基于DWT-DCT的数字水印技术_应用于脑机数据（嵌入+评价+提取）

咩-不想起名字

已于 2024-08-31 03:19:35 修改

阅读量1.5k

点赞数 24

文章标签：安全 python

于 2024-08-29 22:57:23 首次发布

本文链接：https://blog.csdn.net/qq_53010932/article/details/141690320

版权

BCI-DCT-watermark

介绍

对脑机数据进行水印嵌入、提取、攻击等操作。
本项目提供了几个传统鲁棒水印嵌入的baseline方法对脑电数据进行水印嵌入以及提取和水印质量检测的工作，同时也提出了基于DWT-DCT的水印嵌入算法模型框架。

参考北京邮电大学的杨瑜老师的教科书《信息隐藏与数字水印》进行python的代码实现基于小波变换的EEGNet的水印嵌入。

研究背景及意义

脑机接口技术

脑机接口（Brain-Computer Interface, BCI）技术近年来取得了显著的进步，它为人类与机器之间建立了直接的通信通道。随着这一技术的应用范围不断扩大，从医疗健康到人机交互等领域都展现出了巨大的潜力然而，随之而来的数据安全问题也日益凸显。脑机数据不仅包含了个体的生理信息，还可能涉及用户的隐私、习惯甚至思维模式，因此确保这些数据的安全性和完整性至关重要。

数字水印技术介绍

数字水印技术作为一种有效的数据保护手段，在多媒体领域已有广泛应用。它通过在原始数据中嵌入不可见或难以察觉的信息标记，来实现对数据所有权的声明、完整性的验证等功能。将数字水印技术应用于脑机数据保护是一个新兴且具有挑战性的研究方向。这种应用能够为脑机数据提供额外的安全保障，防止未经授权的篡改或滥用。将脑机数据与数字水印结合结合将有着进一步的现实意义。通过对敏感的脑机数据进行加密和水印处理，可以有效防止个人信息泄露，在医疗和法律等应用场景中，确保脑机数据不被恶意修改对于维护公正性至关重要。
促进技术发展：推动脑机接口技术的安全标准建设，为该领域的持续健康发展奠定基础，同时也提升用户对脑机接口产品的信任度，有助于加速这些技术的商业化进程和社会接受度。
综上所述，研究脑机数据中的数字水印技术不仅是学术上的前沿探索，也是实际应用中的迫切需求，对于构建更加安全可靠的脑机接口生态系统具有重要意义。

数字水印研究现状

目前研究最多的是图像水印，其在外观上可以分为两种类型：可见水印和不可见水印。可见水印是可以直接在媒体上看到的水印，即肉眼可以直接识别的水印，也是可用于验证所有者的可见纸质水印。数字水印技术有助于证明所有权，因为它将证据集成到数据中，以代表数据的合法用户。不可见水印现在是一个广泛使用的水印。它被添加到数据中，人眼很难找到，但如果需要验证，可以提取标签以证明所有者。例如，如果图像中包含不可见的水印，则在编辑和分发图像之前可以识别图像水印，并且下一个过程可能会在发现结束时继续。数据的所有者可以通过整合其他水印信息来实现复制和分发图像的目标。根据强度，它可以分为脆弱水印和鲁棒水印。

当数字媒体信息的视觉和听觉质量得到保证时，所谓的脆弱水印被设置为直接将与多媒体内容相关或与多媒体内容相关的标志信息直接与水印集成。这是一个认证水印。在必须验证媒体内容时，可以提供水印来确定它的真实性和完整性。鲁棒水印确保在发生有意或无意的处理或攻击时，确认版权的信息将始终被检测调用。

根据嵌入域是划分标准，可以分为两类：空间域和变换域。其中，空间域水印主要通过略微改变介质的数字大小来整合水印，具有计算机复杂度低、操作效率高的优点。它适用于时间要求高，但该算法的可靠性有限。使用变换域水印。一些信号转换对应于具有转换系数的图像中的像素，然后输入有关水印的信息。与空间域水印算法相比，该算法大大提高了可靠性，但计算复杂性通常更高，操作时间更长。

