基于bp和rbf神经网络的图像水印嵌入、提取方法与装置的制造方法
【技术领域】
[0001] 本发明涉及基于BP和RBF神经网络的图像水印嵌入、提取方法与装置，涉及图像 水印的技术领域。
【背景技术】
[0002] 将图像水印隐藏在数字图像的产品中，常用于证明创作者对其作品的所有权，或 作为鉴定、起诉非法侵权的依据，数字图像水印已经成为了知识产权保护和数字多媒体防 伪的有效手段，并且引起了人们的高度重视并且研究热点。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力以及增加隐蔽信道的容量等方面都具有一定的作用。
[0003] 通过对水印图像进行置乱加密并嵌入到载体图像中，对一副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对其进行传输，接收者对获取的图像进行解密从而恢 复出载体图像和水印图像。这样，一些非法人员就无法在图像传输的过程中从杂乱无章的 图像中获得原图像信息。
[0004] 为了确保图像的机密性，置乱过程中一般引入密钥，现有技术常用的置乱加密 算法主要有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。但是，如Arnold变换、 Fibonacci变换都存在取模运算，使得在置乱时比较费时，且逆变换比较难求的问题，而且 Arno1d变换的周期比较大。如在Arno1d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，抗攻击能力较弱。
【发明内容】
[0005] 本发明的目的在于克服现有技术的不足，提出了基于BP和RBF神经网络的图像水 印嵌入、提取方法，解决了水印图像保密程度较低的问题，本发明还提出了一种基于BP和 RBF神经网络的图像水印嵌入、提取装置。
[0006] 本发明是通过如下方案予以实现的：
[0007] 基于BP和RBF神经网络的图像水印嵌入方法，步骤如下：
[0008] 步骤1，通过仿射变换对原始水印图像置乱，再结合改进的BP神经网络算法实现 对置乱图像的加密，得到加密的水印图像，并划分加密的水印图像为水印图像块；
[0009] 步骤2,将载体图像划分为载体图像块，并将加密的水印图像块嵌入到载体图像块 中；
[0010] 进一步的，步骤1所述的仿射变换表达式如下：
[0011] 当x〈y时，
[0012]
[0013]当X多y时，
[0014]
[0015] 其中，（x，y)为原始水印图像的像素点坐标;Μ为原始水印图像的尺寸大小； (Xuyj为通过仿射变换后的水印图像的像素点坐标；a、b、c、d、e、f为密钥。
[0016] 进一步的，步骤1所述的BP神经网络为三层网络，即输入层、隐含层和输出层；其 中，将输入层、隐含层、输出层的神经元数目以及学习常数、阈值作为置乱后的水印图像的 密钥；在隐含层与输出层之间的权值改变量的基础上，加入放大因子h(x)，其中，h(x)表达 式为：
[0017]h(X)=-InX (1-χ)
[0018] 其中，h(x)满足当x趋近于0或1时，h(x)趋向于无穷大。
[0019] 进一步的，所述的步骤2中，利用优化的RBF神经网络对载体图像块进行训练，并 将加密的水印图像块嵌入到原始载体图像块中，通过在RBF神经网络算法设置最优学习率 实现对其权值变化的自适应调整；最优学习率表达式如下：
[0020]
[0021] 其中，t为RBF神经网络的学习次数j(i-l)为第t-Ι次学习时输出误差的向量 值；夢为各个节点的径向基函数值。
[0022] 基于BP和RBF神经网络的图像水印提取方法，提取嵌入在载体图像中加密的水印 图像，实现对载体图像和加密的水印图像的分离，得到加密的水印图像，利用BP神经网络 算法和仿射反变换恢复加密的水印图像，得到原始水印图像。
[0023] 基于BP和RBF神经网络的图像水印嵌入装置，所述的装置包括置乱模块和嵌入模 块，其中：
[0024] 1)置乱模块：通过仿射变换对原始水印图像置乱，再结合改进的BP神经网络算法 实现对置乱图像的加密，得到加密的水印图像，并划分加密的水印图像为水印图像块；
[0025] 2)嵌入模块：将载体图像划分为载体图像块，并将加密的水印图像块嵌入到载体 图像块中。
[0026] 进一步的，置乱模块中所述的仿射变换表达式如下：
[0027]当x〈y时，
[0028]
[0029]
[0030]
