一种基于盲水印提取的粒子群优化水印方法技术领域
本发明涉及一种粒子群优化水印算法。特别是涉及一种用于音频作品版权管理的
基于盲水印提取的粒子群优化水印方法。
背景技术
数字水印技术利用多媒体数据本身存在的冗余特性以及人类感知系统的特性，在
不影响载体数据信息的前提下将水印嵌入到多媒体数据中。数字水印信息可以是标识原作
者、拥有者以及发行者信息的序列号，用来识别多媒体数字作品的版权归属，同时也可以追
溯非法拷贝和篡改等。数字水印技术最初主要用来解决数字作品的版权归属问题，随着水
印技术的不断发展，现如今它已被广泛应用在数字指纹、完整性校验、广播监控、使用控制
和隐秘通信等领域。
粒子群优化(Particle Swarm Optimization,PSO)算法是Kennedy和Eberhart博
士于1995年提出的,PSO起源于对一个简单社会模型的仿真，它和人工生命理论以及鸟类或
鱼类的群集现象有十分明显的联系.动物行为学家曾仔细观察过蚂蚁的觅食行为，发现不
管初始时同一蚁巢的蚂蚁从蚁巢到食物的觅食路径是如何的随机，随着觅食的蚂蚁往返次
数的增加，蚁群总能找到最短的觅食路径.著名的蚁群算法正是受蚁群觅食行为的启发而
产生的.同样，粒子群算法也是源于对鸟类捕食行为的研究而提出的.
设想这样一个场景:一群鸟在随机搜寻食物，在这个区域里只有一块食物，所有鸟
都不知道食物在哪里，那么找到食物的最优策略是什么呢？最简单有效的方法就是搜寻目
前离食物最近的鸟的周围区域。PSO算法就是从这种模型中得到启示并用于解决优化问题
的.在PSO算法中，每个优化问题的潜在解都是搜索空间中的一只鸟，称之为“粒子”。所有的
粒子都有一个由被优化的函数决定的适应值(Fitness Value)，每个粒子还有一个速度决
定它们飞翔的方向和每一步的位移。然后粒子们就追随当前的最优粒子在解空间中搜索。
PSO算法需要初始化一群随机粒子(随机解)，然后通过迭代找到最优解，在每一次迭代中，
粒子通过跟踪两个“极值”来更新自己。第一个就是粒子本身所找到的最优解，这个解称为
个体极值。另一个是整个种群目前找到的最优解，这个解称为全局极值。
小波变换的基本思想是将原始信号经伸缩及平移后(即将原始信号用一组不同尺
度的带通滤波器进行滤波)，将信号分解为一系列具有不同空间分辨率(不同通道)、不同频
率特性和方向特性的子带信号，这些子带信号具有良好的时域、频域等局部特性，这些特征
可用来表示原始信号的局部特征，进而实现对信号时间、频率的局部化分析。将小波变换扩
展到二维的情形，即可以得到原始图像在不同尺度、不同方向上的近似分量和细节分量。
信号经过多尺度小波变换后，系数呈现金字塔式的结构。且图像能量重新分配，绝
大部分能量分布在最低频的小波系数上，和高频系数相比，最低频的小波系数具有系数绝
对值较大，变化范围大等特点，因此也具有更大的更改空间，可以嵌入更多的水印信息。
发明内容
本发明所要解决的技术问题是，提供一种含有水印的信号不可视听性好，抗攻击
能力强的基于盲水印提取的粒子群优化水印方法。
本发明所采用的技术方案是：一种基于盲水印提取的粒子群优化水印方法，包括
如下步骤：
1)对原始音频信号进行水印嵌入，包括：
(1)选取二值图像作为水印信号，并进行降维处理；
(2)对原始音频信号进行分段处理，将音频信号分为两部分，其中，一部分音频信
号Ae用来嵌入水印，需要进行分段，另一部分音频信号Ar不嵌水印；
(3)对音频信号Ae分段后，进行三级小波变换，在变换后的近似分量a3中嵌入水印
