- 相關(guān)推薦
探討B(tài)P神經(jīng)網(wǎng)絡(luò)的圖像Hash算法
1 引言
隨著計(jì)算機(jī)和因特網(wǎng)的飛速發(fā)展，數(shù)字多媒體越來越多地走進(jìn)人們的生活，它給人們帶來了方便，帶來了快捷。而與此同時，這也為盜版者能以低廉的成本復(fù)制及傳播未經(jīng)授權(quán)的數(shù)字產(chǎn)品內(nèi)容提供了機(jī)會，使信息的版權(quán)，保密等問題變的尤為突出。因此如何對多媒體數(shù)據(jù)的真實(shí)性和完整性進(jìn)行認(rèn)證就成為一個亟待解決的問題。
用傳統(tǒng)密碼學(xué)產(chǎn)生的Hash（哈希）對原始數(shù)據(jù)的每一個比特都非常敏感,改動一個比特也會因使Hash 發(fā)生劇烈變化而使其無法通過認(rèn)證[1]。所以傳統(tǒng)的Hash 函數(shù)并不適用于可感知的媒體數(shù)據(jù)，因此需要一種新的基于圖像內(nèi)容認(rèn)證的感知Hash 算法。
近年來圖像Hash 引起了廣泛的關(guān)注，并提出了一系列有效的技術(shù)方案，可以粗略的分為四大類[2]：基于圖像統(tǒng)計(jì)學(xué)特性的方法、基于圖像關(guān)系的方法、基于原始圖像特征表述的方法、基于低層圖像特征提取的方法。Venkatesan[3]等將圖像小波分解的不同子帶的統(tǒng)計(jì)向量作為特征，他們認(rèn)為小波分解的DC 子帶的均值和細(xì)節(jié)子帶的方差具有基于內(nèi)容的不變性。于是他們在圖像小波域中用互不重疊的矩陣進(jìn)行偽隨機(jī)分割，取低頻子帶各矩陣區(qū)域系數(shù)的平均值和高頻子帶矩陣區(qū)中系數(shù)的方差為特征值，量化后輸入Reed-Muller 解碼器產(chǎn)生中間Hash，再由線性編碼得到最終Hash 值。雖然小波系數(shù)統(tǒng)計(jì)特性比較魯棒，卻不能很好的反映圖像內(nèi)容，特別是惡意產(chǎn)生的內(nèi)容，因此抵抗攻擊的能力有限。Fridrich[4]等用關(guān)鍵相賴隨機(jī)模式的DCT 系數(shù)的預(yù)測來創(chuàng)造數(shù)字圖像的Hash 摘要。這種Hash 提取方法對于JPEG壓縮，噪聲疊加，一般的線性銳化和濾波攻擊是魯棒的，但該方法不能抵抗幾何攻擊，例如平移、旋轉(zhuǎn)和尺度變換。Mihcak[5]等發(fā)展了另一種圖像Hash 算法，他們用迭代的方法對3級haar 小波分解的DC 子帶進(jìn)行二值化，從而得到圖像的特征，其中包括圖像的粗略特征，然后用閾值得到Hash 函數(shù)。該方法具有對一般灰度圖像操作的不變性。本文提出了一種基于BP 神經(jīng)網(wǎng)絡(luò)的Hash 方法，經(jīng)過BP 網(wǎng)絡(luò)的訓(xùn)練來產(chǎn)生Hash 值序列。
2 基于BP 神經(jīng)網(wǎng)絡(luò)的圖像Hash 方法
2.1 BP 神經(jīng)網(wǎng)絡(luò)
BP 神經(jīng)網(wǎng)絡(luò)又稱為反向傳播神經(jīng)網(wǎng)絡(luò)，由信息的正向傳播和誤差的反向傳播兩個過程組成。輸入層各神經(jīng)元負(fù)責(zé)接收來自外界的輸入信息，并傳遞給中間層各神經(jīng)元；中間層是內(nèi)部信息處理層，負(fù)責(zé)信息變換，根據(jù)信息變化能力的需求，中間層可以設(shè)計(jì)為單隱層或者多隱層結(jié)構(gòu)；最后一個隱層傳遞到輸出層各神經(jīng)元的信息，經(jīng)進(jìn)一步處理后，完成一次學(xué)習(xí)的正向傳播處理過程，由輸出層向外界輸出信息處理結(jié)果。當(dāng)實(shí)際輸出與期望輸出不符時，進(jìn)入誤差的反向傳播階段。誤差通過輸出層，按誤差梯度下降的方式修正各層權(quán)值，并向隱層、輸入層逐層反傳。周而復(fù)始的信息正向傳播和誤差反向傳播過程，是各層權(quán)值不斷調(diào)整的過程，也是神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)訓(xùn)練的過程，此過程一直進(jìn)行到網(wǎng)絡(luò)輸出的誤差減少到可以接受的程度，或者預(yù)先設(shè)定的學(xué)習(xí)次數(shù)為止。其模型所示。
