CN107194863A

CN107194863A - 图像数字水印嵌入系统及方法

Info

Publication number: CN107194863A
Application number: CN201710228007.2A
Authority: CN
Inventors: 邹立斌; 李青海; 侯大勇; 简宋全
Original assignee: Guangdong Fine Point Data Polytron Technologies Inc
Current assignee: Guangdong Fine Point Data Polytron Technologies Inc
Priority date: 2017-04-07
Filing date: 2017-04-07
Publication date: 2017-09-22

Abstract

本申请公开了一种基于SVM(support vector machine，支持向量机)和DWT(discrete watermark transform，离散小波变换)的图像数字水印嵌入系统及方法，首先设置水印评价参数，包括用于衡量水印鲁棒性的相似度NC和用于衡量水印隐蔽性的峰值信噪比PSNR，并根据需求确定两个参数之间的权重β，再利用SVM方法在训练集上进行机器学习，建立关于水印嵌入强度的回归预测模型，实现对待嵌入原始图像的最佳水印嵌入强度的预测，最后应用DWT变换对原始图像嵌入数字水印。

Description

图像数字水印嵌入系统及方法

技术领域

本发明涉及信息安全技术领域，具体涉及一种图像数字水印嵌入系统及方法。

背景技术

随着信息技术的高速发展，信息安全问题日益突出。数字水印技术通过将水印信息嵌入到数字产品中(包括多媒体、文档、软件等)，进而辨别数字产品的来源、创作者等版权信息，已成为数字产品版权保护领域的研究热点。要实现版权保护的功能，数字水印应当具备两个特性：一是鲁棒性，是指经过信号处理后 (包括信道噪声、剪切、旋转等)，数字水印能保持部分完整性并能被提取和鉴别；二是隐蔽性，是指数字水印是不被感知的，且不影响数字产品的正常使用，不会降低原数字产品的质量。

实践表明，在对图像嵌入数字水印的过程中，水印嵌入强度对数字水印的鲁棒性和隐蔽性有很大的影响。但现有技术中，都是采用水印算法直接对图像嵌入数字水印的，而在此过程中，由于没有数字水印嵌入强度的参考模型，数字水印的嵌入强度无法准确的把控，因此数字水印的鲁棒性和隐蔽性通常较差。

另外，现有技术中，通常采用分块离散余弦变换进行图像的数字水印，但这种方式存在的问题是在进行图像的数字水印时，会存在固有的分块效应，从而影响数字水印的鲁棒性和隐蔽性。

发明内容

本发明的目的之一是提供一种图像数字水印嵌入系统，以在图像中嵌入数字水印时，使其鲁棒性和隐蔽性均达到最佳。

本发明的图像数字水印嵌入系统，包括机器学习模块，利用SVM建立关于数字水印嵌入强度的回归预测模型，实现对待嵌入数字水印的原始图像的最佳数字水印嵌入强度的预测，所述的机器学习模块包括预处理单元和机器学习单元；

所述预处理单元，用于建立数据集，所述的数据集包括训练集和测试集，并且对数据集中的所有图像逐一进行数字水印嵌入，针对每个图像确定一个对应的最佳水印嵌入强度；

所述机器学习单元，利用SVM在训练集上进行机器学习，得到关于数字水印嵌入强度的回归预测模型；

输入模块，用于响应当前触发的数字水印嵌入请求，获取待嵌入数字水印的原始图像；

水印嵌入模块，根据回归预测模型预测的最佳水印嵌入强度，应用DWT变换对原始图像嵌入数字水印；

输出模块，用于输出已嵌入数字水印的图像。

进一步，所述最佳数字水印嵌入强度的计算方式是：设置两个评价参数，分别是用于衡量数字水印鲁棒性的相似度NC和用于衡量水印隐蔽性的峰值信噪比PSNR，设置NC和PSNR的权重β，使得β·NC+(1-β)·PSNR取得最大值时，而得到的数字水印嵌入强度即为最佳数字水印嵌入强度。

进一步，所述的机器学习单元还用于在测试集上对回归预测模型进行测试和性能评价。

说明：SVM，支持向量机，为现有技术，在此不再赘述。

本发明的另一目的是提供一种图像数字水印嵌入方法，包括以下步骤：

a.建立最佳数字水印嵌入强度的回归预测模型的步骤；

步骤101.1：获取历史数据建立数据集，包括训练集和测试集；

步骤101.2：输入数据集上的一个原始图像I；

步骤101.3：对原始图像I进行一级DWT变换，得到LL、LH、HL、HH四个频率系数，选择将水印信息嵌入到LH和HL上；

步骤101.4：将频率系数LH和HL分别划分为n×n个系数块，计算所有对应位置上系数块的方差值，分别选择其中最小的l个系数块，记为{u_i,i＝1,...,l}、 {v_i,i＝1,...,l}，作为水印信息的嵌入位置；

