CN100346632C - 一种抗几何变形的用于隐秘的传输图像的大容量通信方法 - Google Patents

Abstract

本发明属通信与信息安全技术领域，具体是一种抗几何变形的用于隐秘的传输图像的大容量通信方法。本发明以特征点为基础提出了抗几何变形攻击的双层隐秘通信体制。将图像的RGB空间中的三个颜色通道看作双层信道，其中一个通道作为内嵌入隐秘通信内容的信道，另两个通道作为内嵌入图像本身的几何信息的信道。几何信息嵌入到有强鲁棒性质的特征点构成的三角剖分的区域内，该几何信息是所在三角形的中心坐标，把这些坐标用Golay码和CRC校验码保护，并作为初态生成伪随机序列扩展码。在解码时，采用纠错能力高的软判决攻击算法，恢复出伪随机序列的初态。本发明对平移、旋转、缩放、剪切等几何攻击有很强的鲁棒性，解决了信息隐藏领域内关于几何同步的难题。

Description

一种抗几何变形的用于隐秘的传输图像的大容量通信方法

技术领域

本发明属于通信与信息安全技术领域，具体涉及一种能够抗几何变形的用于隐秘的传输图像的大容量通信方法。该方法解决了隐秘通信中的同步的鲁棒性与通信容量之间的矛盾。

技术背景

信息隐藏和水印体制都需要稳健性的要求，信息隐藏通信与数字水印的差异主要是嵌入的容量的不同，和对鲁棒性的要求不同。用于版权保护的水印嵌入的容量小，而要有最高级别的鲁棒性；隐藏通信嵌入的容量大，也要适度的鲁棒性要求。但是任何形式的通信都不可避免同步问题，因此对隐藏通信也必须要有抗几何攻击的鲁棒性。由于嵌入的容量大，实现抗几何攻击的隐藏通信体制的难度更大。就目前已存在的信息隐藏通信体制而言，其鲁棒性只是能够抵抗JPEG压缩，高斯噪声，低通滤波。而不能实现抵抗如异步剪切、平移、旋转、缩放等几何形变的攻击。

几何攻击造成水印检测和提取时失去同步性，使得无法检测到水印或正确提取水印信息。为了解决这个问题，必须在水印嵌入时加入同步信息，并在水印检测时能确保找到这些同步信息。

实现抗几何攻击的鲁棒性是信息隐藏领域内公认的难题。对该技术的研究是信息隐藏领域内中的重要研究热点。到目前为止，还没有出现能够实现抗几何攻击的信息隐秘通信体制技术专利和文献。

发明内容

本发明的目的是提出一种能够抵抗旋转、缩放、平移、剪切等几何形变攻击的、有鲁棒性的大容量隐秘通信方法。

本发明提出的具有抗几何攻击的鲁棒性的大容量隐秘通信方法，具体内容如下：

采用双层水印体制，一层隐藏隐秘通信内容，隐秘通信的内容通过卷积码的保护后嵌入到图像的一个独立的颜色通道中；另一层利用特征点手段嵌入几何同步信息，图像的几何信息是有强鲁棒性质的特征点构成的三角剖分的三角形的中心坐标值；这些中心坐标添上CRC校验码，并使用Golay码保护，再作为一个48级的伪随机生成器的初态，直接扩展生成一个长序列，然后被嵌入到本身的三角区域中。这样的新隐秘通信体制很好地解决了隐秘通信的容量与抗几何变形的鲁棒性之间的矛盾，达到了很好的抗几何攻击和大容量可靠通信的双重效果。

本发明方法拓展了信息隐藏的应用价值，不仅适用于水印体制，而且适用于隐秘通信体制。

本发明方法不但容易在空域中实现，而且也适用于频域内的信息隐藏。

本发明方法在隐秘通信层使用卷积码编码，大大降低了隐秘通信的误码率。在同步信息嵌入层使用CRC校验和Golay码编码，提高了提取同步信息的正确率。

本发明中，在隐秘通信编码时，采取如下步骤：

(1)将图像颜色空间看作双层的通信信道，隐秘通信内容和同步信息分别嵌入到不同的图像层信道中：RGB空间的G，R分量作为同步信息嵌入到同步信息嵌入层；RGB空间的B分量作为隐秘通信内容嵌入到隐秘通信层：

