基于遺傳優化的自然語言文本數字水印方法

保海軍

(青海民族大學 計算機學院，青海 西寧 810007)

隨著圖像加密技術的發展，采用數字水印技術實現自然語言文本數字水印加密，提高圖像加密的可靠性和穩定性，在進行自然語言文本數字水印加密過程中，受到自然語言文本數字水印分辨參數及像素參數的混沌性影響，導致自然語言文本數字水印加密的可靠性不高，需要結合對自然語言文本數字水印圖像的邊緣輪廓分析，建立自然語言文本數字水印圖像編碼模型，提高自然語言文本數字水印檢測和加密能力，相關的自然語言文本數字水印加密算法設計研究受到人們的極大關注[1]。

在進行自然語言文本數字水印加密過程中，結合對圖像的加密密鑰參數分析，采用圖模型參數識別，實現自然語言文本數字水印加密和輸出特征分析，傳統方法中，對自然語言文本數字水印加密的方法主要有基于顏色參數分析的自然語言文本數字水印圖像加密方法、基于混沌序列重構的自然語言文本數字水印圖像加密方法等[2-4]，文獻[5]中提出基于超混沌密鑰控制的自然語言文本數字水印加密方法，通過對圖像水印量化特征編碼，實現自然語言文本數字水印加密，但該方法進行自然語言文本數字水印加密的特征辨識度不高，密鑰置亂性不好。文獻[6]中提出基于分布式結構重組的自然語言文本數字水印加密方法，采用多通道的圖像濾波分析，實現自然語言文本數字水印的混沌加密，但該方法的計算開銷較大。

針對上述問題，本文提出基于遺傳優化的自然語言文本數字水印加密方法。首先采用多尺度的遺傳進化算法實現自然語言文本數字水印的邊緣特征檢測，然后通過先驗知識特征分解結果，實現對自然語言文本數字水印的密鑰構造和圖像融合處理，根據對自然語言文本數字水印圖像的融合結果，最后采用遺傳進化迭代的方法，對自然語言文本數字信息融合和水印特征點定位，實現數字水印設計，并通過仿真測試得出有效性結論。

1 自然語言文本數字水印向量量化和預處理

1.1 自然語言文本數字水印向量量化處理

為了實現基于遺傳優化的自然語言文本數字水印加密設計，采用非線性向量量化編碼方法進行自然語言文本數字水印圖像分組檢測，結合改進神經網絡和遺傳進化方法，建立自然語言文本數字水印的混沌檢測模型，構建自然語言文本數字水印圖像分組檢測像素樣本序列加密的密鑰信息，采用隨機線性組合控制，使用Feistel結構加密，構建自然語言文本數字水印的向量量化分解模型，得到自然語言文本數字水印加密的向量量化模型[7]，實現結構圖如圖1所示。

圖1 自然語言文本數字水印向量量化實現結構圖

根據圖1所示的自然語言文本數字水印向量量化結構模型，采用RGB分解方法，獲得自然語言文本數字水印的邊緣特征信息，根據自然語言文本數字水印圖像的字典集分布[8]，得到自然語言文本數字水印的灰度字典量化分布模型如式(1)所示。

(1)

其中，ctr為二維到三維特征的轉換參數，cz為Z軸的向量量化參數，cy為Y軸的向量量化參數，{cz-cy}為自然語言文本數字水印字典集相似度特征量，構造特征圖信息融合參數模型，通過Image2Mesh和 RNN特征融合，構建自然語言文本數字水印加密的遺傳進化尋優模型，描述如式(2)、式(3)、式(4)所示。

(2)

(3)

(4)

1.2 自然語言文本數字水印分割

結合對自然語言文本數字水印圖像加密區域的邊緣信息特征分解結果，采用自適應的遺傳進化控制算法[9]，得到自然語言文本數字水印空間區域映射如式(5)所示。

ORz=δ{jv(e,k)+|w(k,l)|}

(5)

其中δ取值如式(6)所示。

(6)

圖像的多維特征融合如式(7)所示。

(7)

式(6)、式(7)中，δ為自然語言文本數字水印加速深層進化的隨機相位矩陣，jv(e,k)為二維圖像所包含的邊緣像素集，w(k,l)為自然語言文本語義參數，p(i,o)為特征圖通過邊緣參數，g(t,f)為圖像的多維特征融合參數，h(e,s)為圖像紋理分布集，采用圖卷積網絡分析，構建自然語言文本數字水印字典參數分析模型，得到自然語言文本數字水印Image2Mesh和 RNN紋理分布集如式(8)所示。

(8)

式(8)中，jk為自然語言文本數字水印的關聯分布特征分量，jbf為自然語言文本數字水印的模糊度檢測系數，ck為圖像的淺層特征嵌入維數，c為多維多視角嵌入維數，k為檢測統計分量，以像素點j為中心進行自然語言文本數字水印特征分割，提高自然語言文本數字水印檢測和識別能力[10]。

