CN101533507B - 一种自适应的图像强纹理水印方法 - Google Patents

Abstract

本发明公开了一种自适应的图像强纹理水印方法，主要解决现有方法鲁棒性不高、效率低下、透明性不好的问题。本发明在水印嵌入时，用灰值形态学的顶帽变换和底帽变换综合作用提取图像强纹理区，并将空域的强纹理区映射到相应的变换域小波系数上，以嵌入水印；由小波系数所对应的图像区域亮度、纹理、频带特性自适应控制水印嵌入强度；在水印提取时，利用图像强纹理位置信息Key1确定待提取水印小波系数，利用水印嵌入强度信息Key2提取水印。本发明具有简单、快捷、效率高的特点，对于各种加噪攻击、JPEG压缩、维纳滤波处理、几何攻击具有强的鲁棒性，具有普适性特征，可用于对数字多媒体产品版权的安全性保护。

Description

一种自适应的图像强纹理水印方法

技术领域

本发明属于图像信息处理领域，涉及数字图像水印方法，可用于对数字多媒体产品版权的安全性提供技术保证。

背景技术

数学形态学作为一门新兴的非线性图像处理技术，已得到人们的广泛关注，成功应用于图像处理的诸多方面，如图像边缘检测、图像分割、图像分类、目标检测等，但应用于数字水印方面却比较少见，相关文献有：

Sedaaghi，M.H.等在Morphological watermarking[J].Electronics Letters.2005，5.41(10)中提出了一种形态学水印算法：将{-1，0，1}水印嵌入宿主图像的最不重要位平面，用击中-击不中开变换(hit-or-miss opening)运算检测水印信号，属于空域的研究方法，鲁棒性待测试；

Akihiro Okamoto等在A digital watermark technique using morphological signalprocessing[J].Wiley InterScience.2003，86(6)：67-75中提出了一种形态学的水印方法：用开(opening)、闭(closing)运算处理英文二值图像，得到含水印的合成图像；检测水印时，用宿主图像中某一字母与合成图像中相同字母间的差值大于某一阈值判断水印的存在，具有一定的鲁棒性，但水印仅针对特定英文字母，属于空域的研究方法；

Kasemsuk Sepsirisuk等在An Improved wavelet-based watermarking method using themathematical morphology[J].IEEE.Computer Society.2007，18中提出了一种基于小波的形态学水印方法：首先在选定的子带上用设定阈值选择小波重要系数，形成一个二值的重要性映射图像；然后用形态学进行滤波处理，去掉孤立点，只保留互相连接的点作为水印嵌入位置；最后将伪随机序列水印嵌入到对应小波系数，属于变换域的水印方法，具有一定的鲁棒性，但对形态学的运用只是一种简单的滤除孤立点的滤波操作，没有充分发挥数学形态学在图像处理中的优势；

M.R.M.Rizk等在Adaptive watermarking techniques based on multi-Scale morphologicalimage segmentation[J].IEEE MELECON.2006，5，16-19中提出了一种基于形态学图像分割的水印方法：首先用多尺度形态学图像分割技术得到宿主图像强纹理区，然后在强纹理区所对应的小波系数上嵌入水印。多尺度形态学图像分割是一个复杂的处理过程，作为水印方法的一部分，大大增加了复杂性，效率较低。

发明内容

本发明目的是针对上述已有方法的不足，提出一种自适应的图像强纹理水印方法，以充分发挥数学形态学在图像处理中的强大作用，减小水印嵌入的复杂性，提高效率，实现对数字产品版权的可靠保护。

实现本发明目的的技术关键是利用数学形态学准确提取图像强纹理区，并将其映射到相应的小波变换系数上，完成水印的嵌入与提取，具体方案如下：

一、水印的嵌入过程

(1)对宿主图像进行3级小波分解，得到宿主图像小波变换系数C_i，j；

(2)将二值水印图像W_i，j中的{0，1}信息先映射为{-1，1}，再扫描为一维水印序列W′_i，j；

(3)对宿主图像进行形态学运算，得到亮特征图像I_bright和暗特征图像I_dark；

(4)将上述两幅特征图像进行二值映射，确定宿主图像中亮特征I_bright和暗特征I_dark所在位置；

(5)分别将亮特征和暗特征位置映射图像进行分块，确定宿主图像中强纹理区所在，作为第一密钥Key1保存；

(6)根据宿主图像小波块与小波树的映射关系，利用第一密钥Key1提取宿主图像强纹理小波系数，作为要嵌入水印的系数；

(7)利用宿主图像中强纹理的位置，计算水印自适应嵌入强度α，作为第二密钥Key2；

(8)利用嵌入强度α，根据加性原则在强纹理区的小波系数中嵌入水印，得到合成图像的小波变换系数C′_i，j＝C_i，j+αW′_i，j；

(9)对合成图像的小波变换系数C′_i，j进行小波逆变换，得到嵌入水印后的合成图像。

二、水印的提取过程

1)将待提取的合成图像进行3级小波分解；

2)利用第一密钥Key1中所包含的宿主图像强纹理区位置信息，提取所需的小波系数；

3)利用第二密钥Key2中所包含的水印嵌入强度信息，通过公式W′_i，j＝(C′_i，j-C_i，j)/α提取水印信息，其中，W′_i，j是一维水印序列，C′_i，j是合成图像小波变换系数，C_i，j是宿主图像小波变换系数；

