学位论文 > 优秀研究生学位论文题录展示

基于小波分析和神经网络的图像数字水印技术研究

作　者: 张蒲临
导　师: 乔宝明
学　校: 西安科技大学
专　业: 应用数学
关键词: 数字水印离散小波变换神经网络离散余弦变换粒子群算法
分类号: O174.22
类　型: 硕士论文
年　份: 2011年
下　载: 124次
引　用: 0次
阅　读: 论文下载

内容摘要

数字水印技术是目前信息安全技术领域的一个新方向,是一种可以在开放的网络环境下保护数字作品版权和认证来源及完整性的新型技术。根据水印的隐藏位置可以把水印算法分为空域算法和变换域算法两大类。空域水印算法与变换域水印算法相比,优点是计算速度比较快,时间复杂度比较低,具有较大的信息隐藏量等特性;缺点是此种算法实现的数字水印比较脆弱,鲁棒性较差。变换域水印算法与空域水印算法相比,优点是在变换域中嵌入的水印信号能量可以分布到空域的所有像素上,有利于提高数字水印的不可见性和鲁棒性;缺点是变换域水印算法一般计算量比较大。小波变换在数字水印技术中的应用主要体现在图像数字水印方面,其基本思想是把图像进行多分辨率分解,生成不同空间和独立频带的子图像,然后利用小波系数的局部特性实现感兴趣区域的水印嵌入。神经网络在数字水印技术中的应用可分为两个方面:一是在水印嵌入时使用神经网络对图像进行分类或产生自适应于图像的水印,其目的是提高水印的嵌入强度和图像的保真度;二是使用神经网络进行水印检测,其目的是提高水印检测的正确率。本文根据小波分析和神经网络的特点,提出了一种基于小波包变换及Hopfield网络的变换域水印算法。本文主要工作有:(1)对小波分析、人工神经网络和数字水印的基本理论做了简单阐述,深入研究了三种数字水印算法。(2)提出了一种基于小波包变换及Hopfield网络的水印算法。该水印算法利用小波包变换,选择中低频嵌入水印信息,实现了特定频带的水印嵌入,以此来抵抗滤波攻击;利用离散余弦变换使子图像能量更加集中,以此来有效抵抗旋转攻击;利用Hopfield神经网络进行了水印的检测,不仅提高了水印检测的正确率,而且增强了水印的提取效果。实验结果表明该算法能较好的抵抗裁剪攻击、压缩攻击;能抵抗一定量的噪声攻击和缩放攻击;对于滤波攻击和旋转攻击具有较强的鲁棒性。(3)本文对提出的水印算法和其它三种水印算法进行了六种水印攻击实验。实验结果表明本文提出的水印算法在抗压缩攻击、噪声攻击、滤波攻击、旋转攻击中,效果优于其它三种水印算法。(4)本文尝试对提出的水印算法用粒子群算法优化水印嵌入强度参数。在实验中发现该方法只能对具体问题的具体环节中的参数进行优化,并且优化的参数不具有通用性。今后可在嵌入强度参数优化方面做进一步的研究。