2.2 Hash 的產(chǎn)生步驟
Hash 值的產(chǎn)生過程分為如下幾步：
(1)構(gòu)建像素函數(shù)[6]：假定像素函數(shù)為p(i)，定義p(i)的公式如下：
p(i) = i-1-255× floor(i / 255) (1)
其中1 ≤ i ≤ N , floor()是取實(shí)數(shù)的整數(shù)部分的函數(shù)。
(2)歸一化：設(shè)灰度圖像大小為N×N 的像素矩陣為t ，分別將矩陣p 和t 進(jìn)行歸一化，產(chǎn)生新的矩陣P 和T 。
(3)創(chuàng)建并訓(xùn)練BP 神經(jīng)網(wǎng)絡(luò)：以矩陣T 為輸入層，矩陣P 為輸出層來組建BP 神經(jīng)網(wǎng)絡(luò)。
由于輸入的樣本是整幅圖像的數(shù)據(jù)，而輸出的樣本是一個一維的序列，因此輸入和輸出的模式相對不同，數(shù)據(jù)相關(guān)性相差較大，這時就需要在輸入層和輸出層之間加入中間層——隱層，形成數(shù)據(jù)之間的中間轉(zhuǎn)換，由于處理數(shù)據(jù)信號的能力是隨著層數(shù)的增加而增加的，但是過多的隱層又會造成訓(xùn)練時間的急劇增加， 故在本文的情況下設(shè)定2 個隱層來完成BP 神經(jīng)網(wǎng)絡(luò)的訓(xùn)練。除此之外，在本文中采用第一個隱層3 個神經(jīng)元，該層的傳遞函數(shù)采用正切S型傳遞函數(shù)；第二個隱層一個神經(jīng)元，該層的傳遞函數(shù)采用對數(shù)S 型傳遞函數(shù)。整個神經(jīng)網(wǎng)絡(luò)的訓(xùn)練函數(shù)使用了貝葉斯正則化函數(shù)，并設(shè)置了目標(biāo)值0.01 和迭代次數(shù)1000 次，其結(jié)構(gòu)所示。
2.3 內(nèi)容認(rèn)證
按照上述步驟計(jì)算待檢測圖像的Hash 序列，比較原始圖像與待檢測圖像的Hash 序列來認(rèn)證圖像內(nèi)容的真實(shí)性。
其中L 為Hash 序列的長度。本文采用以上的公式來計(jì)算Hash 值序列的距離。值越大說明兩個序列相差越大，圖像的差異也越大。
3 實(shí)驗(yàn)仿真
本文是在 Matlab7.0 平臺下對算法進(jìn)行了大量的仿真實(shí)驗(yàn)。實(shí)驗(yàn)選用大小為256×256 的標(biāo)準(zhǔn)Lena、Baboon 和Boats 灰度圖像作為輸入圖像。在BP 神經(jīng)網(wǎng)絡(luò)中選取σ 為0.01，訓(xùn)練次數(shù)為1000。
3.1 魯棒性分析
分別是算法在高斯噪聲、剪切、JPEG 壓縮和中值濾波操作下的性能。從圖中可以看出，算法能較好的抵抗高斯噪聲、JPEG 壓縮、剪切和中值濾波。中是設(shè)定高斯噪聲的均值為0，在不同的方差的情況下比較算法的性能，可以看出大部分的Hash 值序列距離是在0.30 以下。中是在不同的JPEG 壓縮質(zhì)量因子下對算法進(jìn)行的比較，可以看出所有的Hash 值序列距離都在0.30 以下，故算法對JPEG 壓縮的魯棒性很好。中的橫坐標(biāo)為圖像的剪切百分比，在仿真的過程是將圖像的左上角要剪切的部分像素值設(shè)為0，由于剪切也是對圖像的一種損壞，所以隨著剪切百分比的增加，圖像Hash 值的距離也隨著增加。是對圖像進(jìn)行中值濾波，在模板大小未超過3 時，算法的魯棒性較好。
3.2 脆弱性分析
算法中通過計(jì)算Lena，Cameraman、Baboon 和Boats 之間的Hash 值距離來分析算法的脆弱性，不同圖像之間的標(biāo)準(zhǔn)漢明距離越大，算法脆弱性越高。從表1 可以看出不同圖像之間的Hash 距離基本上都在0.30 以上，具有較好的脆弱性。