4)将提取出的一维水印序列W′_i，j映射为{0，1}序列，恢复成二维矩阵形式，得到水印图像W_i，j。

本发明具有如下优点：

1.本发明充分发挥了数学形态学在图像处理中的强大作用，提出运用顶帽变换和底帽变换提取图像强纹理区，简单快捷，并能够准确提取图像强纹理区，自适应于各种图像，具有一定的普适性；

2.本发明充分利用人的视觉纹理特性，结合小波变换精确的时频映射能力，只在提取出的强纹理区对应的小波中频系数上嵌水印，具有变换域水印方法特有的鲁棒性，又使得图像改变所引起的视觉感知最小，实现了对数字版权的可靠保护；

3.本发明根据人的视觉特性，通过宿主图像的亮度敏感性、频带敏感性、纹理敏感性联合控制水印嵌入强度，使每个嵌入位置都有最适合的嵌入强度，很好地平衡了鲁棒性与透明性之间的矛盾。

附图说明

图1是本发明的水印嵌入过程框图；

图2是本发明的水印提取过程框图；

图3是本发明从未遭受攻击的合成图像中提取的水印结果图；

图4是本发明从遭受均值为0，方差为0.01的高斯噪声攻击的合成图像中提取的水印结果图；

图5是本发明从遭受密度为0.01的椒盐噪声攻击的合成图像中提取的水印结果图；

图6是本发明从遭受质量因子为30的JPEG压缩攻击合成图像中提取的水印结果图；

图7是本发明从遭受3*3的维纳滤波攻击的合成图像中提取的水印结果图；

图8是本发明从遭受旋转4°攻击的合成图像中提取的水印结果图；

图9是本发明从遭受剪切1/4攻击的合成图像中提取的水印结果图；

图10是本发明从遭受缩放1/2攻击的合成图像中提取的水印结果图。

具体实施方式

一、基础理论介绍

1.数学形态学

数学形态学是近年来发展迅速、应用广泛、以形态为基础对图像进行分析的数学工具，基本思想是用具有一定形态的结构元素去量度和提取图像中的对应形状，以达到图像分析和识别的目的。数学形态学的数学基础和所用语言是集合论，可以简化图像数据，保持形状特性，去除不相干结构，具有天然的并行实现的结构。

二值形态学(Binary Morphology)，将二值图像看成是集合，用结构元素来探察，是一种针对集合的处理过程，算法简单，适于并行处理，易于硬件实现，适于对二值图像进行分割、细化、抽取骨架、边缘提取、形状分析等。灰值形态学(Gray Scale Morphology)是二值形态学的自然扩展，将二值形态学中的交、并运算分别用最大、最小极值代替，基本算子通过组合得到了广泛应用。数学形态学的基本运算有4个：膨胀，腐蚀，开启和闭合，在二值及灰值图像中各有特点，基于这些基本运算还可以推导和组合成各种形态学实用算法。

2.小波变换的时频映射

小波变换具有良好的时频局部化特性，对高频成分采用逐渐精细的时域和空域取样步长，从而可以聚焦到分析对象的任意细节，被人们誉为数学显微镜。小波变换可以较好地匹配人眼视觉特性(HVS)。图像小波变换低频子带(LL_n，n为分解层数)系数代表所在的小波块对应的图像块的平均亮度，其中大的系数代表图像中平均亮度高的区域，小的系数代表图像中平均亮度低的区域；高频子带(HL_i，LH_i，HH_i，i＝1，…，n)系数则代表图像的纹理和边缘部分，其中绝对值大的系数代表图像复杂纹理和边缘部分，绝对值小的系数则代表图像的平滑部分。

由于小波变换具有良好的时频局部化特性，可以较好的匹配HVS，因此，在图像处理中有着广泛的应用。图像小波变换存在如下的时频映射关系：在小波变换域内各级系数间具有树形结构，对N×N的图像做n个尺度的小波分解，可产生N²/2²ⁿ棵小波树，每棵树有4ⁿ个结点，对应原图像的一个2ⁿ×2ⁿ像素块。例如，一个128×128的图像经过2级小波分解后，可以产生32×32棵树，每棵树有16个结点，对应原图像的一个4×4的像素块。

