CN101038661A - 基于回归支持向量机的盲水印嵌入和抽取方法 - Google Patents

Abstract

一种多媒体信息安全技术领域的基于回归支持向量机的盲水印嵌入和抽取方法，在水印的嵌入过程中，根据用户给定的密钥，得到随机选择的参考位置序列，应用这些位置上的数据来训练回归支持向量机，然后利用选择参考水印位置相同的用户密钥，随机选择真正水印嵌入的位置序列，在每个选定的水印嵌入位置，通过更改回归支持向量机的预测值和实际像素值差的方式将水印嵌入到宿主媒体数据中；在水印的抽取过程中，首先根据给定的用户密码，得到随机选择的参考位置序列和水印抽取位置序列，根据参考位置的像素训练回归支持向量机，利用训练好的支持向量机和水印抽取位置的像素数据，通过比较预测值与实际值之间的关系来抽取嵌入的水印信号。

Description

基于回归支持向量机的盲水印嵌入和抽取方法

技术领域

本发明涉及一种多媒体信息安全技术领域的方法，具体是一种基于回归支持向量机的盲水印嵌入和抽取方法。

背景技术

随着计算机网络的发展，数据的交换和传输变成了一个相对简单的过程。许多传统的媒体内容都向数字化转变，人们借助于计算机、数字扫描仪、打印机等电子设备可以方便、迅捷地将数字信息传达到世界各地。随之而来的副作用是通过网络传输数据文件或作品使有恶意的个人或团体有可能在没有得到作品所有者的许可下拷贝和传播有版权的内容，因此如何在网络环境中实施有效的版权保护和信息安全成为一个迫在眉睫的现实问题。数字水印是目前国际学术界研究的一个前沿热门方向，可为版权保护等问题提供一个潜在的有效解决方法。数字水印是往被保护的多媒体数据(如图像、声音、视频信号等)中添加某些数字信息，可以是作者的序列号、公司标志、有意义的文本等等，而不影响原数据的视听效果，并且这些数字信息可以部分或全部从混合数据中恢复出来，以达到版权保护等目的。

到目前为止，研究者已经提出了很多较好的数字水印算法，从水印检测过程中是否需要原始数字媒体这点，提出的算法可以分为两大类，一类是盲水印检测算法，即在水印的检测过程中不需要原始的数字媒体作为参考，就可以实现水印的正常检测；另外一类是非盲水印检测算法，即在水印的检测过程中，需要参考原始的数字媒体，才能够实现水印信号的检测。目前，有相当的一部分算法都是非盲水印算法。非盲水印检测算法在一定程度上对水印算法的鲁棒性有很大的提高，但对版权的拥有者来说，拥有大量的数字媒体，全部都保存下来用于水印检测是不现实的；其次，已有研究说明非盲水印也存在着在协议层上的隐患，因为对于一个攻击者来说，可以很容易地通过得到的加过水印的多媒体数据，重新构造一个新的数字媒体，并声称该媒体为原始信号，在这种情况下，第三方很难判别到底谁是真正的版权拥有者。因此，盲水印检测算法的研究一直是研究者不懈地追求的目标。

经对现有技术的文献检索发现，目前所提出的大多数水印方法都是非盲水印方法，M.Kutter等在《Journal of Electronic Imaging》(电子图像杂志)1998年第7卷第2期第326-332页上发表的Digital watermarking of colorimages using amplitude modulation(使用幅度调制技术的彩色图像数字水印)，该文中提出了在空间域中的彩色图像数字水印技术，具体方法为：根据给定的参考点位置像素，将水印信号嵌入到彩色图像的蓝色分量重，在检测过程中，利用选定的两个参考位置像素值来决定抽取阈值，根据该阈值，通过比较水印嵌入位置像素点与该阈值的关系来抽取嵌入的水印信号。其不足处在于：水印检测阈值是通过两个参考点来决定的，带有很大的随机性，因此水印检测性能比较差，同时，该方法不能移植到其他非盲水印方法中。

