一种基于动态BP神经网络的水印嵌入、提取方法与装置与流程

本发明涉及一种信息安全领域中的数字图像水印技术，尤其涉及一种基于动态bp神经网络的水印嵌入、提取方法与装置。
背景技术：
：近几年来，随着数字媒体和互联网技术的快速发展，在网络或者各种终端设备上有大量的数字媒体内容资源(比如：文本、图像和视频等)，用户可以很容易对这些数字媒体内容进行使用、复制或者传播，因而，数字媒体内容的版权保护越来越引起商业界和学术界的高度关注。在解决这一问题的过程中，对数字媒体内容添加水印图像是一种被常采用的传统加密方法的有效补充手段，即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。同时，数字图像置乱加密又是使用信息隐藏技术进行隐蔽通信的基础性工作，数字图像置乱加密作为信息隐藏前的预处理手段，不仅可以对信息进行加密，而且在增强秘密信息的不可感知性，提高隐蔽通信的抗攻击性能以及增加隐蔽信道的容量等方面都具有一定的作用。水印图像置乱加密技术是指发送方借助数学或其他领域的技术，对一幅有意义的数字图像作变换使之变成一幅杂乱无章的图像，再用于传输；在图像传输过程中，非法截获者无法从杂乱无章的图像中获得原图像信息，从而达到图像加密的目的，而接收方经过解密，可恢复原图像。为了确保图像的机密性，置乱过程中一般引入密钥。目前研究使用较多的置乱变换主要有：arnold变换、fibonacci与fibonacci-q变换、幻方变换、正交拉丁方变换、hilbert曲线变换、gray码变换、仿射变换、混沌置乱变换等。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：基于离散余弦变换的图像水印算法、基于离散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，实验仿真表明该类算法的抗攻击性不强、鲁棒性较低。但是随着神经网络的引入，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高，抵抗攻击能力还有待加强等。概括起来仍存在如下一些问题：①目前，常用的置乱加密算法比如arnold变换、fibonacci变换，都存在取模运算，使得在置乱时比较费时，且逆变换比较难求，arnold变换的周期比较大。刘芳、贾成、袁征撰写的《一种基于arnold变换的二值图像水印算法》(计算机应用,2008,28(6):1404-1406.)提出了采用一种基于arnold变换的二值图像水印嵌入与提取方法，结合arnold置乱算法，通过翻转图像内满足视觉约束条件的像素来达到添加水印的目的。实验表明该算法不仅改善了水印的不可见性，提高了水印的嵌入容量，而且实现了水印的盲提取。但也存在一些不足，如在arnold空间域变换的过程中参数较少，导致图像的密钥太少，安全性不高，arnold变换也仅起到置乱图像的作用，且该算法对图像的常规攻击，尤其是几何攻击下的抵抗性较差，没有较好地平衡水印不可见性和鲁棒性之间的矛盾等。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，是一种全局逼近网络，学习速度慢，无法满足实时性要求的应用，即嵌入水印的位置一般都很难确定，这导致最后提取水印的难度比较大以及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。张军和王能超撰写的《用于图像认证的基于神经网络的水印技术》(计算机辅助设计与图形学学报,2003,15(3):307-312.)公开了一种基于神经网络的脆弱水印技术，通过随机选取一些像素及它们的领域，利用神经网络建立他们之间的关系模型，并通过调整被选像素点与模型输出值之间的大小关系来嵌入水印图案的位信息，根据提取的水印图像，但是该方法采用标准神经网络，学习速度慢，无法满足实时性要求的应用，且嵌入水印的位置一般都很难确定，这导致最后提取水印的难度比较大以及提取的水印图像失真比较严重以及嵌入的密钥数量少，安全性不高等问题。技术实现要素：本发明提供一种基于动态bp神经网络的水印嵌入与提取方法，用以解决常规图像水印密钥少以及精度低和传统bp神经网络学习过程收敛速度慢、训练样本速度慢的问题，进而提高图像水印的安全性、鲁棒性和不可感知性。