本發(fā)明涉及一種信息安全領(lǐng)域中的數(shù)字圖像水印技術(shù)，尤其涉及一種基于動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的水印嵌入、提取方法與裝置。
背景技術(shù)：
：近幾年來，隨著數(shù)字媒體和互聯(lián)網(wǎng)技術(shù)的快速發(fā)展，在網(wǎng)絡(luò)或者各種終端設(shè)備上有大量的數(shù)字媒體內(nèi)容資源(比如：文本、圖像和視頻等)，用戶可以很容易對這些數(shù)字媒體內(nèi)容進(jìn)行使用、復(fù)制或者傳播，因而，數(shù)字媒體內(nèi)容的版權(quán)保護(hù)越來越引起商業(yè)界和學(xué)術(shù)界的高度關(guān)注。在解決這一問題的過程中，對數(shù)字媒體內(nèi)容添加水印圖像是一種被常采用的傳統(tǒng)加密方法的有效補(bǔ)充手段，即利用數(shù)據(jù)嵌入方法隱藏在數(shù)字圖像產(chǎn)品中，用以證明創(chuàng)作者對其作品的所有權(quán)，并作為鑒定、起訴非法侵權(quán)的依據(jù)，同時(shí)通過對水印的檢測和分析保證數(shù)字信息的完整可靠性，從而成為知識(shí)產(chǎn)權(quán)保護(hù)和數(shù)字多媒體防偽的有效手段，近年來引起了人們的高度重視，也已成為國際學(xué)術(shù)界研究的一個(gè)熱點(diǎn)。同時(shí)，數(shù)字圖像置亂加密又是使用信息隱藏技術(shù)進(jìn)行隱蔽通信的基礎(chǔ)性工作，數(shù)字圖像置亂加密作為信息隱藏前的預(yù)處理手段，不僅可以對信息進(jìn)行加密，而且在增強(qiáng)秘密信息的不可感知性，提高隱蔽通信的抗攻擊性能以及增加隱蔽信道的容量等方面都具有一定的作用。水印圖像置亂加密技術(shù)是指發(fā)送方借助數(shù)學(xué)或其他領(lǐng)域的技術(shù)，對一幅有意義的數(shù)字圖像作變換使之變成一幅雜亂無章的圖像，再用于傳輸；在圖像傳輸過程中，非法截獲者無法從雜亂無章的圖像中獲得原圖像信息，從而達(dá)到圖像加密的目的，而接收方經(jīng)過解密，可恢復(fù)原圖像。為了確保圖像的機(jī)密性，置亂過程中一般引入密鑰。目前研究使用較多的置亂變換主要有：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。圖像水印要發(fā)揮應(yīng)有的作用，必須具備魯棒性和不可覺察性兩個(gè)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(hào)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。水印不可覺察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。圖像水印按用途可分為版權(quán)保護(hù)水印、票據(jù)防偽水印、篡改提示水印和隱藏標(biāo)識(shí)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(hù)，脆弱性水印要求對信號(hào)的改動(dòng)敏感，主要應(yīng)用于完整性保護(hù)。根據(jù)水印嵌入位置可以將圖像水印算法分為兩類：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，到目前為止，有很多是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：基于離散余弦變換的圖像水印算法、基于離散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。空間域圖像水印技術(shù)因其算法簡單、速度快的優(yōu)點(diǎn)而成為新的研究熱點(diǎn)，它通過直接修改原始圖像的像素值來達(dá)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(jìn)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(jìn)行正確的提取，實(shí)驗(yàn)仿真表明該類算法的抗攻擊性不強(qiáng)、魯棒性較低。但是隨著神經(jīng)網(wǎng)絡(luò)的引入，使得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(jī)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：例如像基于bp神經(jīng)網(wǎng)絡(luò)的圖像水印方法等一般不可感知性很差，抗剪切和抗旋轉(zhuǎn)的能力很差，水印的保密性也存在一定隱患；像基于空間頻域變換的嵌入與提取方法一般計(jì)算復(fù)雜度高，抵抗攻擊能力還有待加強(qiáng)等。概括起來仍存在如下一些問題：①目前，常用的置亂加密算法比如arnold變換、fibonacci變換，都存在取模運(yùn)算，使得在置亂時(shí)比較費(fèi)時(shí)，且逆變換比較難求，arnold變換的周期比較大。劉芳、賈成、袁征撰寫的《一種基于arnold變換的二值圖像水印算法》(計(jì)算機(jī)應(yīng)用,2008,28(6):1404-1406.)提出了采用一種基于arnold變換的二值圖像水印嵌入與提取方法，結(jié)合arnold置亂算法，通過翻轉(zhuǎn)圖像內(nèi)滿足視覺約束條件的像素來達(dá)到添加水印的目的。實(shí)驗(yàn)表明該算法不僅改善了水印的不可見性，提高了水印的嵌入容量，而且實(shí)現(xiàn)了水印的盲提取。但也存在一些不足，如在arnold空間域變換的過程中參數(shù)較少，導(dǎo)致圖像的密鑰太少，安全性不高，arnold變換也僅起到置亂圖像的作用，且該算法對圖像的常規(guī)攻擊，尤其是幾何攻擊下的抵抗性較差，沒有較好地平衡水印不可見性和魯棒性之間的矛盾等。②目前，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(shí)時(shí)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；③水印系統(tǒng)的魯棒性是評估水印系統(tǒng)承載常規(guī)處理能力的標(biāo)準(zhǔn)，這對于水印極為重要；現(xiàn)有數(shù)字圖像水印檢測方法將注意力放在對抗常規(guī)信號(hào)處理(如有損壓縮、低通濾波、噪聲干擾等)的研究上，而諸如旋轉(zhuǎn)、縮放、平移、行列去除、剪切等幾何攻擊的抵抗效果不是很好。張軍和王能超撰寫的《用于圖像認(rèn)證的基于神經(jīng)網(wǎng)絡(luò)的水印技術(shù)》(計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2003,15(3):307-312.)