发明内容

本发明的目的在于充分利用回归支持向量机良好的学习泛化能力，提供一种基于支持向量机回归的盲水印嵌入和检测方法。在水印的嵌入和检测过程中，通过回归支持向量机的学习，实现盲水印嵌入和检测，克服了利用两个参考点来决定水印抽取阈值所带来的检测性能下降；同时，在水印的提取过程中，不需要原始的多媒体数据，因而具有较好的方便性。同时，该方法可以很方便地被移植到大多数的非盲水印算法中，实现对水印信号的盲检测。

本发明是通过以下技术方案实现的，包括水印的嵌入和水印的抽取两个部分，在水印的嵌入过程中，根据用户给定的密钥，得到随机选择的参考位置序列，应用这些位置上的数据来训练回归支持向量机，该回归支持向量机用来预测目标像素点的值。然后利用选择参考水印位置相同的用户密钥，随机选择真正水印嵌入的位置序列，在每个选定的水印嵌入位置，通过更改回归支持向量机的预测值和实际像素值差的方式将水印嵌入到宿主媒体数据中。在水印的抽取过程中，和嵌入过程类似，首先根据给定的用户密码，得到随机选择的参考位置序列和水印抽取位置序列，根据参考位置的像素点训练回归支持向量机，利用训练好的支持向量机和水抽抽取位置的像素数据，通过比较预测值与实际值之间的关系来抽取嵌入的水印信号。在水印的嵌入和抽取过程中，充分利用了自然图像的本身特征，即相邻像素点之间具有极强的相关性，每个像素点值可以通过其周围像素点利用回归支持向量机进行预测。

本发明的原理是：经观察发现，自然图像具有一个共同的特征，即在自然图像中，各相邻像素之间具有很强的相关性，相邻像素之间很少出现突然的渐变，而这种相邻像素之间的关系可以通过支持向量机回归来进行预测。根据预测的结果，将水印信号嵌入到选定的位置。在水印的抽取过程中，为了避免使用原始图像，通过回归支持向量机的训练过程，实现对原始图像对应位置的像素值的近似估计，从而实现对水印信号的盲检测。

本发明有益的效果是：本发明提出的基于回归支持向量机的盲水印嵌入和检测算法，基于回归支持向量机的良好学习能力，以及自然图像的固有特征，可以有效实现对彩色/灰度图像中嵌入水印信号的盲检测，该算法能很方便地被移植到其他的非盲水印算法中，实现盲水印检测；同时，提出算法的水印检测过程中不涉及主观选择阈值，水印的抽取是通过回归支持向量机的学习得到，从而有效避免了主观选择阈值带来的检测性能降低。

附图说明

图1为本发明的基于回归支持向量机的水印嵌入框图。

在图1中，首先将水印进行置乱，然后利用密钥生成参考位置，利用参考位置的数据进行回归支持向量机的训练，其次利用另外一个密钥生成水印嵌入位置，根据训练好的支持向量机完成水印的嵌入。

图2为本发明的基于回归支持向量机盲水印抽取过程框图。

在图2中，利用给定的参考位置数据，训练回归支持向量机，根据该训练的回归支持向量机实现对嵌入水印信号的盲抽取，最后将抽取的水印进行逆置乱就可以得到抽取的最终水印信号。

图3为部分水印嵌入的结果

图3(a)为原始嵌入水印后的Lena图；图3(b)为嵌入水印后的Lena图；图3(c)为原始的水印图像；图3(d)为从嵌入水印的图像中抽取的水印

图4为图像受到攻击后进行水印抽取的部分结果

图4(a)为添加噪声后的图像；图4(b)-(d)分别为用本发明的方法、Kutter和Yu的方法在噪声图像中抽取的水印；图4(e)亮度和对比度调整后的图像；图4(f)-(g)分别为用本发明的方法、Kutter和Yu的方法从亮度和对比度调整后图像中抽取的水印。

图5为图像受到攻击后进行水印抽取的部分结果(续)

图5(a)为剪切25％后的图像；图5(b)-(d)分别为用本发明的方法、Kutter和Yu的方法在剪切后的图像中抽取的水印；图5(e)为扭曲后的图像；图5(f)-(h)分别为用本发明的方法、Kutter和Yu的方法在扭曲后的图像中抽取的水印。

具体实施方式

以下结合附图对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和过程，但本发明的保护范围不限于下述的实施例。