为实现上述目的，本发明的方案包括：一种基于动态bp神经网络的水印嵌入方法，包括如下步骤：1)采用改进arnold变换对原始水印图像w进行处理，得到置乱水印图像w′；2)通过建立的动态bp神经网络对原始载体图像块进行训练，获得隐含层的输出o；在隐含层的输出o中嵌入置乱水印图像w′，再将嵌入置乱水印图像w′后的载体图像进行动态bp神经网络的训练，得到嵌入水印后的载体图像；所述建立的动态bp神经网络在进行训练时的学习率根据当前计算出的神经网络的输出误差与上一次迭代时计算出的神经网络的输出误差进行比较，若当前计算出的神经网络的输出误差与上一次迭代时的输出误差的比值大于设定值b，则减小当前的学习率；否则，将当前的学习率增大。步骤1)中的改进arnold变换按照如下公式得进行n次迭代，以水印图像的位置坐标(x0,y0)作为初值，得到对应水印图像的嵌入位置(xn,yn)，其中1≤x0≤n，1≤y0≤n，1≤xn≤n，1≤yn≤n，a、b、c、d、e、f均为正整数，其保面积要求ad–bc＝1；n为水印图像大小。所述学习率的产生是按照如下公式：若本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差的比值大于设定值b，则减小当前的学习率；否则，将当前的学习率增大；减小学习率的方法是给当前的学习率乘以b1；增大学习率的方法是给当前的学习率乘以正数b2；其中，b1小于1，b2大于1，b1、b2均为正数。步骤2)中建立64×16×64的三层动态bp神经网络，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为40，神经元激活函数阈值为0.05，学习率在bp神经网络训练过程中，根据本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差进行比较，进而进行动态调整，其初值为0.5。水印提取方法，包括如下步骤：1)将嵌入水印后的载体图像作为输入层，原始载体图像作为输出层，通过对建立的动态bp神经网络进行训练，得到隐含层的输出o"；将o"与o做差，得到差值图像，该差值图像为提取的水印图像；所述隐含层的输出o"为通过动态bp神经网络对嵌入水印的载体图像块进行训练，获得的隐含层的输出，所述o为通过动态bp神经网络对原始载体图像块进行训练，获得的隐含层的输出；2)将得到的水印图像利用改进arnold反变换得到原始水印图像；所述建立的动态bp神经网络在进行训练时的学习率根据当前计算出的神经网络的输出误差与上一次迭代时计算出的神经网络的输出误差进行比较，若当前计算出的神经网络的输出误差与上一次迭代时的输出误差的比值大于设定值b，则减小当前的学习率；否则，将当前的学习率增大。步骤2)中的改进arnold反变换公式为：进行n次迭代，以置乱水印图像的位置坐标(xn,yn)作为初值，得到对应原始水印图像的位置(x0,y0)，其中1≤x0≤n，1≤y0≤n，a、b、c、d、e、f均为正整数，1≤xn≤n，1≤yn≤n，其保面积要求ad–bc＝1；n为水印图像大小。步骤1)中建立64×16×64的三层动态bp神经网络，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为40，神经元激活函数阈值为0.05，学习率在bp神经网络训练过程中，根据本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差进行比较，进而进行动态调整，其初值为0.5。一种基于动态bp神经网络的水印嵌入装置，用于执行如下步骤：采用改进arnold变换对原始水印图像w进行处理，得到置乱水印图像w′；通过建立的动态bp神经网络对原始载体图像块进行训练，获得隐含层的输出o；在隐含层的输出o中嵌入置乱水印图像w′，再将嵌入置乱水印图像w′后的载体图像进行动态bp神经网络的训练，得到嵌入水印后的载体图像；所述建立的动态bp神经网络在进行训练时的学习率根据当前计算出的神经网络的输出误差与上一次迭代时计算出的神经网络的输出误差进行比较，若当前计算出的神经网络的输出误差与上一次迭代时的输出误差的比值大于设定值b，则减小当前的学习率；否则，将当前的学习率增大。水印提取装置，用于执行如下步骤：将嵌入水印后的载体图像块作为输入层，原始载体图像作为输出层，通过建立的动态bp神经网络对嵌入水印后的载体图像块进行训练，得到隐含层的输出o"；将o"与o做差，得到差值图像，该差值图像为提取的水印图像；所述隐含层的输出o"为动态bp神经网络对嵌入水印后的载体图像块进行训练，获得的隐含层的输出，所述o为通过动态bp神经网络对原始载体图像块进行训练，获得的隐含层的输出；将得到的水印图像利用改进arnold反变换得到原始水印图像；所述建立的动态bp神经网络在进行训练时的学习率根据当前计算出的神经网络的输出误差与上一次迭代时计算出的神经网络的输出误差进行比较，若当前计算出的神经网络的输出误差与上一次迭代时的输出误差的比值大于设定值b，则减小当前的学习率；否则，将当前的学习率增大。