公開了一種基于神經(jīng)網(wǎng)絡(luò)的脆弱水印技術(shù)，通過隨機(jī)選取一些像素及它們的領(lǐng)域，利用神經(jīng)網(wǎng)絡(luò)建立他們之間的關(guān)系模型，并通過調(diào)整被選像素點(diǎn)與模型輸出值之間的大小關(guān)系來嵌入水印圖案的位信息，根據(jù)提取的水印圖像，但是該方法采用標(biāo)準(zhǔn)神經(jīng)網(wǎng)絡(luò)，學(xué)習(xí)速度慢，無法滿足實(shí)時(shí)性要求的應(yīng)用，且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)重以及嵌入的密鑰數(shù)量少，安全性不高等問題。技術(shù)實(shí)現(xiàn)要素：本發(fā)明提供一種基于動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的水印嵌入與提取方法，用以解決常規(guī)圖像水印密鑰少以及精度低和傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)過程收斂速度慢、訓(xùn)練樣本速度慢的問題，進(jìn)而提高圖像水印的安全性、魯棒性和不可感知性。為實(shí)現(xiàn)上述目的，本發(fā)明的方案包括：一種基于動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的水印嵌入方法，包括如下步驟：1)采用改進(jìn)arnold變換對原始水印圖像w進(jìn)行處理，得到置亂水印圖像w′；2)通過建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對原始載體圖像塊進(jìn)行訓(xùn)練，獲得隱含層的輸出o；在隱含層的輸出o中嵌入置亂水印圖像w′，再將嵌入置亂水印圖像w′后的載體圖像進(jìn)行動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到嵌入水印后的載體圖像；所述建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)的學(xué)習(xí)率根據(jù)當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，若當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)的輸出誤差的比值大于設(shè)定值b，則減小當(dāng)前的學(xué)習(xí)率；否則，將當(dāng)前的學(xué)習(xí)率增大。步驟1)中的改進(jìn)arnold變換按照如下公式得進(jìn)行n次迭代，以水印圖像的位置坐標(biāo)(x0,y0)作為初值，得到對應(yīng)水印圖像的嵌入位置(xn,yn)，其中1≤x0≤n，1≤y0≤n，1≤xn≤n，1≤yn≤n，a、b、c、d、e、f均為正整數(shù)，其保面積要求ad–bc＝1；n為水印圖像大小。所述學(xué)習(xí)率的產(chǎn)生是按照如下公式：若本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差的比值大于設(shè)定值b，則減小當(dāng)前的學(xué)習(xí)率；否則，將當(dāng)前的學(xué)習(xí)率增大；減小學(xué)習(xí)率的方法是給當(dāng)前的學(xué)習(xí)率乘以b1；增大學(xué)習(xí)率的方法是給當(dāng)前的學(xué)習(xí)率乘以正數(shù)b2；其中，b1小于1，b2大于1，b1、b2均為正數(shù)。步驟2)中建立64×16×64的三層動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)為sigmoid函數(shù)，調(diào)整訓(xùn)練函數(shù)為trainlm函數(shù)，訓(xùn)練次數(shù)為40，神經(jīng)元激活函數(shù)閾值為0.05，學(xué)習(xí)率在bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，根據(jù)本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，進(jìn)而進(jìn)行動(dòng)態(tài)調(diào)整，其初值為0.5。水印提取方法，包括如下步驟：1)將嵌入水印后的載體圖像作為輸入層，原始載體圖像作為輸出層，通過對建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，得到隱含層的輸出o"；將o"與o做差，得到差值圖像，該差值圖像為提取的水印圖像；所述隱含層的輸出o"為通過動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對嵌入水印的載體圖像塊進(jìn)行訓(xùn)練，獲得的隱含層的輸出，所述o為通過動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對原始載體圖像塊進(jìn)行訓(xùn)練，獲得的隱含層的輸出；2)將得到的水印圖像利用改進(jìn)arnold反變換得到原始水印圖像；所述建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)的學(xué)習(xí)率根據(jù)當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，若當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)的輸出誤差的比值大于設(shè)定值b，則減小當(dāng)前的學(xué)習(xí)率；否則，將當(dāng)前的學(xué)習(xí)率增大。步驟2)中的改進(jìn)arnold反變換公式為：進(jìn)行n次迭代，以置亂水印圖像的位置坐標(biāo)(xn,yn)作為初值，得到對應(yīng)原始水印圖像的位置(x0,y0)，其中1≤x0≤n，1≤y0≤n，a、b、c、d、e、f均為正整數(shù)，1≤xn≤n，1≤yn≤n，其保面積要求ad–bc＝1；n為水印圖像大小。步驟1)中建立64×16×64的三層動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，傳遞函數(shù)為sigmoid函數(shù)，調(diào)整訓(xùn)練函數(shù)為trainlm函數(shù)，訓(xùn)練次數(shù)為40，神經(jīng)元激活函數(shù)閾值為0.05，學(xué)習(xí)率在bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，根據(jù)本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，進(jìn)而進(jìn)行動(dòng)態(tài)調(diào)整，其初值為0.5。