CN101271568B - 基于视觉模型的迭代自适应量化索引调制水印方法 - Google Patents

Abstract

本发明提供了一种基于视觉模型的迭代自适应量化索引调制水印方法，包括以下步骤：(1)对特定待量化值，通过Watson视觉模型来确定量化步长，量化步长随着待量化值的不同而不同；(2)采用量化步长，用量化索引调制算法嵌入水印；(3)嵌入水印过程中增加迭代嵌入过程，每个比特嵌入之后进行水印检测，如果检测嵌入失败则再次嵌入，如果检测嵌入成功则进入下一比特的嵌入。本发明通过Watson视觉模型来确定量化步长，通过迭代嵌入方法消除水印嵌入检测由于量化步长的不一致性造成的水印提取错误，具有更好的鲁棒性，可以在保证水印不可见的条件下尽可能地增强水印的强度，并且通过迭代嵌入的方法来保证水印的检测正确。水印嵌入流程如图1所示。

Description

基于视觉模型的迭代自适应量化索引调制水印方法

技术领域

本发明涉及一种基于视觉模型的数字水印方法，属于视频、多媒体信号处理技术领域。

背景技术

随着多媒体技术和网络技术的飞速发展多媒体产品都可以越来越容易的被生产、获得、复制和传播，这在给人们的工作、学习和生活带来了极大便利的同时，也出现了很多非授权的盗版和拷贝，造成了侵权，这就使得多媒体产品的版权问题成为了急需解决的问题。数字水印技术就是针对这个问题提出来的，它通过将能够表明版权的信息嵌入到多媒体数据中，在接收方通过对于这些信息的提取和确认来达到版权保护等作用。

现在常用水印算法主要包括扩频水印算法(SS)和量化索引调制(QIM)。SS算法的主要创新点在于提出将水印嵌入到载体的重要位置上，以提高水印的鲁棒性，但该算法在盲检测时性能较差，且嵌入的水印为1比特水印。Brian Chen等最早提出了QIM算法，该算法具有鲁棒性好，嵌入量大，算法复杂度小且可盲检测等优点，因此在数字水印中备受关注。但传统的QIM算法是基于固定量化步长的，所以会导致在局部区域具有较差的不可见性，而且对于数值测度的变化极其敏感。Cox等提出了一种自适应QIM算法，该算法基于自适应量化步长，较传统的QIM算法在相同可信度的前提下具有更高的鲁棒性，或者说在相同的鲁棒性下具有更好的可信度，并且采用改进的视觉模型使其算法对于数值测度的变化具有鲁棒性。但是该算法存在着一个致命的弱点：由于量化步长是待量化系数的函数，因而在盲检测时，量化步长是通过改变后的已量化系数计算的，这就造成嵌入时使用的量化步长与检测时的量化步长不一致，从而导致该算法即使在没有干扰的情况下也不能完整可靠地提取出水印。

发明内容

本发明针对现有视频水印算法存在的不足，提供一种量化步长具有自适应性的、鲁棒性更好的基于视觉模型的迭代自适应量化索引调制(AQIM)水印方法。量化步长由Watson(沃特森)视觉模型来确定，通过迭代嵌入方法消除水印嵌入检测由于量化步长的不一致性造成的水印提取错误。

本发明提供的基于视觉模型的迭代自适应量化索引调制水印方法，包括以下步骤：

(1)对特定待量化值，通过Watson视觉模型来确定量化步长，量化步长随着待量化值的不同而不同；

(2)采用量化步长，用量化索引调制(QIM)算法嵌入水印；

(3)每嵌入一个比特之后就进行水印检测，如果检测失败则进行迭代嵌入，也就是按照同一量化步长在前一次嵌入水印之后得到的系数上进行再次嵌入，成功则进入下一比特的嵌入。

所述量化步长等于Watson视觉模型中的掩蔽阈值再乘以加权因子，掩蔽阈值是针对8×8的块离散余弦变换(DCT)系数计算的，包括一个敏感度表，两个基于亮度和对比度掩蔽部分，通过调整该加权因子调整水印嵌入量。