本发明通过引入动态bp神经网络，将置乱的水印图像嵌入到动态bp神经网络的隐含层进行训练，通过动态bp神经网络对学习率根据本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差的大小动态的调整，使得收敛速度得到极大的提高。本发明中对原始水印置乱加密时使用改进arnold变换，相对于广义arnold变换来说，引入的参数增多，也就是说密钥的数量增加，因此提高了图像水印的安全性；另外改进arnold变换中的参数e和f，是为了最后嵌入水印时使得(xn,yn)不至于集中在图像的某一方块，使其尽可能的分散在原始载体图像中。附图说明图1是bp神经网络原理图；图2是本发明的嵌入与提取流程图；图3-1是原始载体lena图像；图3-2是原始水印图像河南；图4是经改进arnold变换置乱的水印图像河南；图5-1是嵌入水印后的载体lena图像；图5-2是提取的水印图像河南；图6-1是变亮(+75)后的含水印载体lena图像；图6-2是变暗(-50)后的含水印载体lena图像；图7-1是图像均衡化后的直方图；图7-2是直方图均衡化后的含水印载体lena图像；图8是加高斯噪声(μ＝0和σ＝0.01)后的含水印载体lena图像；图9是中值滤波(3×3)后的含水印载体lena图像；图10是几何切割自左侧128×128个像素点后的含水印载体lena图像；图11-1是几何逆时针方向旋转角度为10°的含水印载体lena图像；图11-2是几何顺时针旋转10°后的含水印载体lena图像；图12-1是原始载体woman图像；图12-2是嵌入水印图像河南后的载体woman图像；图12-3是从嵌入水印后的载体woman图像中提取出的水印图像河南；图13-1是水印图像a；图13-2是水印图像河南师范大学校徽；图13-3是水印图像河南师大；图14-1是嵌入水印图像河南师大后的lena载体图像；图14-2是从嵌入水印后的载体woman图像中提取出的水印图像河南师大；图15是不同水印方案之间的nc值比较。具体实施方式下面结合附图对本发明做进一步详细的说明。本发明的水印嵌入方法主要包括：水印图像置乱加密、动态bp神经网络训练、水印嵌入的步骤，发明点主要在于使用改进的arnold变换对原始水印图像进行置乱，增加密钥的数量，且提高了水印的安全性；同时，建立动态bp神经网络，在嵌入水印时将置乱后的水印图像嵌入到动态bp神经网络的隐含层；本发明中的动态bp神经网络相对传统的bp神经网络而言，具有较快的收敛速度，强大的抗噪和修复能力，使得水印图像在经历噪声后仍能记忆局部像素点之间的关系，从而实现对水印的正确检测。本发明充分利用了bp神经网络的特点，并动态的调整其学习率，得到了具有优异鲁棒性能的抗常规图像攻击的图像水印嵌入和提取方法，很好地平衡了图像水印的鲁棒性和不可感知性之间的矛盾。具体的，以下给出了一种优选的实施例，不仅训练步骤采用动态bp神经网络，而且水印图像的置乱也进行了改进，即对应改进的arnold变换。动态bp神经网络的工作原理：动态bp神经网络主要是通过对输入样本矩阵进行一定的计算得到实际输出，与期望得到的输出矩阵比较得到误差，利用本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差的大小，来动态的调整学习率。而传统的bp神经网络训练过程能逼近任意的函数，有不错的非线性能力，但容易陷入误差平面的局部极小值，从而降低算法的性能，再者，由于随着训练的进行误差的梯度减小，权值的调整量也会减小，导致需要进行较多的训练次数来跳出该区域，从而减缓了收敛速度，增大了训练时间。因此本发明引进了动态bp神经网络，动态主要体现在对学习率的动态调整。其中，bp算法，全名为误差反向传播算法，bp算法成功解决了多层网络中隐含层神经元连接权值的学习问题，它采用了有监督的学习方式，基于梯度下降的优化算法，极小化的误差函数。