基于神经网络自联想的数字图像水印算法
基于深度学习的数字图像水印技术研究
基于深度学习的数字图像水印技术研究一、引言数字图像水印技术是一种在数字图像中嵌入特定信息的方法，旨在保护图像的版权和完整性。
传统的数字水印技术存在容易被攻击的问题，而基于深度学习的数字图像水印技术则通过利用深度神经网络的强大表征能力来提高水印的安全性和鲁棒性。
本文将探讨基于深度学习的数字图像水印技术的研究进展。
二、深度学习概述深度学习是一种机器学习的分支，通过构建多层神经网络模型来建模和学习数据的复杂特征。
它的优势在于可以自动学习特征表示，并在大规模数据集上进行训练，具有较高的准确性和鲁棒性。
三、基于深度学习的数字图像水印技术基于深度学习的数字图像水印技术可以分为两个主要方向：水印嵌入和水印检测。
1. 水印嵌入水印嵌入是将水印信息嵌入到原始图像中的过程。
传统的方法通常是将水印信息转换为频域或空域，然后使用离散傅里叶变换或小波变换等技术将其嵌入到图像中。
而基于深度学习的方法则通过训练深度神经网络来学习图像的特征表示和水印的嵌入方式。
其中，卷积神经网络（CNN）是最常用的深度学习模型之一，可以提取图像的局部特征，使水印能够更好地嵌入到图像中。
2. 水印检测水印检测是从带水印的图像中提取出水印信息的过程。
传统的方法通常通过对嵌入水印的图像进行解水印操作，并通过相关的算法进行检测。
而基于深度学习的方法则通过训练深度神经网络来从复杂的图像中提取和识别水印信息。
深度学习模型能够学习到更丰富的图像特征表示，提高了水印的识别准确性和鲁棒性。
四、基于深度学习的数字图像水印技术的挑战和解决方案基于深度学习的数字图像水印技术在应用中面临一些挑战，例如水印容易被攻击、水印抵抗图像处理操作能力差等。
针对这些挑战，研究者提出了一些解决方案。
1. 对抗攻击对抗攻击是指攻击者通过对带水印的图像进行修改或篡改，以模糊或完全去除水印信息。
为了提高水印的鲁棒性，研究者提出了基于生成对抗网络（GAN）的方法。
GAN模型能够学习生成逼真的对抗样本，从而使水印更难以被攻击者检测和破坏。
基于深度学习的图像水印的去除方法
基于深度学习的图像水印的去除方法深度学习技术在图像处理领域的广泛应用为解决图像水印去除问题提供了新的途径。
随着数字图像的普及和网络技术的迅猛发展，图像水印的应用越来越广泛，但同时也带来了图像版权保护的困扰。
因此，研究如何去除图像水印成为当下的一个热门课题。
传统的图像水印去除方法主要依赖于数学建模和信号处理技术，但由于水印的复杂性和多样性，这些方法的效果往往难以令人满意。
近年来，基于深度学习的图像水印去除方法的兴起为解决这一问题提供了可能。
深度学习通过神经网络的训练和学习能够对图像进行更高层次的理解和处理，从而有效地去除图像中的水印。
基于深度学习的图像水印去除方法的核心思想是建立一个深度卷积神经网络，该网络具有强大的特征提取和重建能力，可以学习到图像中与水印相关的特征，并通过去除这些特征来达到去除水印的效果。
常用的深度学习网络结构包括卷积神经网络（Convolutional Neural Network, CNN）和生成对抗网络（Generative Adversarial Network, GAN）。
首先，对于基于CNN的图像水印去除方法，研究人员通常会收集一批包含水印的图像和相应的没有水印的图像作为训练集，利用这些图像对 CNN 进行训练，使其学习到水印与图像的关系。
在训练完成后，通过输入含有水印的图像，CNN 可以提取出水印的位置和特征，并在处理后将图像还原为没有水印的状态。
其次，基于GAN的图像水印去除方法则采用了生成器和判别器两个神经网络的组合。
生成器负责从含有水印的图像中还原出没有水印的图像，而判别器则根据生成器生成的图像和真实图像之间的差异进行判别。