首先选择水印信号。在这里采用一幅二进制的标志图作为水印，因为标志图在水印抽取以后比较容易判断所有权，它具有直观性，因此具有更好的说服力。

不失一般性，假设宿主图像是一幅大小为M×N的彩色图像，可以表示为I＝[R，G，B]，其中，R，G，B是三个颜色分量，分别对应为红色、绿色和蓝色分量。

为了后面表示方便，定义p＝(i，j)，其中i＝1，2，...，M，j＝1，2，...，N。在本实施例中，支持向量机回归方法引入的目的在于记忆给定像素点同其周围像素点之间的关系，以备后面进行水印的嵌入和盲检测。提出的水印嵌入和检测系统框图如图1和图2所示。

a)数字水印的嵌入

水印的嵌入框图如图1所示，数字水印的嵌入过程可以总结为如下五个步骤：

步骤1.水印信号的生成。为了水印系统的安全，这里将水印信号进行置乱。给定密钥K1，可以生成置乱的表，通过该表，将标志图打乱，为了便于后面处理，进一步将打乱的标志图，重新组织成一个一维的序列，记为W＝{w_i}|_i＝1m，其中m为水印信号的长度。

步骤2.嵌入位置的选择。根据版权所有者提供的另外一个密钥K2随机地生成一个位置序列{p_t＝(i_t，j_t)}|_{t＝1，2，L+m}。可以人工将这个位置序列分成两个部分，其中一部分{p_t＝(i_t，j_t)}|_{t＝1，2，L}称为参考位置序列，在这个序列指定位置上的像素点不嵌入任何水印信号，它所扮演的角色是采集用于支持向量机回归的训练数据。余下的部分{p_t＝(i_t，j_t)}|_{t＝L+1，L+2，L+m}，长度为m，称为嵌入位置序列，真正的水印信号被嵌入到这个序列给定的位置中。在这里选择参考位置序列的主要原因在于，能够保证在水印嵌入和检测过程中训练出来的支持向量机是相同的，保证能够比较好地预测各像素值同其相邻像素点之间的相对关系。

步骤3.训练回归支持向量机。

对每个参考序列中指定的位置，以该点为中心的3*3窗口中(见图4-3)，构造如下的训练数据集：

D＝{d_t|d_t＝[B(i_t-1，j_t-1)，B(i_t-1，j_t)，B(i_t-1，j_t+1)，B(i_t，j_t-1)，

            B(i_t，j_t+1)，B(i_t+1，j_t-1)，B(i_t+1，j_t)，B(i_t+1，j_t+1)]^T，t＝1，2，...L}

其中B(·，·)是原始彩色图像中蓝色分量的像素值。可以看到，在该训练数据集D中，没有中心像素点的数据。定义每个训练数据向量所对应的目标函数值如下：

O＝{B(i_t，j_t)}|_{t＝1，2，L}，即，对应的中心点像素值。

则可以训练得到如下的回归支持向量机：

$f\left(x\right)=\underset{t=1}{\overset{L}{\mathrm{\Σ}}}({\mathrm{\α}}_t-{\widehat{\mathrm{\α}}}_t)K(d_t,x)+b$

其中α_t，

是通过训练得到的对偶问题的解系数，b是相应的偏差值。通过在这个训练集上的训练，对该图像上的每个像素点，都可以根据其周围像素点的值来预测该像素点的值。

步骤4.水印数据的嵌入

根据给定的嵌入位置序列，对每个选定的水印嵌入位置，首先收集在该位置上对应蓝色分量中的预测数据集如下：

D′＝{d_t|d_t＝[B(i_t-1，j_t-1)，B(i_t-1，j_t)，B(i_t-1，j_t+1)，B(i_t，j_t-1)，

              B(i_t，j_t+1)，B(i_t+1，j_t-1)，B(i_t+1，j_t)，B(i_t+1，j_t+1)]，t＝L+1，L+2，....L+m}

由上述训练好的支持向量机，以及预测数据集D′，就可以得到在该嵌入位置上的对应的预测值：

y_t＝f(d_t)，t＝L+1，L+2，....L+m

通过比较预测的像素值与实际像素值之间的关系，就可以将数字水印信息嵌入到宿主图像中：

$B(i_t,j_t)=\left\{\begin{array}{ccc}\max (B(i_t,j_t),y_t+{\mathrm{\α}}_t)& \mathrm{if}& w_{t-L}=1\\ \min (B(i_t,j_t),y_t-{\mathrm{\α}}_t)& \mathrm{if}& w_{t-L}=0\end{array}\right.t=L+1,L+2,....,L+m$