(2)使用Harris检测器，计算特征点；

(3)实施Delaunay三角剖分，构造由鲁棒性质的特征点构成的三角形区域，并计算得到各个三角区域的中心坐标；

(4)把步骤(3)得到的三角形中心坐标附上CRC校验后进行Golay码编码；

(5)把步骤(4)中的编码数据流作为初态，使用一个48级的伪随机生成器产生直接扩频调制；

(6)把步骤(3)中的三角区域进行标准化仿射变换；

(7)将步骤(5)中的扩频数据嵌入到步骤(6)中的标准化三角形区域中。

在隐秘通信接收解码时，采取如下步骤：

(1)对含隐藏信息的图像进行特征点计算，筛选出有强鲁棒性的特征点；

(2)对特征点几何进行Delaunay三角剖分；

(3)对三角区域，进行标准化仿射变换，并采用邻域预测技术，提取同步信息数据流；

(4)对步骤(3)中的数据流，采用了有强纠错能力的流密码软判决相关攻击快速算法实现伪随机码的解扩频；

(5)采样软判决Golay码译码方法；

(6)通过CRC校验筛选正确的中心坐标值；

(7)对解出的中心坐标值与Delaunay三角剖分的三角形中心坐标相对应，应用最小二乘法，计算出几何变换参数；

(8)利用几何变换参数，对图像进行几何校正，并实现隐藏信息的提取。

本发明还提出了修正的Harris特征点检测新算法，其中使用了一个新的检测性能衡量标准，以满足本发明内容的需要。

本发明还提出了软判决伪随机序列快速相关攻击算法。

本发明的主要特点如下：

(a)双层隐秘通信体制：将图像颜色空间看作双层的通信信道，隐秘通信内容和同步信息分别嵌入到不同的图像层信道中。同步信息嵌入到同步信息嵌入层：RGB空间的G，R分量；隐秘通信内容嵌入到隐秘通信层：RGB空间的B分量。

(b)同步信息的嵌入：特征点与图像内容紧密相关，旋转、平移、缩放等几何形变不会改变特征点在图像中的相对位置，特征点位置的变化与图像的几何形变是同步的，因此特征点具有很强的抗几何攻击的特点，Delaunay三角剖分由一组特征点得到唯一的一组三角形区域，我们在各个三角区域内嵌入该三角形的中心坐标，该坐标在仿射变换下是不变的，它是原始图像的几何不变参数，接收方对比提取出的几何参数和变形后的图像的相应三角形的中心坐标，从而估计出图像几何形变参数，实现几何校正。我们的同步信息嵌入方法有很强的抗几何攻击鲁棒性。

(c)同步信息的选取及CRC校验、纠错编码保护：选用各个三角形的中心的横纵坐标作为同步信息，保证每个三角形区域嵌入的同步信息都不同。三角形中心坐标可以用20比特表示，并加上4位CRC校验码后，然后对其进行Golay(24，12，8)编码并交织，得到长度48比特的同步编码数据，将这些数据用伪随机码生成器进行直接扩频调制后嵌入到对应的三角形区域内。

(d)同步信息提取为其逆过程，其中使用软判决伪随机序列相关快速攻击的方法实现快速强纠错地恢复出伪随机码的初态。

(e)图像几何形变的参数估计及还原：以每个三角形的中心坐标为数字同步信息，提取后，可以得到一组几何形变前后对应点的坐标，由这些点的坐标位置变化可以估计图像经历了哪些几何攻击，采用最小二乘法拟合出整幅图像的整体几何形变参数，并通过仿射变换和插值计算进行图像重构，得到几何形变还原图像，用作下一步隐秘通信层的内容提取。

附图说明

图1为本发明的隐秘通信的编码过程。

图2是本发明的隐秘通信的解码过程。

图3表示图象的特征点及其对应的剖分三角形。

图4是三角形的仿射变换A和三次样条插值示意图。

具体实施方式

本发明的方法主要包括如下步骤：

1、特征点提取。

2、三角剖分及三角形仿射变换。

3、利用人类视觉模型测定嵌入强度。

4、编码嵌入与解码提取。

下面，我们介绍上述实施方式的细节

1.特征点提取

特征点提取已经广泛应用于计算视觉和图像检索等领域。本发明主要采用如下的特征点提取方法。

(1)Harris特征点检测器

Harris检测器可以描述为：

$X=I*[-\mathrm{1,0,1}]\≈\left(\frac{\∂I}{\∂x}\right),Y=I*{[-\mathrm{1,0,1}]}^T\≈\left(\frac{\∂I}{\∂y}\right)$

