隨著網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)的發(fā)展,以數(shù)字信息" title="數(shù)字信息">數(shù)字信息為載體的各種社會行為(電子商務(wù)、電子政務(wù)和電子出版業(yè)務(wù)等)獲得了廣泛發(fā)展。數(shù)字水印技術(shù)作為數(shù)字信息的保護(hù)手段正成為信息安全領(lǐng)域的一個新的研究熱點(diǎn)^[1]。然而，由于數(shù)字水印載體在使用過程中受到諸如惡意篡改、網(wǎng)絡(luò)噪聲等影響,使數(shù)字水印的認(rèn)證權(quán)威受到很大的質(zhì)疑，如何找到一種安全、可靠的數(shù)字水印檢測方法是人們急需解決的問題。
　　目前，水印檢測主要是相關(guān)性檢測^[2]，其檢測門限與具體的水印算法、載體和水印有關(guān)。本文針對這種弊端，提出了一種新的基于協(xié)同學(xué)理論的數(shù)字水印檢測算法。該算法利用協(xié)同學(xué)理論研究受損水印的空間結(jié)構(gòu)、時間結(jié)構(gòu)上的變異，能復(fù)現(xiàn)水印在破壞過程中的宏觀有序，為水印檢測技術(shù)提供了一種有意義的方法。
1 協(xié)同學(xué)^[3]檢測的基本原理
　　協(xié)同學(xué)是由德國科學(xué)家Haken提出并發(fā)展成為跨學(xué)科的模式識別研究領(lǐng)域。水印的檢測過程也可以看成水印模式識別的過程，通過將水印基本特征構(gòu)造序參量，將它代入由非線性動力學(xué)方程構(gòu)造的協(xié)同神經(jīng)網(wǎng)絡(luò)中進(jìn)行演化，能找出原水印的空間結(jié)構(gòu)，從而檢測出載體圖像中的水印。
1.1 非線性動力學(xué)演化過程
　　協(xié)同學(xué)構(gòu)造的非線性動力學(xué)演化方程是用來描述水印的演化過程。假設(shè)原型水印模式個數(shù)為M，水印模式向量維數(shù)為N(M＜N)，則水印的演化方程為：

　　λ_k(λ_k＞0)為注意參數(shù)，q為待識別的水印模式向量，F(xiàn)(t)為漲落力。
1.2 水印序參量的計(jì)算
　　水印序參量是反映試驗(yàn)水印模式與各個原型水印模式之間的匹配程度，是本算法的演化因子。其構(gòu)造方法如下：
　　將試驗(yàn)水印模式向量q分解為原型水印模式向量vk和剩余向量w：

　　在演化過程中，序參量ξ_k代表了各個原型水印模式間相互競爭，獲勝的序參量即為被識別的原型水印模式。
1.3 協(xié)同演化模型
　　將上述方法得到的序參量ξ_k代入式(1)就得到只有一個全局穩(wěn)定點(diǎn)、且無偽狀態(tài)的向前競爭的協(xié)同演化動力學(xué)方程組，如式(6)、(7)、(8)，其中γ為迭代步長。用迭代法表示序參量和狀態(tài)向量演化過程，存在兩種情況：(1)最后序參量ξ_kj=±1,而其余ξ_kj′=0(j≠j′)，這時序參量為1的原型水印模式即為競爭中的試驗(yàn)水印模式；(2)如果最后所有的序參量ξ_k都為0，則試驗(yàn)水印模式不是原型水印模式集中的任何一個，協(xié)同神經(jīng)網(wǎng)絡(luò)演化模型如圖1。

　　
2 實(shí)驗(yàn)結(jié)果及分析
　　在實(shí)驗(yàn)中，采用512×512的256灰度級的lena圖像(圖2)為載體圖像。水印模式庫(圖3)為64×64的256灰度級的人臉圖像(實(shí)驗(yàn)以50個為例)，選擇其中任何一個水印為試驗(yàn)水印。為增強(qiáng)協(xié)同檢測水印的可靠性，采用如下方法：(1)水印的預(yù)處理，嵌入的水印分為加密和不加密兩種；(2)在不同的域之間嵌入水印，本實(shí)驗(yàn)分別在空域^[4]、變換域^[5]內(nèi)嵌入和檢測水印；(3)多種不同的圖像退化處理方法，這些方法包括加噪、灰度拉伸、灰度均衡、線性變換、圖像平滑、低通濾波、中值濾波、JPEG壓縮、剪切等退化處理。以上水印的嵌入、攻擊和檢測試驗(yàn)均在Matlab 6.5軟件環(huán)境下進(jìn)行仿真。演化方程組(式(6)、(7)、(8))中B、C、λ取值為1，步長采取0.1/D，最大迭代步數(shù)300步。相似度NC和峰值信噪比PSNR作為評價試驗(yàn)結(jié)果的性能指標(biāo)。