信息，嵌入位置为q＝q(i),1≤i<t1，t1为一个水印信号重复嵌入的次数；
(4)采用量化调制方法将水印嵌入到所述嵌入位置中，假设Q为量化步长，即嵌入
深度，w为待嵌入水印信息，设近似分量a3中位置为q(i)的系数量化后为a3'q(i)，并得到新
的近似分量a3'，采用如下量化公式进行嵌入：
(5)根据新的近似分量a3'进行逆变换构建含水印音频信号
利用得到的新的近似分量a3'进行三级小波逆变换，得到含有水印的音频信号。
2)对嵌入水印后的音频信号进行水印提取，包括：
(1)对嵌入水印后的音频信号A'进行分段处理，将所述的音频信号分为两部分，其
中，一部分音频信号A'e用来提取水印，需要进行分段，另一部分音频信号A'r不作处理；
(2)对用来提取水印的音频信号A'e分段后，进行三级小波变换，在变换后的近似
分量a3”中提取步骤1)中第(3)中q＝q(i),1≤i<t1的位置处的水印信息，提取水印公式如
下：
其中a3”q(i)为近似分量a3”在位置q(i)处的幅度值，w'为提取的待检测的水印信
号，并将由A'e中，其中的一帧提取的t1个水印信号的和记为w*；；
(3)根据判断公式：
从待检测的水印信号w'中确定最终提取的水印信息w*'，再将最终得到的w*'由一
维升维为二维w*”，w*”＝,w*”(i,j),0≤i<M,0≤j<N；
3)采用粒子群算法自动确定水印嵌入深度的最优值。
步骤1)第(1)步具体是：假设W是M×N的二值图像，表示为W＝W(i,j)，0≤i<M，0≤j
<N，式中，W(i,j)∈{0，1}，为了将二维的水印图像嵌入到一维的数字音频信号中，将W(i,j)
进行降维处理，由二维图像变为一维序列w，w＝w(i)(i),0≤i<0≤i<M×N。
步骤1)第(2)步具体是：设原始音频信号A为：A＝a(i),1≤i<l，式中l为总的采样
点个数，a(i)为A中第i个采样点，将原始音频信号A进行分段处理，即分为两部分一部分用
来嵌入水印，另一部分不嵌水印，即A＝Ae+Ar式中Ae是待嵌入水印的音频信号部分，长度为
l1，Ar是不嵌水印的音频信号部分，然后对Ae部分进行分帧，帧长为n，此时l1＝M×N×n；
步骤2)第(1)步具体是：设嵌入水印后的音频信号A'为：A'＝a'(i),1≤i<l，l为总
的采样点个数，a'(i)为A'中第i个采样点，将嵌入水印信号后的音频信号A'进行分段处理，
即将所述音频信号分为两部分，一部分用来提取水印，另一部分不作处理，即A'＝A'e+A'r，
式中A'e是待提取水印的音频信号部分，长度为l1，A'r是不作处理的音频信号部分，然后对
A'e部分进行分帧，帧长为n，此时l1＝M×N×n。
步骤3)包括：
将嵌入水印后的音频信号的不可感知性用峰值信噪比PSNR评估，水印的鲁棒性通
过归一化相关系数NC值评估，其中峰值信噪比PSNR和归一化相关系数NC的定义如下：
其中，l为音频信号总的采样点个数，a(i)和a'(i)分别表示水印嵌入前后的音频
信号，
其中，w(i,j)是原始水印信号，w*”是提取的水印信号，考虑到水印的不可感知性和
鲁棒性，将适应度函数定义为：
其中，PSNR为水印嵌入后音频信号的峰值信噪比，NCr为含水印音频信号分别经过
各种攻击后提取的水印与原始水印的归一化相关系数，R为水印攻击种类，λr是加权因子，
用来调节算法对水印不可感知性和鲁棒性的侧重程度，取λr＝λ，
粒子k的速度更新公式为
其中，w1为惯性权重，c1，c2为学习因子，rand1和rand2是均匀分布在[0,1]的随机
数，和gbestt分别表示粒子k的局部最优位置和全局最优位置，和分别为粒子在
