[發明專利]一種基于動態BP神經網絡的水印嵌入、提取方法與裝置

有效

• 申請號: 201710432956.2
• 申請日: 2017-06-09
• 公開（公告）號: CN107240061B
• 公開（公告）日: 2021-01-12
• 發明（設計）人: 孫林;郁麗萍;李新磊;李源;常寶方;孟玲玲;張霄雨;孟新超;劉弱南;張新樂
• 申請（專利權）人: 河南師范大學
• 主分類號: G06T1/00
• 分類號: G06T1/00
• 代理公司: 鄭州睿信知識產權代理有限公司 41119
• 代理人: 吳敏

1.一種基于動態BP神經網絡的水印嵌入方法，其特征在于，包括如下步驟：

1)采用改進Arnold變換對原始水印圖像W進行處理，得到置亂水印圖像W′；

2)通過建立的動態BP神經網絡對原始載體圖像塊進行訓練，獲得隱含層的輸出O；在隱含層的輸出O中嵌入置亂水印圖像W′，再將嵌入置亂水印圖像W′后的載體圖像進行動態BP神經網絡的訓練，得到嵌入水印后的載體圖像；

所述建立的動態BP神經網絡在進行訓練時的學習率根據當前計算出的神經網絡的輸出誤差與上一次迭代時計算出的神經網絡的輸出誤差進行比較，若當前計算出的神經網絡的輸出誤差與上一次迭代時的輸出誤差的比值大于設定值B，則減小當前的學習率；否則，將當前的學習率增大；

步驟1)中的改進Arnold變換按照如下公式

得

進行n次迭代，以水印圖像的位置坐標(x₀,y₀)作為初值，得到對應水印圖像的嵌入位置(x_n,y_n)，其中1≤x₀≤N，1≤y₀≤N，1≤x_n≤N，1≤y_n≤N，a、b、c、d、e、f均為正整數，其保面積要求ad–bc＝1；N為水印圖像大小。

2.根據權利要求1所述的一種基于動態BP神經網絡的水印嵌入方法，其特征在于，所述學習率的產生是按照如下公式：

若本次計算出的神經網絡的輸出誤差與上次迭代時計算出的神經網絡的輸出誤差的比值大于設定值B，則減小當前的學習率；否則，將當前的學習率增大；減小學習率的方法是給當前的學習率乘以b₁；增大學習率的方法是給當前的學習率乘以正數b₂；其中，b₁小于1，b₂大于1，b₁和b₂均為正數。

3.根據權利要求2所述的一種基于動態BP神經網絡的水印嵌入方法，其特征在于，步驟2)中建立64×16×64的三層動態BP神經網絡，傳遞函數為sigmoid函數，調整訓練函數為trainlm函數，訓練次數為40，神經元激活函數閾值為0.05，學習率在BP神經網絡訓練過程中，根據本次計算出的神經網絡的輸出誤差與上次迭代時計算出的神經網絡的輸出誤差進行比較，進而進行動態調整，其初值為0.5。

4.與權利要求1所述的水印嵌入方法對應的水印提取方法，其特征在于，包括如下步驟：

1)將嵌入水印后的載體圖像塊作為輸入層，原始載體圖像作為輸出層，通過建立的動態BP神經網絡對嵌入水印后的載體圖像塊進行訓練，得到隱含層的輸出O；將O與O做差，得到差值圖像，該差值圖像為提取的水印圖像；所述隱含層的輸出O為動態BP神經網絡對嵌入水印后的載體圖像塊進行訓練，獲得的隱含層的輸出，所述O為通過動態BP神經網絡對原始載體圖像塊進行訓練，獲得的隱含層的輸出；

2)將得到的水印圖像利用改進Arnold反變換得到原始水印圖像；

所述建立的動態BP神經網絡在進行訓練時的學習率根據當前計算出的神經網絡的輸出誤差與上一次迭代時計算出的神經網絡的輸出誤差進行比較，若當前計算出的神經網絡的輸出誤差與上一次迭代時的輸出誤差的比值大于設定值B，則減小當前的學習率；否則，將當前的學習率增大；步驟2)中的改進Arnold反變換公式為：

進行n次迭代，以置亂水印圖像的位置坐標(x_n,y_n)作為初值，得到對應原始水印圖像的位置(x₀,y₀)，其中1≤x₀≤N，1≤y₀≤N，a、b、c、d、e、f均為正整數，1≤x_n≤N，1≤y_n≤N，其保面積要求ad–bc＝1；N為水印圖像大小。