基于神经网络与变换域的盲水印算法研究

2018-11-04 00:15宋瑞祥孙光民王锦
移动信息 2018年10期
关键词:像素神经网络图像

宋瑞祥 孙光民 王锦



基于神经网络与变换域的盲水印算法研究

宋瑞祥1孙光民2王锦1

1.北京工业大学信息学部,北京 100124 2.北京工业大学,北京 100124

随着社会经济的发展和科学技术的提高,人们对计算机系统与网络系统的研究越来越深入。针对盲水印算法存在的问题,提出了基于神经网络的改进措施。基于此,以盲水印算法为研究对象,探究神经网络的基本情况,分析当前盲水印算法的大概思路,分别从水印信息的选择和水印信息的加密处理等方面详细阐述,基于神经网络与变换域的盲水印算法,从而提高研究效率,提高算法的感知性。

神经网络;变换域;盲水印算法

引言

数字化时代的到来,信息发展迅速,数字媒体面临着信息安全与版权保护。作品的知识产权已成为人们关注的重点话题。虽然盲水印算法已得到发展,但是人们对盲水印算法的研究依旧停留在静止图像的使用中。对视频作品进行科学版权保护是基于神经网络与变换域研究的重要内容,也是急需解决的难题。

1 神经网络概况分析

一般情况下,神经网络可以分为生物神经网络和人工神经网络,其中生物神经网络指的是生物的大脑神经元。无论是细胞还是触点,都是组成网络的重要内容。这些物质产生意识,帮助生物进行独立思考与认知;而人工神经网络也被称为神经网络或者连接模型,人工神经网络可以模仿动物的神经网络进行信息处理,对信息的算法绘制模型。理论模型研究中,想要建造更加具体的神经网络模型,不得不借助计算机的力量,实现模拟和硬件的制作,其中也包含了网络学习算法研究。一般情况下,人们经常用到向量乘法,该方法具有容错、并行以及硬件自我学习的特点。这是神经网络的优点,也是神经网络模式下盲水印算法与其他方法的区别所在。

RBF神经网络也叫作径向基函数网络,这是以函数逼近理论作为基础的网络形式。径向基函数网络在学习的时候要在多维空间内选择训练数据最佳的拟合平面,该神经网络属于全局逼近网络,无论是输入数据还是输出数据,都要调整网络相关参数。本文基于神经网络与变换域对盲水印算法的研究,将会选取像素点作为目标点,选择三个邻域点作为样本输出点。这三个邻域点的关联性比较强,因此可以很好地建立RBF神经网络。隐含层神经元使用tansig传递函数,输出层使用logsig传递函数,用DCT系数来输入,嵌入强度为输出,盲水印算法在其中误差会很低,最低为 0.000 55。选取的盲水印算法是在像素矩阵完成排序之后,将二维转换为一维,每65个DCT系数当作一组进行训练,最终得到每组嵌入的最大强度即可[1]。

2 基于神经网络与变换域的盲水印算法研究

2.1 水印信息的选择

所谓盲水印,是指人感知不到的水印,包括看不到或听不见的,主要应用于音像作品、数字图书等,目的是在不破坏原始作品的情况下,实现版权的防护与追踪。添加数字盲水印的方法可以简单分为空域方法和频域方法。这两种方法添加了冗余信息,但在编码和压缩情况不变的情况下,不会使原始图像大小产生变化。空域是指空间域。我们日常所见的图像就是空域。空域添加数字水印的方法是在空间域直接对图像进行操作,比如将水印直接叠加在图像上。我们常说一个音有多高,这个音高是指频率;同样,图像灰度变化强烈的情况,也可视为图像的频率。频域添加数字水印的方法,是指通过某种变换手段。

在盲水印系统设计中,首先要决定数字产品在被保护的时候,应嵌入什么形式的数字信息。选择最恰当的数字信息作为水印信息尤为关键。当前被普遍采用的水印信息一共有两种。第一种是不带有任何实际意义的随机序列。这种形式的水印信息没有办法说明自己提取出来的水印是什么。第二种水印信息带有实际意义。这种水印信息可以表示版权号码与数字图像信息。其中,随机序列模式下的水印信息形成的水印方案有很多。人们为了提高水印嵌入后的图像保护能力以及抵御攻击的抵抗能力,在一些实际应用中,特别是基于神经网络与变换域的环境下,需要有实际意义的信息嵌入,但是版权号码抗干扰能力是有限的。对此应从人类视觉有限分辨率的角度出发,使用二值图像,将其当作水印信息,这是目前可以找到的最好方法[2]。

