CN100594514C - 一种自适应的扩展变换抖动调制水印方法 - Google Patents

Abstract

一种自适应的扩展变换抖动调制水印方法。扩展变换抖动调制水印兼有量化索引调制水印和扩频通信系统的优点，具有良好的抗攻击性能。然而，原始的STDM方法采用的是固定的量化步长，没有考虑人的感知模型，因而其性能受到很大的限制。本发明在原始的STDM中引入一种人类感知模型/信号质量评价方法，用于衡量水印引入的失真量和计算一个权重序列，并使用加权整形水印思想修改宿主信号，使得对宿主信号的局部更改量适合人的感知系统；再设计量化步长以满足由不可感知性所确定的失真条件。采用本发明所述的方法，嵌入水印可以充分使用载体信号的局部特征，自适应的设计量化步长，大大增强了水印鲁棒性的同时也获得了良好的水印不可感知性。

Description

一种自适应的扩展变换抖动调制水印方法

技术领域

本发明属于数字水印技术领域，涉及一种水印嵌入方法，特别涉及一种自适应的扩展变换抖动调制水印方法。

背景技术

过去十年，数字媒体信息的使用与分布爆炸性增长。借助互联网，人们可以方便地发布和获取各种数字信息，包括图像、音频、视频和文本等，以及诸多在线服务。但同时，盗版也变得更加容易，不受限制的复制与不可控的传输使得数字内容毫无版权可言。对数字内容的管理和保护成为业界迫切需要解决的问题。

数字水印是一种新兴的版权保护技术。它研究如何在原始数据中隐藏一定量的附加信息，例如作品的所有权、使用权或者公司的标识等，并通过对被隐藏信息的提取和识别达到验证版权的目的。一个典型的水印系统由嵌入器和检测器两部分组成。嵌入器通过修改原始载体数据嵌入信息，因此，水印嵌入器可以一般性的表示为

y＝x+w    (1)

其中，x、w和y都是长为N的一维向量，分别代表原始载体/宿主信号、水印信号和嵌入水印的载体/宿主信号。x可以是原始多媒体信号的某种特征，比如说图像的像素值，各种变换域系数等。w的生成一般要根据被隐藏的信息M，并可能利用x的特征。为了安全起见，w的生成依赖于密钥K。

一个好的数字水印系统应满足两个重要的要求：不可感知性和鲁棒性。所述的不可感知性指因嵌入水印导致原始数据的质量失真对观察者的视觉/听觉系统来讲是不可察觉的，最理想的情况是水印图像与原始图像在视觉/听觉上一模一样，这是绝大多数应用环境对水印算法的要求。所述的鲁棒性指一个数字水印应该能够承受大量的、不同的物理和几何失真，包括有意的(如恶意攻击)或无意的(如图像压缩、滤波、扫描与复印、噪声污染、尺寸变化等等)。然而，二者相互矛盾。当前，一个被广泛接受的观点是鲁棒水印应该尽可能的利用人的感知系统特征。

Podilchuk[7]提出了一种典型的自适应扩频水印(spread spectrum watermarking，SS)，称为感知整形水印(perceptually shaped watermarking，PSW)。他利用人类视觉模型(human visual model，HVM)推出x的每个分量的最大不可见修改量(just noticeabledi fferences，JNDs)得到序列s，并根据下式修改x，

y＝x+αu·s    (2)

其中，“·”表示将两个向量的对应元素相乘，u是一个扩展向量。嵌入强度α取决于失真条件

D(y，x)≤d    (3)

式(2)体现了根据人类感知特征修改x的思想(对x的修改量将随着s变化)，它提高了检测值的同时使水印不可见性也得到提升。这一思想被广泛应用到其他嵌入域内和其他类型的载体信号上。

最近，一类扩展变换抖动调制水印(STDM：spread transform dither modulation)方法受到了广泛的关注。STDM将要嵌入的信息m编码成一个长为p的G元序列b，它的每个元素b_i满足b[k]∈Ω，Ω＝{0，1，…，G-1}；同时，为嵌入多位水印信息，载体信号x被分成p个长度皆为L的子序列，即x＝x₁||x₂||…||x_p。STDM选择一抖动量化器修改x_k在扩展向量u上的投影来嵌入对应的隐藏信息b[k]，

$y_{-k}^{T}u=Q_{\mathrm{\Δ}}(x_k^{T}u-z[b\left[k\right],k\left]\right)+z\left[b\right[k],k]---\left(4\right)$

这里Q_Δ(·)表示步长为Δ的量化器，z[b[k]，k]是抖动值。由此，y_k可表示为

y_k＝x_k+α_ku    (5)

