鲁棒图像多目数字水印技术研究

论文摘要

数字水印是一种保护数字材料版权的方案。自从上个世纪90年代以来，越来越多的人工作在这个充满趣味、挑战和机会的研究领域。在本论文中，引入了LCNN（Lagrange约束神经网络）方法，模仿哺乳动物双眼系统比单眼更清晰的观测过程，以期获得更清晰的数字水印。经典LCNN（CLCNN）效率低，容易碰到“病态”矩阵问题。本文仔细研究了LCNN的学习矩阵的逼近过程，发现了Lagrange约束入与有监督学习目标min（As-X）之间的关系，引入x的逼近加速度替换入病态学习逼近的方案，更彻底地阐述了大脑有监督学习和无监督学习的“你中有我、我中有你”的关系。正是通过对这种并行学习的认识，本文提出了4类自适应LCNN（ALCNN）快速算法，为欠定稀疏分析（m＜n）和超超定（m＞＞n）分析的快速、并行实现，提供了新的思路和解决办法。本文在讨论多种主流数字水印技术（基于小波和基于独立成分）的基础上，自主设计了2种小波域自适应水印嵌入方案，一种是二值鲁棒水印，一种是鲁棒灰度水印。进一步，利用LCNN和双正交的小波基，设计了一个多分辨率子带分解与独立成分分析融合（MSD-ICA）的灰度数字水印嵌入方案，实验表明，对于较高强度的噪声、压缩等攻击，它的提取精度提高到90％以上，这对受环境影响较大的弱图像和弱水印的提取和验证是非常有用的。最后，针对安全中间件技术在电子政务印章系统中的应用项目，本文设计了一个基于双脆弱水印的电子印章公文保护方案，并申请了发明专利。在创新方面，归纳如下：（1）提出了一种根据宿主信号亮度变化自适应调整嵌入参数的灰度水印算法：针对灰度水印，自动调整插入和提取乘法系数。该算法对灰度水印和Cox的乘法、加法嵌入规则是有效的。能抗击水印游戏竞技中的较恶劣噪声、JPEG压缩等攻击。实际上，该算法对于一些背景亮度敏感的图片，效果也不错。相关内容发表在[134]。（2）提出了一种根据二值水印关键点的自适应调整的鲁棒参考水印算法：对著名的鲁棒参考水印算法（RRW）进行分析，针对其对纹理平滑部分的不适应的缺陷，提出了根据二值水印边界的关键点来选择不同长度网格（Grid）的量化指数算法，实验表明在所考虑的情况下该算法优于RRW算法，适应面更广。相关内容已经发表在[135][136]。（3）提出了4种快速、高效的自适应Lagrange约束神经网络（ALCNN）算法：重新认识了Lagrange函数约束项系数入的物理意义——有监督学习的加速度。所设计的4种算法的学习矩阵收敛都是O（n），其中自适应调整λ算法的独立成分求解复杂度也是O（n），使它具有更广阔的应用空间，并奠定了ICA大规模并行处理的基础；其它3种算法的独立成分求解复杂度都是O（n2），可以利用它们学习矩阵收敛的优势，在识别、追踪方面发挥作用。而带检验的ALCNN算法，则充分发挥了无监督学习、有监督学习的融合优势。这些工作经过总结，已递交到“电子科技大学学报”上。（4）设计了基于双脆弱水印的电子印章公文保护算法：将文档Hash值作为水印数据嵌入到电子印章里，加盖到电子文档中，使电子印章与文档相关联，以保护水印-文档的唯一性，具有数字签名性质。电子印章在单独存放时，用单位的标识作为脆弱水印嵌入，以保证印章的完整性。上述工作成果已集成到安全中间件体系架构中，并在“电子政务安全服务平台”项目中获得了应用。相关内容已经申请发明专利。专利申请号：200510021291．3，公开号：1725244。（5）提出了基于LCNN和小波技术嵌入灰度水印到彩色宿主图像的算法。使用LCNN的ICA技术，将灰度水印嵌入到彩色图像中。该方案对弱水印的提取效果较好，在好的不可感知性（高PSNR）的情况下，能获得较好的水印相似性NC。相关内容已经发表在[226][227]。

