基于遺傳優(yōu)化的自然語(yǔ)言文本數(shù)字水印方法

保海軍

(青海民族大學(xué) 計(jì)算機(jī)學(xué)院，青海 西寧 810007)

隨著圖像加密技術(shù)的發(fā)展，采用數(shù)字水印技術(shù)實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印加密，提高圖像加密的可靠性和穩(wěn)定性，在進(jìn)行自然語(yǔ)言文本數(shù)字水印加密過(guò)程中，受到自然語(yǔ)言文本數(shù)字水印分辨參數(shù)及像素參數(shù)的混沌性影響，導(dǎo)致自然語(yǔ)言文本數(shù)字水印加密的可靠性不高，需要結(jié)合對(duì)自然語(yǔ)言文本數(shù)字水印圖像的邊緣輪廓分析，建立自然語(yǔ)言文本數(shù)字水印圖像編碼模型，提高自然語(yǔ)言文本數(shù)字水印檢測(cè)和加密能力，相關(guān)的自然語(yǔ)言文本數(shù)字水印加密算法設(shè)計(jì)研究受到人們的極大關(guān)注[1]。

在進(jìn)行自然語(yǔ)言文本數(shù)字水印加密過(guò)程中，結(jié)合對(duì)圖像的加密密鑰參數(shù)分析，采用圖模型參數(shù)識(shí)別，實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印加密和輸出特征分析，傳統(tǒng)方法中，對(duì)自然語(yǔ)言文本數(shù)字水印加密的方法主要有基于顏色參數(shù)分析的自然語(yǔ)言文本數(shù)字水印圖像加密方法、基于混沌序列重構(gòu)的自然語(yǔ)言文本數(shù)字水印圖像加密方法等[2-4]，文獻(xiàn)[5]中提出基于超混沌密鑰控制的自然語(yǔ)言文本數(shù)字水印加密方法，通過(guò)對(duì)圖像水印量化特征編碼，實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印加密，但該方法進(jìn)行自然語(yǔ)言文本數(shù)字水印加密的特征辨識(shí)度不高，密鑰置亂性不好。文獻(xiàn)[6]中提出基于分布式結(jié)構(gòu)重組的自然語(yǔ)言文本數(shù)字水印加密方法，采用多通道的圖像濾波分析，實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印的混沌加密，但該方法的計(jì)算開(kāi)銷(xiāo)較大。

針對(duì)上述問(wèn)題，本文提出基于遺傳優(yōu)化的自然語(yǔ)言文本數(shù)字水印加密方法。首先采用多尺度的遺傳進(jìn)化算法實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印的邊緣特征檢測(cè)，然后通過(guò)先驗(yàn)知識(shí)特征分解結(jié)果，實(shí)現(xiàn)對(duì)自然語(yǔ)言文本數(shù)字水印的密鑰構(gòu)造和圖像融合處理，根據(jù)對(duì)自然語(yǔ)言文本數(shù)字水印圖像的融合結(jié)果，最后采用遺傳進(jìn)化迭代的方法，對(duì)自然語(yǔ)言文本數(shù)字信息融合和水印特征點(diǎn)定位，實(shí)現(xiàn)數(shù)字水印設(shè)計(jì)，并通過(guò)仿真測(cè)試得出有效性結(jié)論。

1 自然語(yǔ)言文本數(shù)字水印向量量化和預(yù)處理

1.1 自然語(yǔ)言文本數(shù)字水印向量量化處理

為了實(shí)現(xiàn)基于遺傳優(yōu)化的自然語(yǔ)言文本數(shù)字水印加密設(shè)計(jì)，采用非線性向量量化編碼方法進(jìn)行自然語(yǔ)言文本數(shù)字水印圖像分組檢測(cè)，結(jié)合改進(jìn)神經(jīng)網(wǎng)絡(luò)和遺傳進(jìn)化方法，建立自然語(yǔ)言文本數(shù)字水印的混沌檢測(cè)模型，構(gòu)建自然語(yǔ)言文本數(shù)字水印圖像分組檢測(cè)像素樣本序列加密的密鑰信息，采用隨機(jī)線性組合控制，使用Feistel結(jié)構(gòu)加密，構(gòu)建自然語(yǔ)言文本數(shù)字水印的向量量化分解模型，得到自然語(yǔ)言文本數(shù)字水印加密的向量量化模型[7]，實(shí)現(xiàn)結(jié)構(gòu)圖如圖1所示。

圖1 自然語(yǔ)言文本數(shù)字水印向量量化實(shí)現(xiàn)結(jié)構(gòu)圖

根據(jù)圖1所示的自然語(yǔ)言文本數(shù)字水印向量量化結(jié)構(gòu)模型，采用RGB分解方法，獲得自然語(yǔ)言文本數(shù)字水印的邊緣特征信息，根據(jù)自然語(yǔ)言文本數(shù)字水印圖像的字典集分布[8]，得到自然語(yǔ)言文本數(shù)字水印的灰度字典量化分布模型如式(1)所示。