其中α_k＝q_ek/||u||²，

相应的，检测器可表示为

$\hat{b}\left[k\right]=\arg \underset{m\∈\mathrm{\Ω}}{\min }|y_k^{T}u-(Q_{\mathrm{\Δ}}(y_k^{T}u-z[m,k\left]\right)+z[m,k\left]\right)|---\left(6\right)$

STDM有效地结合了SS和QIM，兼有二者的优点，具有良好的抗攻击性能。但是，它使用固定的量化步长，并且对宿主信号每个分量的修改量也是随机的，不符合人的感知系统特征；结果，为满足水印不可感知性的要求，量化步长不可能取得很大，因而损失了STDM的鲁棒性，二者之间难以获得理想的折衷。

发明内容

针对现有技术中存在的缺陷，本发明的目的是提供一种自适应的STDM水印嵌入方法，该方法能够根据原始信号的特征自适应地调整水印的局部嵌入强度和量化步长，在保证水印不可感知性的同时大大提升水印鲁棒性。

为达到以上目的，本发明采用的技术方案是：一种自适应的STDM水印嵌入方法，它在原始的STDM中引入一种人类感知模型/信号质量评价方法，使用PSW的水印加权思想修改宿主信号x，也就是y_k＝x_k+α_ku·s_k，然后确定修改量或者量化步长，根据：1)加水印的信号y满足给定的失真条件D(y，x)≤d；2)每个子向量y_k满足检测条件，即y_k在扩展向量u上的投影y_k ^Tu等于利用所选择的抖动量化器对投影x_k ^Tu的量化输出。

其中，信号s代表了一个广义上的权重序列，例如通过宿主信号、扩展向量和JND序列的某个函数获得s，而不仅限于只把JND序列作为权重。

进一步，如果从多媒体信号的时间域/空间域内抽取宿主信号，为提升水印的鲁棒性，选择包含特定对象而且纹理丰富的局部信号区域内的系数。如果从多媒体信号的频率域抽取宿主信号，为提升水印的鲁棒性，选择中频、中低频或低频系数，目的是避开多数常见的信号处理操作。

更进一步，为提升水印的安全，可以将取出的宿主信号置乱，同时使用随机信号发生器并以密钥K为种子产生扩展向量和抖动向量。

进一步，信息嵌入的具体过程是先根据失真条件1)计算各个子向量的量化步长Δ，然后利用Δ根据下式计算每个子向量的嵌入强度α_k，从而生成了一个嵌入强度序列α。

${\mathrm{\α}}_k=(Q_{\mathrm{\Δ}}(x_k^{T}u-z[b\left[k\right],k\left]\right)-(x_k^{T}u-z[b\left[k\right],k\left]\right))/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}s[i,k]u{\left[i\right]}^2,k=\mathrm{1,2},...,p,---\left(7\right)$

其中，s[i，k]代表权重序列的第k个子向量s_k的第i个分量，u[i]表示扩展向量的第i个分量。

再进一步，各个子向量的长度不必相同，也不必使用相同的量化步长，但为了便于检测，我们取其为相同。计算全局量化步长的方法是先计算一个初始Δ，然后再对Δ进行适当的缩放以使y相对原信号x的失真量逼近可允许的失真上限d。

更进一步，如果所选用的感知模型采用误差信号的明可夫斯基范数形式衡量总体的质量失真，即

$D(x,y)={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\frac{y\left[i\right]-x\left[i\right]}{s\left[i\right]}\right|}^{\mathrm{\β}}\right)}^{1/\mathrm{\β}}---\left(8\right)$

其中s[i]是x[i]所对应的权重或者JND值，β是一个正常数，典型取值范围是[1，4]，则在1)给定的失真条件下，可按下式计算初始的量化步长，

$\mathrm{\Δ}=2d{((\mathrm{\β}+1)/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{\frac{1}{\mathrm{\β}}}---\left(9\right)$

当选择的量化步长满足

$\mathrm{\Δ}\≤2d{\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\right|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{-\frac{1}{\mathrm{\β}}}---\left(10\right)$

可以确保嵌入所导致的失真量必然小于给定的值d。

进一步，为提高水印的性能，在我们已描述的基本方法基础上使用失真补偿技术，也就是

其中Δ_DC表示使用失真补偿后的量化步长，λ_k是失真补偿系数。一般λ_k为正常数，且λ_k∈[0.5，1]。

再进一步，带补偿失真的自适应STDM利用下式确定每个子向量的嵌入强度α_k，

${\mathrm{\α}}_k={\mathrm{\λ}}_k(Q_{{\mathrm{\Δ}}_{\mathrm{DC}}}(x_k^{T}u-z[b\left[k\right],k\left]\right)-(x_k^T-u-z[b\left[k\right],k\left]\right))/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}s[i.k]u{\left[i\right]}^2,k=\mathrm{1,2},...,p,---\left(11\right)$