其中α_t是数字水印嵌入强度。

为了使嵌入的水印信号能够以最大强度嵌入到选定的位置，同时不影响嵌入后宿主图像的视觉质量，同前面类似，采用一些人类视觉系统的特征(HVS)，来选定相应的水印嵌入强度参数，是比较好的选择。具体选择参数为：

${\mathrm{\α}}_t=\mathrm{\β}{L}_{P_t},$ 其中β是嵌入常数因子，用来控制水印鲁棒性和嵌入后图像视觉质量之间的折衷因子；

$L_{p_t}=0.299R_{p_t}+0.587G_{p_t}+0.114B_{p_t},$ 是彩色图像在p_t位置的亮度分量。

步骤5.加过水印信号的蓝色分量同红色分量和绿色分量一起，重新组合成彩色的图像，就可以得到嵌入水印后的图像。

b)水印信号的抽取

数字水印算法根据在水印的提取过程中是否需要原始图像，可以分为两类，即盲水印检测和非盲水印检测。非盲水印检测需要原始的图像作为水印检测的参考信息，这在存储和使用上都具有很大的局限性。利用事先选定的参考位置信息，通过回归支持向量机的训练，可以构造出对原始信号的预测值，进一步可以实现对水印信号的盲检测。

水印信号的抽取过程可以看成是水印信号嵌入的一个逆过程，具体的水印抽取的框图如图2所示。水印抽取过程可以归纳为如下的四步：

步骤1.根据版权拥有者提供的密钥K(与嵌入过程中使用的密钥相同)，随机地生成位置序列：

{p_t＝(i_t，j_t)}|_{t＝1，2，....L+m}，其中P₁＝{p_t＝(i_t，j_t)}|_{t＝1，2，....L}为参考位置序列，

P₂＝{p_t＝(i_t，j_t)}|_{t＝L+1，L+2，....L+m}山为水印嵌入位置序列。

步骤2.训练用于水印抽取的回归支持向量机

在参考位置序列中，对每个选定的参考位置p_t＝{i_t，j_t}，从可能已经受到破坏的图像中提取相应的训练数据集如下：

$\tilde{D}=\left\{{\tilde{d}}_t\right|{\tilde{d}}_t=[\tilde{B}(i_t-1,j_t-1),\tilde{B}(i_t-1,j_t),\tilde{B}(i_t-1,j_t+1),\tilde{B}(i_t,j_t-1),$

$\tilde{B}(i_t,j_t+1),\tilde{B}(i_t+1,j_t-1),\tilde{B}(i_t+1,j_t),\tilde{B}(i_t+1,j_t+1){]}^T,t=\mathrm{1,2},....L\}$

对这个数据集中的每个向量数据，由相应的中心位置像素值为目标函数值，可以构造目标函数值集合 $O=\left\{\tilde{B}(i_t,j_t)\right\}{|}_{t=\mathrm{1,2},...L}.$ 在这个数据集

和目标函数值集O上，就可以通过回归支持向量机的训练过程，得到用于预测的回归支持向量机如下：

$f\left(x\right)=\underset{t=1}{\overset{L}{\mathrm{\Σ}}}({\mathrm{\α}}_t-{\widehat{\mathrm{\α}}}_t)K({\tilde{d}}_t,x)+b$

步骤3.水印信号的抽取

根据给定的水印嵌入位置集合P₂，收集相应的预测数据集：

$D^{\′}=\left\{{\tilde{d}}_t\right|{\tilde{d}}_t=[\tilde{B}(i_t-1,j_t-1),\tilde{B}(i_t-1,j_t),\tilde{B}(i_t-1,j_t+1),\tilde{B}(i_t,j_t-1),$

$\tilde{B}(i_t,j_t+1),\tilde{B}(i_t+1,j_t-1),\tilde{B}(i_t+1,j_t),\tilde{B}(i_t+1,j_t+1)],t=L+1,L+2,....L+m\}$