$A=X^2*w\≈{\left(\frac{\∂I}{\∂x}\right)}^2,B=Y^2*w\≈{\left(\frac{\∂I}{\∂y}\right)}^2,C=\left(\mathrm{XY}\right)*w\≈\left(\frac{\∂I}{\∂x}\right)\left(\frac{\∂I}{\∂y}\right)$ (1)

其中I表示图像的亮度矩阵，*表示卷积，w为卷积算子，X，Y分别为图像x方向和y方向的近似梯度。

$M=\left[\begin{array}{cc}A& C\\ C& B\end{array}\right];$ Tr(M)＝α+β＝A+B，Det(M)＝αβ＝AB-C²，            (2)R＝Det(M)-k(Tr(M))²

其中，Tr表示矩阵M的迹，Det表示矩阵M的行列式，α，β是矩阵M的两个特征值，R表示特征点响应，k为常参(Harris推荐k＝0.04)。

高于门限的特征点响应R的局部极大值都可以定义为我们要找的特征点。

  S＝{(x，y)|R(x，y)＞η，(u，v)∈V_x，y，R(x，y)≥R(u，v)}          (3)

其中，R(x，y)为点(x，y)处的特征点响应，η为特征点响应的门限，V_x，y为点(x，y)的二维邻域，S为特征点集。

(2)Harris特征点检测器的改进

需要一种可以抵抗几何形变等的特征点检测器。为此，必须提高Harris检测器的抗几何攻击能力和抗普通图像处理攻击能力。本发明对现有的Harris检测器作了一些改进。

首先，提出如下的score值为检测器性能的衡量标准：

$\mathrm{score}=\frac{N_{\mathrm{pre}}-(N_{\mathrm{cre}}+N_{\mathrm{des}})}{N_{\mathrm{ini}}}...\left(4\right)$

其中：N_ini表示原始图像I中检测出的特征点个数；N_pre表示经过攻击后图像中检测到与原特征点完全吻合的特征点个数；N_des表示经过攻击后检测丢失的原特征点个数；N_cre表示经过攻击后检测到与原特征点不吻合的特征点个数。

特征点提取之前，还需要对图像进行低通滤波以减小噪声的影响，在比较了不同强度的低通滤波效果，我们发现当5*5的算子为式(5)时效果最好。表1列出了对比高斯算子和M₅算子通过不同攻击方法得到的特征点提取效果score均值

$M_5=\left[\begin{array}{ccccc}1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\\ 1& 1& 1& 1& 1\end{array}\right]...\left(5\right)$

         表1.特征点检测抗几何攻击性能比较。

利用[-2，-1，0，1，2]进行卷积求图像梯度，以便能有效地提高梯度求取的精确性，减小加入水印后所产生的少量噪声对梯度求取的影响；在求取梯度的二次分量时，对二次分量X²，Y²，(XY)进行二维高斯滤波，以便能有效地减小噪声造成的二次分量变化对特征点响应的影响。

     X＝I*[-2，-1，0，1，2]，Y＝I*[-2，-1，0，1，2]^T              (6)

求取高斯卷积算子w＝(w_uv)：

$w_{\mathrm{uv}}=\frac{g_{\left|u\right|}\&CenterDot;g_{\left|v\right|}}{{\left(\underset{i=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{g}_{\left|i\right|}\right)}^2},-\&infin;<u,v<+\&infin;$ $g_k=\underset{i=0}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}{e}^{-\frac{{(k-0.5+0.2i)}^2}{2{\mathrm{\&sigma;}}^2}},k\&GreaterEqual;0...\left(7\right)$

其中，σ为高斯卷积微调参数，经过大量试验表明，可选取的范围在0.4-1.5之间。例如可选取σ＝0.6。

在选取响应R的局部极大值的特征点时，得到的特征点既要和图像内容紧密相关，又要在几何位置上有一定约束，不要集中于高频纹理区域，尽量均匀分布。

本发明采用以(x，y)为圆心，D为直径的圆形区域作为邻域V_x，y，

$D=\frac{(\mathrm{width}+\mathrm{height})}{\mathrm{\&gamma;}}...\left(8\right)$

其中width表示图像宽度，height表示图像高度，γ是控制圆形邻域的大小的调整参数。并通过大量试验，参数γ的取值范围为18-25。例如选取γ＝20，这时特征点分布均匀，间距适中，得到的三角形比较接近标准三角形，效果很好。