一種基于動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的水印嵌入裝置，用于執(zhí)行如下步驟：采用改進(jìn)arnold變換對原始水印圖像w進(jìn)行處理，得到置亂水印圖像w′；通過建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對原始載體圖像塊進(jìn)行訓(xùn)練，獲得隱含層的輸出o；在隱含層的輸出o中嵌入置亂水印圖像w′，再將嵌入置亂水印圖像w′后的載體圖像進(jìn)行動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，得到嵌入水印后的載體圖像；所述建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)的學(xué)習(xí)率根據(jù)當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，若當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)的輸出誤差的比值大于設(shè)定值b，則減小當(dāng)前的學(xué)習(xí)率；否則，將當(dāng)前的學(xué)習(xí)率增大。水印提取裝置，用于執(zhí)行如下步驟：將嵌入水印后的載體圖像塊作為輸入層，原始載體圖像作為輸出層，通過建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對嵌入水印后的載體圖像塊進(jìn)行訓(xùn)練，得到隱含層的輸出o"；將o"與o做差，得到差值圖像，該差值圖像為提取的水印圖像；所述隱含層的輸出o"為動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對嵌入水印后的載體圖像塊進(jìn)行訓(xùn)練，獲得的隱含層的輸出，所述o為通過動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對原始載體圖像塊進(jìn)行訓(xùn)練，獲得的隱含層的輸出；將得到的水印圖像利用改進(jìn)arnold反變換得到原始水印圖像；所述建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)在進(jìn)行訓(xùn)練時(shí)的學(xué)習(xí)率根據(jù)當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，若當(dāng)前計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上一次迭代時(shí)的輸出誤差的比值大于設(shè)定值b，則減小當(dāng)前的學(xué)習(xí)率；否則，將當(dāng)前的學(xué)習(xí)率增大。本發(fā)明通過引入動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，將置亂的水印圖像嵌入到動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的隱含層進(jìn)行訓(xùn)練，通過動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)對學(xué)習(xí)率根據(jù)本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差的大小動(dòng)態(tài)的調(diào)整，使得收斂速度得到極大的提高。本發(fā)明中對原始水印置亂加密時(shí)使用改進(jìn)arnold變換，相對于廣義arnold變換來說，引入的參數(shù)增多，也就是說密鑰的數(shù)量增加，因此提高了圖像水印的安全性；另外改進(jìn)arnold變換中的參數(shù)e和f，是為了最后嵌入水印時(shí)使得(xn,yn)不至于集中在圖像的某一方塊，使其盡可能的分散在原始載體圖像中。附圖說明圖1是bp神經(jīng)網(wǎng)絡(luò)原理圖；圖2是本發(fā)明的嵌入與提取流程圖；圖3-1是原始載體lena圖像；圖3-2是原始水印圖像河南；圖4是經(jīng)改進(jìn)arnold變換置亂的水印圖像河南；圖5-1是嵌入水印后的載體lena圖像；圖5-2是提取的水印圖像河南；圖6-1是變亮(+75)后的含水印載體lena圖像；圖6-2是變暗(-50)后的含水印載體lena圖像；圖7-1是圖像均衡化后的直方圖；圖7-2是直方圖均衡化后的含水印載體lena圖像；圖8是加高斯噪聲(μ＝0和σ＝0.01)后的含水印載體lena圖像；圖9是中值濾波(3×3)后的含水印載體lena圖像；圖10是幾何切割自左側(cè)128×128個(gè)像素點(diǎn)后的含水印載體lena圖像；圖11-1是幾何逆時(shí)針方向旋轉(zhuǎn)角度為10°的含水印載體lena圖像；圖11-2是幾何順時(shí)針旋轉(zhuǎn)10°后的含水印載體lena圖像；圖12-1是原始載體woman圖像；圖12-2是嵌入水印圖像河南后的載體woman圖像；圖12-3是從嵌入水印后的載體woman圖像中提取出的水印圖像河南；圖13-1是水印圖像a；圖13-2是水印圖像河南師范大學(xué)校徽；圖13-3是水印圖像河南師大；圖14-1是嵌入水印圖像河南師大后的lena載體圖像；圖14-2是從嵌入水印后的載體woman圖像中提取出的水印圖像河南師大；圖15是不同水印方案之間的nc值比較。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明做進(jìn)一步詳細(xì)的說明。本發(fā)明的水印嵌入方法主要包括：水印圖像置亂加密、動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練、水印嵌入的步驟，發(fā)明點(diǎn)主要在于使用改進(jìn)的arnold變換對原始水印圖像進(jìn)行置亂，增加密鑰的數(shù)量，且提高了水印的安全性；同時(shí)，建立動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，在嵌入水印時(shí)將置亂后的水印圖像嵌入到動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的隱含層；本發(fā)明中的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)相對傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)而言，具有較快的收斂速度，強(qiáng)大的抗噪和修復(fù)能力，使得水印圖像在經(jīng)歷噪聲后仍能記憶局部像素點(diǎn)之間的關(guān)系，從而實(shí)現(xiàn)對水印的正確檢測。