利用在步骤2中训练得到的支持向量机，在这个数据集上进行预测，得到在每个嵌入位置上的预测值如下：

${y^{\′}}_t=f\left({\tilde{d}}_t\right),t=L+1,L+2,....L+m$

进一步，通过比较相应的预测值与实际嵌入位置上的像素值之间的关系，就可以得到在嵌入过程中所嵌入的水印信号：

$w_{t-L}^{\′}=\left\{\begin{array}{cc}1& \mathrm{if}\tilde{B}(i_t,j_t)>y_t^{\′}\\ 0& \mathrm{else}\end{array}\right.t=L+1,L+2,...,L+m$

步骤4.水印存在与否的判别

为了能够有效地判别水印的存在与否，将抽取出来的各信息位重新组织成一幅标志图，并用在嵌入过程中用到的打乱密钥K1，将得到的标志图进行逆打乱，就得到抽取的有效水印信号，水印的存在与否可以通过视觉上的比较来决定。另外，为了比较客观地判决水印的存在性，还可以通过比较定量的位误差率值来决定水印信号的存在性：

$\mathrm{BER}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_i\⊕w_i^{\′}}{m},$ 其中是两个二进制数之间的异或运算。

实验结果：

为了说明本发明所提出的方案的性能和有效性，下面给出部分实验结果，并同Kutter(文献M.Kutter，et al.，″Digital signature of color imagesusing amplitude modulation″，Proceedings of the SPIE conference onStorage and Retrieval for Image and Video Database，1997，pp.518-526)和Yu(文献P.T.Yu，et al.，″Digital watermarking based on neural networksfor color images″，Signal Processing，2001，vol.81，pp.663-671)提出的方法进行了比较。图3显示了原始的Lena图和加过水印的Lena图，从该图可以看出水印的嵌入具有很好的不可见性。在没有攻击的条件下，水印可以没有任何误差地抽取(图3(d))。

图3和图5展示了部分仿真结果。图4(a)是嵌入水印的图像被添加了密度为0.04的噪声后的图像，图4(b)-(d)为分别为用本发明的方法、Kutter和Yu的方法在噪声图像中抽取的水印，对应的位误差分别为28，59和47；图4(e)是嵌入水印的图像经历70％的亮度和对比度调整后的图像，图4(f)-(g)为分别为用本发明的方法、Kutter和Yu的方法在调整后的图像中抽取的水印，对应的位误差分别为23，457和42。

图5(a)是嵌入水印的图像被剪切掉25％后的图像，图5(b)-(d)为分别为用本发明的方法、Kutter和Yu的方法在剪切后图像中抽取的水印，对应的位误差分别为57，210和254；图5(e)是嵌入水印的图像被扭曲后的图像，图4(f)-(h)为分别为用本发明的方法、Kutter和Yu的方法在扭曲图像中抽取的水印，对应的位误差分别为142，322和248。

从仿真结果比较来看，在相同实验条件下，本实施例具有更好的水印抽取性能。尤其对添加噪声、图像调整、图像扭曲等攻击，具有更好的抽取效果。

在本发明的方法中，充分利用回归支持向量机良好的学习泛化能力，对图像的目标位置像素进行精确预测，可以有效地实现对水印信号的盲检测，并在大多数攻击条件下实现对水印信号的鲁棒性抽取。因为本发明可以很方便地推广到非盲水印算法中，实现对水印信号的盲抽取，具有很好的方便性，因此具有重要的应用价值。

Claims (5)

1、一种基于回归支持向量机的盲水印嵌入和抽取方法，其特征在于：包括水印的嵌入和水印的抽取，在水印的嵌入过程中，根据用户给定的密钥，得到随机选择的参考位置序列，应用这些位置上的数据来训练回归支持向量机，该回归支持向量机用来预测目标像素点的值，然后利用选择参考水印位置相同的用户密钥，随机选择真正水印嵌入的位置序列，在每个选定的水印嵌入位置，通过更改回归支持向量机的预测值和实际像素值差的方式将水印嵌入到宿主媒体数据中；在水印的抽取过程中，首先根据给定的用户密码，得到随机选择的参考位置序列和水印抽取位置序列，根据参考位置的像素训练回归支持向量机，利用训练好的支持向量机和水印抽取位置的像素数据，通过比较预测值与实际值之间的关系来抽取嵌入的水印信号。

