基于一次Bézier曲線和Chebyshenv神經(jīng)網(wǎng)絡(luò)的DCT彩色盲水印算法*

陳科尹，孫樹(shù)森

(浙江理工大學(xué) 信息電子學(xué)院，浙江 杭州 310018)

隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展與廣泛應(yīng)用，對(duì)多媒體數(shù)字產(chǎn)品的版權(quán)進(jìn)行保護(hù)已成為迫切需要解決的問(wèn)題。傳統(tǒng)的加密技術(shù)[1，2]已經(jīng)不足以解決問(wèn)題，而數(shù)字水印技術(shù)[3]顯示出了其巨大的應(yīng)用潛力。根據(jù)水印所嵌入域的不同，可以把數(shù)字圖像水印分為2類：一類是在空間域中嵌入水??；另一類是在變換域中嵌入水印，如DCT變換域、DFT變換域或DWT變換域等。但是，目前提出的水印算法多數(shù)是針對(duì)灰度圖像，而水印是二值圖像的，彩色圖像數(shù)字水印算法尚未得到充分研究。雖然，灰度圖像僅由代表亮度信息的像素組成，不含色彩信息，在其中嵌入水印不會(huì)產(chǎn)生新的顏色分量，便于操作。但現(xiàn)實(shí)生活中彩色圖像更為常見(jiàn)，所以在其中嵌入含有更豐富信息的彩色圖像水印的研究顯得更為重要和迫切。針對(duì)這種情況，本文在前人對(duì)彩色圖像水印研究[4-6]的基礎(chǔ)上，提出了一種基于一次 Bézier曲線和Chebyshenv神經(jīng)網(wǎng)絡(luò)的DCT彩色圖像的盲數(shù)字水印算法。首先，把原載體彩色圖像從顏色空間RGB轉(zhuǎn)換到顏色空間HSV；然后，對(duì)彩色數(shù)字水印圖像進(jìn)行三基色分離，并對(duì)每個(gè)顏色分量進(jìn)行Logistic混沌置亂；最后，結(jié)合人類視覺(jué)系統(tǒng)(HVS)特性，把置亂的每個(gè)顏色分量的小波分解后的對(duì)矩陣元素根據(jù)一次Bézier曲線添加到原載體彩色圖像的顏色空間HSV的亮度分量V的DCT中頻子帶系數(shù)中，并且進(jìn)行Chebyshenv神經(jīng)網(wǎng)絡(luò)訓(xùn)練。

1 彩色圖像顏色空間的選取

色度學(xué)理論認(rèn)為，任何顏色都可以由紅(R)、綠(G)、藍(lán)(B)3種基本顏色按照不同的比例混合得到。紅、綠、藍(lán)被稱為三基色，簡(jiǎn)稱RGB三基色。由它們組成的顏色空間，稱為RGB顏色空間。RGB顏色空間屬于線性空間坐標(biāo)系，R、G、B顏色分量呈現(xiàn)線性相關(guān)，有利于保存圖像像素顏色之間的線性關(guān)系，但不利于人們對(duì)彩色布局直覺(jué)。HSV顏色空間是歐洲電視系統(tǒng)廣泛采用的顏色空間，其基本特征是將亮度信號(hào)與色度信號(hào)分開(kāi)表示。V表示亮度，H和S是2個(gè)彩色分量表示色差，描述圖像色彩及飽和度的屬性。HSV顏色空間屬于非線性空間坐標(biāo)系，H、S、V顏色分量呈現(xiàn)線性無(wú)關(guān)，空間距離符合人眼的視覺(jué)特征。因此，本文載體彩色圖像選擇HSV顏色空間，而水印彩色圖像選擇RGB顏色空間，這樣有利于提高水印算法的透明性和穩(wěn)健性。

2 一次Bézier曲線的水印嵌入、提取和 Logistic混沌水印置亂

一次 Bézier曲線的定義為：p(t)=(1-t)p0+tp1，t∈[0，1]，它表示一條以p0和p1為端點(diǎn)的線段。本文就是根據(jù)一次Bézier曲線的定義來(lái)嵌入和提取水印，水印嵌入和提取公式如下：

其中，g為嵌入水印后的圖像，f為原始圖像，m為水印圖像，λ為水印強(qiáng)度。由于一次Bézier曲線具有連續(xù)光滑和局部收斂的特性，所以按照一次Bézier曲線嵌入水印，其水印算法具有很好的透明性、可恢復(fù)性和魯棒性，并且水印信息的嵌入量比較大。