通过不断迭代训练，生成器和判别器共同提升，最终生成器能够生成高质量的没有水印的图像。
此外，为了进一步提升图像水印去除的效果，研究人员还将深度学习与其他技术相结合。
例如，结合自适应阈值技术和深度学习可以有效去除不同强度和噪声条件下的水印；而结合变分自编码器和深度学习，可以在去除水印的同时保留图像的细节和纹理。
基于深度学习的图像去水印算法研究
基于深度学习的图像去水印算法研究一、绪论随着数字水印技术的广泛应用，水印去除成为了数字图像处理领域的一个重要研究方向。
图像去水印的目标是去除图片中加入的水印信息，即将水印区域覆盖或修复成原始图像。
随着深度学习技术的不断提升，基于深度学习的图像去水印算法已经成为研究热门。
本文将介绍基于深度学习的图像去水印算法的研究现状、方法以及未来发展方向。
二、基于深度学习的图像去水印算法研究现状在图像去水印方面，传统方法主要包括基于纹理的方法、基于形态学的方法、基于频域的方法等。
这些传统方法对具体的水印类型和数据集比较敏感，去除效果不稳定。
而深度学习技术则可以通过数据自主学习并提取高阶抽象特征，从而得到较为稳健和鲁棒的去印结果。
深度学习算法主要有卷积神经网络、自编码器、生成对抗网络等。
其中，基于卷积神经网络的水印去除方法是目前主要研究方向之一。
这类算法通常采用类似于超分辨率重建的思路，使用深度学习网络去学习两对数据（带水印图像和对应的原始图像），并通过反卷积操作对输入的带水印图像进行重建，从而去掉水印。
网络的输入通常是一个低分辨率的带水印图像，输出为与去水印图像分辨率相同的无水印图像。
三、基于深度学习的图像去水印算法方法1. 常见的数据集和网络结构a. 数据集准确的数据集对深度学习算法至关重要。
水印去除算法中常用的数据集有：CC2014、VIS4、NC2016 等。
这些数据集通常包含两个文件夹：一个是带水印的图像，另一个是对应的无水印图像。
b. 网络结构卷积神经网络通常由若干个卷积层、池化层、全连接层构成。
在图像去水印方面，卷积神经网络的架构一般包含编码器和解码器两部分。
编码器将输入图片进行特征提取和压缩，解码器将经过编码器处理的低分辨率的带水印图像进行重建，还原为与原始图像分辨率相同的无水印图像。
此外，还可以在编解码器之间添加一些中间层，如混合层、池化层等。
2. 基于深度学习的图像去水印算法实现a. 训练网络模型通过制定好训练集和测试集，创建目标网络模型并把训练数据导入网络进行训练，最终可以获得训练好的模型。
基于协同神经网络的图像数字水印算法
( 2 ) 对每块进行 8 × 8 的 DCT变换来得到 1 024
个 2 维 DCT系数矩阵 F i = [ Fi ( u ^, ^ v) ], 0 ≤u ^, ^ v≤7; ( 3 ) 对每个 DCT系数矩阵的 Fi ( 0, 0 ) 进行从大 ^ ( 0, 0 ) , 并保留排序前后的位 到小的排序来得到 F i 置对应关系 ; ～ ^ ( 0, 0 ) +α・m , α为 ( 4 ) 采用式 F ( 0, 0 ) = F
Abstract An digital im age water mark algorithm is p roposed based on the synergetic neural network, combined w ith encryp tion technique, to guarantee its robustness and security . The meaningful gray im age is serially p rocessed into watermark signal and embedded into the DC elements of the