摘  要： 結合RBF神經網絡和糾錯編碼技術，提出了一種把經過混沌加密的圖像水印嵌入小波域，并實現盲檢測的新型水印算法。首先，對原始圖像進行小波分解得到各子帶的小波系數；其次，通過密鑰選擇在小波系數中嵌入水印的起始位置，并對該小波系數進行量化處理作為RBF神經網絡模型的輸入值；最后，用混沌加密技術和糾錯編碼技術對待嵌入的水印信息進行預處理以增強水印系統的安全性和魯棒性，把處理后的水印信息嵌入到經過RBF神經網絡模型處理后的小波系數中。實驗表明，該算法人類視覺掩蔽性良好，同時對于諸如JEPG壓縮、椒鹽噪聲、濾波等常見圖像處理攻擊的魯棒性達到了預期的效果。
關鍵詞： 糾錯編碼；RBF神經網絡；盲檢測；混沌加密

    隨著數字技術[1]逐步滲透到社會生活中，多媒體數據的版權保護成為一個關鍵性問題。數字水印技術作為傳統加密方法的有效補充手段，是目前信息安全技術領域的一個新方向。其中，數字圖像水印技術通過在原始圖像中隱藏相應的信息以保護合法的所有權。一個完整的圖像水印方案主要包括水印生成、水印嵌入、水印檢測和水印攻擊[2]。在保護圖像多媒體信息版權時，數字水印的魯棒性是至關重要的。由于很多時候原始圖像獲取不便，所以研究的趨勢是在不需要提供原始圖像的情況下進行水印的盲檢測。當前研究人員已經研究出了眾多的盲檢測水印算法，這些算法能夠較好地抵御諸如JEPG壓縮、高斯濾波等常見的信號處理攻擊。基于封面中像素的3-D色彩直方圖特性的盲水印方案[3]，它解決了水印的嵌入和檢測的同步問題。為了進一步加強被隱藏在宿主信號中的敏感信息的安全性，學者們一直在嘗試加密和數字水印技術的結合研究。與此同時，目前神經網絡學習算法、糾錯編碼等技術也被廣泛應用于數字水印技術中。其中，Tsai等人提出了一種基于人類聽覺系統和神經網絡的自適應信號依賴的音頻數字水印技術[4]，通過神經網絡訓練使該算法能夠記住原始音頻和嵌有水印音頻的直接映射關系，并基于此實現盲檢測。而糾錯編碼技術也被大量運用于水印算法當中[5]，糾錯編碼的使用主要是為了在提取水印信號時糾正可能發生的錯誤。本文提出了一種基于RBF神經網絡和糾錯編碼的混沌盲檢測水印新算法。該方案旨在處理好不可見性和魯棒性平衡關系的基礎上，提高在諸如JPEG、高斯噪聲、椒鹽噪聲等信號處理攻擊下的魯棒性。
1 徑向基函數神經網絡（RBF）
1.1 RBF神經網絡模型
    數字水印的研究表明，將神經網絡技術應用其中可以增加水印系統的自適應性和魯棒性。徑向基函數神經網絡具有良好的通用逼近能力，該神經網絡已經被成功用于解決許多信號和圖像問題。徑向基函數神經網絡是一個完全連接的網絡，通常作為一種分類工具使用。在一個RBF模型中包含三層：輸入層、隱含層、輸出層。隱含層提供了一組函數，該組函數稱為徑向基函數。圖1給出的是RBF神經網絡模型，其對應的數學表達式如下：




     （5）利用相似度、閾值和密鑰（key）判斷是否嵌有水印。如果相似度大于該閾值，那么就確定該處嵌有水印。其中閾值由標準差和虛警率決定（一般為10-6），基于此本文的閾值設為20.8；
     （6）把步驟（5）中提取到的水印信號進行糾錯編碼解調和逆置亂處理，得到最終的水印信息。
4 實驗仿真結果
      仿真實驗的載體是512×512的man圖像，水印采用32×32的二值圖像，卷積碼一幀長度為L=8。水印嵌入后的載體圖像和原載體圖像的PSNR為40.966 9 dB，根據人類的視覺系統特性，很難分辨出區別，說明本算法具有較好的不可感知性，如圖3所示。

      為了探討該方案的性能，用峰值信噪比（PSNR）、相似度（NC）和比特錯誤率（BER）這三個量來衡量該算法的不可感知性能、魯棒性能和糾錯能力，這三個衡量值分別列在表1、表2和表3中，表中的Without ECC表示不使用糾錯編碼（ECC），僅使用RBF神經網絡的水印算法，With BP表示使用BP神經網絡代替RBF神經網絡的水印算法，Proposed表示本文提出的算法。
     從表1的對比中可以看出，在使用常用的數字信號處理方案對水印圖像攻擊后，本算法的不可感知性較好。另外，本方案在JEPG壓縮、高斯噪聲、椒鹽、線性濾波（線性濾波1表示線性濾波_1.7_0.01_0.21_1.2，線性濾波2表示線性濾波_0.97_0.21_0.31_1）等攻擊下比Without ECC方案和With BP方案有更好的隱蔽性。
    從表2得到的NC值對照表可以看出，本文所提出算法對JPEG壓縮攻擊的抵抗能力特別強，且對于諸如高斯低通濾波、椒鹽噪聲、中值濾波、線性濾波等攻擊魯棒性很高。不僅如此，通過對比NC表，說明了Proposed方案的魯棒性比Without ECC方案和With BP方案提高很多。而從表3可以看出使用糾錯編碼的水印算法在水印提取時比特錯誤率（BER）比未使用糾錯編碼的水印算法更低，這說明本文算法的失真率更低，在抵抗表中所列攻擊的抵抗能力非常強。

     本文提出了一種基于RBF神經網絡和糾錯編碼的新型盲檢測水印算法。利用糾錯編碼技術和混沌加密技術對水印進行處理，增強了水印的魯棒性和安全性，而RBF神經網絡模型的自適應性使算法實現了水印的盲檢測，同時該模型的使用也進一步增加了本文所提出算法的魯棒性。實驗結果表明，與傳統的使用BP神經網絡的水印算法和未使用糾錯編碼的水印算法相比，本文所提出的算法具有更好的隱蔽性、魯棒性和更低的失真率，使魯棒性和隱蔽性達到了一個較為理想的平衡，同時算法在諸如JEPG壓縮、椒鹽噪聲、濾波等常見圖像處理攻擊下擁有良好的魯棒性。
參考文獻
[1] 王炳錫，陳琦，鄧峰森.數字水印技術[M].西安：西安電子科技大學出版社，2003.
[2] Chen Yongqiang， Zhang Yanqing， Peng Lihua. A DWT domain image watermarking scheme using genetic algorithm and synergetic neural network[J]. Second International Eymposium on Information Processing（ISIP2009），2009：298-301.
[3] LIN C H， CHAN D Y， SU H， et al. Histogram-oriented watermarking algorithm： colour image watermarking scheme robust against geometric attacks and signal processing[C]. IEEE Proc.-Vis. Image Signal Process， August 2006，483-492.
[4] TSAI H H， CHENG J S. Adaptive signal-dependent audio watermarking based on human auditory system and neural networks[J]. Applied Intelligence， 2005，23（2）：191-206.
[5] BERGER T， TODOROV T. Improving the watermarking process with usage of block error-correcting codes[J]. Serdica J， Computing 2008（2）： 163-180.