现有的变换域算法一般都利用奇异值分解、离散傅里叶变换、离散余弦变换、离散小波变换等数学变换方法对载体图像和水印图像进行处理，从而实现水印的嵌入，并达到图像水印算法的基本设计需求。这些变换方法各有优缺点，离散小波变换拥有优秀的空间定位和多分辨率的特性，这个特性与人类视觉系统(Human visual system，HVS)的特性具有很强的相关性，因为其变换是通过不同的滤波器进行的分层分
级进行的。离散余弦变换则具有很强的去相关特性，能将利用变换的能量特性提高算法性能的鲁棒性。奇异值分解的一个重要特性就是对奇异值的微小变化不会影响图像的视觉感知。但是基于单一的变换域水印算法在不可见性和抗攻击能力的鲁棒性方面还有很大的提升空间。

评价水印的嵌入质量的指标

PSNR 峰值信噪比

PSNR 是衡量两个图像之间的差异的一种指标，通常用于量化图像压缩中的失真程度。它基于均方误差 (MSE)

def calculate_psnr(img1, img2, max_pixel_value=200):
    """
    计算两个图像之间的峰值信噪比 (PSNR)。
    参数:
    img1 : numpy.ndarray
        第一个图像，通常是原始图像。
    img2 : numpy.ndarray
        第二个图像，通常是含有水印的图像。
    max_pixel_value : float
        图像中像素的最大可能值，默认为 255 对于 8 位图像。
    返回:
    float
        PSNR 值。
    """
    # 计算均方误差 (MSE)
    mse = np.mean((img1 - img2) ** 2)
    if mse == 0:
        # 如果 MSE 为 0，则表示两个图像完全相同
        return float('inf')
    # 根据 PSNR 公式计算 PSNR
    psnr = 20 * np.log10(max_pixel_value / np.sqrt(mse))
    return psnr

SSIM系数

虽然 SSIM 主要用于二维图像的相似性度量，理论上也可以扩展到一维信号的情况。然而，需要注意的是，一维信号通常不具备二维图像所具有的结构信息，因此直接应用 SSIM 可能并不合适。不过，我们可以尝试模拟 SSIM 的思想来衡量一维信号的相似性。

一维信号的 SSIM 模拟实现为了模拟 SSIM 在一维信号中的应用，我们可以采用类似的计算方法，但需要注意的是，这种方法并不是严格意义上的 SSIM，而是借鉴其思想来衡量一维信号的相似性。

def calculate_ssim_for_1d(signal1, signal2, k1=0.01, k2=0.03, dynamic_range=1.0):
    """
    计算两个一维信号之间的 SSIM 值。

    参数:
    signal1 : numpy.ndarray
        第一个一维信号。
    signal2 : numpy.ndarray
        第二个一维信号。
    k1 : float
        SSIM 公式中的常数。
    k2 : float
        SSIM 公式中的常数。
    dynamic_range : float
        信号值的动态范围，默认为 1.0。

    返回:
    float
        SSIM 值。
    """

    # 确保信号长度相同
    assert len(signal1) == len(signal2), "Signals must have the same length."

    # 计算平均值
    mu1 = np.mean(signal1)
    mu2 = np.mean(signal2)

    # 计算方差
    sigma1 = np.var(signal1)
    sigma2 = np.var(signal2)

    # 计算协方差
    sigma12 = np.cov(signal1, signal2)[0, 1]

    # 计算 SSIM
    c1 = (k1 * dynamic_range) ** 2
    c2 = (k2 * dynamic_range) ** 2
    numerator = (2 * mu1 * mu2 + c1) * (2 * sigma12 + c2)
    denominator = (mu1 ** 2 + mu2 ** 2 + c1) * (sigma1 + sigma2 + c2)

    ssim_value = numerator / denominator

    return ssim_value

NCC归一化互相关系数

NCC系数的特点
尺度无关性：NCC能够消除信号之间的尺度差异。;平移不变性：NCC不受信号平移的影响。 ;旋转和缩放：对于一维信号而言，旋转和平移的概念不适用，但NCC仍然可以处理信号的缩放问题。

NCC系数可以用来评估一维数据中水印嵌入的质量。一个好的水印应该能够在不影响原始信号质量的情况下保持其完整性和鲁棒性。因此，一个较高的NCC值意味着原始信号和嵌入水印后的信号非常相似，即水印嵌入对信号的影响较小。

def calculate_ncc(x, y):
    """

    计算两个一维信号之间的归一化互相关系数。
    """
    # 确保信号长度相同
    assert len(x) == len(y), "Signals must have the same length."