与不使用失真补偿的自适应STDM比较，它们的量化步长Δ_DC和Δ满足

Δ_DC＝Δ/λ_k，(12)

特别地，当G＞2时，可称为多元自适应STDM。在多元自适应STDM嵌入方法中，为提升水印的安全，使用随机信号发生器并以密钥K为种子产生扩展向量u和另一个长为p的随机数序列r，它的元素满足r[k]∈U(0，1)，并取

为子向量x_k所对应的抖动值，即抖动向量为

。

进一步，为提高水印的鲁棒性，使用编码的自适应STDM，即在自适应STDM嵌入方法对嵌入信息编码的过程中使用纠错编码技术，同时在提取隐藏信息的过程中使用相应的纠错解码技术。

进一步，虽然自适应的STDM使用与原始的STDM完全相同的检测方法，但我们有如下的方法可以提升检测器性能。

(1)从原始的或者已经加入水印的目标多媒体信号中抽取一个变量ξ，如果加入水印的目标多媒体信号经过了增益因子为γ的幅值缩放攻击，则变量ξ应满足或近似满足ξ′/ξ＝γ，其中ξ′表示变量ξ被修改后的值，是从攻击后的目标多媒体信号中得到的。

(2)计算Δ＝Δ/ξ并将Δ传给水印检测器。

(3)水印检测器先从可能遭到攻击的目标多媒体信号中提取变量ξ′，然后利用Δ′检测水印，Δ′＝ξ′Δ。

利用上述方法可以保证检测和嵌入所用的量化步长Δ和Δ′之间满足或近似满足Δ′/Δ＝γ，因此能有效抵抗幅值缩放攻击。

更进一步，变量ξ除了应尽可能满足(1)所述的条件，即对增益因子为γ的幅值缩放攻击有ξ′/ξ＝γ，还应尽可能满足对其他攻击操作或信号处理过程保持不变，这是为了保持自适应STDM对其他攻击的鲁棒性。

再进一步，以多媒体信号(全局或局部信号)的期望作为ξ和ξ′。

本发明的效果在于：采用本发明所述的方法，对宿主信号局部的修改量适合人的感知系统，从而获得了良好的水印局部不可见性；根据限定的失真条件自适应地计算量化步长，而且局部权重序列有助于增加量化步长，相对于原始的STDM，水印的鲁棒性大大提升；当嵌入所使用的量化步长给定时，检测不需重新计算权重，大大节省了计算量，提高了检测速度；能有效抵抗幅值缩放攻击，克服传统方法在此方面的不足；根据我们的测试，该发明能可靠的嵌入多位信息，抵抗大范围的攻击处理；综上，该发明可在水印鲁棒性和不可感知性之间获得良好的折衷效果。

附图说明

图1自适应STDM水印嵌入方法的基本框架。

图2空间/时间域抽取宿主信号装置结构。

图3变换域抽取宿主信号装置结构。

图4空间/时间域逆抽取装置结构。

图5变换域逆抽取装置结构。

图6信息表示与编码装置结构。

图7自适应STDM的扩展向量与抖动向量生成装置结构。

图8信息嵌入装置结构。如果采用误差信号的明可夫斯基范数形式衡量总体质量失真，对于自适应STDM，分别根据发明内容中公式(9)/(10)和(7)计算Δ和α_k；对于带补偿失真的自适应STDM，分别按式(12)和式(11)计算Δ和α_k。

图9原“Lena”图和加水印的“Lena”图。(a)原始的“Lena”图；(b)加入水印的“Lena”图，由二元自适应的STDM方法获得，嵌入条件为L＝31，d＝4.8。

图10高斯噪声攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，并采用标准差为6的高斯噪声攻击；(b)在不同标准差的噪声攻击下所获得的位错误率。

图11幅值缩放攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，并采用增益为1.5的幅值放大攻击；(b)在不同增益的幅值缩放攻击下所获得的位错误率。

图12JPEG压缩攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，并采用质量因子为60的压缩攻击；(b)在不同质量因子的压缩攻击下所获得的位错误率。

图13高斯低通滤波攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，并采用的是标准差为0.6的高斯低通滤波器；(b)在不同标准差的高斯低通滤波攻击下所获得的位错误率。

图14修改直流分量攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，攻击把“Lena”图的每个象素点增大了60；(b)在不同参数的修改直流分量攻击下所获得的位错误率。