[0031] 其中，（x，y)为原始水印图像的像素点坐标;Μ为原始水印图像的尺寸大小； (Xuyj为通过仿射变换后的水印图像的像素点坐标；a、b、c、d、e、f为密钥。
[0032] 进一步的，所述的BP神经网络为三层网络，即输入层、隐含层和输出层；其中，将 输入层、隐含层、输出层的神经元数目以及学习常数、阈值作为置乱后的水印图像的密钥； 在隐含层与输出层之间的权值改变量的基础上，加入放大因子h(X)，其中，h(X)表达式为：
[0033] h(X) =-InX(1-χ)
[0034] 其中，h(x)满足当χ趋近于0或1时，h(x)趋向于无穷大。
[0035] 进一步的，所述的嵌入模块中，利用优化的RBF神经网络对载体图像块进行训练， 并将加密的水印图像块嵌入到原始载体图像块中，通过在RBF神经网络算法中设置最优学 习率实现对其权值变化的自适应调整；最优学习率表达式如下：
[0036]
[0037] 其中，t为RBF神经网络的学习次数；？(?-丨）为第t-Ι次学习时输出误差的向量 值；#为各个节点的径向基函数值。
[0038] 基于BP和RBF神经网络的图像水印提取装置，所述的提取装置包括提取模块：提 取嵌入在载体图像中加密的水印图像，实现对载体图像和加密的水印图像的分离，得到加 密的水印图像，利用BP神经网络算法和仿射反变换恢复加密的水印图像，得到原始水印图 像。
[0039] 本发明和现有技术相比的有益效果是：
[0040] 针对现有技术中对图像水印的置乱加密程度较低的问题。本发明首先利用改进的 仿射变换对图像进行置乱，在仿射变换的基础上对其进行改进，充分考虑到图像像素的横 坐标值和纵坐标值之间的大小，分成不同的情况进行置乱，这样使得置乱后的水印图像的 统计特征更像白噪声，然后，结合改进的BP神经网络实现对置乱后的水印图像的加密，本 发明实现对水印图像的双重加密，增强了安全性，使图像在传输的过程中不容易受到非法 者的攻击，具有很好的抵抗效果。
[0041] 本发明采用了改进的BP神经网络算法，传统的BP神经网络训练过程能逼近任意 的函数，有不错的的非线性能力，但容易陷入误差平面的局部极小值从而降低算法的性能。 本发明在原有权值改变量的基础上加入放大因子，在保证学习能力的基础上，提高了水印 图像加密的速度。
【附图说明】
[0042] 图1本发明实施例的BP神经网络原理图；
[0043] 图2本发明实施例的RBF神经网络原理图；
[0044] 图3本发明实施例的嵌入与提取流程图；
[0045] 图4-1本发明实施例的原始载体Lena图像；
[0046] 图4-2本发明实施例的原始水印hsd64图像；
[0047] 图5本发明实施例中5种攻击下不同算法提取水印图像的对比图。
【具体实施方式】
[0048] -、基于BP和RBF神经网络的图像水印嵌入、提取方法，步骤如下：
[0049] (一）水印图像置乱
[0050] 对大小为64X64原始水印图像W进行置乱，其中，W(i，j)为原始水印图像在 (i，j)位置的像素值，即W= {W(i，j)，1 <i< 64, 1 <j< 64}。通过仿射变换对原始水印 图像进行置乱，根据原始水印图像以及置乱后的水印图像之间的关系，通过BP神经网络算 法得到加密的置乱水印图像，通过仿射变换结合BP神经网络实现对水印图像的双重加密。
[0051] (1)仿射变换
[0052] 本实施例中采用改进的仿射变换公式对原始水印图像进行变换，得到置乱图像， 仿射变换表达式如下：
[0053]当x〈y时，
[0054]
[0055]
[0056]
[0057] 其中，（x，y)为原始水印图像的像素点坐标;Μ为原始水印图像的尺寸大小； (Xuyj为通过仿射变换后的水印图像的像素点坐标；a、b、c、d、e、f为密钥。
[0058] 本实施例中分别考虑x〈y和x彡y两种情况，并且加入水印的尺寸大小M，这样得 到的置乱后的水印图像的统计特征更像白噪声。
[0059] (2)BP神经网络算法
[0060] 根据原始水印图像以及置乱后的水印图像之间的关系，对置乱后的水印图像进行 加密。将置乱后的水印图像分成8X8的图像块，即得到建立[64X16X64]三层BP神经网 络，即输入层、隐含层和输出层。相邻层之间的各神经网络实现完全连接，连接强度构成网 络的权值矩阵。本实施例中选取的传递函数为sigmoid函数，调整训练函数为trainlm函 数，训练次数为60,神经元激活函数阈值为0. 05,学习常数为0. 5。