将普通方法得到的特征点(图3(b))和我们的优化方法得到的特征点(图3(a))作比较，图3(a)的特征点和内容更紧密相关，而且分布比较均匀，适合后继的三角剖分(图3(c))和嵌入，且在检测阶段受几何攻击的影响较小；图3(b)的特征点虽然和图像内容也相关，但是特征点过于密集，三角剖分得到三角形(图3(d))过小，不是非常适合嵌入，且在水印提取阶段受到几何攻击的影响很大，性能不稳定。实验表明优化方法在抗几何攻击方面具有更强的鲁棒性。

2.三角剖分及三角形仿射变换

图像经过攻击后，得到的特征点与原先的特征点并不完全吻合。三角剖分是把不完全吻合的点造成的影响限制在局部范围之内。我们使用Delaunay三角剖分，它满足以下性质：

a.Delaunay三角剖分后得到的三角形集T_d＝{T_di}是特征点集S的点覆盖，并满足：

T_d＝{(s_i，s_j，s_k)∈S³|(s_i，s_j，s_k)∈T_d，C(s_i，s_j，s_k)∩(S-s_i-s_j-s_k)＝φ}    (9)

其中，C(s_i，s_j，s_k)表示点s_i，s_j，s_k构成的三角形闭合区域内所包含的特征点的集合，如图4.

b.Delaunay三角剖分具有局部稳定性：如果某个点消失了，则剖分模式仅在与此点相邻的三角形处有所改变，其他部分保持稳定。

c.Delaunay三角剖分计算复杂度低。

仿射变换(affine transformation)A将任意形状的三角形T_m变换转化成指定形状三角形T。我们指定96*96的等腰直角三角形T为标准三角形。通过仿射变换A，我们可以将T_m中的任意一点(x_m，y_m)映射到T中某一目标点(x_t，y_t)。A可由6个参数(a，b，c，d，e，f)确定：

$A(x_m,y_m)=\left[\begin{array}{cc}a& b\\ c& d\end{array}\right]\left(\begin{array}{c}{x}_m\\ y_m\end{array}\right)+\begin{array}{c}\left(\begin{array}{c}e\\ f\end{array}\right)\end{array}=\left(\begin{array}{c}{x}_t\\ y_t\end{array}\right)...\left(10\right)$

反之，我们可以由指定形状的三角形T仿射变换成为任意形状的三角形T_m，对应的仿射变换为A’。由于将T_m变换为T有6种不同旋转方式，我们选取将T_m的最大角与T的直角对应，只有旋转和平移，无翻转的方式。通过找三角形最长边可以得到最大角顶点。不妨设(x_m0，y_m0)为最大角顶点，三个顶点序列是(x_m0，y_m0)(x_m1，y_m1)(x_m2，y_m2)，三点成逆时针方向；同理，对T的三个顶点序列是(x₀，y₀)(x₁，y₁)(x₂，y₂)，三点成逆时针方向，(x₀，y₀)为三角形最大角顶点，我们可以通过式(11)求得T_m→T的仿射变换A。

$T_m\stackrel{A}{\&RightArrow;}T$

$M_{\mathrm{Tm}}=\left(\begin{array}{cc}{y}_{m0}-y_{m1}& y_{m2}-y_{m1}\\ x_{m0}-x_{m1}& x_{m2}-x_{m1}\end{array}\right)$

$a=-((x_0-x_1)*(y_{m2}-y_{m1})-(x_2-x_1)*(y_{m0}-y_m))/\det \left(M_{T_m}\right);$

$b=-((x_0-x_1)*(x_{m2}-x_{m1})-(x_2-x_1)*(x_{m0}-x_{m1}))/\det \left(M_{T_m}\right);...\left(11\right)$

$d=-((y_0-y_1)*(x_{m2}-x_{m1})-(y_2-y_1)*(x_{m0}-x_{m1}))/\det \left(M_{T_m}\right);$

$c=-((y_0-y_1)*(y_{m2}-y_{m1})-(y_2-y_1)*(y_{m0}-y_m))/\det \left(M_{T_m}\right);$

                 e＝x₀-a*x_m0-b*y_m0；

                 f＝y₀-c*x_m0-d*y_m0；

在对普通三角形正规化时，需要求标准三角形T内所有像素点的灰度，我们首先要求出T→T_m的仿射变换A’。然后，在T_m中进行三次样条插值计算。三次样条插值邻域V是4*4的块，如图4所示，三次样条差值公式表述为式(12)。