為了增強(qiáng)水印算法的魯棒性，水印在嵌入之前需進(jìn)行置亂處理。在數(shù)字圖像的置亂方面有Logistic混沌變換、Arnold 變換、幻方、Hibert曲線、Conway 游戲、Tangram算法、IFS模型、Gray碼變換、廣義Gray碼變換等。而利用Logistic混沌變換，變換后的圖像相鄰像素的相關(guān)性更小，抗攻擊的免疫性強(qiáng)，具有良好的安全性。本文采用Logistic混沌變換[7]進(jìn)行置亂。

3 Chebyshenv神經(jīng)網(wǎng)絡(luò)

BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播的多層前向神經(jīng)網(wǎng)絡(luò)，已成為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法。通過(guò)輸入輸出樣本集的訓(xùn)練，可實(shí)現(xiàn)從輸入到輸出的任意非線性映射，其實(shí)質(zhì)是采取最快梯度下降法來(lái)實(shí)現(xiàn)映射關(guān)系的逼近。在原先BP 3層模型[8，9]作為神經(jīng)網(wǎng)絡(luò)的訓(xùn)練模型基礎(chǔ)上，本文提出了基于Chebyshev[10]的BP網(wǎng)絡(luò)模型(8-5-1結(jié)構(gòu))，即包含8個(gè)輸入、1個(gè)5個(gè)結(jié)點(diǎn)隱含層和1個(gè)輸出結(jié)點(diǎn)的輸出層。在3層BP神經(jīng)網(wǎng)絡(luò)中改進(jìn)隱含層中的激勵(lì)函數(shù)為一組正交的Chebyshev函數(shù)，提高了隱含層和外層的逼近程度。實(shí)驗(yàn)結(jié)果也證明，用改進(jìn)的BP神經(jīng)網(wǎng)絡(luò)模型作為訓(xùn)練模型能更好地實(shí)現(xiàn)水印的盲提取。

4 水印的嵌入和提取

以 M×N的原始彩色 RGB圖像 I，大小為 p×q(p=40，q=40)的彩色水印圖像W為例描述本文的算法。

4.1 水印嵌入

(1)將I由RGB顏色空間轉(zhuǎn)換到HSV空間，取其亮度分量 V，記為 IV。

(2)將 IV分割為互不覆蓋的小塊 block(x，y)，0≤x，y≤7，對(duì) block(x，y)進(jìn)行以 DCT 變換，得到 block_dct(x，y)。

(3)對(duì)彩色水印W進(jìn)行三基色分離，得到 R、G、B 3個(gè)顏色分量。

(4)依次對(duì)每個(gè)顏色分量進(jìn)行Logistic混沌置亂，并進(jìn)行Haar小波分解，得到近似系數(shù)矩陣、水平細(xì)節(jié)系數(shù)矩陣、垂直細(xì)節(jié)系數(shù)矩陣、對(duì)角細(xì)節(jié)系數(shù)矩陣，分別記為CA1、CH1、CV1、CD1。

(5)將 CA1、CH1、CV1、CD1向 量 化 ， 分 別 記 為 message_pad1，message_pad2，message_pad3，message_pad44 個(gè)向量，向量的長(zhǎng)度為。

(6)對(duì)每個(gè)分塊 block_dct(x，y)進(jìn)行 ZigZag掃描，取出中頻系數(shù)。

(7)分別取 message_pad1，message_pad2，message_pad3，message_pad4中的1個(gè)元素，嵌入到每個(gè)分塊block_dct(x，y)的中頻系數(shù)中，并且進(jìn)行神經(jīng)網(wǎng)絡(luò)訓(xùn)練以及保留神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型。

(8)對(duì)每個(gè)分塊 block_dct(x，y)進(jìn)行反 ZigZag掃描，還原block_dct(x，y)的中頻系數(shù)的原來(lái)位置。

(9)對(duì)嵌入水印信息后的小塊 block_dct(x，y)進(jìn)行反DCT 變換，記為 block′(x，y)。

(10)合并小塊 block′(x，y)，記為 I′V。

(11)將 I′V轉(zhuǎn)換到 RGB顏色空間，得到嵌入水印后的圖像 I′。

4.2 水印提取

(1)將含有水印信息的圖像 I′轉(zhuǎn)換到 HSV空間，取其亮度分量 V，得到 I′V。

(2)將 I′V分割為互不覆蓋的小塊 block′(x，y)，0≤x，y≤7，并進(jìn)行以 DCT 變換，得到 block_dct′(x，y)。

(3)對(duì)每個(gè)分塊 block_dct′(x，y)進(jìn)行 ZigZag 掃描，取出中頻系數(shù)。

(4)依據(jù)保留神經(jīng)網(wǎng)絡(luò)訓(xùn)練模型，恢復(fù)原來(lái)的每個(gè)分塊 block_dct(x，y)。

(5)對(duì) 每 一 小 塊 block_dct′(x，y)，依 據(jù) 嵌 入 水 印 時(shí)的嵌入過(guò)程，進(jìn)行逆運(yùn)算，依次得到 message_pad′1，message_pad′2，message_pad′3，message_pad′44 個(gè) 向 量 ，向量的長(zhǎng)度為(p，q為原水印圖像行像素?cái)?shù)和列像素?cái)?shù))。