设e表示误差函数，y为实际输出，t表示期望输出，则对于节点j，它的输出oj定义为其中wkj表示节点k与节点j之间的连接权值，节点j的输入netj是上一层所有节点输出ok的加权和，节点的激发函数必须是非线性可微的，在本发明取传递函数为sigmoid函数：该函数有一个理想的导函数：对误差函数求偏导可得：令1)当节点j为输出节点时，则oj＝yj，从而有：2)当节点j不是输出节点时，则有：bp算法是基于梯度下降算法的，故权值的修正量正比于误差函数e对权值w的负梯度，即：w(t+1)＝w(t)+△w(t)其中t表示学习次数，α表示学习率。本发明通过对原始载体图像的训练，最终可以得到一个动态bp神经网络嵌入模型，然而常规的bp神经网络具有一个重大缺陷，就是其学习过程的收敛速度非常慢。为了克服这个缺陷，本发明引入动态bp神经网络，其与常规的bp神经网络的区别在于，动态bp神经网络会对动态的学习率进行调整，使得收敛速度得到极大的提高。本发明采用以下方法来动态调整学习率：在每次迭代中，当计算出神经网络的输出误差之后，要用本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差进行比较，如果它们的比值大于某个正常数b(b通常是一个略大于1的数)，则将当前的学习率适当的减小；否则，将当前的学习率适当增大。减小学习率的方法一般是给当前的学习率乘一个小于1的正数b1；增大学习率的方法一般是给当前的学习率乘一个大于1的正数b2。这样，由于在学习过程中不断根据当前输出误差的变化情况来实时地调整学习率，因此，神经网络的学习过程的收敛速度就大大的加快了。用公式表示如下：与广义arnold变换不同，本发明的改进的arnold变换不仅涉及独立参数a、b、c、d和迭代次数n，用于版权人在嵌入水印时自己设定，还包括参数e和f，这样做增加了密钥的数量，提高了水印的安全性。以下实施例为这种置乱、训练和嵌入分别改进arnold变换和动态bp神经网络的优选实施例的水印嵌入方式，嵌入过程划分以步骤(1)、步骤(2)、步骤(3)的形式。步骤(1)以输入图像大小为m×m的数字载体图像i，作为待嵌入水印的原始载体图像，再输入图像大小为n×n的水印图像w，以此举例：原始载体图像i和原始水印图像w分别记为：i＝{i(i,j),1≤i≤m,1≤j≤m}，w＝{w(i,j),1≤i≤n,1≤j≤n}，i(i,j)为原始载体图像在(i,j)位置的像素值，w(i,j)为原始水印图像在(i,j)位置的像素值。步骤(2)利用改进arnold变换算法，对二维灰度图像w做n次arnold迭代变换，即以水印图像的位置坐标(x0,y0)作为初值，其中1≤x0≤n，1≤y0≤n，按照如下公式即进行n次迭代，以水印图像的位置坐标(x0,y0)作为初值，得到对应水印的嵌入位置(xn,yn)，其中1≤xn≤n，1≤yn≤n，a、b、c、d、e、f均为正整数，其保面积要求ad–bc＝1；n为水印图像大小。在上述变换式中，独立参数a、b、c、d、e、f和迭代次数n由版权人自己设定，作为七个密钥参数可以用来恢复水印图像。n一般在1至20之间取值，因为n太大会影响程序运行速度，计算复杂度增强，并且arnold变换具有周期性，即n具有周期性。其中e和f，是为了最后嵌入水印时使得(xn,yn)不至于集中在图像的某一方块，使其尽可能的分散在原始载体图像中，得到置乱后的水印图像w′。步骤(3)bp神经网络的具体训练过程如下：将载体图像i(i,j)分成8×8的图像块c{i1,j1}，其中c{i1,j1}为一个的细胞数组，再建立一个[64×16×64]的三层bp神经网络，输入值为c{i1,j1}，期望值为c{i1,j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为40，神经元激活函数阈值为0.05，学习率在bp神经网络训练过程中，根据本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差进行比较，进而进行动态调整，其初值为0.5，建立好动态bp神经网络后，开始进行训练，得到隐含层的输出o(i2,j2)和隐含层到输出层的调节系数w(i3,j3)，其中o(i2,j2)为8×1的矩阵，w(i3,j3)为8×64的矩阵。加载水印图像w′，把水印图像w′(i,j)的每一个像素点归一化后，对应到w(i3,j3)的每一列的第一个点上，即加到w(i3,1)得到含有水印图像信息的权重w(i3,1)；再用新的权重信息进行同一个动态bp神经网络的训练，便得到含有水印图像的载体图像i1。基于上述水印嵌入方法，水印提取过程如下，也以步骤(1)、步骤(2)、步骤(3)的形式划分：水印提取方法，包括以下步骤：步骤(1)输入含有水印图像的待提取的载体图像i1，分辨率是m×m，i1(i,j)表示嵌有水印的载体图像在(i,j)位置的像素值，其中1≤i≤m，1≤j≤m；将含有水印的载体图像i1(i,j)分成8×8的图像块c1(i1,j1)，其中c1(i1,j1)为一个一块的细胞数组。