图15直方图均衡攻击后的含水印的“Lena”图。含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8。

表一：在直方图均衡攻击下所获得的位错误率。

图16旋转攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，并被旋转了25度；(b)一系列旋转角度下获得的位错误率。

图17尺寸缩放攻击实验。(a)攻击后的含水印的“Lena”图，其中含水印的“Lena”图由二元自适应的STDM方法获得，嵌入条件为L＝124，d＝4.8，攻击先将其缩小为原来的0.7倍，然后再恢复到原来的尺寸；(b)一系列缩放因子下获得的位错误率。

具体实施方式

根据本发明，一种自适应的嵌入扩展变换抖动调制水印的方法包括以下步骤：

(1)从目标多媒体信号的某个域内抽取一个长为N的序列x作为宿主信号；

(2)选择一种合适的人类感知模型并设定一个可接受的全局质量失真条件D(x，x′)≤d，其中x′代表含水印的宿主信号；

(3)根据选定的人类感知模型计算信号x的每个分量的最大不可见(闻)修改量(JND，just noticed difference)得到序列s；

(4)将宿主信号x分成多个长为L子序列，记为x＝x₁||x₂||L||x_p，其中

，同时对s也实行同样的操作，即s＝s₁||s₂||L||s_p，这里假定水印嵌入位率为R＝1/L；

(5)将要嵌入的信息m表达成一个长为p的二元序列b，其中每个元素b_i∈Ω，Ω＝{0，1}；

(6)产生一个L长的扩展向量u和两个长为p的抖动向量z₀和z₁；

(7)计算一个全局的量化步长Δ，并利用函数x′_k＝x_k+α_ks_k·u把水印信息序列b的每个分量b_k嵌入到对应的宿主信号块x_k中，其中

${\mathrm{\α}}_k=(Q_{\mathrm{\Δ}}(x_k^{T}u-z_{b\left[k\right]}[k\left]\right)-(x_k^{T}u-z_{b\left[k\right]}[k\left]\right))/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{s}_k\left[i\right]u{\left[i\right]}^2$

其中，k＝1，2，L，p

此处“·”表示两个向量的每个元素对应相乘，Q_Δ(·)表示量化步长为Δ的量化器，b[k]和z_b[k][k]分别代表向量b和z_b[k]的第k个分量，s_k[i]表示子向量s_k的第i个分量。因此，嵌入水印后的宿主信号表示为x′＝x′₁||x′₂||L||x′_p。

(8)实行宿主信号的逆抽取过程，即用信号x′代替x并实行与(1)相应的逆变换获得含水印的目标多媒体信号。

下面结合附图描述本发明的两个具体实施例，并进一步说明本发明的效果。

实施例1：

以水印载体A_o为一图像信号，实现一种自适应的STDM水印嵌入方法，整个过程如图1所示，包括以下步骤：

(1)从A_o的块DCT(DCT：Discrete Cosine Transform)域抽取宿主信号x。先将A_o分成多个不重叠的子块，每块含8×8个象素点，然后对每块进行DCT变换。对每块内的64个DCT系数进行之字形排序，选取序数3到64之间的62个DCT系数。将所有选取的DCT系数排成一个大的序列作为水印的宿主信号。再对抽取的宿主信号按某个随机顺序置乱，这个随机顺序的产生依赖于水印密钥K，将最终生成的信号记为x，其长度为N。这一步由抽取宿主信号装置实现，如图2和图3所示。

(2)本实施例中采用Watson视觉模型衡量水印引入的失真，并设定可接受的全局失真条件为D(x，y)＜d＝4.8，其中

$D(x,y)={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\frac{y\left[i\right]-x\left[i\right]}{s\left[i\right]}\right|}^{\mathrm{\β}}\right)}^{1/\mathrm{\β}}---\left(1\right)$

且β＝4，y是含水印的宿主信号。

(3)利用Watson视觉模型计算信号x的每个分量的JND值，并直接取这个JND序列为权重向量s。

(4)为简单起见，本实施例将宿主信号x分成p个等长的子序列，记为x＝x₁||x₂||L||x_p，其中

L为每个子序列的长度；同时对s也实行同样的操作，即s＝s₁||s₂||L||s_p，这里假定水印嵌入位率为R＝1/L。

(5)将要嵌入的信息m表达成一个长为p的二元序列b，其中每个元素b_i∈Ω，Ω＝{0，1}。这一步由信息表示与编码装置实现，如图6所示。

(6)以密钥K为随机数生成器的种子产生一个L长的扩展向量u和一个长为p的随机向量r，其中r的元素满足r[i]∈(0，1)，之后抖动向量z可按如下方式获得，

即抖动值为

其中量化步长Δ由下面的步骤确定。为简单起见，本实施例取向量u为一个双极性的序列，即u[i]∈{-η，η}，且η＝1。这一步由扩展向量与抖动向量生成装置实现，如图7所示。

