提取模块：利用优化的RBF神经网络算法和差值运算提取嵌入在载体图像中置 乱的水印图像，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；通过仿射 反变换和ΒΡ神经网络算法对所述的置乱的水印图像进行恢复。
[0138] 三、下面通过仿真实验对本发明进行验证
[0139] 本实施例中选取的实验平台为PC机（Winows7Intel(R)Core(TM)CPU 3. 20GHz4.OGBMemory)，通过MATLABR2012a软件编程实现，选取的图像为数字图像处理库 中的图片，如图4-1，载体图像为unit8名称为"Lena"的灰度图像，其大小为512X512 ;如 图4-2,水印图像的名称为"hsd64"，其大小为64X64。
[0140] 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表达方式如 下：
[0141]
(26)
[0142] 其中，Μ= 35;K= 35 ;w(i，j)和V(i，j)分别为对应位置上的原始水印与提取 水印的像素值。
[0143] 嵌入水印图像后的载体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表达 方式如T· f27)
[0144]
[0145] 其中，m= 300;n= 300;I(i，j)和1' (i，j)分别为原始载体图像和加有水印图 像的载体图像各点的像素值。
[0146] 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：
[0147]
(28)
[0148] 为了验证该算法，下面分别对嵌入水印图像的载体图像施加不同的影响因素：
[0149] 实验（一）
[0150] 本部分实验是将BP神经网络、RBF神经网络与仿射变换、ArnoId变换分别组合，对 嵌入水印图像的载体图像Lena进行水印图像的提取，其比较的实验结果如表1所示，通过 对比图中PSNR、NC、BER这参数，采用BP+仿射变换对水印图像进行置乱的过程的抗攻击效 果明显优于采用其他的置乱方法，且采用BP+仿射变换对水印图像加密的程度更高。
[0151] 表 1
[0152]
[0153]实验（二）
[0154] 本部分实验是与其他基于BP神经网络和RBF神经网络有关方案的NC值比较，比 较结果如图5所示。图5是本发明提出的方法（简称"仿射变换+BP+RBF"）与基于广义 猫映射与神经网络的图像空域水印算法（计算机应用研究，2008, 25 (4) : 1144-1146.)(简 称"广义Arnold变换+BP"）、基于RBF神经网络的空域图像水印改进算法（计算机工程与 应用，2005, 36:36-38.)(简称"Arnold变换+RBF"）、基于径向基神经网络的数字水印技 术的研究（计算机安全，2009, 8:45-46.)(简称"传统RBF"）分别进行比较，均是在相同的 软硬件环境下，计算其对应的NC值。载体图像如图4-1所示的Lena图像，水印图像如图 4-2所示的hsd64图像。在本部分比较测试中，5种不同的信号攻击分别为几何剪切（left251X251)、几何顺时针旋转30°、几何逆时针旋转30°、剪切+顺时针旋转30°、剪切+逆 时针旋转30°。从图5的比较结果可以看出，在进行攻击条件下的NC值优于其他三种方 案，虽然当进行剪切+逆时针旋转30°攻击时，本方案的NC值稍低，但是还可以接受。由此 说明本发明方案在抵御其他攻击时，也具有很好的抵抗性。
[0155] 综上所述，本发明提出的基于BP和RBF神经网络的水印图像嵌入和提取方法，通 过仿射变换和BP神经网络算法对水印图像进行双重加密，具有很强的抗攻击能力，再加之 利用RBF神经网络算法对水印图像嵌入和提取，使水印图像具有更强的鲁棒性和不可感知 性。
[0156] 在本发明给出的思路下，采用对本领域技术人员而言容易想到的方式对上述实施 例中的技术手段进行变换、替换、修改，并且起到的作用与本发明中的相应技术手段基本相 同、实现的发明目的也基本相同，这样形成的技术方案是对上述实施例进行微调形成的，这 种技术方案仍落入本发明的保护范围内。
【主权项】
1. 基于BP和RBF神经网络的图像水印嵌入方法，其特征在于，步骤如下： 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； 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。2. 根据权利要求1所述的基于BP和RBF神经网络的图像水印嵌入方法，其特征在于， 步骤1所述的仿射变换表达式如下： 当x〈y时，其中，（x，y)为原始水印图像的像素点坐标;M为原始水印图像的尺寸大小；(Xpy1)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。3. 根据权利要求2所述的基于BP和RBF神经网络的图像水印嵌入方法，其特征在于， 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、阈值作为给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： h(X)=-Inx(1-χ) 其中，h(X)满足当X趋近于O或1时，h(X)趋向于无穷大。4. 根据权利要求1所述的基于BP和RBF神经网络的图像水印嵌入方法，其特征在于， 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：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 为各个节点的径向基函数值。5. 应用权利1-4任意一项的基于BP和RBF神经网络的图像水印嵌入方法的图像水印 提取方法，其特征在于，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。6. 基于BP和RBF神经网络的图像水印嵌入装置，其特征在于，所述的装置包括置乱模 块和嵌入模块，其中： 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； 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。7. 根据权利要求6所述的基于BP和RBF神经网络的图像水印嵌入装置，其特征在于， 置乱模块中所述的仿射变换表达式如下：其中，（x，y)为原始水印图像的像素点坐标;M为原始水印图像的尺寸大小；(Xpy1)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。8. 根据权利要求7所述的基于BP和RBF神经网络的图像水印嵌入装置，其特征在于， 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、阈值作为给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： h(X)=-Inx(1-χ) 其中，h(X)满足当X趋近于O或1时，h(X)趋向于无穷大。9. 根据权利要求6所述的基于BP和RBF神经网络的图像水印嵌入装置，其特征在于， 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：其中，t为RBF神经网络的学习次数；？(r-丨)为第t-Ι次学习时输出误差的向量值；穸 为各个节点的径向基函数值。10. 应用权利6-9任意一项所述的基于BP和RBF神经网络的图像水印嵌入装置的图像 水印提取装置，其特征在于，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。
【专利摘要】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。通过仿射变换对原始水印图像置乱再结合改进的BP神经网络算法对置乱水印图像进行加密，将加密的水印图像嵌入到原始载体图像中；提取嵌入在载体图像中加密的水印图像，并且通过仿射反变换和BP神经网络算法对所述的加密的水印图像进行恢复，得到原始水印图像。本发明实现对水印图像的二次加密，增加了密匙的数量，提高了水印的安全程度。
【IPC分类】G06T1/00
【公开号】CN105389770
【申请号】CN201510764203
【发明人】孙林, 刘尚旺, 张仕光, 李进明, 王伟, 王念念, 郁丽萍, 王振华, 宋黎明, 张会芝, 刘琛
【申请人】河南师范大学
【公开日】2016年3月9日
【申请日】2015年11月9日