t和t+1时刻的速度，粒子k的位置信息更新公式为：
本发明的一种基于盲水印提取的粒子群优化水印方法，利用了小波变换的多分辨
率性质和粒子群算法的自动寻优过程确定嵌入深度，在保证算法不可感知性的同时提高了
水印鲁棒性，实验表明本发明所提算法不仅具有较好的不可感知性，而且能够有效抵抗常
见信号处理的攻击，具有很好的鲁棒性。
附图说明
图1是本发明基于盲水印提取的粒子群优化水印方法的整体流程图。
具体实施方式
下面结合实施例和附图对本发明的一种基于盲水印提取的粒子群优化水印方法
做出详细说明。
如图1所示，本发明的一种基于盲水印提取的粒子群优化水印方法，包括如下步
骤：
1)对原始音频信号进行水印嵌入，包括：
(1)选取二值图像作为水印信号，并进行降维处理；
具体是：假设W是M×N的二值图像，表示为W＝W(i,j)，0≤i<M，0≤j<N,式中W(i,j)
∈{0，1}，为了将二维的水印图像嵌入到一维的数字音频信号中，将W(i,j)进行降维处理，
由二维图像变为一维序列w，w＝w(i)(i),0≤i<0≤i<M×N。
(2)对原始音频信号进行分段处理，将音频信号分为两部分，其中，一部分音频信
号Ae用来嵌入水印，需要进行分段，另一部分音频信号Ar不嵌水印；
具体是：设原始音频信号A为：A＝a(i),1≤i<l，式中l为总的采样点个数，a(i)为A
中第i个采样点，将原始音频信号A进行分段处理，即分为两部分一部分用来嵌入水印，另一
部分不嵌水印，即A＝Ae+Ar式中Ae是待嵌入水印的音频信号部分，长度为l1，Ar是不嵌水印
的音频信号部分，然后对Ae部分进行分帧，帧长为n，此时l1＝M×N×n。
(3)对音频信号Ae分段后，进行三级小波变换，在变换后的近似分量a3中嵌入水印
信息，嵌入位置为q＝q(i),1≤i<t1，t1为一个水印信号重复嵌入的次数；
在本实施例中，小波基为“db2”，在变换后的近似分量中嵌入水印信息，嵌入位置
为近似分量序列中的第二到第六个位置，总共嵌入5次。
(4)采用量化调制方法将水印嵌入到所述嵌入位置中，假设Q为量化步长，即嵌入
深度，w为待嵌入水印信息，设近似分量a3中位置为q(i)的系数量化后为a3'q(i)，并得到新
的近似分量a3'，采用如下量化公式进行嵌入：
(5)根据新的近似分量a3'进行逆变换构建含水印音频信号
利用得到的新的近似分量a3'进行三级小波逆变换，得到含有水印的音频信号。
2)对嵌入水印后的音频信号进行水印提取，包括：
(1)对嵌入水印后的音频信号A'进行分段处理，将所述的音频信号分为两部分，其
中，一部分音频信号A'e用来提取水印，需要进行分段，另一部分音频信号A'r不作处理；
具体是：设嵌入水印后的音频信号A'为：A'＝a'(i),1≤i<l，l为总的采样点个数，
a'(i)为A'中第i个采样点，将嵌入水印信号后的音频信号A'进行分段处理，即将所述音频
信号分为两部分，一部分用来提取水印，另一部分不作处理，即A'＝A'e+A'r，式中A'e是待提
取水印的音频信号部分，长度为l1，A'r是不作处理的音频信号部分，然后对A'e部分进行分
帧，帧长为n，此时l1＝M×N×n。
(2)对用来提取水印的音频信号A'e分段后，进行三级小波变换，在变换后的近似
分量a3”中提取步骤1)中第(3)中q＝q(i),1≤i<t1的位置处的水印信息，提取水印公式如
下：
其中a3”q(i)为近似分量a3”在位置q(i)处的幅度值，w'为提取的待检测的水印信
号，并将由A'e中其中的一帧提取的t1个水印信号的和记为w*；