$I_m=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}\underset{j=0}{\overset{3}{\mathrm{\&Sigma;}}}{\mathrm{wx}}_i\&CenterDot;{\mathrm{wy}}_j\&CenterDot;I(i,j)$

${\mathrm{wx}}_k=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{a}_i{h_k}^i,$ ${\mathrm{wy}}_k=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{a}_i{v_k}^i,k=\mathrm{0,3};...\left(12\right)$

${\mathrm{wx}}_k=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{b}_i{h_k}^i,$ ${\mathrm{wy}}_k=\underset{i=0}{\overset{3}{\mathrm{\&Sigma;}}}{b}_i{h_k}^i,k=\mathrm{1,2}.$

其中I(i，j)表示邻域中样本点(i，j)处的像素值，h_i表示仿射点m与样本点(i，j)在水平方向上的距离，v_j表示仿射点m与样本点(i，j)在垂直方向上的距离，a_i，b_i为三次多项式系数，wx_i表示水平方向各像素点权重，wy_i表示垂直方向各像素点权重。利用Mitchell和Netravali在[1]中提出的系数方法，我们选取能保留大量高频分量的系数，b＝0，c＝1。

$\left(\begin{array}{c}{a}_0\\ a_1\\ a_2\\ a_3\end{array}\right)=\frac{1}{6}\begin{array}{}\end{array}\left(\begin{array}{ccc}0& 8& 24\\ 0& -12& -48\\ 0& 6& 30\\ 0& -1& -6\end{array}\right)\left(\begin{array}{c}1\\ b\\ c\end{array}\right);$ $\left(\begin{array}{c}{b}_0\\ b_1\\ b_2\\ b_3\end{array}\right)=\frac{1}{6}\left(\begin{array}{ccc}6& -2& 0\\ 0& 0& 0\\ -18& 12& 6\\ 12& -9& -6\end{array}\right)\left(\begin{array}{c}1\\ b\\ c\end{array}\right)...\left(13\right)$

3.利用人类视觉模型测定嵌入强度

在本发明中，采用了人类视觉模型。先将图像分成8*8的块(block)，共有B_x*B_y个块，x(k₁，k₂)表示第(k₁，k₂)个块的视觉特征矩阵，(0＜k₁≤B_x，0＜k₂≤B_y)，J(i，j)表示点(i，j)处的视觉感知门限。式(14)表示了求J的方法。

J(i，j)＝l(k₁，k₂)+dif(i，j)，8×k₁≤i＜8×(k₁+1)，8×k₂≤j＜8×(k₂+1)  (14)

$\mathrm{dif}(i,j)=\frac{{|c-I(i,j)|}^2}{\mathrm{\&alpha;}},l(k_1,k_2)=P\left(x(k_1,k_2)\right),x(k_1,k_2)=\mathrm{var}(k_1,k_2)+\mathrm{entr}(k_1,k_2)...\left(15\right)$

I(i，j)是图像点(i，j)处的亮度分量值，α是一常量因子，一般取α为1800-2000，例如α＝2000，P(·)表示预先定义的噪声门限映射函数，预设的噪声门限是根据大量实验取得的经验值；var(k₁，k₂)和entr(k₁，k₂)分别表示块(k₁，k₂)的方差和熵；dif(i，j)表示点(i，j)处根据像素值I(i，j)得到的加性噪声门限；c表示人眼敏感像素值中心，人眼对很暗和很亮处的变化的敏感程度要小于对中等亮度处的变化的敏感程度，一般取c为150-180，如可取c＝160；1(k₁，k₂)表示块(k₁，k₂)的基础噪声门限，它们的和就是我们要得到的视觉感知门限，即视觉因子。

4.编码嵌入与解码提取

A.编码嵌入过程

水印嵌入系统主要可分为两个层面的信息嵌入：

1.在隐秘通信层内，将隐秘通信内容嵌入到整幅图像范围内；

2.在同步信息嵌入层中，将图像特征点坐标信息作为同步信息嵌入到与图像内容相关的三角形区域内。

图1说明了水印嵌入过程。具体介绍如下。

我们先实现隐秘通信层内隐藏信息的嵌入，采用基于信道编码的水印方案[2]。步骤如下：

1.1.根据用户密码key生成伪随机序列P＝{p_i}(p_i∈{-1，1})，i∈{1，...，N}，N为总嵌入长度。

1.2.将隐秘通信内容b＝(b₁，...，b_Nb)，b_i∈{1，-1}通过卷积码编码器编码得到向量c＝{c₁，...c_Nc}，c_i∈{1，-1}，i∈{1，...，Nc}，经交织得到同样长度的向量c’，对c’进行扩频：