2.1 協(xié)同水印檢測算法" title="協(xié)同水印檢測算法">協(xié)同水印檢測算法適用范圍
　　分析協(xié)同演化對攻擊后水印的檢測能力。實(shí)驗(yàn)結(jié)果分別如圖4和表1所示。圖4為典型的水印檢測圖，其中圖4(a)表示原載體圖像里沒有水印，這時候會出現(xiàn)兩種情況：(1)所有的序參量都變?yōu)?；(2)有一個序參量最終趨向于－1，其余的趨向于0。圖4(b)表明載體圖像受到退化處理后典型的水印檢測演化曲線，最終趨向1的序參量對應(yīng)的原型水印模式即為載體嵌入的水印。表1表明載體圖像受各種退化處理時該算法的檢測能力。從表1中可以看出，退化處理后的水印受到很大程度的破壞(人眼已不可識別水印信息)，依靠傳統(tǒng)的方法已不能檢測出水印的存在，本文提出的算法仍然可以從雜亂的信息中提取有效的信息，檢測出原型水印。

2.2 協(xié)同水印檢測算法對水印的恢復(fù)能力
　　對宿主圖像加入不同的椒鹽噪聲" title="椒鹽噪聲">椒鹽噪聲，運(yùn)用協(xié)同水印檢測算法對水印進(jìn)行檢測和恢復(fù)能力的實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖5。圖5(a)是加入椒鹽噪聲后載體圖像和水印圖像的破壞程度關(guān)系圖，它表明載體圖像退化程度與水印的退化程度成正比。圖5(b)表明典型的加入椒鹽噪聲強(qiáng)度與水印檢測迭代步數(shù)的關(guān)系。由圖5(b)可知，當(dāng)椒鹽系數(shù)在0～0.954范圍內(nèi)變化時，本算法有效；當(dāng)椒鹽噪聲的強(qiáng)度系數(shù)在0.954～1范圍內(nèi)變化時，本算法失效；然而椒鹽噪聲系數(shù)達(dá)到0.954 時,受損的圖像與原載體圖像的相關(guān)權(quán)為0.010984，損壞的載體圖像已沒有檢測研究價值，水印圖像檢測已沒有意義。

　　另外，本試驗(yàn)還對嵌入的水印載體圖像進(jìn)行了剪切、梯度銳化等不同強(qiáng)度的退化處理試驗(yàn)。試驗(yàn)結(jié)果如表2所示，實(shí)驗(yàn)結(jié)果證明，上述三種都能較好地檢測和恢復(fù)水印。表2還可以看出，該水印檢測算法對于類似白噪聲信號的數(shù)字水印更加有效，這與水印要求是加密或接近信道噪聲的要求是一致的。
3 實(shí)驗(yàn)結(jié)果分析結(jié)論
　　從上述一系列的退化處理實(shí)驗(yàn)結(jié)果可以看出：(1)協(xié)同水印檢測算法對噪聲攻擊、灰度拉伸、灰度均衡、線性變換、平滑、低通與中值濾波等圖像退化處理有較好的恢復(fù)性和準(zhǔn)確性；(2)本算法對受到JPEG壓縮和高斯噪聲的退化處理的圖像檢測能力較弱，但在品質(zhì)變化不明顯的情況下，本算法仍然有效；(3)實(shí)驗(yàn)中還發(fā)現(xiàn)，嵌入的原始水印圖像越接近偽隨機(jī)噪聲的圖像，檢測和恢復(fù)水印的準(zhǔn)確性越高，且檢測速度變化不明顯。如何進(jìn)一步確定協(xié)同檢測算法對各種水印嵌入算法的適用性是進(jìn)一步研究的課題。