[发明专利]基于BP神经网络压缩域的图像水印嵌入与提取方法

权利要求书

1.基于BP神经网络压缩域的图像水印嵌入方法，其特征在于，包括以下步骤：

步骤(1)分别输入图像大小为N×N的数字载体图像I和图像大小为M×M的水印图像w，依此作为待嵌入水印的原始载体图像和图像水印图像；其中w(i,j)和I(i,j)分别记为

I＝{I(i,j),1≤i≤N,1≤j≤N}，

w＝{w(i,j),1≤I≤M,1≤j≤M}，

其中N为载体数字图像的高和宽，M为水印图像的高和宽，I(i,j)为载体图像在(i,j)位置的像素值，w(i,j)为水印图像在(i,j)位置的像素值；

步骤(2)通过二维空间域Arnold变换图像置乱算法，对二进制的标志图w做n次Arnold迭代变换，即以水印图像的位置(x₀,y₀)作为初值，其中1≤x₀≤M，1≤y₀≤M，按照如下公式：

x_n＝(x₀+ay₀)mod M

y_n＝(bx₀+(ab+1)y₀)mod M

其中，mod符号是求余运算符，a、b和n均为正整数且0<n<M²/2，特别是a、b、n三个正整数取不同值的组合，(a,b,n)可以作为秘钥使用；进行n次迭代，得到对应水印的置乱后的值(x_n,y_n)，其中1≤x_n≤M，1≤y_n≤M，(x_i,y_i)是原水印图像的像素点，(x_n,y_n)是变换后新水印图像的像素点，M是水印图像的阶数，即水印图像的尺寸大小，一般多为正方形图像；

步骤(3)将载体图像I(i,j)进行图像分块，分成8×8像素的图像块C{i1，j1}，C{i1，j1}为一个的细胞数组，再建立一个[64864]的三层BP神经网络，输入值为C{i1，j1}，期望值为C{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为100，神经元激活函数阈值为0.05，学习常数为0.5，建立好BP神经网络后，开始进行训练，得到隐含层的输出O(i2,j2)，和隐含层到输出层的调节系数W(i3,j3)，其中O(i2,j2)为8x1的矩阵，W(i3,j3)为8x64的矩阵；

步骤(4)加载水印图像，把水印图像w(i,j)的每一个像素点归一化，然后对应加到W(i3,j3)的每一列的第一个点上，即加到W(1,j3)得到含有水印图像信息的权重W'(1,j3)；然后使用O(i2,j2)与W'(1,j3)进行图像解压，得到含有水印的图像I'。

2.对使用权利要求1所述方法得到的图像的水印提取方法，其特征在于，包括以下步骤：

步骤(1)将待提取二值图像水印的数字图像记为I'，分辨率是N×N，I'(i,j)表示嵌有水印的载体图像在(i,j)位置的像素值，其中1≤i≤N，1≤j≤N；

步骤(2)将含有水印的载体图像I'(i,j)进行图像分块，分成8×8像素的图像块C'{i1，j1}，C'{i1，j1}为一个一块的细胞数组，再建立一个[64864]的三层BP神经网络，输入值为C'{i1，j1}，期望值为C'{i1，j1}，传递函数为sigmoid函数，调整训练函数为trainlm函数，训练次数为100，神经元激活函数阈值为0.05，学习常数为0.5，建立好BP神经网络后，开始进行训练，得到隐含层到输出层的调节系数W″(i3,j3)；

步骤(3)使用W'(i3,j3)减去W″(i3,j3)，得到二者之间的差值D(i3,j3)，对D(i3,j3)做反归一化处理，得到D'(i3,j3)，再对D'(i3,j3)进行Arnold图像置乱反变换，得到水印图像w(i,j)。