(1)

其中，ctr為二維到三維特征的轉(zhuǎn)換參數(shù)，cz為Z軸的向量量化參數(shù)，cy為Y軸的向量量化參數(shù)，{cz-cy}為自然語(yǔ)言文本數(shù)字水印字典集相似度特征量，構(gòu)造特征圖信息融合參數(shù)模型，通過(guò)Image2Mesh和 RNN特征融合，構(gòu)建自然語(yǔ)言文本數(shù)字水印加密的遺傳進(jìn)化尋優(yōu)模型，描述如式(2)、式(3)、式(4)所示。

(2)

(3)

(4)

1.2 自然語(yǔ)言文本數(shù)字水印分割

結(jié)合對(duì)自然語(yǔ)言文本數(shù)字水印圖像加密區(qū)域的邊緣信息特征分解結(jié)果，采用自適應(yīng)的遺傳進(jìn)化控制算法[9]，得到自然語(yǔ)言文本數(shù)字水印空間區(qū)域映射如式(5)所示。

ORz=δ{jv(e,k)+|w(k,l)|}

(5)

其中δ取值如式(6)所示。

(6)

圖像的多維特征融合如式(7)所示。

(7)

式(6)、式(7)中，δ為自然語(yǔ)言文本數(shù)字水印加速深層進(jìn)化的隨機(jī)相位矩陣，jv(e,k)為二維圖像所包含的邊緣像素集，w(k,l)為自然語(yǔ)言文本語(yǔ)義參數(shù)，p(i,o)為特征圖通過(guò)邊緣參數(shù)，g(t,f)為圖像的多維特征融合參數(shù)，h(e,s)為圖像紋理分布集，采用圖卷積網(wǎng)絡(luò)分析，構(gòu)建自然語(yǔ)言文本數(shù)字水印字典參數(shù)分析模型，得到自然語(yǔ)言文本數(shù)字水印Image2Mesh和 RNN紋理分布集如式(8)所示。

(8)

式(8)中，jk為自然語(yǔ)言文本數(shù)字水印的關(guān)聯(lián)分布特征分量，jbf為自然語(yǔ)言文本數(shù)字水印的模糊度檢測(cè)系數(shù)，ck為圖像的淺層特征嵌入維數(shù)，c為多維多視角嵌入維數(shù)，k為檢測(cè)統(tǒng)計(jì)分量，以像素點(diǎn)j為中心進(jìn)行自然語(yǔ)言文本數(shù)字水印特征分割，提高自然語(yǔ)言文本數(shù)字水印檢測(cè)和識(shí)別能力[10]。

2 自然語(yǔ)言文本數(shù)字水印加密優(yōu)化

2.1 自然語(yǔ)言文本數(shù)字水印密鑰控制

通過(guò)先驗(yàn)知識(shí)特征分解結(jié)果，構(gòu)建對(duì)自然語(yǔ)言文本數(shù)字水印的密鑰構(gòu)造和圖像融合處理模型，自然語(yǔ)言文本數(shù)字水印圖像混沌加密的的密鑰分布序列為A=1,2,…,n，表示自然語(yǔ)言文本數(shù)字水印圖像混沌加密的差異度，AD表示Image2Mesh_rnn，D≠0，自然語(yǔ)言文本數(shù)字水印加密的光流場(chǎng)分布如式(9)所示。

s(k)=AD{c(m)+c(n)+c(mn)}

(9)

式(9)中，c(m)為聯(lián)合分布特征序列，c(mn)為初始特征分量，c(n)為自然語(yǔ)言文本語(yǔ)義特征分量，選擇直方圖模板匹配方法，得到自然語(yǔ)言文本數(shù)字水印圖像的混沌映射編碼序列分布式如式(10)所示。

(10)

定義：

(11)

式(10)、式(11)中，j(k,l)為混沌映射編碼序列分布圖的模糊度函數(shù)，j(i,p)是自然語(yǔ)言文本數(shù)字水印的增強(qiáng)系數(shù)，采用空間區(qū)域模型動(dòng)態(tài)切換的方法[11]，提取自然語(yǔ)言文本數(shù)字水印的模糊度，得到自然語(yǔ)言文本數(shù)字水印的二維編碼輸出如式(12)所示。

(12)

式(12)中，i(o)為每個(gè)卷積層的像素，T為邊緣尺度，t(o)為自相似度特征量，t(x)為邊緣補(bǔ)零參數(shù)，根據(jù)5×5卷積核的特征分析方法，得到自然語(yǔ)言文本數(shù)字水印的整流單元如式(13)所示。

(13)