c″＝(c₁″，...，c_N″)，c_i″∈{-1，1}，i∈{1，...N}，其中c_i″＝c_j′，

最后，用伪随机序列P对c”进行调制得到W_s＝P·c”。

1.3.按照Hilbert扫描方式，将向量W_s排列为二维矩阵形式W。

1.4.计算视觉因子矩阵J，利用I′＝I+W·J，将隐藏信息嵌入到RGB空间的B分量。

这样，将水印W嵌入图像RGB空间的B分量中，得到了含有隐秘通信内容的图像I’。接下来，实现在同步信息嵌入层中嵌入同步信息。其步骤为：

2.1对图像I’利用改进的Harris检测器提取特征点，得到特征点集S＝{s_i}0≤i＜N_f，N_f为特征点个数；

2.2根据S，利用Delaunay算法进行三角剖分得到可嵌入三角形集T_m＝{T_mi}，0≤i＜N_t，N_t为可嵌入三角形总个数；

2.3对各三角形区域嵌入的同步信息进行CRC校验和纠错编码。在各个三角形区域嵌入本三角形的位置信息L＝(x_c，y_c，crc)，长度24比特，其中(x_c，y_c)是三角形的中心坐标，crc为4位CRC校验位，经golay(24，12，8)分组编码并交织得到向量g＝(g₁，g₂)，向量g₁，g₂取值{-1，1}上的24维向量。

2.4将向量g₁，g₂分别扩频调制并排列成标准三角形的形状。按式(17)对g₁，g₂进行扩频，再利用1.1得到的伪随机序列P对B调制，得到序列W_t＝(W₁，W₂)＝B·P。

B＝({b_1i}，{b_2i})，i∈[1，N_e]，b_1i＝g_1j，b_2i＝g_2j，

在标准三角形的像素点内以大小为2*2的块为单位进行”之字形”扫描，W₁，W₂每比特扩散到2*2的块中，将一维序列W₁和W₂分别构造成二维标准形状的三角形T_w1和T_w2。

2.5将标准形状的T_w1和T_w2分别仿射成普通形状T_mi∈T_m的三角形。以T_w1为例，利用仿射变换A_i:T_mi→T，得到任意位置(x_m，y_m)∈T_mi在T_wt中的仿射点(x_w，y_w)，由三次样条插值求得(x_m，y_m)处的水印嵌入值，得到形状与T_mi相同的水印嵌入块T_wmi。同理，T_w2也仿射为T_mi形状的水印嵌入块。所有水印嵌入块的集合组成了同步信息嵌入层的发送信号。

$T_{\mathrm{wm}}=\underset{i}{\&cup;}{T}_{\mathrm{wmi}}...\left(18\right)$

2.6利用1.4得到的视觉因子J，由式(19)，分别在RGB空间的R，G分量上嵌入水印嵌入块.I”表示已嵌入同步信息的图像，β_i是各个三角形水印嵌入强度调整系数。我们在嵌入每个三角形i后，对三角形i进行水印提取测试，反馈水印提取的正确率，适当调节各个水印嵌入块的嵌入强度β_i。

$I^{\&prime;\&prime;}=I^{\&prime;}+\underset{i}{\&cup;}J\&CenterDot;{\mathrm{\&beta;}}_i\&CenterDot;T_{\mathrm{wmi}}...\left(19\right)$

本发明的标准三角形是96*96的直角等腰三角形，总嵌入位置有4656bits，因此我们三角形内扩展总位数是N_e＝4656/4＝1164。

B.解码提取过程

提取过程在两个层面内进行：1.利用特征点信息在同步信息嵌入层内提取同步信息，并进行几何形变参数估计，对图像的几何形变进行还原校正；2.在经过几何形变校正的整幅图像里，提取出隐秘通信层中的隐藏信息。

图2说明了本发明的水印提取过程。下面，我们详细论述提取过程。

首先在同步信息嵌入层提取同步信息，步骤如下：

1.与同步信息嵌入过程的2.1相同

2.与同步信息嵌入过程的2.2相同

3.根据用户密码key生成伪随机序列P＝{p_i}(p_i∈{-1，1}，0≤i＜N_e).N_e为三角形内扩展总长度

4.对普通形状T_mi的三角形区域内的R，G分量分别仿射为标准形状T的三角形。利用仿射变换A_i’:T→T_mi和三次样条插值，得到三角形块T_s1和T_s2，这是嵌入过程2.5的逆过程。

