隨著網絡技術和多媒體技術的發展,以數字信息" title="數字信息">數字信息為載體的各種社會行為(電子商務、電子政務和電子出版業務等)獲得了廣泛發展。數字水印技術作為數字信息的保護手段正成為信息安全領域的一個新的研究熱點^[1]。然而，由于數字水印載體在使用過程中受到諸如惡意篡改、網絡噪聲等影響,使數字水印的認證權威受到很大的質疑，如何找到一種安全、可靠的數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性檢測^[2]，其檢測門限與具體的水印算法、載體和水印有關。本文針對這種弊端，提出了一種新的基于協同學理論的數字水印檢測算法。該算法利用協同學理論研究受損水印的空間結構、時間結構上的變異，能復現水印在破壞過程中的宏觀有序，為水印檢測技術提供了一種有意義的方法。
1 協同學^[3]檢測的基本原理
　　協同學是由德國科學家Haken提出并發展成為跨學科的模式識別研究領域。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造序參量，將它代入由非線性動力學方程構造的協同神經網絡中進行演化，能找出原水印的空間結構，從而檢測出載體圖像中的水印。
1.1 非線性動力學演化過程
　　協同學構造的非線性動力學演化方程是用來描述水印的演化過程。假設原型水印模式個數為M，水印模式向量維數為N(M＜N)，則水印的演化方程為：

　　λ_k(λ_k＞0)為注意參數，q為待識別的水印模式向量，F(t)為漲落力。
1.2 水印序參量的計算
　　水印序參量是反映試驗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。其構造方法如下：
　　將試驗水印模式向量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定點、且無偽狀態的向前競爭的協同演化動力學方程組，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水印模式；(2)如果最后所有的序參量ξ_k都為0，則試驗水印模式不是原型水印模式集中的任何一個，協同神經網絡演化模型如圖1。

　　
2 實驗結果及分析
　　在實驗中，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(實驗以50個為例)，選擇其中任何一個水印為試驗水印。為增強協同檢測水印的可靠性，采用如下方法：(1)水印的預處理，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，本實驗分別在空域^[4]、變換域^[5]內嵌入和檢測水印；(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、攻擊和檢測試驗均在Matlab 6.5軟件環境下進行仿真。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300步。相似度NC和峰值信噪比PSNR作為評價試驗結果的性能指標。

2.1 協同水印檢測算法" title="協同水印檢測算法">協同水印檢測算法適用范圍
　　分析協同演化對攻擊后水印的檢測能力。實驗結果分別如圖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，這時候會出現兩種情況：(1)所有的序參量都變為0；(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 協同水印檢測算法對水印的恢復能力
　　對宿主圖像加入不同的椒鹽噪聲" title="椒鹽噪聲">椒鹽噪聲，運用協同水印檢測算法對水印進行檢測和恢復能力的實驗，實驗結果如圖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度與水印檢測迭代步數的關系。由圖5(b)可知，當椒鹽系數在0～0.954范圍內變化時，本算法有效；當椒鹽噪聲的強度系數在0.954～1范圍內變化時，本算法失效；然而椒鹽噪聲系數達到0.954 時,受損的圖像與原載體圖像的相關權為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，本試驗還對嵌入的水印載體圖像進行了剪切、梯度銳化等不同強度的退化處理試驗。試驗結果如表2所示，實驗結果證明，上述三種都能較好地檢測和恢復水印。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 實驗結果分析結論
　　從上述一系列的退化處理實驗結果可以看出：(1)協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性和準確性；(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，但在品質變化不明顯的情況下，本算法仍然有效；(3)實驗中還發現，嵌入的原始水印圖像越接近偽隨機噪聲的圖像，檢測和恢復水印的準確性越高，且檢測速度變化不明顯。如何進一步確定協同檢測算法對各種水印嵌入算法的適用性是進一步研究的課題。