(7)利用函数

y_k＝x_k+α_ks_k·u    (2)

把水印信息序列b的每个分量b[k]嵌入到对应的宿主信号块x_k中，得到含水印的宿主信号可表示为y＝y₁||y₂||L||y_p，其中

${\mathrm{\α}}_k=(Q_{\mathrm{\Δ}}(x_k^{T}u-z[b\left[k\right],k\left]\right)-(x_k^{T}u-z[b\left[k\right],k\left]\right))/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}s[i,k]u{\left[i\right]}^2,k=\mathrm{1,2},L,p,---\left(3\right)$

并且根据下面的方法求取量化步长Δ。首先，按下式计算一个初始Δ，

$\mathrm{\Δ}=2d{((\mathrm{\β}+1)/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{\frac{1}{\mathrm{\β}}}---\left(4\right)$

然后对Δ进行适当缩放使y逼近可允许的失真上限d＝4.8，这一过程可由循环实现。

(8)用y代替x，并实行逆抽取操作，包括逆置乱，逆之字形排序和逆块DCT变换，最后得到含水印的图像记为A_w。这一步由逆抽取装置实现，如图4和图5所示。

另外，步骤(4)和(7)由信息嵌入装置实现，如图8所示。在嵌入过程中需要提取信号ξ，本实施例以图像A_o所有象素点的平均值作为ξ。

下面给出量化步长计算公式的推导过程，以及相应的解释和说明。

把式(2)，(1)代入式D(x，y)≤d得

${\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}{\left|{\mathrm{\α}}_k\right|}^{\mathrm{\β}}\right)}^{1/\mathrm{\β}}\≤d{\left({\left|\right|u\left|\right|}_{\mathrm{\β}}\right)}^{-1/\mathrm{\β}}---\left(5\right)$

其中

记量化误差为

从式(2)可获得

${\mathrm{\α}}_k=q_{\mathrm{ek}}/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}s[i,k]u{\left[i\right]}^2---\left(6\right)$

由于q_ek在区间

满足均匀分布，故有

${\left|q_{\mathrm{ek}}\right|}^{\mathrm{\β}}\≤{\left(\frac{\mathrm{\Δ}}{2}\right)}^{\mathrm{\β}}---\left(7\right)$

和

$E\left[{\left|q_{\mathrm{ek}}\right|}^{\mathrm{\β}}\right]=\frac{1}{\mathrm{\β}+1}{\left(\frac{\mathrm{\Δ}}{2}\right)}^{\mathrm{\β}}---\left(8\right)$

其中，E[·]表示取期望操作。结合式(5)、(6)和(7)可得

$\mathrm{\Δ}\≤2d{\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}\right|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{-\frac{1}{\mathrm{\β}}}$

满足上述条件的Δ一定能满足步骤(2)中给定的失真条件，但是太保守。另一种确定Δ的方法是对式(5)两侧取期望，并代入式(6)和(8)可得

$\mathrm{\Δ}\≤2d{((\mathrm{\β}+1)/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{-\frac{1}{\mathrm{\β}}}$

上述两种方法得到了量化步长Δ的限制条件，如果采用这两个限制条件中给出的上限作为量化步长并不能使条件D(x，y)＝d恰好成立，还应该通过适当的缩放Δ使D(x，y)的值尽可能的逼近d。

同样，按照类似的方法，很容易推倒本发明中涉及的带补偿失真的自适应STDM的量化步长计算公式，在此不再赘述。

为了显示本发明的显著效果，本实施例给出一些利用实施例得出的实验结果。原信号以“Lena”图为例，如图9(a)所示，其大小为512×512，因此在步骤(1)中可提取一个总长为N＝62×64²的宿主信号x。要嵌入的信息m由随机数生成器产生的一个二进制序列来代替，其长度根据N和L确定。实施例分别在L＝31和L＝124两种情况下进行实验，并在同等情况下(d和L相同)与原始的STDM和Li提出的自适应的QIM算法比较。Li的方法(Qiao Li et al..Using perceptual models to improve fidelity and provideinvariance to valumetric scaling for quantization index modulation watermarking.Proc.IEEE International Conference on Acoustics，Speech，and Signal Processing，2005，vol.2，pp.1-4)和本实施例一样是基于分块DCT域的，他的思想有一定的代表性，而且与同类算法进行了相对广泛的比较，具有突出的性能。为了论述方便，分别把后两种方法记为Scheme(a)和Scheme(b)，将本实施例的方法记为Scheme(c)。图9(b)给出了利用实施例所述方法在条件L＝31和d＝4.8下获得的含水印的“Lena”图。比较9(b)和9(a)可以看出，加入了水印的“Lena”图和原图看起来几乎是一致的，这说明嵌入的水印是不可见的。