    # 计算均值
    mean_x = np.mean(x)
    mean_y = np.mean(y)

    # 计算偏差
    deviation_x = x - mean_x
    deviation_y = y - mean_y

    # 计算分子
    numerator = np.sum(deviation_x * deviation_y)

    # 计算分母
    denominator = np.sqrt(np.sum(deviation_x ** 2)) * np.sqrt(np.sum(deviation_y ** 2))

    # 避免除以零
    if denominator == 0:
        return 0

    # 返回NCC值
    return numerator / denominator

KCD系数

假设KCD系数(Kernel Correlation Distance)是基于核函数的相似性度量，它通过计算两个信号在高维空间中的相关性来衡量它们的相似度。这里我们简单地将其视为与NCC相同的度量方法。系数接近1的水印的嵌入的质量就高

def calculate_kcd(original_signal, watermarked_signal):
    """
    计算两个一维信号之间的KCD系数（假设为NCC）。
    """
    # 确保信号长度相同
    assert len(original_signal) == len(watermarked_signal), "Signals must have the same length."

    # 计算均值
    mean_original = np.mean(original_signal)
    mean_watermarked = np.mean(watermarked_signal)

    # 计算偏差
    deviation_original = original_signal - mean_original
    deviation_watermarked = watermarked_signal - mean_watermarked

    # 计算分子
    numerator = np.sum(deviation_original * deviation_watermarked)

    # 计算分母
    denominator = np.sqrt(np.sum(deviation_original ** 2)) * np.sqrt(np.sum(deviation_watermarked ** 2))

    # 避免除以零
    if denominator == 0:
        return 0

    # 返回KCD值
    return numerator / denominator

JSD系数

JSD（Jensen-Shannon Divergence，詹森-香农散度）是一种衡量两个概率分布之间差异的统计量。在水印技术中，如果我们想要量化嵌入水印后数据的概率分布与原始数据的概率分布之间的相似性，JSD可以作为一个有用的度量标准.相似度小于0.1的相似度较高

def jensen_shannon_divergence(p, q):
    """
    计算两个概率分布p和q之间的JSD。
    """
    m = 0.5 * (p + q)
    return 0.5 * entropy(p, m) + 0.5 * entropy(q, m)

def signal_to_distribution(signal):
    """
    将信号转换为概率分布。
    """
    min_val = np.min(signal)
    max_val = np.max(signal)
    bins = np.linspace(min_val, max_val, num=100)
    hist, _ = np.histogram(signal, bins=bins, density=True)
    return hist

def calculate_jsd(original_signal, watermarked_signal):
    """
    计算原始信号和嵌入水印后信号之间的JSD。
    """
    p = signal_to_distribution(original_signal)
    q = signal_to_distribution(watermarked_signal)
    return jensen_shannon_divergence(p, q)

水印模块

水印嵌入算法

在这里插入图片描述

各个py文件的解释

util文件

AES.py

这些函数共同实现了一个基于作者信息和时间戳生成伪随机数序列的过程。具体来说：
generate_random_sequence: 使用作者名称经过哈希处理后的结果与当前时间戳的组合来初始化Python的标准随机数生成器，进而生成一个包含500个浮点数的随机序列。
generate_key: 根据作者信息和时间戳生成一个用于AES-256加密的32字节密钥。这里使用SHA-256哈希函数对作者信息和时间戳的组合进行哈希处理，并截取前32字节作为密钥。
generate_prng_sequence: 利用给定的密钥和初始向量（IV）通过AES-256算法的输出反馈模式（OFB）生成指定长度的伪随机数序列。每次加密一个128位（16字节）的数据块，直到达到所需的序列长度。