嵌入水印所选取的嵌入域是基于8×8块DCT变换的，水印嵌入到DCT变换得到的中低频DCT系数，即待量化值。

嵌入水印采用纠错码进行编码，每个8×8图像块中嵌入1比特水印。以进一步提高水印的鲁棒性。

本发明通过Watson视觉模型来确定量化步长，量化步长具有自适应性，通过迭代嵌入方法消除水印嵌入检测由于量化步长的不一致性造成的水印提取错误，具有更好的鲁棒性。该方法可以在保证水印不可见的条件下尽可能地增强水印的强度。水印嵌入过程中，通过Watson视觉模型来计算量化步长，该步长不同于传统的量化索引调制，可以自适应地随着待量化值的大小而改变，并且通过迭代嵌入的方法来保证水印的检测正确。

附图说明

图1是本发明的水印嵌入流程图。

图2是水印的检测流程图。

图3是原始的载体图像。

图4是嵌入水印之后的图像。

图5是AQIM水印方案提取的水印。

图6是迭代AQIM水印方案提取的水印。

图7是迭代AQIM和AQIM两种算法在高斯噪声攻击下的性能比较图。虚线为迭代AQIM方法，实线为AQIM方法。

图8是迭代AQIM和AQIM两种算法在JPEG压缩下的性能比较图。虚线为迭代AQIM方法，实线为AQIM方法。

具体实施方式

Watson视觉模型中的敏感度表为t(i，j)，其中i，j＝0，1，…，7。待嵌入水印图像8×8块离散余弦变换(DCT)变换，得到的第k块(i，j)位置的DCT系数为C0(i，j，k)，则亮度掩蔽阈值tL(i，j，k)可以通过下式得到：

$t_L(i,j,k)=t(i,j){(C_0(\mathrm{0,0},k)/C_{\mathrm{0,0}})}^{{\mathrm{\α}}_T}$

式中α_T为一常数，通常取值为0.649，C₀(0，0，k)为原图像中第k块的DC系数，C_0，0为原图像中DC系数的平均值，C_0，0也可以设定为一个代表图像预期强度的常数。这里取C_0，0＝128。

亮度掩蔽阈值t_L(i，j，k)的取值要受到对比度掩蔽的影响。对比度掩蔽(指的是某一频率中能量引起该频率变化的可见性降低)导致了一个掩蔽阈值s(i，j，k)，其计算表达式为：

s(i，j，k)＝max{t_L(i，j，k)，|C₀(i，j，k)|^w(i，j)t_L(i，j，k)^1-w(i，j)}

式中w(i，j)是一个介于0和1之间的常数，而且会因频率系数的不同而不同，在Watson模型中所有的w(i，j)都被取为0.7。

嵌入水印流程如图1所示，具体的步骤如下：

1、按照上述计算C₀(i，j，k)的掩蔽阈值s(i，j，k)，设定C₀(i，j，k)嵌入水印的量化步长为Δ_E(i，j，k)＝s(i，j，k)；

2、采用抖动调制(DM)算法嵌入水印：

C_w(i，j，k)＝s(C₀(i，j，k)，m)＝q(C₀(i，j，k)+d(m))-d(m)

其中 $q(C_0(i,j,k)+d\left(m\right))=\mathrm{round}\left(\frac{C_0(i,j,k)+d\left(m\right)}{{\mathrm{\Δ}}_E(i,j,k)}\right)\·{\mathrm{\Δ}}_E(i,j,k),$ 嵌入水印为二进制水印，m取值范围为{0，1}，d(0)与d(1)满足如下关系：

$d\left(1\right)=\left\{\begin{array}{cc}d\left(0\right)+{\mathrm{\&Delta;}}_E(i,j,k)/2& d\left(0\right)<0\\ d\left(0\right)-{\mathrm{\&Delta;}}_E(i,j,k)/2& d\left(0\right)\&GreaterEqual;0\end{array}\right.;$

3、水印验证，利用得到的C_w(i，j，k)计算检测量化步长Δ_D(i，j，k)：

Δ_D(i，j，k)＝max{t_L(i，j，k)，|C_w(i，j，k)|^w(i，j)t_L(i，j，k)^1-w(i，j)}

采用近邻检测器进行检测水印：

$\hat{m}\left(C_w\right)=\underset{m}{\arg \min }\left|\right|C_w-s(C_w,m)\left|\right|$