全文目录

摘要  2-4
ABSTRACT  4-9
1 绪论  9-13
  1.1 数字水印的研究背景及意义  9-10
  1.2 数字水印技术的发展现状  10-12
  1.3 论文的章节安排  12-13
2 数字水印的基本理论及其应用  13-20
  2.1 数字水印的基本概念  13
  2.2 数字水印的特征  13-14
  2.3 数字水印的分类  14
  2.4 数字水印的主要应用  14-15
  2.5 数字水印的基本模型  15-16
  2.6 数字水印的典型算法  16-18
    2.6.1 空间域算法  16-17
    2.6.2 变换域算法  17-18
  2.7 数字水印的常见攻击方法  18-19
  2.8 数字水印性能的评估方法  19
  2.9 本章小结  19-20
3 小波变换理论及其在数字水印技术中的应用  20-29
  3.1 小波变换的基本概念  20-22
    3.1.1 小波变换的发展历程  20-21
    3.1.2 小波变换的定义  21-22
  3.2 离散小波变换  22-23
  3.3 多分辨分析  23-26
  3.4 Mallat 算法  26
  3.5 二维小波变换与二维多分辨分析  26-27
  3.6 小波包变换理论  27
  3.7 小波变换在数字水印技术中的应用  27-28
  3.8 本章小结  28-29
4 神经网络基本理论及其在数字水印技术中的应用  29-43
  4.1 人工神经网络基本概念  29-37
    4.1.1 生物神经元的结构与功能特点  29-30
    4.1.2 人工神经元模型  30-32
    4.1.3 人工神经网络模型  32-33
    4.1.4 神经网络的特点  33-34
    4.1.5 神经网络的学习方式  34-35
    4.1.6 神经网络的学习规则  35-37
  4.2 常用人工神经网络模型  37-42
    4.2.1 BP 神经网络  37-40
    4.2.2 离散Hopfield 网络  40-42
  4.3 神经网络在数字水印技术中的应用  42
  4.4 本章小结  42-43
5 目前常见的数字水印算法  43-70
  5.1 基于DCT 变换的水印算法  43-51
    5.1.1 水印嵌入的算法步骤  43
    5.1.2 水印信号的嵌入框图  43
    5.1.3 水印提取的算法步骤  43-44
    5.1.4 水印信号的提取框图  44
    5.1.5 算法实验  44-45
    5.1.6 水印的攻击检测  45-51
  5.2 基于DWT 变换的水印算法  51-59
    5.2.1 水印嵌入的算法步骤  51
    5.2.2 水印信号的嵌入框图  51
    5.2.3 水印提取的算法步骤  51-52
    5.2.4 水印信号的提取框图  52
    5.2.5 算法实验  52-53
    5.2.6 水印的攻击检测  53-59
  5.3 基于DWT 与BP 神经网络的数字水印算法  59-69
    5.3.1 水印的嵌入算法步骤  59-62
    5.3.2 水印信号的嵌入框图  62
    5.3.3 水印的提取算法步骤  62-63
    5.3.4 水印信号的提取框图  63
    5.3.5 算法实验  63-64
    5.3.6 水印的攻击检测  64-69
  5.4 本章小结  69-70
6 基于小波包变换及Hopfield 网络的数字水印算法  70-82
  6.1 基本数学理论  70-71
    6.1.1 二维离散傅里叶变换  70-71
    6.1.2 二维离散傅里叶变换的旋转不变性  71
    6.1.3 二维离散余弦变换  71
  6.2 水印的嵌入算法  71-74
    6.2.1 水印的嵌入算法步骤  71-73
    6.2.2 水印信号的嵌入框图  73-74
  6.3 水印的提取算法  74-75
    6.3.1 水印的提取算法步骤  74
    6.3.2 水印信号的提取框图  74-75
  6.4 算法实验  75-76
  6.5 水印的攻击检测  76-81
    6.5.1 压缩攻击实验  76-77
    6.5.2 噪声攻击实验  77-78
    6.5.3 滤波攻击实验  78-79
    6.5.4 旋转攻击实验  79-80
    6.5.5 缩放攻击实验  80
    6.5.6 剪切攻击实验  80-81
  6.6 本章小结  81-82
7 实验结果对比分析与参数优化  82-91
  7.1 实验结果对比分析  82-87
    7.1.1 压缩攻击实验结果对比分析  82-83
    7.1.2 噪声攻击实验结果对比分析  83
    7.1.3 滤波攻击实验结果对比分析  83-84
    7.1.4 旋转攻击实验结果对比分析  84-85
    7.1.5 缩放攻击实验结果对比分析  85
    7.1.6 剪切攻击实验结果对比分析  85-87
  7.2 嵌入强度参数优化  87-90
    7.2.1 利用标准粒子群算法优化参数  87-89
    7.2.2 实验结果  89-90
  7.3 本章小结  90-91
8 结论  91-93
  8.1 总结  91-92
  8.2 展望  92-93
致谢  93-94
参考文献  94-97

基于小波分析和神经网络的图像数字水印技术研究

内容摘要

全文目录

相似论文