5.对T_s1和T_s2进行邻域预测滤波。由式(20)分别得到两个三角形预测水印分量δ₁和δ₂。

$\mathrm{\&delta;}(i,j)=T_s(i,j)-\widetilde{T_s}(i,j);$ ${\tilde{T}}_s(i,j)=\frac{1}{4c}[\underset{k=-c}{\overset{c}{\mathrm{\&Sigma;}}}{T}_s(i+k,j)+\underset{k=-c}{\overset{c}{\mathrm{\&Sigma;}}}{T}_s(i,j+k)-2T_s(i,j)]...\left(20\right)$

其中，c为预测邻域的范围参数，T_s(i，j)为三角形内点(i，j)处像素值。实验表明c可取3-8，例如c＝4时，效果很好。

6.分别在二维序列δ₁和δ₂中提取水印。对δ₁和δ₂作以2*2小块为单位的”之字形”扫描，并取2*2小块内水印分量的均值，得到一维序列{d_i}，0≤i≤2*N_e，通过式(21)计算出水印响应s＝{s_k}。

7.

$s_k=\underset{t=k\&CenterDot;\mathrm{cr}}{\overset{(k+1)\mathrm{cr}-1}{\mathrm{\&Sigma;}}}(p_t\&CenterDot;d_t)+\mathrm{\&Delta;};$ $\mathrm{\&Delta;}=-\left(\underset{t=k\&CenterDot;\mathrm{cr}}{\overset{(k+1)\mathrm{cr}-1}{\mathrm{\&Sigma;}}}{p}_t\right)\&CenterDot;E\left(d_t\right)...\left(21\right)$

对(21)中计算得到的软判决序列s＝{s_k}，使用软判决伪随机序列相关攻击快速算法计算出嵌入于这个三角形区域的信息比特串w＝{w_k}。

8.对w进行解交织，golay解码和CRC校验。通过CRC校验，我们除去校验错误的同步信息，得到这个三角形原始中心坐标。

9.对同步信息嵌入层的所有三角形区域作信息提取，可以得到的一组原始中心坐标以及对应当前中心坐标。

得到一组几何形变前后对应点的坐标后，采用最小二乘估算法估算出几何形变参数，并对图像进行几何形变校正，得到校正图像I_c。

最后，提取I_c整幅图像在隐秘通信层提取出隐秘通信内容。

由于本发明采用了2*2块为单位的“之”字形扫描方式，像素间具有很强的相关性。邻域预测滤波可以较好的将原始图像分量作为噪声除去，大大降低了原始图像分量对判决响应s_k的影响，提高了同步信息提取的正确率。

从试验结果来看，本发明具有抗几何攻击的特点，对少量旋转、缩放、仿射变换和少量噪声都具有很强的鲁棒性，这些操作对特征点提取影响很小，能够保留大量含同步信息的三角形，而且对三角形仿射和插值影响很小；当旋转角度很大，缩放比例很大时，对特征点提取影响较大，也就减少了含同步信息的三角形个数，而且还会影响三角仿射，图像重构插值的准确性，所以，抗攻击性能有所下降较快；同时我们也发现当旋转角度为90度的倍数时，提取效果是非常好。

Claims (5)

1、一种抗几何变形的用于隐秘的传输图像的大容量通信方法，其特征在于：采用双层水印体制，一层隐藏隐秘通信内容，隐秘通信的内容通过卷积码的保护后嵌入到图像的一个独立的颜色通道中；另一层利用特征点手段嵌入几何同步信息，图像的几何信息是有强鲁棒性质的特征点构成的三角剖分的三角形的中心坐标值；这些中心坐标添上CRC校验码，并使用Golay码保护，再作为一个48级的伪随机生成器的初态，直接扩展生成一个长序列，然后被嵌入到本身的三角区域中。

2、根据权利要求1所述的方法，其特征在于在隐秘通信编码时，采取如下步骤：

(1)将图像颜色空间看作双层的通信信道，隐秘通信内容和同步信息分别嵌入到不同的图像层信道中：RGB空间的G、R分量作为同步信息嵌入到同步信息嵌入层；RGB空间的B分量作为隐秘通信内容嵌入到隐秘通信层；