block DCT coefficient matrix of the host im age. W ater mark detection / extraction algorithm is realized by using synergetic neural network. The network ’ s input is possible water mark signal and its output is the recognition result . The emulational experim ents indicates that, the p roposed algorithm can fulfill the water mark detection / extraction at one tim e after im age p rocessing, and identify the watermark owner which show s good performance. Keywords digital watermark, synergetics, neural network, digital im age p rocess
基于深度学习的数字图像水印算法研究
基于深度学习的数字图像水印算法研究数字图像的水印技术是一种在数字图像中嵌入特定信息的技术。
它可以对图像进行一定程度的保护，防止盗用和篡改，同时也可以用于版权保护、数字通信以及数据隐秘传输等领域。
然而，由于数字水印技术的广泛使用，水印的可见性和鲁棒性等问题也越来越受到人们的关注。
在这种情况下，深度学习技术的发展为数字水印技术的改善提供了新的思路和方法。
深度学习技术在数字图像中的水印算法中的应用深度学习作为一种新兴的机器学习技术，其应用范围已经不仅仅局限于自然语言处理、图像识别以及语音识别等领域。
在数字图像中的水印算法中，深度学习技术也得到了应用。
深度学习技术可以通过大量的训练数据和神经网络的优化来提高水印算法的可见性和鲁棒性。
深度学习在数字图像水印算法中的应用主要体现在以下几个方面：一、深度学习算法可以根据训练数据学习到数字图像的高级特征深度学习算法可以通过大量的训练数据来学习到数字图像的高级特征。
在数字图像水印算法中，研究人员可以利用已有的数据集（如COCO、ImageNet）对神经网络进行训练，使得神经网络可以学习到数字图像的特征。
在数字图像水印算法中，这些学习到的特征可以用来提高水印算法的可见性和鲁棒性。
二、深度学习算法可以根据训练数据优化数字图像水印算法深度学习算法可以通过优化神经网络来优化数字图像水印算法。
在数字图像水印算法中，深度学习算法可以通过自动编码器、卷积神经网络、循环神经网络等算法来优化数字图像水印算法，从而提高水印算法的可见性和鲁棒性。
三、深度学习算法可以根据训练数据进行数字图像水印的嵌入和提取深度学习算法可以通过训练数据来学习数字图像水印的嵌入和提取。
在数字图像水印算法中，深度学习算法可以通过对数字图像的特征进行嵌入和提取来实现数字图像水印的添加和检测。
深度学习技术在数字图像中的水印算法中的优缺点在数字图像中的水印算法中，深度学习技术有其独特的优点和缺点。
优点一、提高了数字水印算法的可见性和鲁棒性深度学习技术可以通过训练数据和神经网络的优化来提高数字水印算法的可见性和鲁棒性。
基于卷积神经网络的数字图像水印算法研究
基于卷积神经网络的数字图像水印算法研究数字图像水印算法是一种信息隐藏技术，在数字图像领域得到了广泛的应用。
水印可以是一段文本、一张图像或其他形式的信息，通过插入数学算法创造一种可被添加和检测到的特征，嵌入到原始图像的像素中。
这种技术可以确保图像在传输和存储过程中不会被篡改，可以用于版权保护、身份验证和防伪等领域。
