随着Internet与多媒体技术的快速发展,数量庞杂的多媒体信息涌入到互联网。人们在享受大量信息带来的便利的同时,随之也产生了诸多问题,如非法复制,非法修改,未授权传播等。数字媒体的版权保护问题引起了众多学者的重视,众多保护方案被广泛使用,其中数字水印技术是其中最高效的技术手段。图像作为网络多媒体最主要的组成部分,版权保护自然备受关注,因此图像的数字水印技术也是目前的研究重点。本文首先对数字水印技术的发展历程研究现状进行综述,利用基于变换域的数字水印算法的优点,将概率神经网络(PNN)应用于数字水印技术中,研究了基于概率神经网络和离散傅里叶变换(DFT)、离散余弦变换(DCT)、离散小波变换(DWT)和轮廓变换(CT)的四种数字水印嵌入和提取算法。具体研究的内容如下:1)提出了基于DFT和PNN相结合的数字水印技术。首先对宿主图像分特定的数量的块,对每块进行DFT,因为相位图含有很多纹理特征,所以选择振幅图像作为被嵌入的目标,嵌入关系用于训练PNN,然后执行DFT逆过程,完成水印嵌入;水印的提取也是先分块,然后根据训练的PNN判断嵌入的水印,还原水印图像。本算法因为嵌入位置的选择增强了不可见性,PNN的引入使得鲁棒性得到进一步提高。2)提出了基于DCT和PNN相结合的数字水印技术。水印嵌入方法是首先对宿主分块,由于低频区域能量集中,嵌入对图像影响大,高频抗过滤压缩能力差,所以选择中频作为嵌入水印,嵌入的中频序列和嵌入噪声的关系作为PNN的训练样本,最后执行逆DCT变换,还原宿主图像。水印提取则是先分块,然后每块执行DCT,使用训练好的PNN判断嵌入水印,还原水印图像。本算法在水印不可见性和抗过滤压缩上得到了加强。3)提出了基于DWT和PNN相结合的数字水印技术。水印的嵌入是先对宿主图像分块,然后对每块进行二级小波分解,与人类视觉系统结合,嵌入到二级变换的高频区域,嵌入的位置与嵌入的噪声的关系作为训练样本,用于训练PNN,然后执行逆DWT,还原宿主图像。水印的提取首先对待检测的图像进行特定数量的分块,然后对分块执行DWT,使用训练好的PNN判断嵌入的水印,还原水印图像。经实验表明,本算法无论是嵌入水印的不可见性还是对攻击手段的鲁棒性上,都有不错的表现。4)提出了基于CT和PNN相结合的数字水印技术。首先对宿主图像分块,根据二值水印的对应位置决定是否嵌入噪声序列,如果嵌入,对分块进行CT,然后选择低频块再进行分块,选择其中的方差较小的块作为嵌入位置,嵌入位置和嵌入噪声序列的关系用于训练PNN,执行逆CT,获取被嵌入水印的宿主图像,完成水印的嵌入过程。水印的提取依然是先分块,然后对全部的块都进行CT,结合训练好的PNN判断是否嵌入水印,还原水印图像。实验表明本算法在不可见性和鲁棒性的表现都有很大的提升。