图10给出了一组高斯噪声攻击测试结果。图10显示当L＝31时，Scheme(a)的位错误率(BER，bit error rate)比Scheme(b)高，但是当L＝124时他们的性能相差无几，可以预测出随着L的增大Scheme(a)的性能将最终超过(b)。在这两种情况下，Scheme(c)的性能都是最好的，特别是当L＝124时，BER的下降特别显著。

图11给出了一组幅值缩放攻击测试结果。从图上可以看出，Scheme(b)比Scheme(c)对此种攻击几乎一样鲁棒，而且都远远好于原始的STDM方法，甚至大部分攻击参数下获得了零位错误率。从Scheme(c)自身来说对缩小攻击要比放大攻击鲁棒，这其实是限幅操作导致的。

图12给出了一组JPEG压缩攻击测试结果。图12显示在同样质量因子的JPEG压缩攻击下，Scheme(c)获得了最低的BER，而且当L＝124时，性能的提升特别显著。Scheme(b)相对于Scheme(a)的性能提升并不显著。

图13给出了一组高斯低通滤波攻击测试结果。同样的，图13显示在这种攻击下，Scheme(c)的性能优于其他两种。

图14给出了一组修改直流分量攻击测试结果。直流分量被修改通过把图像每个象素点的值增加相同的量。与前面的攻击测试结果不同，Scheme(a)展示了最好的性能，因为他在检测过程中使用的量化步长不依赖于直流分量，相反，Scheme(c)最差，但与Scheme(b)的性能相近。总的说来这三种方法对此种攻击都是鲁棒的。

图15给出了直方图均衡攻击后的“Lena”图。可以明显看出图像的质量下降很多。表一是对应图15的直方图均衡攻击后获得BER。可以看出，Scheme(b)和Scheme(c)的性能都比Scheme(a)好，Scheme(c)是最好的，尽管它和Scheme(b)的差距不大。

图16给出了一组旋转攻击的测试结果。含水印的“Lena”图被旋转一系列角度后再旋转回原来的位置。图16说明三种方法的BER在0°～5°之间，随着旋转角度的增加上升的很快，而在5°之后变得很平稳。Scheme(c)比其他两种方法对旋转攻击更鲁棒，而且随着L的上升，它们之间的性能差距变得越来越显著。

图17给出了一组尺度缩放攻击的测试结果。含水印的“Lena”图被缩放成一系列尺寸后再缩放为原来的大小。图17说明所有三种方法对尺度放大攻击都比尺度缩小攻击更鲁棒，而且在后一种情况下获得了零的BER。其原因是缩小攻击比放大攻击给图像造成了更多的信息损失。在前一种情况下，Scheme(c)明显比其他两种方法更鲁棒。

本实施例获得的实验结果可以说明，使用本发明所述的方法不但实现了最优的水印局部不可感知性，而且水印的鲁棒性也得到了大幅提升。

本实施例给出了图像水印的实施效果，但本发明不限于图像水印处理，本发明同样适用于数字音乐、视频等多媒体的数字水印处理。

实施例2：

与实施例1不同之处在于，原信号A_o为一段长为10秒的音频信号，时间域共有4.4×10⁴个样本，具体实现步骤如下：

步骤(1)中，从A_o的频率域内抽取宿主信号x。先计算A_o的短时Fourier变换和能量谱，然后利用Garcia听觉模型(R.A.Garcia.Digital watermarking of audio signalsusing a psychoacoustic auditory model and spread spectrum theory.Proc of 107^thAES Convention，New York，1999，1-42)计算每个频率点上人耳不能察觉地最大幅值，为了和前面保持一致，我们也称其为JND。选取能量谱小于JND的平方的频率点，统计这些频率点的个数并生成一个同等长度的零向量作为水印的宿主信号x，即x＝θ。

步骤(2)中，本实施例中使用Garcia听觉模型衡量水印引入的失真，并设定可接受的全局失真条件为D(x，y)＜d＝0.8，其中y是含水印的宿主信号，这里相当于β＝1。