本文将讨论基于卷积神经网络的数字图像水印算法研究。
卷积神经网络(Convolutional Neural Network, CNN)被广泛用于图像和视频处理中，是深度学习的重要组成部分。
卷积神经网络的核心部分是卷积层、池化层和全连接层。
卷积层是网络的基本操作单元，通过对输入特征图进行卷积操作提取特征。
池化层通过缩小特征图分辨率的方法增加了网络的鲁棒性。
全连接层将池化层输出的特征向量映射到输出空间，实现分类和预测任务。
基于卷积神经网络的数字图像水印算法可以分为两种：盲水印算法和非盲水印算法。
盲水印算法不需要原始图像的信息，即可提取出水印信息。
非盲水印算法需要原始图像的信息才能提取出水印信息。
对于盲水印算法，常见的方法是将水印信息嵌入原始图像的特征空间中，从而保证水印信息的不可见性。
对于非盲水印算法，常见的方法是将水印信息嵌入原始图像的像素域中，在可控的嵌入强度范围内进行像素修改，从而保证水印信息的鲁棒性。
在实现数字图像水印算法时，需要考虑多种因素，如图像内容、水印嵌入强度和鲁棒性。
最常用的图像水印算法是离散余弦变换(DCT)算法、离散小波变换(DWT)算法和Singular Value Decomposition(SVD)算法。
这些算法具有简单易懂、快速高效和易于实现等优点。
然而，这些算法都是传统的方法，没有考虑到图像内容，可能会对图像造成破坏。
基于卷积神经网络的数字图像水印算法可以通过特征空间的嵌入实现无损的嵌入。
在此基础上，可以进一步考虑如何提高水印的鲁棒性。
常见的方法是使用对抗样本(Adversarial Example) ，即将随机扰动加到原始图像中，从而与嵌入的水印形成对抗。
基于机器学习的图像水印算法设计与实现
基于机器学习的图像水印算法设计与实现随着数字图像的广泛应用和互联网的快速发展，图像的版权保护成为一个重要的问题。
图像水印技术作为一种有效的图像版权保护手段，得到了广泛关注和应用。
本文将介绍基于机器学习的图像水印算法的设计与实现，以实现更高效、更可靠的图像版权保护。
首先，我们需要了解什么是图像水印。
图像水印是将一些隐藏的信息嵌入到原始图像中，以实现版权保护的目的。
常见的图像水印包括可见水印和不可见水印。
可见水印是在图像上直接嵌入可见信息，如文字、标志等。
而不可见水印是指嵌入的信息在图像中不可见，或需要特殊方法才能提取出来。
基于机器学习的图像水印算法设计与实现主要包括以下几个步骤：1. 数据准备首先，我们需要准备一组具有版权的原始图像和相应的水印信息。
原始图像可以是任何需要版权保护的图像，水印信息可以是一些唯一标识符、版权信息或其他相关信息。
这些图像和水印信息将作为算法的训练数据集。
2. 特征提取在机器学习算法中，特征提取是一个重要的步骤。
在图像水印算法中，我们需要从原始图像中提取一些特征来表示图像的内容。
常见的特征包括颜色直方图、纹理特征和形状特征等。
这些特征将被用作机器学习算法的输入。
3. 水印嵌入水印嵌入是将水印信息嵌入到原始图像中的过程。
在机器学习算法中，我们可以借助一些模型来进行水印嵌入。
例如，可以使用卷积神经网络（CNN）将水印信息嵌入到图像的特定位置。
嵌入的过程需要考虑水印的可见性和可提取性。
4. 水印提取水印提取是从带水印的图像中提取出水印信息的过程。
在机器学习算法中，我们可以使用预训练的模型来进行水印提取。
例如，可以使用深度学习模型对带水印的图像进行分类，以提取出水印信息。
5. 水印验证水印验证是验证提取的水印信息是否与原始水印信息一致的过程。
在机器学习算法中，可以使用一些验证算法来比较提取的水印信息与原始水印信息之间的相似度。
常见的验证算法包括哈希函数和相似度比较等。