式(13)中，ed(h)為自然語(yǔ)言文本數(shù)字水印圖像的目標(biāo)直方圖重建系數(shù)，cd(h)為自然語(yǔ)言文本數(shù)字水印圖像分布的光流場(chǎng)幅度圖。根據(jù)上述分析，建立自然語(yǔ)言文本數(shù)字水印圖像加密區(qū)域的匹配特征量，通過(guò)先驗(yàn)知識(shí)特征分解，實(shí)現(xiàn)水印的密鑰控制[12]。

2.2 自然語(yǔ)言文本數(shù)字水印圖像加密輸出

采用低秩學(xué)習(xí)和模糊度檢測(cè)的方法，構(gòu)建自然語(yǔ)言文本數(shù)字水印的濾波模型，得到自然語(yǔ)言文本數(shù)字水印的稀疏特征點(diǎn)用f(y,z)描述，得到自然語(yǔ)言文本數(shù)字水印的模板函數(shù)fl(y,z)如式(14)所示。

(14)

式(14)中，f表示出區(qū)域?qū)蛹?jí)的特征圖，(n,d)為相似度坐標(biāo)分布，采用冗余信息的濾波和遺傳優(yōu)化算法，得到自然語(yǔ)言文本數(shù)字水印的分組樣本加權(quán)模型如式(15)所示。

(15)

式(15)中，wcr為線性加權(quán)控制系數(shù)，wtr為邊緣分布閾值，當(dāng)wcr=|1-wtr|，生成更密集的特征圖，采用匹配濾波和遺傳變異算法，得到自然語(yǔ)言文本數(shù)字水印的深層的特征信息逐級(jí)加權(quán)分布如式(16)、式(17)所示。

End=|ak+bk|

(16)

(17)

式(16)、式(17)中，ak、bk代表自然語(yǔ)言文本數(shù)字圖像融合和濾波系數(shù)，若xve為原始自然語(yǔ)言文本數(shù)字水印圖像紋理線性分布序列，afg、bfg分別為自然語(yǔ)言文本數(shù)字水印圖像特征融合系數(shù)。采用遺傳進(jìn)化迭代的方法生成自然語(yǔ)言文本數(shù)字水印如式(18)所示。

(18)

綜合上述，自然語(yǔ)言文本數(shù)字水印圖像加密實(shí)現(xiàn)流程如圖2所示。

圖2 自然語(yǔ)言文本數(shù)字水印圖像加密實(shí)現(xiàn)流程

3 實(shí)驗(yàn)測(cè)試

為了驗(yàn)證本文方法在實(shí)現(xiàn)自然語(yǔ)言文本數(shù)字水印圖像加密的性能，采用Matlab進(jìn)行在測(cè)試，設(shè)定水印圖像樣本數(shù)為240，相關(guān)參數(shù)設(shè)定見(jiàn)表1。

表1 自然語(yǔ)言文本數(shù)字水印加密參數(shù)設(shè)定

根據(jù)上述表1參數(shù)設(shè)定，構(gòu)建自然語(yǔ)言文本數(shù)字水印圖像加密模型，待加密的自然語(yǔ)言文本數(shù)字水印圖像如圖3所示。

圖3 待加密的自然語(yǔ)言文本數(shù)字水印

以圖3的待加密的自然語(yǔ)言文本數(shù)字水印為研究對(duì)象，實(shí)現(xiàn)水印融合，如圖4所示。

圖4 水印融合處理

根據(jù)對(duì)自然語(yǔ)言文本數(shù)字水印圖像的融合結(jié)果，采用遺傳進(jìn)化迭代的方法，實(shí)現(xiàn)對(duì)自然語(yǔ)言文本數(shù)字信息融合加密，得到加密輸出如圖5所示。

(a)R分量

(b)G分量

(c)B分量圖5 自然語(yǔ)言文本數(shù)字水印輸出

測(cè)試加密性能，得到對(duì)比結(jié)果如圖5所示。分析圖6得知，本文方法對(duì)自然語(yǔ)言文本數(shù)字水印處理的輸出峰值信噪比較高。

圖6 自然語(yǔ)言文本數(shù)字水印處理的輸出峰值信噪比

結(jié)語(yǔ)

結(jié)合對(duì)自然語(yǔ)言文本數(shù)字水印圖像的邊緣輪廓分析，建立自然語(yǔ)言文本數(shù)字水印圖像編碼模型，提高自然語(yǔ)言文本數(shù)字水印檢測(cè)和加密能力，本文提出基于遺傳優(yōu)化的自然語(yǔ)言文本數(shù)字水印加密方法。構(gòu)建自然語(yǔ)言文本數(shù)字水印圖像分組檢測(cè)像素樣本序列加密的密鑰信息，采用隨機(jī)線性組合控制，使用Feistel結(jié)構(gòu)加密，構(gòu)建自然語(yǔ)言文本數(shù)字水印的向量量化分解模型，通過(guò)先驗(yàn)知識(shí)特征分解，實(shí)現(xiàn)水印的密鑰控制。分析得知，本文方法對(duì)自然語(yǔ)言文本數(shù)字水印加密的性能較好，峰值信噪比較高。