步骤(3)中，将从步骤(1)中得到的信号x所对应的JND值序列直接用作权重向量s。

步骤(4)中，将宿主信号x和权重向量s分成p个等长的子序列，记为x＝x₁||x₂||L||x_p和s＝s₁||s₂||L||s_p，其中

L为每个子序列的长度；

步骤(5)中，将要嵌入的信息m表达成一个长为p的G元序列b，其中每个元素b_i∈Ω，Ω＝{0，1，L，G-1}。

步骤(6)中，用随机数生成器产生扩展向量u和另一个长为p的随机数序列r，它的元素满足r[k]∈U(0，1)，并取

为抖动向量。为安全起见，u和r的生成依赖于密钥K。本实施例仍取向量u为一个双极性的序列，即u[i]∈{-η，η}，且η＝1。

步骤(7)中，使用多元自适应STDM把水印信息序列b的每个分量b[k]嵌入到对应的宿主信号块x_k中得到y_k，最后，含水印的宿主信号y可表示为y＝y₁||y₂||L||y_p。所使用的嵌入函数为

y_k＝x_k+α_ks_k·u

其中

${\mathrm{\α}}_k=(Q_{\mathrm{\Δ}}(x_k^{T}u-z[b\left[k\right],k\left]\right)-(x_k^{T}u-z[b\left[k\right],k\left]\right))/\underset{i=1}{\overset{L}{\mathrm{\Σ}}}s[i,k]u{\left[i\right]}^2,$ k＝1，2，L，p，并且根据下面的方法求取量化步长Δ。首先，按下式计算一个初始Δ，

$\mathrm{\Δ}=2d{((\mathrm{\β}+1)/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}|u\left[i\right]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k]u{\left[j\right]}^2{|}^{\mathrm{\β}})}^{\frac{1}{\mathrm{\β}}}$

然后对Δ进行适当缩放使y逼近可允许的失真上限d＝0.8，这一过程可由循环实现。

步骤(8)中，用y代替原x所对应点的频率系数的幅值，并实行逆Fourier变换，最后得到含水印的音频信号A_w。

另外，在嵌入过程中需要提取信号ξ，本实施例以音频信号A_o的短时Fourier频谱除去被抽取为宿主信号的频率点后剩下的频率系数的幅值平均值作为ξ。

本发明可以用其它具体形式来实施，而不脱离其精神或本质特征。所描述的实施例在所有方面都被认为仅是说明性的而非限制性的，例如：

1)载体信号类型不限于图像、音频以及视频等；

2)嵌入域不限于DCT域、Fourier变换域、空间域以及小波域等；

3)人类感知模型不限于Watson视觉模型、Garcia听觉模型；

4)水印嵌入函数以及各种参数的选择等。

因此，本发明的范围由所附权利要求书而非上述描述来指示。落入权利要求的等效技术方案的意义和范围中的所有变化都包含在其范围之中。

Claims (14)

1.一种自适应的STDM水印嵌入方法，它在原始的STDM中引入一种人类感知模型/信号质量评价方法，用于衡量水印引入的失真量和计算一个权重序列s，并使用加权整形水印思想修改宿主信号x，也就是y_k＝x_k+α_ku·s_k，此处，x_k是宿主信号x的第k个子向量，s_k和y_k分别是对应的权重子向量和嵌入水印的宿主信号子向量，u是一个扩展向量，α_k是嵌入强度；然后，确定修改量或者量化步长，根据：1)加水印的信号y满足给定的失真条件D(y，x)≤d；2)每个子向量y_k满足检测条件，即y_k在扩展向量u上的投影y_k ^Tu等于利用所选择的抖动量化器对投影x_k ^Tu量化输出。

2.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：信号s代表一个广义上的权重序列，通过以宿主信号、扩展向量和宿主信号对应的最大不显著修改量为变量的某个函数获得，而不仅限于只把JND序列作为权重。

3.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：如果从多媒体信号的时间域/空间域内抽取宿主信号，为提升水印的鲁棒性，选择包含特定对象而且纹理丰富的局部信号区域内的系数；如果从多媒体信号的频率域抽取宿主信号，为提升水印的鲁棒性，选择中频、中低频或低频系数，目的是避开多数常见的信号处理操作。

4.如权利要求3所述的一种自适应的STDM水印嵌入方法，其特征在于：为提升水印的安全，将取出的宿主信号置乱，同时使用随机信号发生器并以密钥K为种子产生扩展向量和抖动向量。

5.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：信息嵌入的具体过程是先根据失真条件1)计算各个子向量的量化步长，然后利用量化步长根据下式计算每个子向量的嵌入强度α_k：

k＝1，2，L，p，这里Q_Δ(·)表示步长为Δ的量化器，z[b[k]，k]是抖动值，s[i，k]代表权重序列的第k个子向量s_k的第i个分量，u[i]表示扩展向量的第i个分量，b[k]是隐藏信息的第k个字母且b[k]∈Ω，Ω＝{0，1，…，G-1}，L是子向量x_k的长度。