DCT.py

这段代码定义了一个名为 DCT 的类，用于实现离散余弦变换 (DCT) 方法来嵌入和检测水印。具体功能包括：
水印嵌入 (water_in 方法): 使用DCT将水印信号嵌入到原始信号（如音频或脑电图EEG数据）中。水印信号被嵌入到原始信号的DCT系数中，并通过调整系数值来反映水印的存在。
水印检测 (is_water 方法): 从带有水印的信号中提取水印，并计算提取出的水印与原始水印之间的相关性，以此评估水印的保真度。
此外，还定义了一个辅助函数 plot_eeg 用于绘制EEG数据的波形图。

DWT.py

这段代码定义了一个名为 DWT 的类，用于实现离散小波变换 (DWT) 方法来嵌入和检测水印。它使用小波变换将水印信号嵌入到原始信号（如脑电图 EEG 
数据）中，并能从带有水印的信号中提取水印并计算提取出的水印与原始水印之间的相关性。
主要功能包括：水印嵌入 (water_in 方法): 使用 DWT 将水印信号嵌入到原始信号的细节系数中，通过调整选定系数的值来反映水印的存在。
水印检测 (is_water 方法): 从带有水印的信号中提取水印，并计算提取出的
水印与原始水之间的相关性，以此评估水印的保真度。

QUA.py

这段代码定义了一系列函数，用于评估两个信号（如图像或一维信号如脑电图EEG数据）的质量和相似度。主要包括以下几种度量：
峰值信噪比 (PSNR): 用于衡量两个图像之间的差异程度，通常用于评估图像压缩或处理过程的质量损失。
结构相似性指数 (SSIM): 用于评估两个一维信号之间的相似度，特别适用于评估信号处理后的保真度。
归一化互相关系数 (NCC): 用于衡量两个信号之间的线性相关性，通常用于信号匹配或别任务。
KCD系数: 在此上下文中，KCD系数被假定为NCC，用于评估信号的相似度。
Jensen-Shannon Divergence (JSD): 用于比较两个信号的概率分布之
间的差异，适用于评估信号处理前后概率特征的变化

test.py

实现main函数的测试函数

实验结果展示

不可见性测试

PSNR

<![if supportMisalignedColumns]> <![endif]>

	1	2	3	4	5	6	7	8	9
ues_1	29.61	35.29	32.73	33.32	34.54	35.39	35.11	34.90	35.19
ues_2	29.83	37.11	34.24	34.42	35.55	37.27	36.76	36.58	37.25
ues_3	30.28	36.31	33.42	34.65	36.66	38.93	37.14	37.15	38.23
ues_4	30.17	35.10	32.47	33.44	34.92	37.23	35.26	35.29	36.51
ues_5	29.57	36.66	33.84	34.61	35.88	37.63	36.90	36.88	37.34
ues_6	31.30	37.44	34.39	35.11	36.43	38.05	37.37	37.36	38.04
ues_7	35.99	39.62	38.74	38.12	40.03	40.23	38.04	37.80	38.93
ues_8	35.53	39.93	39.25	36.87	38.37	38.50	38.27	37.75	38.58
ues_9	33.71	37.53	36.79	35.63	36.29	36.36	36.44	36.34	37.06
ues_10	34.84	40.05	38.58	36.86	39.44	39.59	39.47	38.68	39.85
ues_11	34.27	38.72	37.50	36.66	37.99	38.20	38.67	38.34	38.08
ues_12	33.42	38.74	38.05	35.01	37.53	37.61	36.80	36.31	37.28
ues_13	29.48	34.21	34.20	33.57	35.37	35.38	35.89	36.47	35.52
ues_14	27.44	32.82	32.90	31.72	35.24	35.25	35.06	35.59	35.39
ues_15	26.05	32.41	32.41	30.45	34.04	34.03	34.66	35.16	34.12
ues_16	28.29	34.27	34.23	32.50	35.41	35.46	35.79	36.42	35.62
ues_17	27.65	33.84	33.86	31.74	35.57	35.49	35.54	36.68	35.74
ues_18	26.75	32.47	32.48	30.58	34.38	34.37	34.17	34.99	34.54
ues_19	28.85	33.73	33.71	33.64	33.27	33.27	35.84	35.75	35.50
ues_20	30.18	34.12	34.09	35.52	35.74	35.71	34.76	37.38	39.41