本發(fā)明充分利用了bp神經(jīng)網(wǎng)絡(luò)的特點(diǎn)，并動(dòng)態(tài)的調(diào)整其學(xué)習(xí)率，得到了具有優(yōu)異魯棒性能的抗常規(guī)圖像攻擊的圖像水印嵌入和提取方法，很好地平衡了圖像水印的魯棒性和不可感知性之間的矛盾。具體的，以下給出了一種優(yōu)選的實(shí)施例，不僅訓(xùn)練步驟采用動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，而且水印圖像的置亂也進(jìn)行了改進(jìn)，即對應(yīng)改進(jìn)的arnold變換。動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的工作原理：動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)主要是通過對輸入樣本矩陣進(jìn)行一定的計(jì)算得到實(shí)際輸出，與期望得到的輸出矩陣比較得到誤差，利用本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差的大小，來動(dòng)態(tài)的調(diào)整學(xué)習(xí)率。而傳統(tǒng)的bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程能逼近任意的函數(shù)，有不錯(cuò)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，再者，由于隨著訓(xùn)練的進(jìn)行誤差的梯度減小，權(quán)值的調(diào)整量也會(huì)減小，導(dǎo)致需要進(jìn)行較多的訓(xùn)練次數(shù)來跳出該區(qū)域，從而減緩了收斂速度，增大了訓(xùn)練時(shí)間。因此本發(fā)明引進(jìn)了動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，動(dòng)態(tài)主要體現(xiàn)在對學(xué)習(xí)率的動(dòng)態(tài)調(diào)整。其中，bp算法，全名為誤差反向傳播算法，bp算法成功解決了多層網(wǎng)絡(luò)中隱含層神經(jīng)元連接權(quán)值的學(xué)習(xí)問題，它采用了有監(jiān)督的學(xué)習(xí)方式，基于梯度下降的優(yōu)化算法，極小化的誤差函數(shù)。設(shè)e表示誤差函數(shù)，y為實(shí)際輸出，t表示期望輸出，則對于節(jié)點(diǎn)j，它的輸出oj定義為其中wkj表示節(jié)點(diǎn)k與節(jié)點(diǎn)j之間的連接權(quán)值，節(jié)點(diǎn)j的輸入netj是上一層所有節(jié)點(diǎn)輸出ok的加權(quán)和，節(jié)點(diǎn)的激發(fā)函數(shù)必須是非線性可微的，在本發(fā)明取傳遞函數(shù)為sigmoid函數(shù)：該函數(shù)有一個(gè)理想的導(dǎo)函數(shù)：對誤差函數(shù)求偏導(dǎo)可得：令1)當(dāng)節(jié)點(diǎn)j為輸出節(jié)點(diǎn)時(shí)，則oj＝y(tǒng)j，從而有：2)當(dāng)節(jié)點(diǎn)j不是輸出節(jié)點(diǎn)時(shí)，則有：bp算法是基于梯度下降算法的，故權(quán)值的修正量正比于誤差函數(shù)e對權(quán)值w的負(fù)梯度，即：w(t+1)＝w(t)+△w(t)其中t表示學(xué)習(xí)次數(shù)，α表示學(xué)習(xí)率。本發(fā)明通過對原始載體圖像的訓(xùn)練，最終可以得到一個(gè)動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)嵌入模型，然而常規(guī)的bp神經(jīng)網(wǎng)絡(luò)具有一個(gè)重大缺陷，就是其學(xué)習(xí)過程的收斂速度非常慢。為了克服這個(gè)缺陷，本發(fā)明引入動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，其與常規(guī)的bp神經(jīng)網(wǎng)絡(luò)的區(qū)別在于，動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)會(huì)對動(dòng)態(tài)的學(xué)習(xí)率進(jìn)行調(diào)整，使得收斂速度得到極大的提高。本發(fā)明采用以下方法來動(dòng)態(tài)調(diào)整學(xué)習(xí)率：在每次迭代中，當(dāng)計(jì)算出神經(jīng)網(wǎng)絡(luò)的輸出誤差之后，要用本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，如果它們的比值大于某個(gè)正常數(shù)b(b通常是一個(gè)略大于1的數(shù))，則將當(dāng)前的學(xué)習(xí)率適當(dāng)?shù)臏p小；否則，將當(dāng)前的學(xué)習(xí)率適當(dāng)增大。減小學(xué)習(xí)率的方法一般是給當(dāng)前的學(xué)習(xí)率乘一個(gè)小于1的正數(shù)b1；增大學(xué)習(xí)率的方法一般是給當(dāng)前的學(xué)習(xí)率乘一個(gè)大于1的正數(shù)b2。這樣，由于在學(xué)習(xí)過程中不斷根據(jù)當(dāng)前輸出誤差的變化情況來實(shí)時(shí)地調(diào)整學(xué)習(xí)率，因此，神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程的收斂速度就大大的加快了。用公式表示如下：與廣義arnold變換不同，本發(fā)明的改進(jìn)的arnold變換不僅涉及獨(dú)立參數(shù)a、b、c、d和迭代次數(shù)n，用于版權(quán)人在嵌入水印時(shí)自己設(shè)定，還包括參數(shù)e和f，這樣做增加了密鑰的數(shù)量，提高了水印的安全性。以下實(shí)施例為這種置亂、訓(xùn)練和嵌入分別改進(jìn)arnold變換和動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的優(yōu)選實(shí)施例的水印嵌入方式，嵌入過程劃分以步驟(1)、步驟(2)、步驟(3)的形式。步驟(1)以輸入圖像大小為m×m的數(shù)字載體圖像i，作為待嵌入水印的原始載體圖像，再輸入圖像大小為n×n的水印圖像w，以此舉例：原始載體圖像i和原始水印圖像w分別記為：i＝{i(i,j),1≤i≤m,1≤j≤m}，w＝{w(i,j),1≤i≤n,1≤j≤n}，i(i,j)為原始載體圖像在(i,j)位置的像素值，w(i,j)為原始水印圖像在(i,j)位置的像素值。