2、根据权利要求1所述的基于回归支持向量机的盲水印嵌入和抽取方法，其特征是，所述的水印的嵌入，具体实现步骤如下：

步骤1.水印信号的生成：给定密钥K1，可生成置乱的表，通过该表，将标志图打乱，为了便于后面处理，进一步将打乱的标志图，重新组织成一个一维的序列，记为W＝{w_t}|_t＝1 m，其中m为水印信号的长度；

步骤2.嵌入位置的选择：根据版权所有者提供的另外一个密钥K2随机地生成一个位置序列{p_t＝(i_t，j_t)}|_{t＝1，2，L+m}，将这个位置序列分成两个部分，其中一部分{p_t＝(i_t，j_t)}|_{t＝1，2，L}称为参考位置序列，在这个序列指定位置上的像素值不嵌入任何水印信号，它是用于采集用于支持向量机回归的训练数据，余下的部分{p_t＝(i_t，j_t)}|_{t＝L+1，L+2，L+m}，长度为m，称为嵌入位置序列，真正的水印信号被嵌入到这个序列给定的位置中；

步骤3.训练回归支持向量机：对每个参考序列中指定的位置，以该点为中心的3*3窗口中，构造如下的训练数据集：

D＝{d_t|d_t＝[B(i_t-1，j_t-1)，B(i_t-1，j_t)，B(i_t-1，j_t+1)，B(i_t，j_t-1)，

            B(i_t，j_t+1)，B(i_t+1，j_t-1)，B(i_t+1，j_t)，B(i_t+1，j_t+1)]^T，t＝1，2，...L}

其中B(·,·)是原始彩色图像中蓝色分量的像素值；

定义每个训练数据向量所对应的目标函数值如下：

O＝{B(i_t，j_t)}|_{t＝1，2，L}，对应的中心点像素值，

则训练得到如下的回归支持向量机：

$f\left(x\right)=\underset{t=1}{\overset{L}{\mathrm{\Σ}}}({\mathrm{\α}}_t-{\widehat{\mathrm{\α}}}_t)K(d_t,x)+b$

其中

是通过训练得到的对偶问题的解系数，b是相应的偏差值，通过在这个训练集上的训练，对该图像上的每个像素点，都能根据其周围像素点的值来预测该像素点的值；

步骤4.水印数据的嵌入：根据给定的嵌入位置序列，对每个选定的水印嵌入位置，首先收集在该位置上对应蓝色分量中的预测数据集如下：

D′＝{d_t|d_t＝[B(i_t-1，j_t-1)，B(i_t-1，j_t)，B(i_t-1，j_t+1)，B(i_t，j_t-1)，

              B(i_t，j_t+1)，B(i_t+1，j_t-1)，B(i_t+1，j_t)，B(i_t+1，j_t+1)]，t＝L+1，L+2，....L+m}

由上述训练好的支持向量机，以及预测数据集D′，得到在该嵌入位置上的对应的预测值：

y_t＝f(d_t)，t＝L+1，L+2，....L+m

通过比较预测的像素值与实际像素值之间的关系，将数字水印信息嵌入到宿主图像中：

$B(i_t,j_t)=\left\{\begin{array}{ccc}\max (B(i_t,j_t),y_t+{\mathrm{\α}}_t)& \mathrm{if}& w_{t-L}=1\\ \min (B(i_t,j_t),y_t-{\mathrm{\α}}_t)& \mathrm{if}& w_{t-L}=0\end{array}\right.,t=L+1,L+2,....L+m$