步骤(2)建立一个[64×16×64]的三层bp神经网络，输入值为c1(i1,j1)，期望值也为c1(i1,j1)，建立的动态bp神经网络的参数与水印嵌入步骤(3)中的动态bp神经网络的参数相同，建立动态bp神经网络后，开始进行训练，得到隐含层到输出层的调节系数w′(i3,j3)；使用w(i3,j3)减去w′(i3,j3)，得到二者之间的差d(i3,j3)，其中，d(i3,j3)包含了水印所有的像素值，即可以得到置乱加密后的水印图像。步骤(3)水印图像的恢复：将d(i3,j3)分成8×8的图像块d1(i1,j1)对每个图像块进行arnold反变换，按如下公式：进行n次迭代，以置乱水印图像的位置坐标(xn,yn)作为初值，得到对应原始水印图像的位置(x0,y0)，其中1≤x0≤n，1≤y0≤n，e≤n，a、b、c、d、e、f均为正整数，1≤xn≤n，1≤yn≤n，其保面积要求ad–bc＝1；n为水印图像大小；最后可得到原始的水印图像w。上述实施例介绍了水印嵌入与提取过程之后，为验证其可行性和有效性，下面以两幅典型的测试图像实验仿真结果和分析为例，进行一系列的实验。实验验证是在pc机(winows7intel(r)core(tm)cpu3.20ghz4.0gbmemory)上用matlabr2012b软件编程实现，待嵌入图像水印的原始数字图像i选用uint8的lena灰度图像，图像大小m取为512×512，如图3-1所示；待嵌入的实际图像水印w为“河南”，图像大小n取为64×64，如图3-2所示。其中，通过普通人群(年龄分布在50岁以下，视力正常)的肉眼对提取的水印信号进行主观辨别，且还可采用提取的水印与原水印的位误差率(ber)指标来对提取的水印进行客观评价，ber越接近0，说明水印系统的鲁棒性越高，抗攻击能力越强，其ber表示如下式中，m和k为原始图像水印的长和宽，w(i,j)和w′(i,j)分别为对应位置上的原始水印与提取水印的像素值，⊕表示按位进行的异或运算。嵌入实际图像水印后的数字图像的质量和感知性能采用峰值信噪比(psnr)来进行评判，它表示嵌入水印信息对载体质量的损坏程度，psnr越大，损坏程度越小，其psnr表示如下式中，m和n为载体图像的长和宽，i(i,j)和i′(i,j)分别为原始载体图像和加有水印的载体图像各点的像素值。图像水印检测结果的客观评价还可用归一化相关系数(nc)，通过载体图像嵌入水印前后的变化来评价水印的近似程度，相似度nc越大，说明水印的鲁棒性越高，其nc表示如下图5-1是按照本发明的方法嵌入实际水印图像w后的lena数字图像。从图中可以看到，嵌入水印后的lena数字图像质量并没有发生任何变化，psnr很高，达到了33.2637db，与图3-1所示的原始lena数字图像一致，完全满足了水印不可察觉性的要求。图5-2是按照本发明的方法提取出的水印图像，结果表明，图5-1所示的嵌入实际水印后的lena数字图像在未受任何攻击处理时，可以近乎无损地提取出嵌入的实际图像水印，nc＝0.9999，ber＝0.037，近似等于0。因此提取出的图像基本就是原始水印图像。下面对图5-1所示的嵌入实际水印后的lena数字图像进行多种攻击处理，验证本发明提出的基于改进arnold变换和动态bp神经网络的图像水印嵌入与提取方法的鲁棒性。(1)简单亮度调节对图5-1所示的嵌入实际水印后的lena数字图像进行亮度调节处理，即将其所有像素值分别进行加75和减50的运算，得到如图6-1和图6-2所示的水印lena数字图像。经过图像的像素值加减处理后，从视觉上来看，水印lena数字图像的亮、暗度发生了明显改变，而psnr分别下降至14.8965db和14.0133db。用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取。此时nc分别为0.7488和0.989，ber分别为0.0127和0.0099，近似等于0。由实验数据表明，图像水印基本不受数字图像亮度的影响，与载体图像未遭受攻击时提取出的水印图像几乎一致。因此该提取算法对载体图像的亮度变化具有很强的鲁棒性。(2)直方图均衡化对图5-1所示的嵌入实际水印后的lena数字图像进行直方图均衡化处理，得到如图7-2所示的含水印lena数字图像。经过如图7-1的直方图均衡化处理，水印lena数字图像的像素值分布发生了明显改变，psnr下降至18.4464db。