步驟(2)利用改進(jìn)arnold變換算法，對二維灰度圖像w做n次arnold迭代變換，即以水印圖像的位置坐標(biāo)(x0,y0)作為初值，其中1≤x0≤n，1≤y0≤n，按照如下公式即進(jìn)行n次迭代，以水印圖像的位置坐標(biāo)(x0,y0)作為初值，得到對應(yīng)水印的嵌入位置(xn,yn)，其中1≤xn≤n，1≤yn≤n，a、b、c、d、e、f均為正整數(shù)，其保面積要求ad–bc＝1；n為水印圖像大小。在上述變換式中，獨(dú)立參數(shù)a、b、c、d、e、f和迭代次數(shù)n由版權(quán)人自己設(shè)定，作為七個(gè)密鑰參數(shù)可以用來恢復(fù)水印圖像。n一般在1至20之間取值，因?yàn)閚太大會(huì)影響程序運(yùn)行速度，計(jì)算復(fù)雜度增強(qiáng)，并且arnold變換具有周期性，即n具有周期性。其中e和f，是為了最后嵌入水印時(shí)使得(xn,yn)不至于集中在圖像的某一方塊，使其盡可能的分散在原始載體圖像中，得到置亂后的水印圖像w′。步驟(3)bp神經(jīng)網(wǎng)絡(luò)的具體訓(xùn)練過程如下：將載體圖像i(i,j)分成8×8的圖像塊c{i1,j1}，其中c{i1,j1}為一個(gè)的細(xì)胞數(shù)組，再建立一個(gè)[64×16×64]的三層bp神經(jīng)網(wǎng)絡(luò)，輸入值為c{i1,j1}，期望值為c{i1,j1}，傳遞函數(shù)為sigmoid函數(shù)，調(diào)整訓(xùn)練函數(shù)為trainlm函數(shù)，訓(xùn)練次數(shù)為40，神經(jīng)元激活函數(shù)閾值為0.05，學(xué)習(xí)率在bp神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中，根據(jù)本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差進(jìn)行比較，進(jìn)而進(jìn)行動(dòng)態(tài)調(diào)整，其初值為0.5，建立好動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)后，開始進(jìn)行訓(xùn)練，得到隱含層的輸出o(i2,j2)和隱含層到輸出層的調(diào)節(jié)系數(shù)w(i3,j3)，其中o(i2,j2)為8×1的矩陣，w(i3,j3)為8×64的矩陣。加載水印圖像w′，把水印圖像w′(i,j)的每一個(gè)像素點(diǎn)歸一化后，對應(yīng)到w(i3,j3)的每一列的第一個(gè)點(diǎn)上，即加到w(i3,1)得到含有水印圖像信息的權(quán)重w(i3,1)；再用新的權(quán)重信息進(jìn)行同一個(gè)動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，便得到含有水印圖像的載體圖像i1。基于上述水印嵌入方法，水印提取過程如下，也以步驟(1)、步驟(2)、步驟(3)的形式劃分：水印提取方法，包括以下步驟：步驟(1)輸入含有水印圖像的待提取的載體圖像i1，分辨率是m×m，i1(i,j)表示嵌有水印的載體圖像在(i,j)位置的像素值，其中1≤i≤m，1≤j≤m；將含有水印的載體圖像i1(i,j)分成8×8的圖像塊c1(i1,j1)，其中c1(i1,j1)為一個(gè)一塊的細(xì)胞數(shù)組。步驟(2)建立一個(gè)[64×16×64]的三層bp神經(jīng)網(wǎng)絡(luò)，輸入值為c1(i1,j1)，期望值也為c1(i1,j1)，建立的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的參數(shù)與水印嵌入步驟(3)中的動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的參數(shù)相同，建立動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)后，開始進(jìn)行訓(xùn)練，得到隱含層到輸出層的調(diào)節(jié)系數(shù)w′(i3,j3)；使用w(i3,j3)減去w′(i3,j3)，得到二者之間的差d(i3,j3)，其中，d(i3,j3)包含了水印所有的像素值，即可以得到置亂加密后的水印圖像。步驟(3)水印圖像的恢復(fù)：將d(i3,j3)分成8×8的圖像塊d1(i1,j1)對每個(gè)圖像塊進(jìn)行arnold反變換，按如下公式：進(jìn)行n次迭代，以置亂水印圖像的位置坐標(biāo)(xn,yn)作為初值，得到對應(yīng)原始水印圖像的位置(x0,y0)，其中1≤x0≤n，1≤y0≤n，e≤n，a、b、c、d、e、f均為正整數(shù)，1≤xn≤n，1≤yn≤n，其保面積要求ad–bc＝1；n為水印圖像大小；最后可得到原始的水印圖像w。上述實(shí)施例介紹了水印嵌入與提取過程之后，為驗(yàn)證其可行性和有效性，下面以兩幅典型的測試圖像實(shí)驗(yàn)仿真結(jié)果和分析為例，進(jìn)行一系列的實(shí)驗(yàn)。實(shí)驗(yàn)驗(yàn)證是在pc機(jī)(winows7intel(r)core(tm)cpu3.20ghz4.0gbmemory)上用matlabr2012b軟件編程實(shí)現(xiàn)，待嵌入圖像水印的原始數(shù)字圖像i選用uint8的lena灰度圖像，圖像大小m取為512×512，如圖3-1所示；待嵌入的實(shí)際圖像水印w為“河南”，圖像大小n取為64×64，如圖3-2所示。其中，通過普通人群(年齡分布在50歲以下，視力正常)的肉眼對提取的水印信號(hào)進(jìn)行主觀辨別，且還可采用提取的水印與原水印的位誤差率(ber)指標(biāo)來對提取的水印進(jìn)行客觀評價(jià)，ber越接近0，說明水印系統(tǒng)的魯棒性越高，抗攻擊能力越強(qiáng)，其ber表示如下式中，m和k為原始圖像水印的長和寬，w(i,j)和w′(i,j)分別為對應(yīng)位置上的原始水印與提取水印的像素值，⊕表示按位進(jìn)行的異或運(yùn)算。嵌入實(shí)際圖像水印后的數(shù)字圖像的質(zhì)量和感知性能采用峰值信噪比(psnr)來進(jìn)行評判，它表示嵌入水印信息對載體質(zhì)量的損壞程度，psnr越大，損壞程度越小，其psnr表示如下式中，m和n為載體圖像的長和寬，i(i,j)和i′(i,j)分別為原始載體圖像和加有水印的載體圖像各點(diǎn)的像素值。圖像水印檢測結(jié)果的客觀評價(jià)還可用歸一化相關(guān)系數(shù)(nc)，通過載體圖像嵌入水印前后的變化來評價(jià)水印的近似程度，相似度nc越大，說明水印的魯棒性越高，其nc表示如下圖5-1是按照本發(fā)明的方法嵌入實(shí)際水印圖像w后的lena數(shù)字圖像。