论文目录

• 中文摘要
• ABSTRACT
• 目录
• 插图和表格列表
• 一、插图列表
• 二、表格列表
• 第一章 绪论
• 1.1 研究背景及意义
• 1.2 国内外研究现状
• 1.2.1 全局与局部攻击
• 1.2.2 鲁棒性—抗攻击的性能指标
• 1.2.3 基于能抗击攻击操作的不变域的方法
• 1.2.4 基于模板插入的同步
• 1.2.5 自同步水印
• 1.2.6 基于图像特征的同步
• 1.2.7 最近的一些新的基础研究
• 1.3 论文主要工作和创新成果
• 1.4 论文章节安排
• 第二章 相关理论与技术
• 2.1 数字水印技术的原理
• 2.1.1 数字水印基本框架
• 2.1.2 数字水印的关键技术
• 2.1.2.1 水印的生成
• 2.1.2.2 水印的嵌入
• 2.1.2.3 水印的提取与检测
• 2.1.2.4 虚警与漏警
• 2.1.3 数字水印的特征
• 2.1.4 数字水印的分类
• 2.1.5 数字水印的应用前景
• 2.1.6 数字水印的典型算法
• 2.1.7 数字水印的性能评估
• 2.1.7.1 水印鲁棒性的评估
• 2.1.7.2 不可感知性评估
• 2.2 小波理论的基础
• 2.2.1 小波理论的数学基础
• 2.2.1.1 函数空间
• 2.2.1.2 基、正交基和双正交基
• 2.2.1.3 框架和紧框架
• 2.2.2 小波变换的基本概念
• 2.2.2.1 FOURIER变换
• 2.2.2.2 GABOR窗口FOURIER变换
• 2.2.2.3 小波变换
• 2.2.3 信号的小波分解与重构
• 2.2.3.1 多分辨率（多尺度）分析
• 2.2.3.2 MALLAT快速小波分解与重构算法
• 2.2.3.3 静态图像（二维）小波变换
• 2.3 传统神经网络技术
• 2.3.1 大脑的学习
• 2.3.3.1 无监督学习和盲源分离
• 2.3.3.2 有监督学习
• 2.3.3.3 思维的创造
• 2.3.2 人工神经网络（ANN）
• 2.3.2.1 ANN的有监督学习历史
• 2.3.2.2 ANN的无监督学习历史
• 2.3.2.3 多分辨率子带分解的独立成分分析（MSD-ICA）
• 2.3.3 BSS/ICA的线性方程基础
• 2.3.3.1 BSS问题的表述
• 2.3.3.2 线性最小二乘解（LS）的基本特性
• 2.3.3.3 ICA与LS的关系
• 2.4 中间件与安全中间件技术
• 2.4.1 中间件技术
• 2.4.2 安全中间件体系架构
• 2.4.3 安全中间件关键技术
• 2.4.3.1 智能安全架构
• 2.5 本章小结
• 第三章 基于关键点信息的鲁棒水印
• 3.1 单目HVS模型
• 3.2 小波域数字水印嵌入原则
• 3.3 小波基的选择
• 3.4 水印嵌入强度的自适应调节
• 3.4.1 嵌入步骤
• 3.4.2 实验结果和讨论
• 3.5 鲁棒的基于关键点的参考水印算法
• 3.5.1 基于量化指数调制的RRW
• 3.5.2 RRW算法的缺陷
• 3.5.3 基于关键点信息的改进
• 3.5.4 水印检测分析
• 3.5.5 测试结果
• 3.6 本章小结
• 第四章 自适应单像素多目ICA技术
• 4.1 小波的缺陷
• 4.2 双目（初级）HVS模型
• 4.3 BSAO方法的问题
• 4.4 像素内独立模型
• 4.5 LCNN的目标函数和结构
• 4.6 LCNN的基本特性
• 4.7 经典LCNN迭代算法（CLASSIC LCNN-CLCNN）
• 4.8 快速LCNN（FLCNN）
• 4.9 自适应LCNN迭代算法（ADAPTIVE LCNN-ALCNN）
• 4.9.1 唯无监督学习
• 4.9.2 带检验的无监督学习
• 4.9.3 有监督/无监督并行学习
• 4.9.4 自适应有监督/无监督并行学习
• 4.10 ALCNN的特性
• 4.11 本章小结
• 第五章 基于MSD-ICA的多目数字水印技术
• 5.1 单目神经网络数字水印
• 5.1.1 经典ICA数字水印方案
• 5.1.2 经典ICA数字水印方案的分析结论
• 5.2 基于MSD-ICA的多目水印技术
• 5.2.1 小波与ICA的融合和水印的嵌入方式
• 5.2.2 一种基于MSD-LCNN的灰度水印嵌入彩色图像的方案
• 5.2.2.1 水印的嵌入
• 5.2.2.2 水印的提取和验证
• 5.2.2.3 测试效果
• 5.3 本章小结
• 第六章 双脆弱图像水印在安全中间件中的应用
• 6.1 嵌入电子印章的防伪标记水印
• 6.2 嵌入文档特征水印
• 6.3 基于脆弱水印的电子印章的验证
• 6.4 本章小结
• 第七章 全文总结及进一步的工作
• 7.1 全文总结
• 7.2 进一步的工作
• 7.2.1 对抗性博弈
• 7.2.2 与智能技术融合
• 7.2.3 与密码学融合
• 7.2.4 盲检测和几何变换不变性
• 参考文献
• 致谢
• 个人简历及读博期间工作与研究成果
• 一、个人简历
• 二、发表的学术论文
• 三、专利成果
• 四、项目鉴定
• 五、读博期间主持的科研项目