2 自然語言文本數字水印加密優化

2.1 自然語言文本數字水印密鑰控制

通過先驗知識特征分解結果，構建對自然語言文本數字水印的密鑰構造和圖像融合處理模型，自然語言文本數字水印圖像混沌加密的的密鑰分布序列為A=1,2,…,n，表示自然語言文本數字水印圖像混沌加密的差異度，AD表示Image2Mesh_rnn，D≠0，自然語言文本數字水印加密的光流場分布如式(9)所示。

s(k)=AD{c(m)+c(n)+c(mn)}

(9)

式(9)中，c(m)為聯合分布特征序列，c(mn)為初始特征分量，c(n)為自然語言文本語義特征分量，選擇直方圖模板匹配方法，得到自然語言文本數字水印圖像的混沌映射編碼序列分布式如式(10)所示。

(10)

定義：

(11)

式(10)、式(11)中，j(k,l)為混沌映射編碼序列分布圖的模糊度函數，j(i,p)是自然語言文本數字水印的增強系數，采用空間區域模型動態切換的方法[11]，提取自然語言文本數字水印的模糊度，得到自然語言文本數字水印的二維編碼輸出如式(12)所示。

(12)

式(12)中，i(o)為每個卷積層的像素，T為邊緣尺度，t(o)為自相似度特征量，t(x)為邊緣補零參數，根據5×5卷積核的特征分析方法，得到自然語言文本數字水印的整流單元如式(13)所示。

(13)

式(13)中，ed(h)為自然語言文本數字水印圖像的目標直方圖重建系數，cd(h)為自然語言文本數字水印圖像分布的光流場幅度圖。根據上述分析，建立自然語言文本數字水印圖像加密區域的匹配特征量，通過先驗知識特征分解，實現水印的密鑰控制[12]。

2.2 自然語言文本數字水印圖像加密輸出

采用低秩學習和模糊度檢測的方法，構建自然語言文本數字水印的濾波模型，得到自然語言文本數字水印的稀疏特征點用f(y,z)描述，得到自然語言文本數字水印的模板函數fl(y,z)如式(14)所示。

(14)

式(14)中，f表示出區域層級的特征圖，(n,d)為相似度坐標分布，采用冗余信息的濾波和遺傳優化算法，得到自然語言文本數字水印的分組樣本加權模型如式(15)所示。

(15)

式(15)中，wcr為線性加權控制系數，wtr為邊緣分布閾值，當wcr=|1-wtr|，生成更密集的特征圖，采用匹配濾波和遺傳變異算法，得到自然語言文本數字水印的深層的特征信息逐級加權分布如式(16)、式(17)所示。

End=|ak+bk|

(16)

(17)

式(16)、式(17)中，ak、bk代表自然語言文本數字圖像融合和濾波系數，若xve為原始自然語言文本數字水印圖像紋理線性分布序列，afg、bfg分別為自然語言文本數字水印圖像特征融合系數。采用遺傳進化迭代的方法生成自然語言文本數字水印如式(18)所示。

(18)

綜合上述，自然語言文本數字水印圖像加密實現流程如圖2所示。

圖2 自然語言文本數字水印圖像加密實現流程

3 實驗測試

為了驗證本文方法在實現自然語言文本數字水印圖像加密的性能，采用Matlab進行在測試，設定水印圖像樣本數為240，相關參數設定見表1。

表1 自然語言文本數字水印加密參數設定

根據上述表1參數設定，構建自然語言文本數字水印圖像加密模型，待加密的自然語言文本數字水印圖像如圖3所示。

圖3 待加密的自然語言文本數字水印

以圖3的待加密的自然語言文本數字水印為研究對象，實現水印融合，如圖4所示。

圖4 水印融合處理

根據對自然語言文本數字水印圖像的融合結果，采用遺傳進化迭代的方法，實現對自然語言文本數字信息融合加密，得到加密輸出如圖5所示。

(a)R分量

(b)G分量

(c)B分量圖5 自然語言文本數字水印輸出

測試加密性能，得到對比結果如圖5所示。分析圖6得知，本文方法對自然語言文本數字水印處理的輸出峰值信噪比較高。

圖6 自然語言文本數字水印處理的輸出峰值信噪比

結語

結合對自然語言文本數字水印圖像的邊緣輪廓分析，建立自然語言文本數字水印圖像編碼模型，提高自然語言文本數字水印檢測和加密能力，本文提出基于遺傳優化的自然語言文本數字水印加密方法。構建自然語言文本數字水印圖像分組檢測像素樣本序列加密的密鑰信息，采用隨機線性組合控制，使用Feistel結構加密，構建自然語言文本數字水印的向量量化分解模型，通過先驗知識特征分解，實現水印的密鑰控制。分析得知，本文方法對自然語言文本數字水印加密的性能較好，峰值信噪比較高。