從圖中可以看到，嵌入水印后的lena數(shù)字圖像質(zhì)量并沒有發(fā)生任何變化，psnr很高，達(dá)到了33.2637db，與圖3-1所示的原始lena數(shù)字圖像一致，完全滿足了水印不可察覺性的要求。圖5-2是按照本發(fā)明的方法提取出的水印圖像，結(jié)果表明，圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像在未受任何攻擊處理時(shí)，可以近乎無損地提取出嵌入的實(shí)際圖像水印，nc＝0.9999，ber＝0.037，近似等于0。因此提取出的圖像基本就是原始水印圖像。下面對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行多種攻擊處理，驗(yàn)證本發(fā)明提出的基于改進(jìn)arnold變換和動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的圖像水印嵌入與提取方法的魯棒性。(1)簡單亮度調(diào)節(jié)對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行亮度調(diào)節(jié)處理，即將其所有像素值分別進(jìn)行加75和減50的運(yùn)算，得到如圖6-1和圖6-2所示的水印lena數(shù)字圖像。經(jīng)過圖像的像素值加減處理后，從視覺上來看，水印lena數(shù)字圖像的亮、暗度發(fā)生了明顯改變，而psnr分別下降至14.8965db和14.0133db。用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取。此時(shí)nc分別為0.7488和0.989，ber分別為0.0127和0.0099，近似等于0。由實(shí)驗(yàn)數(shù)據(jù)表明，圖像水印基本不受數(shù)字圖像亮度的影響，與載體圖像未遭受攻擊時(shí)提取出的水印圖像幾乎一致。因此該提取算法對載體圖像的亮度變化具有很強(qiáng)的魯棒性。(2)直方圖均衡化對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行直方圖均衡化處理，得到如圖7-2所示的含水印lena數(shù)字圖像。經(jīng)過如圖7-1的直方圖均衡化處理，水印lena數(shù)字圖像的像素值分布發(fā)生了明顯改變，psnr下降至18.4464db。用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取，此時(shí)nc＝0.99，接近于1，ber＝0.0055。由實(shí)驗(yàn)數(shù)據(jù)可知，嵌入的實(shí)際圖像水印能被較理想地提取出來，因此該提取算法對載體圖像的對比度變化具有較強(qiáng)的魯棒性。(3)疊加高斯噪聲對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行噪聲干擾，噪聲選用均值為0和方差為0.01的高斯噪聲，得到如圖8所示的含水印lena數(shù)字圖像。由圖8可知，盡管含水印lena數(shù)字圖像受到高斯噪聲干擾，視覺質(zhì)量受到嚴(yán)重退化，psnr下降至19.7610db。用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取，此時(shí)nc＝0.8894，非常接近于1，ber＝0.0127，實(shí)驗(yàn)數(shù)據(jù)表明，嵌入的實(shí)際圖像水印仍然具有很好的抗噪聲干擾能力，提取出的水印比較接近無攻擊時(shí)的結(jié)果。因此該提取算法對噪聲干擾具有較好的魯棒性。(4)中值濾波對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行中值濾波處理，濾波器窗口大小選擇為[3×3]，得到如圖9所示的水印lena數(shù)字圖像。此時(shí)，psnr下降至29.9092db。用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取，此時(shí)nc＝0.9938，十分接近于1，ber＝0.012，近似等于0。實(shí)驗(yàn)數(shù)據(jù)表明，嵌入的實(shí)際圖像水印仍有比較理想的抗濾波能力，因此該提取算法對濾波處理具有較好的魯棒性。(5)幾何切割對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像進(jìn)行幾何切割處理，自左側(cè)開始切去128×128個(gè)像素點(diǎn)，得到如圖10所示的水印lena數(shù)字圖像。由圖10可以看出，這時(shí)水印lena數(shù)字圖像受到較大的破壞，psnr＝17.1907db，用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取，此時(shí)，nc＝0.9899，十分接近于1，ber＝0.0109，近似等于0。實(shí)驗(yàn)數(shù)據(jù)表明，本發(fā)明方法對于幾何切割具有比較好的魯棒性，嵌入的實(shí)際圖像水印仍能被很好地提取出來，因此該提取算法對幾何切割處理具有很強(qiáng)的魯棒性。(6)幾何旋轉(zhuǎn)對圖5-1所示的嵌入實(shí)際水印后的lena數(shù)字圖像分別進(jìn)行逆時(shí)針方向旋轉(zhuǎn)角度為10°，順時(shí)針方向旋轉(zhuǎn)角度為10°，得到如圖11-1和圖11-2所示的水印lena數(shù)字圖像，psnr為17.294db和17.3578db。用本發(fā)明的方法對圖5-1所示的水印lena數(shù)字圖像進(jìn)行圖像水印提取，此時(shí)，nc的值分別為0.9468和0.9263，都十分接近于1，ber等于0.012和0.0121。實(shí)驗(yàn)數(shù)據(jù)表明，本發(fā)明方法對于幾何旋轉(zhuǎn)攻擊仍具有很強(qiáng)的魯棒性，嵌入的實(shí)際圖像水印能被很好地提取出來，因此該提取算法對幾何旋轉(zhuǎn)處理具有很強(qiáng)的魯棒性。為了驗(yàn)證本發(fā)明中提取算法的普遍適用性，接下來換不同的載體圖像，但是保持水印圖像不變，然后求出對應(yīng)的psnr、ber和nc值來檢驗(yàn)該算法的魯棒性和不可感知性。這部分實(shí)驗(yàn)在改變載體圖像且水印圖像不變的情況下，繼續(xù)測試本發(fā)明改進(jìn)的算法，新的載體圖像名稱分別為baboon、woman、peper和cameraman，這些圖像都是從usc-sipi圖像集數(shù)據(jù)庫上下載。實(shí)驗(yàn)的水印圖像仍然是如圖3-2所示的“河南”。在沒有任何攻擊的條件下，計(jì)算了psnr、ber和nc值，實(shí)驗(yàn)結(jié)果如表1所示，即4個(gè)不同載體圖像的魯棒性檢測結(jié)果。實(shí)驗(yàn)結(jié)果表明，對不同載體圖像而言，psnr值都很高，nc也比較接近于1，ber值也幾乎接近于0，可以有效地證明本發(fā)明改進(jìn)的算法有很好的魯棒性和不可感知性。