用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取，此时nc＝0.99，接近于1，ber＝0.0055。由实验数据可知，嵌入的实际图像水印能被较理想地提取出来，因此该提取算法对载体图像的对比度变化具有较强的鲁棒性。(3)叠加高斯噪声对图5-1所示的嵌入实际水印后的lena数字图像进行噪声干扰，噪声选用均值为0和方差为0.01的高斯噪声，得到如图8所示的含水印lena数字图像。由图8可知，尽管含水印lena数字图像受到高斯噪声干扰，视觉质量受到严重退化，psnr下降至19.7610db。用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取，此时nc＝0.8894，非常接近于1，ber＝0.0127，实验数据表明，嵌入的实际图像水印仍然具有很好的抗噪声干扰能力，提取出的水印比较接近无攻击时的结果。因此该提取算法对噪声干扰具有较好的鲁棒性。(4)中值滤波对图5-1所示的嵌入实际水印后的lena数字图像进行中值滤波处理，滤波器窗口大小选择为[3×3]，得到如图9所示的水印lena数字图像。此时，psnr下降至29.9092db。用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取，此时nc＝0.9938，十分接近于1，ber＝0.012，近似等于0。实验数据表明，嵌入的实际图像水印仍有比较理想的抗滤波能力，因此该提取算法对滤波处理具有较好的鲁棒性。(5)几何切割对图5-1所示的嵌入实际水印后的lena数字图像进行几何切割处理，自左侧开始切去128×128个像素点，得到如图10所示的水印lena数字图像。由图10可以看出，这时水印lena数字图像受到较大的破坏，psnr＝17.1907db，用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取，此时，nc＝0.9899，十分接近于1，ber＝0.0109，近似等于0。实验数据表明，本发明方法对于几何切割具有比较好的鲁棒性，嵌入的实际图像水印仍能被很好地提取出来，因此该提取算法对几何切割处理具有很强的鲁棒性。(6)几何旋转对图5-1所示的嵌入实际水印后的lena数字图像分别进行逆时针方向旋转角度为10°，顺时针方向旋转角度为10°，得到如图11-1和图11-2所示的水印lena数字图像，psnr为17.294db和17.3578db。用本发明的方法对图5-1所示的水印lena数字图像进行图像水印提取，此时，nc的值分别为0.9468和0.9263，都十分接近于1，ber等于0.012和0.0121。实验数据表明，本发明方法对于几何旋转攻击仍具有很强的鲁棒性，嵌入的实际图像水印能被很好地提取出来，因此该提取算法对几何旋转处理具有很强的鲁棒性。为了验证本发明中提取算法的普遍适用性，接下来换不同的载体图像，但是保持水印图像不变，然后求出对应的psnr、ber和nc值来检验该算法的鲁棒性和不可感知性。这部分实验在改变载体图像且水印图像不变的情况下，继续测试本发明改进的算法，新的载体图像名称分别为baboon、woman、peper和cameraman，这些图像都是从usc-sipi图像集数据库上下载。实验的水印图像仍然是如图3-2所示的“河南”。在没有任何攻击的条件下，计算了psnr、ber和nc值，实验结果如表1所示，即4个不同载体图像的鲁棒性检测结果。实验结果表明，对不同载体图像而言，psnr值都很高，nc也比较接近于1，ber值也几乎接近于0，可以有效地证明本发明改进的算法有很好的鲁棒性和不可感知性。表1不同的载体图像对应的psnr、ber和nc值载体图像尺寸psnr(db)berncbaboon512×51244.18530.0050.9867woman512×51225.09470.0080.9293peper512×51228.77550.00860.9505cameraman512×51240.49090.00921本发明为了使上述测试结果更为详细，从表1中选出了载体图像woman，水印图像仍然如图3-2所示，载体图像woman如图12-1所示，图12-2就是基于本发明嵌入水印后的载体图像，可以看出，含有水印的图像与原始载体图像几乎没有差异，psnr值很高，达到了25.0947db，结果充分说明了图12-2与图12-1是基本一致的，这完全满足了水印的不可觉察性以及系统的可适用性。