其中α_t是数字水印嵌入强度；

步骤5.加过水印信号的蓝色分量同红色分量和绿色分量一起，重新组合成彩色的图像，就得到嵌入水印后的图像。

3、根据权利要求2所述的基于回归支持向量机的盲水印嵌入和抽取方法，其特征是，相应的水印嵌入强度参数，具体选择参数为：

${\mathrm{\α}}_t={\mathrm{\βL}}_{p_t}$ 其中β是嵌入常数因子，用来控制水印鲁棒性和嵌入后图像视觉质量之间的折衷因子；

$L_{p_t}=0.299R_{p_t}+0.587G_{p_t}+0.114B_{p_t},$ 是彩色图像在p_t位置的亮度分量。

4、根据权利要求1所述的基于回归支持向量机的盲水印嵌入和抽取方法，其特征是，所述的水印抽取，具体实现步骤如下：

步骤1.根据版权拥有者提供的密钥K，该密钥K与嵌入过程中使用的密钥相同，随机地生成位置序列：

(p_t＝(i_t，j_t)}|_{t＝1，2，....L+m}，其中P₁＝{p_t＝(i_t，j_t)}|_{t＝1，2，L}为参考位置序列，

P₂＝{p_t＝(i_t，j_t)}|_{t＝L+1，L+2，L+m}为水印嵌入位置序列；

步骤2.训练用于水印抽取的回归支持向量机

在参考位置序列中，对每个选定的参考位置p_t＝{i_t，j_t}，从可能已经受到破坏的图像中提取相应的训练数据集如下：

$\tilde{D}=\left\{{\tilde{d}}_t\right|{\tilde{d}}_t=[\tilde{B}(i_t-1,j_t-1),\tilde{B}(i_t-1,j_t),\tilde{B}(i_t-1,j_t+1),\tilde{B}(i_t,j_t-1),$

$\tilde{B}(i_t,j_t+1),\tilde{B}(i_t+1,j_t-1),\tilde{B}(i_t+1,j_t),\tilde{B}(i_t+1,j_t+1){]}^T,T=\mathrm{1,2},....L\}$

对这个数据集中的每个向量数据，由相应的中心位置像素值为目标函数值，构造目标函数值集合 $O=\left\{\tilde{B}(i_t,j_t)\right\}{|}_{t=\mathrm{1,2},L},$ 在这个数据集

和目标函数值集O上，就可以通过回归支持向量机的训练过程，得到用于预测的回归支持向量机如下：

$f\left(x\right)=\underset{t=1}{\overset{L}{\mathrm{\Σ}}}({\mathrm{\α}}_t-{\widehat{\mathrm{\α}}}_t)K({\tilde{d}}_t,x)+b;$

步骤3.水印信号的抽取

根据给定的水印嵌入位置集合P₂，收集相应的预测数据集：

$D^{\′}=\left\{{\tilde{d}}_t\right|{\tilde{d}}_t=[\tilde{B}(i_t-1,j_t-1),\tilde{B}(i_t-1,j_t),\tilde{B}(i_t-1,j_t+1),\tilde{B}(i_t,j_t-1),$

$\tilde{B}(i_t,j_t+1),\tilde{B}(i_t+1,j_t-1),\tilde{B}(i_t+1,j_t),\tilde{B}(i_t+1,j_t+1),t=L+1,L+2,....L+m$

利用在步骤2中训练得到的支持向量机，在这个数据集上进行预测，得到在每个嵌入位置上的预测值如下：

${y^{\′}}_t=f\left({\tilde{d}}_t\right),t=L+1,L+2,....L+m$

进一步，通过比较相应的预测值与实际嵌入位置上的像素值之间的关系，得到在嵌入过程中所嵌入的水印信号：

$w_{t-L}^{\′}=\left\{\begin{array}{cc}1& \mathrm{if}\tilde{B}(i_t,j_t)>y_t^{\′}\\ 0& \mathrm{else}\end{array}\right.,t=L+1,L+2,....L+m.$

5、根据权利要求4所述的基于回归支持向量机的盲水印嵌入和抽取方法，其特征是，所述的水印存在与否的判别，具体如下：

将抽取出来的各信息位重新组织成一幅标志图，并用在嵌入过程中用到的打乱密钥K1，将得到的标志图进行逆打乱，就得到抽取的有效水印信号，水印的存在与否通过视觉上的比较来决定，或者通过定量的位误差率值来决定水印信号的存在性：

$\mathrm{BER}=\frac{\underset{i=1}{\overset{m}{\mathrm{\Σ}}}{w}_t\⊕w_t^{\′}}{m},$ 其中是两个二进制数之间的异或运算。

Images