步骤101.5：根据以下嵌入公式，把水印信息分别嵌入到上述系数块中：

其中s_i表示水印信息，α表示待定的水印嵌入强度；

步骤101.6：对嵌入水印后的系数块进行IDWT变换，得到嵌入水印后的图像I'；

步骤101.7：根据以下公式，计算用于衡量水印的鲁棒性的相似度NC和用于衡量水印的隐蔽性的峰值信噪比PSNR，

其中W表示嵌入的水印信息，W'表示提取的水印信息，MSE表示均方误差，公式表示为：I为原始图像，I'为嵌入水印后的图像；

步骤101.8：设置上述两个评价参数NC和PSNR的权重β，使得 β·NC+(1-β)·PSNR取得最大值时的水印嵌入强度α即为最佳数字水印嵌入强度；

步骤101.9：对数据集上的所有图像逐一重复步骤101.2-步骤101.8；

步骤102.1：利用SVM在训练集上进行机器学习，得到关于水印嵌入强度的回归预测模型；

b.图像数字水印嵌入步骤：

通过输入模块响应当前触发的数字水印嵌入请求，获取待嵌入数字水印的原始图像；

通过水印嵌入模块根据回归预测模型预测的最佳水印嵌入强度，应用DWT

变换对原始图像嵌入数字水印；

c.输出步骤：

通过输出模块输出已嵌入数字水印的图像。

进一步，步骤b中，应用DWT变换对原始图像嵌入数字水印的方式是：

步骤30.1：对原始图像I₀进行一级DWT变换，得到LL、LH、HL、HH四个频率系数；

步骤30.2：将频率系数LH和HL分别划分为n×n个系数块，计算所有对应位置上系数块的方差值，分别选择其中最小的l个系数块，记为{u_i,i＝1,...,l}、 {u_i,i＝1,...,l}，作为水印信息的嵌入位置；

步骤30.3：应用机器学习模块所得关于最佳水印嵌入强度的回归预测模型，得到I的最佳水印嵌入强度；

步骤30.4：根据以下嵌入公式，把水印信息分别嵌入到上述系数块中：

其中s_i表示水印信息；

步骤30.5：对嵌入水印后的系数块进行IDWT变换，得到嵌入水印后的图像I₀，。

进一步，在步骤102.1后，还包括步骤102.2：在测试集上进行测试和性能评价。

说明：DWT，离散小波变换，通过把图像进行多分辨率分解，生成不同空间和独立频带的子图像，然后根据小波系数的局部特性实现局部的水印嵌入。

本发明的有益效果如下：

利用SVM建立关于水印嵌入强度的回归预测模型，实现对待嵌入原始图像的数字水印的最佳水印嵌入强度的预测，保证水印的鲁棒性和隐蔽性均达到最佳效果，并且可以自定义衡量水印的鲁棒性的相似度NC和用于衡量水印的隐蔽性的峰值信噪比PSNR的权重β，满足用户对鲁棒性或隐蔽性的侧重；

(2)利用DWT变换，对图像进行多分辨率分解，生成不同空间和独立频带的子图像，然后根据小波系数的局部特性实现局部的水印嵌入，相较于其他水印算法，有效地提高了数字水印的鲁棒性和隐蔽性，免除了采用分块离散余弦变换所固有的分块效应。

附图说明

图1是本发明图像数字水印嵌入系统实施例的框图；

图2是通过机器学习模块建立数字水印嵌入强度的回归预测模型的流程示意图；

图3是数字水印嵌入模块的工作流程示意图。

具体实施方式

下面通过具体实施方式对本发明作进一步详细的说明：

实施例基本如附图所示：本实施例公开的图像数字水印嵌入系统，如图1 所示，包括机器学习模块10、输入模块20、水印嵌入模块30、输出模块40。

机器学习模块10，用于利用SVM建立关于水印嵌入强度的回归预测模型，实现对待嵌入原始图像的最佳水印嵌入强度的预测，包括预处理单元101、机器学习单元102。预处理单元，用于建立数据集，数据集包括训练集和测试集，并且对数据集中的所有图像逐一进行数字水印嵌入，针对每个图像确定一个对应的最佳水印嵌入强度；机器学习单元，利用SVM在训练集上进行机器学习，得到关于数字水印嵌入强度的回归预测模型，机器学习单元还用于在测试集上对回归预测模型进行测试和性能评价。