6.如权利要求5所述的一种自适应的STDM水印嵌入方法，其特征在于：各个子向量的长度不必相同，所使用的量化步长也不必相同，但为了便于检测，则取其相同；计算全局量化步长的方法是先计算一个初始Δ，然后再对Δ进行适当的缩放以使y相对原信号x的失真量逼近可允许的失真上限d。

7.如权利要求6所述的一种自适应的STDM水印嵌入方法，其特征在于：如果采用误差信号的明可夫斯基范数形式衡量总体的质量失真，即

$D(x,y)={\left(\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\left|\frac{y\left[i\right]-x\left[i\right]}{s\left[i\right]}\right|}^{\mathrm{\β}}\right)}^{1/\mathrm{\β}}$

其中s[i]是x[i]所对应的权重或者JND值，β是一个正常数，典型取值范围是[1，4]，则在给定的失真条件D(y，x)≤d下，按下式计算初始的量化步长：

$\mathrm{\Δ}=2d{((\mathrm{\β}+1)/\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\left|u\right[i]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k\left]u{\left[j\right]}^2\right|}^{\mathrm{\β}})}^{\frac{1}{\mathrm{\β}}}$

并且当选择量化步长满足

$\mathrm{\Δ}\≤2d{\left(\underset{k=1}{\overset{p}{\mathrm{\Σ}}}\underset{i=1}{\overset{L}{\mathrm{\Σ}}}{\left|u\right[i]/\underset{j=1}{\overset{L}{\mathrm{\Σ}}}s[j,k\left]u{\left[j\right]}^2\right|}^{\mathrm{\β}}\right)}^{-\frac{1}{\mathrm{\β}}}$

可以确保嵌入所导致的失真量必然小于给定的值d。

8.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：为进一步提升水印的性能，使用失真补偿技术，也就是：

$y_k^{T}u=x_k^{T}u+{\mathrm{\λ}}_k[(Q_{{\mathrm{\Δ}}_{\mathrm{DC}}}(x_k^{T}u-z[b\left[k\right],k\left]\right)+z[b\left[k\right],k\left]\right)-x_k^{T}u]$

其中Δ_DC表示使用失真补偿后的量化步长，λ_k是失真补偿系数，一般λ_k为正常数，且λ_k∈[0.5，1]。

9.如权利要求8所述的一种自适应的STDM水印嵌入方法，其特征在于：带补偿失真的自适应STDM利用下式确定每个子向量的嵌入强度α_k：

k＝1，2，…，p，与不使用失真补偿的自适应STDM比较，它们的量化步长Δ_DC和Δ满足Δ_DC＝Δ/λ_k。

10.如权利要求5所述的一种自适应的STDM水印嵌入方法，其特征在于：当G＞2时，可称为多元自适应STDM，在多元自适应STDM嵌入方法中，使用随机信号发生器并以密钥K为种子产生扩展向量u和另一个长为p的随机数序列r，它的元素满足r[k]∈U(0，1)，并取

为子向量x_k所对应的抖动值，即抖动向量为

11.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：为提高水印的鲁棒性，使用编码的自适应STDM，即在自适应STDM嵌入方法对嵌入信息编码的过程中使用纠错编码技术，同时在提取隐藏信息的过程中使用相应的纠错解码技术。

12.如权利要求1所述的一种自适应的STDM水印嵌入方法，其特征在于：采用如下方法提升STDM的检测器性能：

1)从原始的或者已经加入水印的目标多媒体信号中抽取一个变量ξ，如果加入水印的目标多媒体信号经过了增益因子为γ的幅值缩放攻击，则变量ξ应满足或近似满足ξ′/ξ＝γ，其中ξ′表示变量ξ被修改后的值，是从攻击后的目标多媒体信号中得到的；

2)计算Δ＝Δ/ξ并将Δ传给水印检测器；

3)水印检测器先从可能遭到攻击的目标多媒体信号中提取变量ξ′，然后利用Δ′检测水印，Δ′＝ξ′Δ；

利用上述方法可以保证检测和嵌入所用的量化步长Δ和Δ′之间满足或近似满足Δ′/Δ＝γ，因此能有效抵抗幅值缩放攻击。

13.如权利要求12所述的一种自适应的STDM水印嵌入方法，其特征在于：变量ξ除了应尽可能满足1)所述的条件，即对增益因子为γ的幅值缩放攻击有ξ′/ξ＝γ成立，还应尽可能满足对其他攻击操作或信号处理过程保持不变，这是为了保持自适应STDM对其他攻击的鲁棒性。

14.如权利要求13所述的一种自适应的STDM水印嵌入方法，其特征在于：以多媒体信号的全局或局部信号的期望作为ξ和ξ′。

Images