微博上传的图片都会打上ID 的水印。有的打在中间,有的打在右下角。这或多或少证明图片属于本人。不过最近Google 研究在中心网站Google Research Blog 发表了关于如何去除图片水印的方法,该网站介绍无论水印面积多大都可以去除,令图片恢复到“原始”状态。Google 测试了用Photoshop 软件去除水印。这是一项非常繁杂的工作。对于专业设计师来说,用这种方法去除水印需要花费9 分钟的时间。但在Google 技术中,他们会下载同一个网站的数百张照片,从中抽出水印涉及的图像,然后使用减算法,去除图像每一个像素的水印。这种去除水印的方法还没有正式公布,而且没有完整的发布去除盲水印的程序。网站上目前公布的算法能够证实基于神经网络与变换域中盲水印算法的存在。一些售卖图片素材的公司会在展示素材的同时,在素材上加入自己的水印,用户只有购买素材后才能获得使用权,从而获得没有水印的照片。不过Google 表示,这套算法还有另外一个作用,就是反去水印法,也就是一种无法去除的水印技术,原理大致上是给水印加入更多模糊数据,令水印的每一个像素都具有不同模糊程度。如果依然使用传统的方式去除水印,图片上就会留下比较明显的痕迹,因此建议人们可以使用最新的盲水印去除技术。

2.2 水印信息的加密

对水印信息进行预处理,是基于神经网络与变换域的水印系统设计中必须解决的问题。一个科学的盲水印预处理可以保护版权信息。首先第一种原因是为了消除基于神经网络与变换域的二维数字水印像素空间的相关性,提高盲水印算法的鲁棒性,从而保证带有盲水印图像的一部分即使受到破坏,也能够恢复水印状态。第二种原因是即使攻击人员在提取盲水印信号的时候,不知道盲水印预处理方案,也没有办法对原有的盲水印图像进行恢复。基于神经网络与变换域的盲水印算法有很多,其中Arnold盲水印算法最常见。Arnold盲水印算法在实现的时候有周期性的特点。人们采用Arnold盲水印算法处理水印时,Arnold盲水印算法有一定的理论支持,基于神经网络与变换域对数字图像进行处理的时候,对Arnold盲水印算法的变化应用是通过改变像素坐标实现的,像素坐标的改变可以改变像素点的布局。简单来说就是点的位置移动与变换,这种变化其实是相互对应的。如果将Arnold盲水印算法下数字图像用矩阵来表示,经过Arnold盲水印算法变换之后,得到的图像就会变得完全无法识别,但是如果继续使用Arnold盲水印算法进行变换,那么一定会出现和原来图像相同的图像,也就是Arnold盲水印算法具有周期性的科学变换。

3 总结

随着社会经济的发展和科学技术的革新,人们的版权维护意识越来越强,基于神经网络与变换域下的盲水印算法在不断发展,将水印嵌入到各个图像与视频中,可以抵御多种攻击,提高视频或图像的保护效果,增强图像或视频的鲁棒性。神经网络的引入,解决了传统方法无法解决的问题,促进了盲水印的进步与发展。

[1]张玉杰,张媛媛. 基于神经网络的复合变换域视频水印算法研究[J]. 计算机测量与控制,2012,20(10):2802-2804.

[2]燕丹丹,张正兰,张明. 一种基于神经网络和小波变换的盲水印算法[J]. 现代计算机(专业版),2009(5):72-74.

Research on Blind Watermarking Algorithm Based on Neural Network and Transform Domain

Song Ruixiang1Sun Guangmin2Wang Jin1

1.Department of Information, Beijing University of Technology, Beijing 100124 2.Beijing University of Technology, Beijing 100124

With the development of social economy and the improvement of science and technology, people’s research on computer systems and network systems has become more and more in-depth. In view of the problems existing in blind watermarking algorithms, improvements based on neural networks are proposed. Based on this, the paper takes blind watermarking algorithm as the research object, explores the basic situation of neural network, and analyzes the general idea of current blind watermarking algorithm. It elaborates on the selection of watermark information and the encryption processing of watermark information, based on neural network and transformation. The domain’s blind watermarking algorithm improves research efficiency and improves the perceptuality of the algorithm.

neural network; transform domain; blind watermarking algorithm

TP309.7

A

宋瑞祥(1992—),男,山西大同人,汉族,在读研究生,研究方向为数字水印技术。

猜你喜欢
像素神经网络图像
像素前线之“幻影”2000
基于递归模糊神经网络的风电平滑控制策略
基于生成对抗网络的CT图像生成
浅析p-V图像中的两个疑难问题
巧用图像中的点、线、面解题
神经网络抑制无线通信干扰探究
“像素”仙人掌
基于神经网络的中小学生情感分析
基于Q-Learning算法和神经网络的飞艇控制
高像素不是全部