图12-3是使用本发明提取出水印图像，实验表明图12-2所示嵌入水印后的载体woman在未遭受任何攻击的情况下，可以近乎无损的提取出嵌入的实际图像水印，此时的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图像。为了进一步检测本发明的方法，下面对图12-2所示嵌入水印后的载体图像woman数字图像进行多种攻击处理，验证本发明的数字图像水印嵌入与提取算法的鲁棒性。实验结果如表2所示。表2对woman载体图像进行各种攻击后所得的psnr、ber和nc值攻击类型psnr(db)bernc亮度调节(+75)15.48190.0120.9527亮度调节(-50)19.59460.00951直方图均衡化23.84530.00671高斯噪声(μ＝0和σ＝0.02)26.16880.00320.9357中值滤波(9×9)24.90010.01520.9341几何剪切(left251×251)35.10040.00840.9919几何顺时针旋转30°16.05070.01320.87几何逆时针旋转10°20.42350.01160.9317为了进一步验证本发明中提取算法的普遍适用性，接下来换不同的水印图像分别为“a”(如图13-1所示)、“河南师范大学校徽”(如图13-2所示)和“河南师大”(如图13-3所示)，但载体lena图像保持不变，然后求出对应的psnr、ber和nc值来检验该算法的鲁棒性和不可感知性。这部分实验，使用如图13-3所示的水印图像，但载体图像仍然为图3-1的情况下，类似的，在没有进行任何攻击处理，测试了3个水印的鲁棒性和不可感知性，其实验结果如表3所示。实验结果表明，在本发明的算法下，水印的鲁棒性和不可感知性是近乎完好的。表3换不同的水印图像以及其对应的psnr、ber和nc值水印图像尺寸psnr(db)bernca64×6430.82530.01631河南师范大学校徽64×6430.87130.01511河南师大64×6430.78140.02080.9898由表3的实验结果可知，对嵌入不同水印的相同载体lena图像而言，其psnr均比较高，说明使用本发明方法嵌入水印信息对载体图像的损坏程度比较小；其nc值都非常接近1，结果表明提取的水印图像与原始的水印图像近似程度较高；其ber值很接近于0。综上可知，本发明的方法有很好的适用性和普遍性。本发明为了进一步分析本发明的方法，以图13-3为水印图像，图3-1为载体图像，进行水印的嵌入以及水印的提取。图14-1是按本发明的方法嵌入水印后的lena数字图像，从图14-1可以看出，嵌入水印图像后的lena数字图像质量并没有发生任何变化，psnr很高，达到了30.7814db，与图3-1所示的原始lena数字图像基本一致，满足了水印不可感知性要求。图14-2是按照本发明的方法提取出来的水印图像。由实验得出nc＝0.9898，非常接近1。因此，提取出的水印近似为原始水印图像。下面对图14-1嵌入水印后的lena数字图像进行6种攻击处理，来验证本发明数字图像水印的嵌入与提取算法的鲁棒性。实验结果如表4所示：表4换图13-3为水印图像以及其对应的psnr、ber和nc值攻击类型psnrbernc亮度调节(+75)15.31510.02240.7603亮度调节(-50)13.68190.00860.7070直方图均衡化18.43310.00440.8352高斯噪声(μ＝0和σ＝0.02)19.459600.8112中值滤波(9×9)26.88360.02120.9941几何剪切(left251×251)16.39790.01540.9892几何顺时针旋转30°15.49240.02160.9077几何逆时针旋转10°16.93460.01970.9217由表4实验结果可知，本发明的方案有很强的鲁棒性，特别是当嵌入水印的载体图像经过中值滤波(9×9)时，psnr值很高，达到了26.8836，因此可以表明嵌入水印后的载体图像和原始载体图像基本一致。本发明为了更深层次来验证本发明中提取算法的适用性，接下来换不同的载体图像分别为baboon、peper、woman，水印图像是图3-2保持不变，对嵌入水印的载体图像进行5种传统信号攻击，并求出相应的nc值来检验该算法的鲁棒性。这部分实验主要是通过5种传统信号对嵌入相同水印的不同载体攻击，并提取相应的水印图像来验证本发明方法的鲁棒性。实验结果如表5所示，6种攻击分别为亮度调节(+75)、亮度调节(-50)、直方图均衡化、高斯噪声、中值滤波、顺时针旋转30°。