4 結(jié)論
本文是在 BP 神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上提出的一種新的感知圖像Hash 算法，打破了傳統(tǒng)的只是使用直方圖變換、DCT 以及DWT 來產(chǎn)生Hash 的方法。實(shí)驗(yàn)過程并不復(fù)雜，而且算法對高斯噪聲，JPEG 壓縮，中值濾波等操作具有較好的魯棒性，對于不同圖像之間的脆弱性也較好。但是，算法也存在著不足之處，比如對于某些操作的魯棒性并不是很好，在魯棒性和脆弱性間的權(quán)衡還不是很完善。圖像Hash 技術(shù)已廣泛應(yīng)用于圖像認(rèn)證、版權(quán)保護(hù)以及圖像檢索等方面，未來的研究方向包括如何將BP 神經(jīng)網(wǎng)絡(luò)和魯棒性好的特征提取等方法有機(jī)地結(jié)合在一起，使算法更加完美。
中國碩士論文網(wǎng)提供大量免費(fèi)mba碩士論文，如有業(yè)務(wù)需求請咨詢網(wǎng)站客服人員！
參考文獻(xiàn)
[1] V.Monga,A.Banerjee,B.L.Evans,A Clustering Based Approach to Perceptual Image Hashing. IEEETransactions on Information forensics and security,2006,1(1):68-79
[2] V.Monga ,M.K.Mihcak, Robust and Secure Image Hashing via Non-Negative Matrix Factorizations. IEEETransactions on Information Forensics and Security,2007,2(3):376-390
[3] R. Venkatesan, S. M. Koon, M. H. Jakubowski, P. Moulin, Robust image hashing. IEEE Proc. InternationalConference on Image Processing,2000,3(10-13):664 - 666
[4] J. Fridrich ,M. Goljan, Robust Hash functions for Digital Watermarking. IEEE Proc. International Conferenceon Information Technology: Coding and Computing, 2000, (27-29):178-183
[5] M. K. Mihcak, R. Venkatesan, New Iterative Geometric Methods for Robust Perceptual Image Hashing. Proc.of ACM Workshop on Security and Privacy in Dig. Rights Mgmt, PA,2001:289-294
[6] HONG WANG, QIONG SUN.Research on Audio information hiding algorithm Based on BP Neural Network.Proceedings of International Conference on Wavelet Analysis and Pattern Recognition,Beijing,China,2007，(2-4):687-690
【探討B(tài)P神經(jīng)網(wǎng)絡(luò)的圖像Hash算法】相關(guān)文章：
基于BP算法紅外遙感圖像去條帶方法研究03-07
圖像拼接算法及實(shí)現(xiàn)03-03
紅外圖像增強(qiáng)算法研究03-07
圖像效果算法設(shè)計(jì)(一)03-07
基于階梯細(xì)化的圖像放大算法03-07
BP算法在矩陣分析基礎(chǔ)上的改進(jìn)03-07
基于ICA的魯棒圖像水印算法11-22