(2)使用Harris检测器，计算特征点；

(3)实施Delaunay三角剖分，构造由鲁棒性质的特征点构成的三角形区域，并计算得到各个三角区域的中心坐标；

(4)把步骤(3)得到的三角形中心坐标附上CRC校验后进行Golay码编码；

(5)把步骤(4)中的编码数据流作为初态，使用一个48级的伪随机生成器产生直接扩频调制；

(6)把步骤(3)中的三角区域进行标准化仿射变换；

(7)将步骤(5)中的扩频数据嵌入到步骤(6)中的标准化三角形区域中。

在隐秘通信接收解码时，采取如下步骤：

(1)对含隐藏信息的图像进行特征点计算，筛选出有强鲁棒性的特征点；

(2)对特征点几何进行Delaunay三角剖分；

(3)对三角区域，进行标准化仿射变换，并采用邻域预测技术，提取同步信息数据流；

(4)对步骤(3)中的数据流，采用了有强纠错能力的流密码软判决相关攻击快速算法实现伪随机码的解扩频；

(5)采样软判决Golay码译码方法；

(6)通过CRC校验筛选正确的中心坐标值；

(7)对解出的中心坐标值与Delaunay三角剖分的三角形中心坐标相对应，应用最小二乘法，计算出几何变换参数；

(8)利用几何变换参数，对图像进行几何校正，并实现隐藏信息的提取。

3、根据权利要求2所述的方法，其特征在于采用改进的Harris检测器计算特征点：

Harris特征点检测器为：

$X=I^{*}[-\mathrm{2,1,0,1,2}]\&ap;\left(\frac{\&PartialD;I}{\&PartialD;x}\right),$ $Y=I^{*}{[-\mathrm{2,10,1,2}]}^T\&ap;\left(\frac{\&PartialD;I}{\&PartialD;y}\right)$

$A=X^2*w\&ap;{\left(\frac{\&PartialD;I}{\&PartialD;x}\right)}^2,$ $B=Y^2*w\&ap;{\left(\frac{\&PartialD;I}{\&PartialD;y}\right)}^2,$ $C=\left(\mathrm{XY}\right)*w\&ap;\left(\frac{\&PartialD;I}{\&PartialD;x}\right)\left(\frac{\&PartialD;I}{\&PartialD;y}\right)$ (1)

其中I表示图像的亮度矩阵，^*表示卷积，w为卷积算子，X，Y分别为图像x方向和y方向的近似梯度；设

$M=\left[\begin{array}{cc}A& C\\ C& B\end{array}\right];$ Tr(M)＝α+β＝A+B，Det(M)＝αβ＝AB-C²，           (2)R＝Det(M)-k(Tr(M))²

其中，Tr表示矩阵M的迹，Det表示矩阵M的行列式，α，β是矩阵M的两个特征值，R表示特征点响应，k为常参；

高于门限η的特征点响应R的局部极大值都定义为需要找的特征点：

S＝{(x，y)|R(x，y)＞η，(u，v)∈V_x，y，R(x，y)≥R(u，v)}        (3)

其中，R(x，y)为点(x，y)处的特征点响应，η为特征点响应的门限，V_x，y为点(x，y)的二维邻域，S为特征点集；

卷积算子w＝(w_uv)：

$w_{\mathrm{uv}}=\frac{g_{\left|u\right|}\&CenterDot;g_{\left|v\right|}}{{\left(\underset{i=-\&infin;}{\overset{\&infin;}{\mathrm{\&Sigma;}}}{g}_{\left|i\right|}\right)}^2},-\&infin;<u,v<+\&infin;,g_k=\underset{i=0}{\overset{+\&infin;}{\mathrm{\&Sigma;}}}{e}^{-\frac{{(k-0.5+0.2i)}^2}{2{\mathrm{\&sigma;}}^2}},k\&GreaterEqual;0...\left(7\right)$

其中，σ为高斯卷积微调参数，可选取的范围在0.4-1.5之间。

4、根据权利要求3所述的方法，其特征在于所述邻域Vxy采用以(X，Y)为圆心，D为直径的圆心区域：

$D=\frac{(\mathrm{width}+\mathrm{height})}{\mathrm{\&gamma;}}...\left(8\right)$

其中width表示图像宽度，height表示图像高度，γ是控制圆形邻域的大小的调整参数。

5、根据权利要求3所述的方法，其特征在于在特征点提取之前，对图像进行低通滤波，并采用下述5*5滤波算子M5：

Images