通过以上步骤，我们可以设计和实现基于机器学习的图像水印算法。
一种基于神经网络的变换域数字水印提取算法
（ ｅａｔ ｎ ｏ ｏ ｐ ｔｒ ｎ ｎｅ ｎ ，Ｏ ｎｎｅＥ ｇ ｅｒ ｇＣ ｌ ｇ ，Ｓ ｉａｈ ａｇ ０ ００ ，Ｃ ｉａ Ｄ ｐｒ ｔ ｆ ｍ ｕｅ Ｅ ｇ ｅｒ ｇ ｒ ａｃ ｎ ｎｅ ｎ ｏ ｅｅ ｈｊ ｚｕ ５ ０ ３ ｈｎ ） ｍｅ Ｃ ｉ ｉ ｄ ｉ ｉ ｉ ｎ
鲁棒性 。
关键词 ：数字水印 ；神经 网络 ；变换域 中图分类号 ：Ｔ ９ １７ Ｎ １．３ 文献标识码 ：Ａ
Ａｎ Ｅｘ ｒ ｃ ｉ ｇ Ａｌｏ ｉ ｍ ｏ ｇ ｔ ｌＷ ａ ｅ ｍａ ｋ ｎ ｔ ａ ｔｎ ｇ ｒｔ ｈ ｆ ｒ Ｄｉｉ ａ ｔｒ ｒ ｉ ｇ
Ｓ ｓｅ ｎ ａ ｓｏ ｍ ｍ ａｎ Ｂａ ｅ ｎ Ｎｅ ｒ ｌＮｅ ｗｏ ｋ ｙ ｔｍ ｉ Ｔｒ ｎ ｆ ｒ Ｄｏ ｉ ｓ ｄ ｏ ｕ ａ ｔ ｒ
维普资讯
第 １ 第 ３期 ８卷 ２０ ０ ６年 ６月
军
械
工
程
学
院
学
报
Ｖ Ｌ １ ． ｏ ８ Ｎｏ ３
Ｊ ｕｎ ｌ ｆＯｒｎ ｎ ｅＥｎ ｉｅ ｒ ｇＣｏｌｇ ｏ ｒ ａ ｄ ａ ｃ ｇｎ ｅｉ ｌ ｅ ｏ ｎ ｅ
Ｊｎ ｕ ．，２ ０ ０６
段得 到 了广泛 的研究 和应 用 。 现 有 的 图 像 数 字 水 印算 法 基 本 上 可 以分 为 两
类 ： 间域 方法 和 变换 域 方法 。 ， 一基 于神 经 网络 的水 印提 取算 法 能 够 提 高 这
对旋转 、 拉伸 、 剪切 、 Ｅ Ｊ Ｇ压缩 、 Ｐ 中值滤波等常见攻
Ｋｅ ｏ ｄ ：ｄｇｔ ａ ｒ ａｋｎ ；ｎ ｕａ ｅ ｏｋ ｒ ｓ ｒ ｏ ａｎ ｙｗ ｒ ｓ ｉ ａ ｗ ｔ ｒ ｉｇ ｅ ｒ ｎｔ ｒ ；ｔ ｆｍ ｄ ｍ ｉ ｉｌ ｅ ｍ ｌ ｗ ｎ ａ ｏ
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关键 词 ： 水印； 神经网络； 联想记忆； 小波
中图分 类号 ： ４ ０１ ７
文献 标识 码 ： Ａ
神经 网络 在数 字水 印技 术 中的应 用是 在最 近几 年 才 提 出 的 ． 文献 ［－］ 计 了不 同的 水 印算 法 ， 水 印 １６ 设 在 嵌 入时利 用神 经 网络对 图像 进行 分类 或产 生 自适应 于 图像 的水 印 ， 目的是 提 高水 印嵌 入 的强度 和 图像 的 其 保 真度 ； 文献 Ｅ．］ 是利 用神 经 网络进行 水 印 检测 ， 过 训 练学 习调 整 神经 网络 的权重 逼 近 原始 信 号 和水 ７９则 通
１ 神经网络 的联想记忆功能
神经网络的联想记忆功能是指系统在给定一组激励 信号的作用 下 ， 该系统能联系 出与之相对应 的信 号． 联想记 忆 网络是 通过 神经 元之 间 的权重 学 习规则 来 调整 神 经元 间 的权 重 ， 而得 到 事 物 间 的联 系 ， 神 从 各
经元 的权 重共 同表 现神 经 网络 的联想记 忆 功能 ． 这种 分 布式 存储 能 存 储较 多 的模 式 并 能够 在 一定 的程度 上 恢 复残缺 的不 完整 信息 ． 常见 的联 想记 忆 网络有 Ｂ Ｐ网络 、 ｏｆｌ Ｈｐｅ ｉ ｄ网络等 ． Ｈ ｐｅ ｏｆｌ ｉ ｄ网络 结构 如 图 １ 所示 ， 网络具 有 自联想 记忆 功 能［ ＿设 网络有 个神 经元 ， 该 １． ｏ 每个 神经 元 均可取 １
１ ． ．
ｗ ： ２ ， ｊ ｉ ５Ｌ ＩＬ ｋ ｌ ｋ
’ ｋ：１
：１ ， ； ， …， ：１ ， ， ２ ， …， ２
（） １
其 中 １Ｎ是 调 节 比例 的常量 ， 里 取 Ｎ ： ． ／ 这 Ｗ， 是神 经元 与神 经元 的连接 权值 ． 间 离散 Ｈｏｆｌ ｐｅ ｉ ｄ网络 的权