如果 $\hat{m}==m,$ 则进入下一比特嵌入，否则C₀(i，j，k)＝C_w(i，j，k)，返回步骤1；

4、所有比特嵌入完成之后，进行块反离散余弦变换(IDCT)，得到嵌入水印后的图像。检测水印流程如图2所示，具体的步骤如下：

1、对待检测水印图像进行块DCT变换，得到第k块(i，j)位置的DCT系数C_u(i，j，k)；

2、由C_u(i，j，k)计算检测水印的量化步长Δ_D′(i，j，k)：

Δ_D′(i，j，k)＝max{t_L(i，j，k)，|C_u(i，j，k)|^w(i，j)t_L(i，j，k)^1-w(i，j)}；

3、使用量化步长Δ_D′(i，j，k)检测C_u(i，j，k)中的水印：

$\hat{m}\left(C_u\right)=\underset{m}{\arg \min }\left|\right|C_u-s(C_u,m)\left|\right|;$

4、计算提取的水印与嵌入的水印之间的归一化相关系数以判断水印的有无：

$\mathrm{NC}=\frac{\underset{i=1}{\overset{L}{\mathrm{\&Sigma;}}}(2W\left(i\right)-1)\&CenterDot;(2W^{\&prime;}\left(i\right)-1)}{\sqrt{\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{(2W\left(j\right)-1)}^2\underset{j=1}{\overset{L}{\mathrm{\&Sigma;}}}{(2W^{\&prime;}\left(j\right)-1)}^2}}$

其中，W嵌入水印，W′提取水印，L为水印长度。

下面通过仿真实验验证本发明的性能。载体图像使用莱娜(lena)图像，水印使用山东大学二值图像，同时给出了本发明以及AQIM算法在无干扰条件下的检测效果，以及在高斯噪声，JPEG压缩的水印攻击下的水印检测性能比较。

图3为原始图像，图4为嵌入水印后的图像，图5为无干扰条件下AQIM算法检测到的水印，图6为本发明的检测结果。

图7给出了在高斯噪声干扰下，本发明(虚线)和AQIM方法(实线)性能的比较，在低噪声环境下，本发明要好于AQIM方法，在高噪声环境下，两者性能相似。

图8给出了在JPEG压缩干扰下，本发明(虚线)和AQIM方法(实线)性能比较，本发明要优于AQIM方法。

下表给出了在其它水印攻击：剪切原图的四分之一，3×3中值滤波，密度为0.05的椒盐噪声，直方图均衡，以及数值测度变化下，本发明的性能，水印存在与否的阈值设为0.1，可以保证虚警率小于6.9325e-004。

攻击方式	剪切1/4	中值滤波3×3	椒盐噪声0.005	直方图均衡	2倍数值测度变化
						NC	0.7471	0.6753	0.6833	0.3958	1.0000

Claims (1)

1.一种基于视觉模型的迭代自适应量化索引调制水印方法，其特征在于，包括以下步骤：

(1)对特定待量化值，通过Watson视觉模型来确定量化步长，量化步长随着待量化值的不同而不同；

(2)采用量化步长，用量化索引调制算法嵌入水印；

(3)每嵌入一个比特之后就进行水印检测，如果检测失败则进行迭代嵌入，也就是按照同一量化步长在前一次嵌入水印之后得到的系数上进行再次嵌入，成功则进入下一比特的嵌入；

所述量化步长等于Watson视觉模型中的掩蔽阈值再乘以加权因子，掩蔽阈值是针对8×8的块离散余弦变换系数计算的，Watson视觉模型包括一个敏感度表、一个基于亮度的掩蔽部分和一个基于对比度的掩蔽部分，通过调整该加权因子调整水印嵌入量；

所述嵌入水印选取的嵌入域是基于8×8块DCT变换的，水印嵌入到DCT变换得到的中低频DCT系数，即待量化值；

所述嵌入水印采用纠错码进行编码，每个8×8图像块中嵌入1比特水印。

Images