基于神经网络彩色图像盲水印研究及应用

论文摘要

随着数字多媒体技术和因特网的快速飞跃发展,信息尤其是多媒体数字信息的传播交流达到了一个空前的强度和广度。数字多媒体信息便利传播处理的同时,也给数字媒体作品的版权带来了严重威胁。比如,数字媒体作品的所有权被侵犯;数字作品的被篡改而盗版等等。因此,如何充分利用网络的便利性的条件,又能够更好地保护数字多媒体的版权,引起了研究者的广泛关注。数字水印技术就是为了有效解决这个矛盾而产生的。在目前全世界范围内的版权保护技术中,数字水印技术扮演着相当重要的角色,具有一定社会经济效益,值得深入探索和研究。本文主要针对彩色图像水印,在前人的研究基础上做了以下工作:1、设计了一种基于Chebyshev基函数神经网络和Zernike矩不变特性的空域盲数字水印算法。为了使该算法具有几何不变性,在嵌入水印时,结合Zernike不变矩的特性,将水印嵌入在原始载体图像的不变域中。为了实现水印盲提取,在嵌入水印时,对嵌入水印进行Chebyshev基函数神经网络建模,并依据所建立的神经网络估计嵌入的水印。为了使该算法具有空间自适应性,在嵌入水印时,依据PSNR对嵌入强度α自动进行修改。实验结果表明该算法比传统的空域水印算法具有更好的鲁棒性,能够抵抗常见的噪声、JPEG压缩、滤波、几何变换、图像剪切等攻击,以及具有良好的不可见性。2、提出了一种基于Legendre基函数神经网络和Zernike矩的Contourlet变换域的彩色图像盲水印算法。为了使该算法具有几何不变性,引入了Zernike不变矩,将水印嵌入在原始载体图像的不变域的Contourlet变换域中。为了实现水印的盲提取,引入了Legendre基函数神经网络建模,对嵌入的水印进行估计,从而实现了水印的盲提取。并且,该算法同样依据PSNR对嵌入强度α,进行自动调节。实验结果表明该算法对常见的噪声、JPEG压缩、滤波、几何变换、图像剪切等攻击具有较强鲁棒性,以及具有良好的透明性。3、介绍了数字水印技术在数字水彩画作品版权保护中的应用。运用VC开发工具结合数字水彩画的特点,开发了一种基于混沌控制和Chebyshev基函数神经网络异步加密和NVF的数字水彩画的图像数字水印检测系统。该系统能够有效地在数字水彩画图像中嵌入作者和日期的标志信息,并能对这些标志性的信息进行检测,实现了数字水彩画的版权保护。该数字水印检测系统具有实现简单方便、运行稳定以及良好的鲁棒性(能够抵抗剪切、旋转、染色、JPEG压缩等攻击)。

论文目录

• 摘要
• ABSTRACT
• 第一章 绪论
• 1.1 论文课题的背景和意义
• 1.1.1 数字水印的背景及其产生
• 1.1.2 彩色图像数字水印
• 1.2 国内外的研究现状
• 1.2.1 数字水印技术研究进展
• 1.2.2 鲁棒性彩色图像数字水印算法研究现状
• 1.2.3 基于神经网络的数字水印算法研究进展
• 1.3 本文的工作
• 第二章 图像数字水印的基本理论
• 2.1 数字水印的概念与特性
• 2.1.1 数字水印技术的概念
• 2.1.2 数字水印技术的特性
• 2.2 数字水印的基本框架
• 2.2.1 水印信号嵌入框架
• 2.2.2 水印信号提取框架
• 2.3 数字水印的各种攻击方法和对策
• 2.3.1 几何攻击
• 2.3.2 JPEG 压缩攻击
• 2.3.3 加噪声攻击
• 2.4 数字水印性能评估
• 2.4.1 峰值信噪比
• 2.4.2 相关系数
• 2.5 DCT、小波变换、Contourlet 变换
• 2.5.1 DCT 变换
• 2.5.2 小波变换
• 2.5.3 Contourlet 变换
• 2.6 本章小结
• 第三章 基函数神经网络和图像不变矩
• 3.1 神经网络概述
• 3.2 基函数神经网络的模型
• 3.2.1 Chebyshev 多项式逼近理论
• 3.2.2 Legendre 多项式逼近理论
• 3.2.3 单个输入与输出的神经网络模型
• 3.2.4 多个输入与单个输出的神经网络模型
• 3.3 图像的几何不变矩
• 3.3.1 图像几何不变矩的定义
• 3.3.2 Hu 的七种几何不变矩
• 3.4 Zernike 不变矩
• 3.4.1 Zernike 不变矩的定义
• 3.4.2 数字图像的Zernike 不变矩
• 3.5 本章小结
• 第四章 基于Chebyshev 和Zernike 的空域彩色水印算法
• 4.1 引言
• 4.2 RGB 分量特点分析
• 4.3 人类视觉系统（Human Visual System）
• 4.4 水印图像Logistic 混沌
• 4.5 Chebyshev 基函数神经网络实现
• 4.6 水印算法设计与实现
• 4.6.1 自适应水印嵌入强度元素α
• 4.6.2 水印嵌入
• 4.6.3 水印提取
• 4.7 实验结果与分析
• 4.8 结论
• 4.9 本章小结
• 第五章 基于Legendre 和Zernike 的Contourlet 变域彩色水印算法
• 5.1 引言
• 5.2 Contourlet 变换
• 5.3 Legendre 基函数神经网络
• 5.4 水印算法设计与实现
• 5.4.1 水印嵌入
• 5.4.2 水印提取
• 5.5 实验结果与分析
• 5.6 结论
• 5.7 本章小结
• 第六章 数字水印在数字水彩画版权保护中的应用
• 6.1 引言
• 6.2 混沌异步加密与解密算法
• 6.3 NVF 感知模型
• 6.4 水印的嵌入和提取
• 6.4.1 水印嵌入
• 6.4.2 水印提取
• 6.5 系统运行效果展示
• 6.6 系统测试结果
• 6.7 本章小结
• 第七章 总结和展望
• 7.1 工作总结
• 7.2 今后的工作及研究展望
• 参考文献
• 致谢
• 攻读学位期间的研究成果