(6)分別將 message_pad′1，message_pad′2，message_pad′3，message_pad′4，還原為矩陣，得到近似系數(shù)矩陣、水平細(xì)節(jié)系數(shù)矩陣、垂直細(xì)節(jié)系數(shù)矩陣、對(duì)角細(xì)節(jié)系數(shù)矩陣：CA′1、CH′1、CV′1、CD′1。

(7)將 CA′1、CH′1、CV′1、CD′1進(jìn)行 Haar 小波合成，并對(duì)合成后的分量進(jìn)行Logistic混沌置換還原，將得到一個(gè)顏色分量。

(8)依據(jù)上述步驟，依次得到顏色分量 R′、G′、B′。

(9)將顏色分量 R′、G′、B′進(jìn)行三基色合成，即得到提取出的水印W′。

5 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)采用256×256的24 bit真彩色lena圖像作為原始載體圖像如圖1所示。選用有意義的彩色圖像作為水印圖像(40×40)如圖2所示。為了客觀地評(píng)價(jià)含有水印載體圖像和水印的質(zhì)量，分別采用峰值信噪比(PSNR)、圖像相似度(NC)[11]來(lái)度量。PSNR值越大，水印透明性越好；NC值越大，提取的水印越清晰，水印算法越穩(wěn)健。本算法中原始載體圖像與含有水印載體圖像的峰值信噪比(PSNR)為42.2279，符合人眼視覺(jué)要求。在穩(wěn)健性方面，本算法能夠較好地抵抗噪聲、剪切、旋轉(zhuǎn)、JPEG壓縮等攻擊。

對(duì)含有水印的載體進(jìn)行攻擊，測(cè)試水印系統(tǒng)的抗攻擊能力見(jiàn)表1。

從實(shí)驗(yàn)結(jié)果可知，嵌入彩色水印信息后，原彩色圖像與含有水印信息后的圖像在視覺(jué)效果上沒(méi)有明顯區(qū)別，用肉眼幾乎分辨不出。這說(shuō)明本算法充分利用了一次Bézier曲線的特性和人眼的視覺(jué) HVS特性，水印的透明性相當(dāng)好，不影響圖像的正常使用。本算法是利用Chebyshenv神經(jīng)網(wǎng)絡(luò)以及Logistic混沌置亂來(lái)實(shí)現(xiàn)彩色圖像的水印算法，所以提取水印不需要原始圖像和原始水印，并且能夠抵抗常見(jiàn)的噪聲、剪切、旋轉(zhuǎn)、JPEG壓縮等攻擊。

[1]楊義先，鈕心忻.應(yīng)用密碼學(xué)[M].北京：北京郵電大學(xué)出版社，2005.

[2]MAO W B.Modern cryptography：theory and practice[M].Person Education，2003.

[3]劉瑞禎，譚鐵牛.數(shù)字水印研究綜述 [J].通信學(xué)報(bào)，2000，21(8)：39-48.

[4]凌賀飛，盧正鼎，楊雙遠(yuǎn).基于YcbCr顏色空間的二維DCT彩色圖像數(shù)字水印實(shí)用技術(shù) [J].小型微型計(jì)算機(jī)系統(tǒng)，2005，26(3)：482-484.

[5]郭志強(qiáng)，唐兵.一種彩色圖像水印方法的抗攻擊性能[J].武漢大學(xué)學(xué)報(bào)(工學(xué)版)，2007，40(6).

[6]王坤，楊峰.一種改進(jìn)的基于DWT的彩色圖像水印算法[J].信息技術(shù)與信息化，2009，1(53).

[7]張永紅，康寶生.基于Logistic混沌序列的圖象加密算法[J].寧夏大學(xué)學(xué)報(bào)(自然科學(xué)版)，2009，30(1).

[8]王劍，林福宗.基于人工神經(jīng)網(wǎng)絡(luò)的數(shù)字音頻水印算法[J].小型微型計(jì)算機(jī)系統(tǒng)，2004(11).

[9]胡金艷，張?zhí)?，陸從德，?一種基于神經(jīng)網(wǎng)絡(luò)的小波域音頻水印算法[J].陜西：西安交通大學(xué)學(xué)報(bào)，2003(4).

[10]鄒阿金，張雨濃.基函數(shù)神經(jīng)網(wǎng)絡(luò)及應(yīng)用[M].廣州：中山大學(xué)出版社，2009.

[11]楊義先，鈕心忻.數(shù)字水印理論與技術(shù)[M].北京：高等教育出版社，2006.

?