最佳数字水印嵌入强度的计算方式是：设置两个评价参数，分别是用于衡量数字水印鲁棒性的相似度NC和用于衡量水印隐蔽性的峰值信噪比PSNR，设置 NC和PSNR的权重β，使得β·NC+(1-β)·PSNR取得最大值时，而得到的数字水印嵌入强度即为最佳数字水印嵌入强度。

输入模块20，用于响应当前触发的数字水印嵌入请求，获取待嵌入的原始图像I₀；

水印嵌入模块30，用于根据水印嵌入强度的回归预测模型预测的最佳水印嵌入强度，应用DWT变换对原始图像嵌入数字水印；

输出模块40，用于输出已嵌入数字水印的图像。

本实施例还提供了数字水印嵌入强度回归预测模型的建模方法，通过上述机器学习模块10实现，如图2所示，包括建立最佳数字水印嵌入强度的回归预测模型的步骤；

步骤101.2：输入数据集上的一个原始图像I；

其中s_i表示水印信息，α表示待定的水印嵌入强度；

步骤102.2：在测试集上进行测试和性能评价。

如图3所示，本实施例基于上述数字水印嵌入强度回归预测模型的建模方法，还提供了图像数字水印嵌入方法，包括以下步骤：

a.建立最佳数字水印嵌入强度的回归预测模型的步骤；

步骤101.2：输入数据集上的一个原始图像I；

步骤101.3：对原始图像I进行一级DWT变换，得到LL、LH、HL、HH四个频率系数，如下表所示，选择将水印信息嵌入到LH和HL上；

LL	LH
		HL	HH

可选的，可以对原始图像进行二级DWT变换。

其中s_i表示水印信息，α表示待定的水印嵌入强度；

b.图像数字水印嵌入步骤：

通过水印嵌入模块根据回归预测模型预测的最佳水印嵌入强度，应用DWT 变换对原始图像嵌入数字水印。

具体是：

其中s_i表示水印信息；

c.输出步骤：

通过输出模块输出已嵌入数字水印的图像。

以上所述的仅是本发明的实施例，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims

1.图像数字水印嵌入系统，其特征在于，包括机器学习模块，利用SVM建立关于数字水印嵌入强度的回归预测模型，实现对待嵌入数字水印的原始图像的最佳数字水印嵌入强度的预测，所述的机器学习模块包括预处理单元和机器学习单元；

输出模块，用于输出已嵌入数字水印的图像。

2.根据权利要求1所述的图像数字水印嵌入系统，其特征在于：所述最佳数字水印嵌入强度的计算方式是：设置两个评价参数，分别是用于衡量数字水印鲁棒性的相似度NC和用于衡量水印隐蔽性的峰值信噪比PSNR，设置NC和PSNR的权重β，使得β·NC+(1-β)·PSNR取得最大值时，而得到的数字水印嵌入强度即为最佳数字水印嵌入强度。

3.根据权利要求1所述的图像数字水印嵌入系统，其特征在于：所述的机器学习单元还用于在测试集上对回归预测模型进行测试和性能评价。

4.图像数字水印嵌入方法，其特征在于：包括以下步骤：

a.建立最佳数字水印嵌入强度的回归预测模型的步骤；

步骤101.2：输入数据集上的一个原始图像I；

步骤101.4：将频率系数LH和HL分别划分为n×n个系数块，计算所有对应位置上系数块的方差值，分别选择其中最小的l个系数块，记为{u_i,i＝1,...,l}、{v_i,i＝1,...,l}，作为水印信息的嵌入位置；

其中s_i表示水印信息，α表示待定的水印嵌入强度；

步骤101.8：设置上述两个评价参数NC和PSNR的权重β，使得β·NC+(1-β)·PSNR取得最大值时的水印嵌入强度α即为最佳数字水印嵌入强度；

b.图像数字水印嵌入步骤：

通过水印嵌入模块根据回归预测模型预测的最佳水印嵌入强度，应用DWT变换对原始图像嵌入数字水印；

c.输出步骤：

通过输出模块输出已嵌入数字水印的图像。

5.根据权利要求4所述的图像数字水印嵌入方法，其特征在于：步骤b中，应用DWT变换对原始图像嵌入数字水印的方式是：

步骤30.2：将频率系数LH和HL分别划分为n×n个系数块，计算所有对应位置上系数块的方差值，分别选择其中最小的l个系数块，记为{u_i,i＝1,...,l}、{u_i,i＝1,...,l}，作为水印信息的嵌入位置；

其中s_i表示水印信息；

步骤30.5：对嵌入水印后的系数块进行IDWT变换，得到嵌入水印后的图像I₀’。

6.根据权利要求4所述的图像数字水印嵌入方法，其特征在于：在步骤102.1后，还包括步骤102.2：在测试集上进行测试和性能评价。