凡 ， ＝ Ｌ
（） ３
Ｗｌ ｛ ∑ ］ ｍ Ｖ： 凡 ｍ Ｕ： （ ｝ ／ ￣ （一 ） 一 ） ．
了该 状态 ．
（ ４ ）
状态 演化 为 Ｓｎ ＷＵ ）＝ Ｓｎ （ｔ ｇ（ １ ｇ（ ｒ—ｍ） １ Ｓｎ （ｔ Ｕ ）＝ ｇ （ｒ—ｍ） ）＝ Ｕ ， ｌ网络 稳定 在模式 ， 即网络记住
维普资讯
第 ３ 卷第 ５期 １
２０ ０７年 ９ 月
江西师范大学学报ቤተ መጻሕፍቲ ባይዱ（ 自然科学版 ）
Ｊ Ｕ Ｎ ＬＯ ＩＮ Ｘ Ｏ Ｍ ＬＩ ⅣＥ Ｓ Ｙ（ Ａ Ｉ ＩＳ ＩＮ Ｅ Ｏ Ｒ Ａ ＦＪ Ｇ Ｉ Ｒ Ａ 『 Ａ Ｎ Ｎ Ｒ Ⅱ Ｎ ＴＩＡ ．ＣＥ Ｃ ） Ｒ
摘要： 基于神经网络 自 联想记忆功能， 提出了一种新的数字图像水印算法． 首先将水印信息存储到神经
网络 中； 再将其分别嵌 入到原始 图像小波分解的近似系数 分量和细 节系数分 量 中， 采用 嵌入水 印过程 的 逆过程提取水印 ； 最后 利用神经网络对提取 出的水印 图像 进行后处 理 ． 验结果 表 明所 提方法 在满足水 实 印的不可感知性的前提下 ， 对多种攻 击 ， ＪＥ 如 Ｐ Ｇ压缩 、 加性和乘性 噪声 干扰 、 滤波 、 剪切 等具有较 强 的鲁
以上是离散 Ｈ ｐ ｅ 网络的存储记忆过程 ， ｏｆ ｌ ｉｄ 下面介绍其联想回忆过程． 从所记忆的 ｍ个模式中任选一模 式 ， 经过编码可使其元素取值为 １ 一１将模式 加到该离散 Ｈ ｐ ｅ 网络 ， 和 ． ｏｆｌ ｉｄ 则网络状态为
咖
． ． ， ： １２…， ’ － ，， ｍ 『
助项 目．
作者简介 ： 张敏瑞 （９５）女 ， １６ ．， 河南巩义人 ， 教授 ， 主要从事数字水印和 图像处理 的研究 ．
维普资讯
江西 师范大学学报 （ 自然科学版 ）
２Ｏ 年 ０ｒ ７
’
（） ２
写 矩 形 则 ： ｛ ∑ 一 ） 为 × 的 位 ． 成 阵 式 有 Ｗ： （ ， 凡凡单 阵 Ｉ
Ｖ０ ． １Ｎｏ ５ １３ ．
Ｓ ｐ． ０ ７ ｅ ２０
文 章 编 号 ：００５６ ｛０ ７０ ． ４ ．５ １０ ．８２２ ０ ）５０ ５０ ４
基 于神 经 网络 自联 想 的数 字 图像 水 印算 法
张敏 瑞 张 丽娜 黄 ， ， 兴２
７０７ ） １０５
（． １西安科技大学 通 信与信 息工程学 院， 陕西 西安 ７ ０５ ￣ ． １ ４ ２ 华为技术有限公司 ， ０ 陕西 西安
．
或 一１则网络共有 ２ 个状态 ， ２ 个状态构成离散状态空间． ， Ⅳ 这 Ⅳ 设在网络中存储 ｍ个 维的记忆模式（ ＜ ｍ
） ： ＝［｛ｕ， ｕ］， １２…， ｉ ，， ； ｛ ，｝ ｕ，§…， 。 ｋ： ，， ｍ； ＝１２…， ｕ ∈ 一１１．
采用 外积 法设 计 网络 的权值 使这 个模式 是 网络 ２ 状 态空 间 中的 ｍ个 稳 定 Ⅳ个
值满足如下条件 ： ： ， “：０ 因此 Ｗｆ Ｗ ，
收 稿 日期 －１ ５１ ＂￣７ ．３ ２ ０
基金项 目： 陕西省 自然科学基金 （０４ １ ）陕西省教育厅专项基金 （５Ｋ ６ ） 国家重点实验室基 金（ １０ ５０００ ￣． 资 ２０Ｆ０ 、 ０ Ｊ ２０ 、 ９４ Ｃ ３３２６ ．） １
印信号之间的关系， 然后在接收端利用训练好的神经 网络提取水印， 目的是提高水印检测的正确率， 其 并实 现 水 印的盲 检测 ．
本 文利 用神经 网络 的联 想记 忆功 能 ， 出了一 种新 的数 字 图像 水 印算 法 ． 算法 利 用 Ｈ ｐ ｅ 提 该 ｏｆｌ ｉ ｄ网络 对 提
取的水印进行后处理 ， 较好地改善 了提取水印的质量 ， 使得水印系统具有更强 的鲁棒性 ． 仿真实验证 明了该 算 法具有 较强 的鲁 棒性 ．