表1不同的載體圖像對應(yīng)的psnr、ber和nc值載體圖像尺寸psnr(db)berncbaboon512×51244.18530.0050.9867woman512×51225.09470.0080.9293peper512×51228.77550.00860.9505cameraman512×51240.49090.00921本發(fā)明為了使上述測試結(jié)果更為詳細(xì)，從表1中選出了載體圖像woman，水印圖像仍然如圖3-2所示，載體圖像woman如圖12-1所示，圖12-2就是基于本發(fā)明嵌入水印后的載體圖像，可以看出，含有水印的圖像與原始載體圖像幾乎沒有差異，psnr值很高，達(dá)到了25.0947db，結(jié)果充分說明了圖12-2與圖12-1是基本一致的，這完全滿足了水印的不可覺察性以及系統(tǒng)的可適用性。圖12-3是使用本發(fā)明提取出水印圖像，實(shí)驗(yàn)表明圖12-2所示嵌入水印后的載體woman在未遭受任何攻擊的情況下，可以近乎無損的提取出嵌入的實(shí)際圖像水印，此時(shí)的nc＝0.9293，非常接近1，ber＝0.008，非常接近于0。因此，提取出的水印基本就是原始水印圖像。為了進(jìn)一步檢測本發(fā)明的方法，下面對圖12-2所示嵌入水印后的載體圖像woman數(shù)字圖像進(jìn)行多種攻擊處理，驗(yàn)證本發(fā)明的數(shù)字圖像水印嵌入與提取算法的魯棒性。實(shí)驗(yàn)結(jié)果如表2所示。表2對woman載體圖像進(jìn)行各種攻擊后所得的psnr、ber和nc值攻擊類型psnr(db)bernc亮度調(diào)節(jié)(+75)15.48190.0120.9527亮度調(diào)節(jié)(-50)19.59460.00951直方圖均衡化23.84530.00671高斯噪聲(μ＝0和σ＝0.02)26.16880.00320.9357中值濾波(9×9)24.90010.01520.9341幾何剪切(left251×251)35.10040.00840.9919幾何順時(shí)針旋轉(zhuǎn)30°16.05070.01320.87幾何逆時(shí)針旋轉(zhuǎn)10°20.42350.01160.9317為了進(jìn)一步驗(yàn)證本發(fā)明中提取算法的普遍適用性，接下來換不同的水印圖像分別為“a”(如圖13-1所示)、“河南師范大學(xué)校徽”(如圖13-2所示)和“河南師大”(如圖13-3所示)，但載體lena圖像保持不變，然后求出對應(yīng)的psnr、ber和nc值來檢驗(yàn)該算法的魯棒性和不可感知性。這部分實(shí)驗(yàn)，使用如圖13-3所示的水印圖像，但載體圖像仍然為圖3-1的情況下，類似的，在沒有進(jìn)行任何攻擊處理，測試了3個(gè)水印的魯棒性和不可感知性，其實(shí)驗(yàn)結(jié)果如表3所示。實(shí)驗(yàn)結(jié)果表明，在本發(fā)明的算法下，水印的魯棒性和不可感知性是近乎完好的。表3換不同的水印圖像以及其對應(yīng)的psnr、ber和nc值水印圖像尺寸psnr(db)bernca64×6430.82530.01631河南師范大學(xué)校徽64×6430.87130.01511河南師大64×6430.78140.02080.9898由表3的實(shí)驗(yàn)結(jié)果可知，對嵌入不同水印的相同載體lena圖像而言，其psnr均比較高，說明使用本發(fā)明方法嵌入水印信息對載體圖像的損壞程度比較小；其nc值都非常接近1，結(jié)果表明提取的水印圖像與原始的水印圖像近似程度較高；其ber值很接近于0。綜上可知，本發(fā)明的方法有很好的適用性和普遍性。本發(fā)明為了進(jìn)一步分析本發(fā)明的方法，以圖13-3為水印圖像，圖3-1為載體圖像，進(jìn)行水印的嵌入以及水印的提取。圖14-1是按本發(fā)明的方法嵌入水印后的lena數(shù)字圖像，從圖14-1可以看出，嵌入水印圖像后的lena數(shù)字圖像質(zhì)量并沒有發(fā)生任何變化，psnr很高，達(dá)到了30.7814db，與圖3-1所示的原始lena數(shù)字圖像基本一致，滿足了水印不可感知性要求。圖14-2是按照本發(fā)明的方法提取出來的水印圖像。由實(shí)驗(yàn)得出nc＝0.9898，非常接近1。因此，提取出的水印近似為原始水印圖像。下面對圖14-1嵌入水印后的lena數(shù)字圖像進(jìn)行6種攻擊處理，來驗(yàn)證本發(fā)明數(shù)字圖像水印的嵌入與提取算法的魯棒性。實(shí)驗(yàn)結(jié)果如表4所示：表4換圖13-3為水印圖像以及其對應(yīng)的psnr、ber和nc值攻擊類型psnrbernc亮度調(diào)節(jié)(+75)15.31510.02240.7603亮度調(diào)節(jié)(-50)13.68190.00860.7070直方圖均衡化18.43310.00440.8352高斯噪聲(μ＝0和σ＝0.02)19.459600.8112中值濾波(9×9)26.88360.02120.9941幾何剪切(left251×251)16.39790.01540.9892幾何順時(shí)針旋轉(zhuǎn)30°15.49240.02160.9077幾何逆時(shí)針旋轉(zhuǎn)10°16.93460.01970.9217由表4實(shí)驗(yàn)結(jié)果可知，本發(fā)明的方案有很強(qiáng)的魯棒性，特別是當(dāng)嵌入水印的載體圖像經(jīng)過中值濾波(9×9)時(shí)，psnr值很高，達(dá)到了26.8836，因此可以表明嵌入水印后的載體圖像和原始載體圖像基本一致。本發(fā)明為了更深層次來驗(yàn)證本發(fā)明中提取算法的適用性，接下來換不同的載體圖像分別為baboon、peper、woman，水印圖像是圖3-2保持不變，對嵌入水印的載體圖像進(jìn)行5種傳統(tǒng)信號(hào)攻擊，并求出相應(yīng)的nc值來檢驗(yàn)該算法的魯棒性。這部分實(shí)驗(yàn)主要是通過5種傳統(tǒng)信號(hào)對嵌入相同水印的不同載體攻擊，并提取相應(yīng)的水印圖像來驗(yàn)證本發(fā)明方法的魯棒性。實(shí)驗(yàn)結(jié)果如表5所示，6種攻擊分別為亮度調(diào)節(jié)(+75)、亮度調(diào)節(jié)(-50)、直方圖均衡化、高斯噪聲、中值濾波、順時(shí)針旋轉(zhuǎn)30°。通常情況下，nc值在0.80以上可以被接受。由表5的實(shí)驗(yàn)結(jié)果可知絕大多數(shù)值都在其范圍內(nèi)。因此，本發(fā)明的方案對這6種傳統(tǒng)信號(hào)攻擊均有很強(qiáng)的魯棒性。表5相同的水印換不同的載體進(jìn)行攻擊后所得的nc值本發(fā)明為了測試該嵌入與提取系統(tǒng)的抗幾何攻擊的能力。