] 進一步的，步驟1所述的BP神經網絡為三層網絡，即輸入層、隱含層和輸出層；其 中，將輸入層、隱含層、輸出層的神經元數目以及學習常數、閾值作為置亂后的水印圖像的 密鑰；在隱含層與輸出層之間的權值改變量的基礎上，加入放大因子h(x)，其中，h(x)表達 式為：
[0017]h(X)=-InX (1-χ)
[0018] 其中，h(x)滿足當x趨近于0或1時，h(x)趨向于無窮大。
[0019] 進一步的，所述的步驟2中，利用優(yōu)化的RBF神經網絡對載體圖像塊進行訓練，并 將加密的水印圖像塊嵌入到原始載體圖像塊中，通過在RBF神經網絡算法設置最優(yōu)學習率 實現對其權值變化的自適應調整；最優(yōu)學習率表達式如下：
[0020]
[0021] 其中，t為RBF神經網絡的學習次數j(i-l)為第t-Ι次學習時輸出誤差的向量 值；夢為各個節(jié)點的徑向基函數值。
[0022] 基于BP和RBF神經網絡的圖像水印提取方法，提取嵌入在載體圖像中加密的水印 圖像，實現對載體圖像和加密的水印圖像的分離，得到加密的水印圖像，利用BP神經網絡 算法和仿射反變換恢復加密的水印圖像，得到原始水印圖像。
[0023] 基于BP和RBF神經網絡的圖像水印嵌入裝置，所述的裝置包括置亂模塊和嵌入模 塊，其中：
[0024] 1)置亂模塊：通過仿射變換對原始水印圖像置亂，再結合改進的BP神經網絡算法 實現對置亂圖像的加密，得到加密的水印圖像，并劃分加密的水印圖像為水印圖像塊；
[0025] 2)嵌入模塊：將載體圖像劃分為載體圖像塊，并將加密的水印圖像塊嵌入到載體 圖像塊中。
[0026] 進一步的，置亂模塊中所述的仿射變換表達式如下：
[0027]當x〈y時，
[0028]
[0029]
[0030]
[0031] 其中，（x，y)為原始水印圖像的像素點坐標;Μ為原始水印圖像的尺寸大小； (Xuyj為通過仿射變換后的水印圖像的像素點坐標；a、b、c、d、e、f為密鑰。
[0032] 進一步的，所述的BP神經網絡為三層網絡，即輸入層、隱含層和輸出層；其中，將 輸入層、隱含層、輸出層的神經元數目以及學習常數、閾值作為置亂后的水印圖像的密鑰； 在隱含層與輸出層之間的權值改變量的基礎上，加入放大因子h(X)，其中，h(X)表達式為：
[0033] h(X) =-InX(1-χ)
[0034] 其中，h(x)滿足當χ趨近于0或1時，h(x)趨向于無窮大。
[0035] 進一步的，所述的嵌入模塊中，利用優(yōu)化的RBF神經網絡對載體圖像塊進行訓練， 并將加密的水印圖像塊嵌入到原始載體圖像塊中，通過在RBF神經網絡算法中設置最優(yōu)學 習率實現對其權值變化的自適應調整；最優(yōu)學習率表達式如下：
[0036]
[0037] 其中，t為RBF神經網絡的學習次數；？(?-丨）為第t-Ι次學習時輸出誤差的向量 值；#為各個節(jié)點的徑向基函數值。
[0038] 基于BP和RBF神經網絡的圖像水印提取裝置，所述的提取裝置包括提取模塊：提 取嵌入在載體圖像中加密的水印圖像，實現對載體圖像和加密的水印圖像的分離，得到加 密的水印圖像，利用BP神經網絡算法和仿射反變換恢復加密的水印圖像，得到原始水印圖 像。
[0039] 本發(fā)明和現有技術相比的有益效果是：
[0040] 針對現有技術中對圖像水印的置亂加密程度較低的問題。本發(fā)明首先利用改進的 仿射變換對圖像進行置亂，在仿射變換的基礎上對其進行改進，充分考慮到圖像像素的橫 坐標值和縱坐標值之間的大小，分成不同的情況進行置亂，這樣使得置亂后的水印圖像的 統計特征更像白噪聲，然后，結合改進的BP神經網絡實現對置亂后的水印圖像的加密，本 發(fā)明實現對水印圖像的雙重加密，增強了安全性，使圖像在傳輸的過程中不容易受到非法 者的攻擊，具有很好的抵抗效果。
[0041] 本發(fā)明采用了改進的BP神經網絡算法，傳統的BP神經網絡訓練過程能逼近任意 的函數，有不錯的的非線性能力，但容易陷入誤差平面的局部極小值從而降低算法的性能。 本發(fā)明在原有權值改變量的基礎上加入放大因子，在保證學習能力的基礎上，提高了水印 圖像加密的速度。
【附圖說明】
[0042] 圖1本發(fā)明實施例的BP神經網絡原理圖；
[0043] 圖2本發(fā)明實施例的RBF神經網絡原理圖；
[0044] 圖3本發(fā)明實施例的嵌入與提取流程圖；
[0045] 圖4-1本發(fā)明實施例的原始載體Lena圖像；
[0046] 圖4-2本發(fā)明實施例的原始水印hsd64圖像；
[0047] 圖5本發(fā)明實施例中5種攻擊下不同算法提取水印圖像的對比圖。
【具體實施方式】
[0048] -、基于BP和RBF神經網絡的圖像水印嵌入、提取方法，步驟如下：
[0049] (一）水印圖像置亂
[0050] 對大小為64X64原始水印圖像W進行置亂，其中，W(i，j)為原始水印圖像在 (i，j)位置的像素值，即W= {W(i，j)，1 <i< 64, 1 <j< 64}。通過仿射變換對原始水印 圖像進行置亂，根據原始水印圖像以及置亂后的水印圖像之間的關系，通過BP神經網絡算 法得到加密的置亂水印圖像，通過仿射變換結合BP神經網絡實現對水印圖像的雙重加密。
[0051] (1)仿射變換
[0052] 本實施例中采用改進的仿射變換公式對原始水印圖像進行變換，得到置亂圖像， 仿射變換表達式如下：
[0053]當x〈y時，
[0054]
[0055]
[0056]
[0057] 其中，（x，y)為原始水印圖像的像素點坐標;Μ為原始水印圖像的尺寸大小； (Xuyj為通過仿射變換后的水印圖像的像素點坐標；a、b、c、d、e、f為密鑰。
[0058] 本實施例中分別考慮x〈y和x彡y兩種情況，并且加入水印的尺寸大小M，這樣得 到的置亂后的水印圖像的統計特征更像白噪聲。
[0059] (2)BP神經網絡算法
[0060] 根據原始水印圖像以及置亂后的水印圖像之間的關系，對置亂后的水印圖像進行 加密。將置亂后的水印圖像分成8X8的圖像塊，即得到建立[64X16X64]三層BP神經網 絡，即輸入層、隱含層和輸出層。相鄰層之間的各神經網絡實現完全連接，連接強度構成網 絡的權值矩陣。本實施例中選取的傳遞函數為sigmoid函數，調整訓練函數為trainlm函 數，訓練次數為60,神經元激活函數閾值為0. 05,學習常數為0. 5。