(4)根据判断公式：
从待检测的水印信号w'中确定最终提取的水印信息w*'，再将最终得到的w*'由一
维升维为二维w*”，w*”＝,w*”(i,j),0≤i<M,0≤j<N；
由于本发明中，水印在原始信号的三级小波变换的近似分量位置为q＝q(i),1≤i
<t1处嵌入同一个水印信息即连续嵌入t1次，所以在提取水印的过程中也会提取t1次，如果
在这t1次中有0.6*t1次提取的w'都为“1”则最终在这个含有水印的音频信号段中提取的水
印值w*'为“1”，否则为“0”。然后将最终得到的w*'由一维升维为二维w*”＝,w*”(i,j),0≤i<M,
0≤j<N。
3)采用粒子群算法自动确定水印嵌入深度的最优值。包括：
将嵌入水印后的音频信号的不可感知性用峰值信噪比PSNR评估，水印的鲁棒性通
过归一化相关系数NC值评估，其中峰值信噪比PSNR和归一化相关系数NC的定义如下：
其中，l为音频信号总的采样点个数，a(i)和a'(i)分别表示水印嵌入前后的音频
信号，由上式可知，如果水印嵌入后对音频信号的影响越小，PSNR值越大，水印的不可听性
越好。
其中，w(i,j)是原始水印信号，w*”(i,j)是提取的水印信号，考虑到水印的不可感
知性和鲁棒性，将适应度函数定义为：
其中，PSNR为水印嵌入后音频信号的峰值信噪比，NCr
为含水印音频信号分别经过各种攻击后提取的水印与原始水印的归一化相关系数，R为水
印攻击种类，λr是加权因子，用来调节算法对水印不可感知性和鲁棒性的侧重程度，取λr＝
λ，
粒子k的速度更新公式为
其中，w1为惯性权重，c1，c2为学习因子，rand1和rand2是均匀分布在[0,1]的随机
数，和gbestt分别表示粒子k的局部最优位置和全局最优位置，和分别为粒子在
t和t+1时刻的速度，粒子k的位置信息更新公式为：
本实验中嵌入深度采用自适应的方法，嵌入深度的选择采用粒子群寻优算法参数
设置：其中，w1惯性权重为0.7，c1，c2为学习因子都为2，rand1和rand2都为1，适用度函数中加
权因子λr的选取在求解适应度函数时发挥着重要的作用。由于NC∈[0,1],而PSNR的取值在
45～60dB范围内，实验中选取了六种攻击类型，为了使PSNR值大致等于所有NCr的和，实验
取λ＝9。
本实施例粒子群算法寻找最优位置的过程如下：
(1)初始化粒子群，首先随机生成粒子群中粒子个数为30,粒子维数为一维。设粒
子k，0<k≤30随机生成的初始速度和位置信息(即嵌入深Q)分别为和粒子k将当前位
置信息设置为局部最优位置将作为水印嵌入强度按照公式(1)嵌入水
印，计算出含水印音频信号的PSNR值，然后对每个含水印音频信号进行常见信号处理攻击
和同步攻击并进行水印提取得到w*”，水印的提取与嵌入过程相反，计算出各自的NC值，将他
们带入公式(2)求出每个粒子的适应度值。在粒子群中找到最优适应度值，并将其对应的当
前位置，作为当前的全局最优水印嵌入强度值gbest0。
(2)每个粒子在每一次的迭代过程中按照公式(7)(8)更新粒子速度和位置信息，
然后进行水印嵌入，攻击，提取，并计算适应度值，如果本次粒子k得到的适应度值大于历史
局部最佳适应度，就进行最佳适应度值更新，保存本次粒子k位置为在然后再与全
局最优适应度对比更新全局最优位置gbestt。
(4)最后判断是否满足迭代的终止条件，本章通过事先设置一个最大迭代次数t＝
300来判断算法是否终止，如果满足条件则输出最优位置值作为最终水印嵌入强度，否则返
回继续进行迭代来寻找最优水印嵌入强度。