對含有零水印的載體圖像以一定的角度進(jìn)行旋轉(zhuǎn)，以一定的比例進(jìn)行剪切。表6列出了旋轉(zhuǎn)、剪切的實(shí)驗(yàn)結(jié)果。表6對嵌入水印后的載體圖像幾何攻擊后的nc值由表6實(shí)驗(yàn)結(jié)果可以觀察到，對嵌入相同水印的不同載體圖像進(jìn)行幾何攻擊，其nc都達(dá)到了0.82以上，也就是說本發(fā)明改進(jìn)的方法可以有效地抵御幾何攻擊。同時(shí)，本發(fā)明將arnold變換+傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)、改進(jìn)arnold變換+傳統(tǒng)bp神經(jīng)網(wǎng)絡(luò)和改進(jìn)arnold變換+動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)組合，對如圖5-1所示的嵌入水印后的載體lena圖像進(jìn)行水印提取，其比較的實(shí)驗(yàn)結(jié)果如表7所示。表7不同方案對含有水印載體lena圖像進(jìn)行水印提取的實(shí)驗(yàn)結(jié)果比較再者，本發(fā)明還將基于改進(jìn)arnold變換和動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的圖像水印方法(簡稱“arnold變換+動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)”)與其它3種相關(guān)的圖像水印方案進(jìn)行比較。這3種方案分別是“徐亞、張紹武撰寫的《一種基于奇異值分解和反傳神經(jīng)網(wǎng)絡(luò)的多小波域數(shù)字水印算法》(河北工業(yè)科技,2010,27(4):219-222.)”(簡稱“svd+反傳神經(jīng)網(wǎng)絡(luò)”)、“邵曉根、孫天凱等撰寫的《基于神經(jīng)網(wǎng)絡(luò)分類的圖像水印算法》(計(jì)算機(jī)應(yīng)用,2011,31(6):1505-1507.)”(簡稱“arnold變換+bp神經(jīng)網(wǎng)絡(luò)”)、和“zhangj,wangnc,xiongf撰寫的《anovelwatermarkingforimagesusingneuralnetwork》(proceedingofieeeinternationalconferenceonmachinelearningandcybernetics,2002,pp.1405-1408.)”(簡稱“neuralnetwork”)分別進(jìn)行比較，其實(shí)驗(yàn)結(jié)果如圖15所示，該實(shí)驗(yàn)是在相同的軟硬件環(huán)境下計(jì)算其對應(yīng)的nc值。載體圖像如圖3-1所示的lena圖像，水印圖像如圖3-2所示。在本部分比較測試中，5種不同的信號(hào)攻擊分別為左側(cè)切割128×128個(gè)像素點(diǎn)、疊加高斯噪聲(μ＝0和σ＝0.01)、中值濾波([3×3])、順時(shí)針旋轉(zhuǎn)10°、jpeg壓縮10％。從圖14的比較結(jié)果可以看出，本發(fā)明提出的基于改進(jìn)arnold變換和動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)技術(shù)能夠很好地將水印提取出來，并且在上述5種攻擊條件下的nc值均優(yōu)于其他3種方案。由此可以說明本發(fā)明方案在抵抗其他攻擊時(shí)具有很好的魯棒性。綜上所述，本發(fā)明利用改進(jìn)arnold變換對原始水印圖像加密，基于動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)來訓(xùn)練水印嵌入到載體圖像中的像素點(diǎn)，不僅密鑰參數(shù)增加，安全性提高，而且實(shí)現(xiàn)了水印的不可感知性。其中，①對原始水印置亂加密時(shí)使用改進(jìn)arnold變換，相對于原始arnold變換來說，引入的參數(shù)增多，也就是說密鑰的數(shù)量增加，因此提高了圖像水印的安全性。②本發(fā)明引入了動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)，動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)與常規(guī)的bp神經(jīng)網(wǎng)絡(luò)的主要區(qū)別在于，動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)會(huì)對學(xué)習(xí)率根據(jù)本次計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差與上次迭代時(shí)計(jì)算出的神經(jīng)網(wǎng)絡(luò)的輸出誤差的大小，來動(dòng)態(tài)的調(diào)整學(xué)習(xí)率，使得收斂速度得到極大的提高。③將置亂的水印圖像嵌入到動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)的隱層，載體圖像的像素值的改變幅度很小，這不但實(shí)現(xiàn)了圖像水印的完全不可察覺性，而且對原始數(shù)字圖像數(shù)據(jù)產(chǎn)生的破壞也減少了，不存在圖像質(zhì)量下降的問題，維持了原始數(shù)字圖像信息的完整性和含水印載體圖像的不可感知性；④在提取水印時(shí)利用動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)預(yù)測載體圖像的原像素值，通過與加水印后載體圖像的像素值的對比來找出水印嵌入位置，這充分利用了圖像的空間域特征，進(jìn)而提高了預(yù)測結(jié)果的精度與效率。本發(fā)明的方法不同于傳統(tǒng)的圖像水印嵌入與提取方法，其實(shí)質(zhì)是利用改進(jìn)arnold變換對原始水印圖像加密與動(dòng)態(tài)bp神經(jīng)網(wǎng)絡(luò)將置亂的水印圖像嵌入載體圖像中，含水印的載體圖像即使經(jīng)歷多種攻擊后，仍然提取出嵌入位置中像素的大小，從而實(shí)現(xiàn)對水印信號(hào)的正確檢測，使得這種嵌入和提取方法對各種常規(guī)圖像攻擊均具有很強(qiáng)的魯棒性，很好地平衡了圖像水印的魯棒性和不可感知性之間的矛盾。本發(fā)明的基本思路在于上述方案，對本領(lǐng)域普通技術(shù)人員而言，根據(jù)本發(fā)明的教導(dǎo)，設(shè)計(jì)出各種變形的模型、公式、參數(shù)并不需要花費(fèi)創(chuàng)造性勞動(dòng)。在不脫離本發(fā)明的原理和精神的情況下對實(shí)施方式進(jìn)行的變化、修改、替換和變形仍落入本發(fā)明的保護(hù)范圍內(nèi)。當(dāng)前第1頁12