通常情况下，nc值在0.80以上可以被接受。由表5的实验结果可知绝大多数值都在其范围内。因此，本发明的方案对这6种传统信号攻击均有很强的鲁棒性。表5相同的水印换不同的载体进行攻击后所得的nc值本发明为了测试该嵌入与提取系统的抗几何攻击的能力。对含有零水印的载体图像以一定的角度进行旋转，以一定的比例进行剪切。表6列出了旋转、剪切的实验结果。表6对嵌入水印后的载体图像几何攻击后的nc值由表6实验结果可以观察到，对嵌入相同水印的不同载体图像进行几何攻击，其nc都达到了0.82以上，也就是说本发明改进的方法可以有效地抵御几何攻击。同时，本发明将arnold变换+传统bp神经网络、改进arnold变换+传统bp神经网络和改进arnold变换+动态bp神经网络组合，对如图5-1所示的嵌入水印后的载体lena图像进行水印提取，其比较的实验结果如表7所示。表7不同方案对含有水印载体lena图像进行水印提取的实验结果比较再者，本发明还将基于改进arnold变换和动态bp神经网络的图像水印方法(简称“arnold变换+动态bp神经网络”)与其它3种相关的图像水印方案进行比较。这3种方案分别是“徐亚、张绍武撰写的《一种基于奇异值分解和反传神经网络的多小波域数字水印算法》(河北工业科技,2010,27(4):219-222.)”(简称“svd+反传神经网络”)、“邵晓根、孙天凯等撰写的《基于神经网络分类的图像水印算法》(计算机应用,2011,31(6):1505-1507.)”(简称“arnold变换+bp神经网络”)、和“zhangj,wangnc,xiongf撰写的《anovelwatermarkingforimagesusingneuralnetwork》(proceedingofieeeinternationalconferenceonmachinelearningandcybernetics,2002,pp.1405-1408.)”(简称“neuralnetwork”)分别进行比较，其实验结果如图15所示，该实验是在相同的软硬件环境下计算其对应的nc值。载体图像如图3-1所示的lena图像，水印图像如图3-2所示。在本部分比较测试中，5种不同的信号攻击分别为左侧切割128×128个像素点、叠加高斯噪声(μ＝0和σ＝0.01)、中值滤波([3×3])、顺时针旋转10°、jpeg压缩10％。从图14的比较结果可以看出，本发明提出的基于改进arnold变换和动态bp神经网络技术能够很好地将水印提取出来，并且在上述5种攻击条件下的nc值均优于其他3种方案。由此可以说明本发明方案在抵抗其他攻击时具有很好的鲁棒性。综上所述，本发明利用改进arnold变换对原始水印图像加密，基于动态bp神经网络来训练水印嵌入到载体图像中的像素点，不仅密钥参数增加，安全性提高，而且实现了水印的不可感知性。其中，①对原始水印置乱加密时使用改进arnold变换，相对于原始arnold变换来说，引入的参数增多，也就是说密钥的数量增加，因此提高了图像水印的安全性。②本发明引入了动态bp神经网络，动态bp神经网络与常规的bp神经网络的主要区别在于，动态bp神经网络会对学习率根据本次计算出的神经网络的输出误差与上次迭代时计算出的神经网络的输出误差的大小，来动态的调整学习率，使得收敛速度得到极大的提高。③将置乱的水印图像嵌入到动态bp神经网络的隐层，载体图像的像素值的改变幅度很小，这不但实现了图像水印的完全不可察觉性，而且对原始数字图像数据产生的破坏也减少了，不存在图像质量下降的问题，维持了原始数字图像信息的完整性和含水印载体图像的不可感知性；④在提取水印时利用动态bp神经网络预测载体图像的原像素值，通过与加水印后载体图像的像素值的对比来找出水印嵌入位置，这充分利用了图像的空间域特征，进而提高了预测结果的精度与效率。本发明的方法不同于传统的图像水印嵌入与提取方法，其实质是利用改进arnold变换对原始水印图像加密与动态bp神经网络将置乱的水印图像嵌入载体图像中，含水印的载体图像即使经历多种攻击后，仍然提取出嵌入位置中像素的大小，从而实现对水印信号的正确检测，使得这种嵌入和提取方法对各种常规图像攻击均具有很强的鲁棒性，很好地平衡了图像水印的鲁棒性和不可感知性之间的矛盾。本发明的基本思路在于上述方案，对本领域普通技术人员而言，根据本发明的教导，设计出各种变形的模型、公式、参数并不需要花费创造性劳动。在不脱离本发明的原理和精神的情况下对实施方式进行的变化、修改、替换和变形仍落入本发明的保护范围内。当前第1页12