二、相关符号说明

I原始宿主图像

C_i，j宿主图像小波变换系数

W_i，j二值水印图像

W′_i，j一维水印序列

se圆形灰值形态学结构元素

I_bright对宿主图像进行顶帽变换后得到的亮特征图像

I_dark对宿主图像进行底帽变换后得到的暗特征图像

I_i，j原始宿主图像块

Key1保存宿主图像强纹理区所在位置的第一密钥

Key2保存嵌入水印强度的第二密钥

α水印嵌入的强度

C′_i，j合成图像小波变换系数

三、一种自适应的图像强纹理水印方法嵌入

参照图1，本发明的数字水印嵌入步骤如下：

步骤1，对宿主图像进行3级小波分解，得到小波变换系数。

先对宿主图像进行1级小波分解，取1级小波分解后的图像的最低层进行2级小波分解，然后再取2级小波分解后的图像的最低层进行3级小波分解，最后就得到宿主图像小波变换系数C_i，j。

步骤2，对水印图像进行一维处理。

将二值水印图像W_i，j中的{0，1}信息映射为{-1，1}，这是基于鲁棒性的考虑，希望水印信号的统计特性类似于白噪声，即均值为零，再将其扫描为一维水印序列W′_i，j。

步骤3，对宿主图像进行形态学运算，得到特征图像。

取各向同性的圆形结构元素se，半径为2，用结构元素se分别对原始宿主图像进行形态学顶帽变换和底帽变换，得到图像峰值和谷值，即具有小于结构元素尺寸的亮特征图像I_bright和暗特征图像I_dark。

步骤4，确定宿主图像中亮特征和暗特征所在位置。

将上述亮特征和暗特征两幅特征图像进行二值映射，以确定特征所在位置，选阈值为20，大于20的像素置为255，小于20的像素置为0，这样得到的二值图像中，白色像素代表特征所在位置。

步骤5，确定宿主图像中强纹理区所在位置，作为第一密钥Key1。

分别将亮、暗特征位置映射图像进行8*8分块，如果某一块I_i，j中同时存在亮、暗特征，就将此块置为1，否则置为0，这样就得到一个包含宿主图像强纹理区位置信息的二值图像，白色像素代表强纹理区所在位置，并将其作为第一密钥Key1保存。

步骤6，提取水印的嵌入系数。

根据宿主图像小波块与小波树的映射关系，利用第一密钥Key1提取宿主图像中强纹理区的小波系数，作为要嵌入水印的系数。

步骤7，计算水印自适应嵌入强度，作为第二密钥Key2。

水印自适应嵌入强度α按照如下公式计算：

a_i，j＝bright_i，j×band_l，θ×texture_i，j

其中，i，j表示嵌入位置的坐标，l，θ表示嵌入位置的小波分解层数和方向，bright_i，j是由最低频带LL相应点的亮度值确定的亮度大小，可表示为：

${\mathrm{bright}}_{i,j}=1+\frac{1}{256}\×I^{\mathrm{LL}}\×(\frac{i}{2^{3-l}}\×\frac{j}{2^{3-l}})$

其中，I^LL是最低频带LL的系数；

band_l，θ是由经验选取的表示频带影响的固定值，可表示为：

${\mathrm{band}}_{l,\mathrm{\θ}}=\left\{\begin{array}{cc}\sqrt{2}& \mathrm{if\θ}=\mathrm{HH}\\ 1& \mathrm{otherwise}\end{array}\right\}\×\left\{\begin{array}{cc}1.00,& l=1\\ 0.32,& l=2\\ 0.16,& l=3\\ 0.10,& l=4\end{array}\right\}$

其中θ＝HH表示方向为45°的频带；

texture_i，j是表示纹理强弱的i，j所在小波块的归一化方差值，可表示为：

${\mathrm{texture}}_{i,j}=0.1+\frac{{\mathrm{var}}_{i,j}-{\mathrm{var}}_{\min }}{{\mathrm{var}}_{\max }-{\mathrm{var}}_{\min }}\×(0.9-0.1)$

其中，var_i，j表示图像小波块的方差，var_max和var_min分别是方差的最大和最小值。

步骤8，嵌入水印信息。

根据加性原则在强纹理区的小波系数中嵌入水印，得到合成图像的小波变换系数C′_i，j＝C_i，j+αW′_i，j，其中，C_i，j是宿主图像小波变换系数，W′_i，j是一维水印序列。

步骤9，重构含水印合成图像。

对合成图像的小波变换系数C′_i，j进行小波逆变换，得到嵌入水印后的合成图像。

四、一种自适应的图像强纹理水印方法提取

参照图2，本发明的数字水印提取步骤如下：

步骤A，将合成图像进行3级小波分解。

先将待提取的合成图像进行1级小波分解，取1级小波分解后的图像的最低层进行2级小波分解，然后再取2级小波分解后的图像的最低层进行3级小波分解，最后得到合成图像的小波变换系数C′_i，j。

步骤B，提取嵌入水印的小波系数。

利用第一密钥Key1中所包含的宿主图像强纹理区位置信息，提取出所需的小波系数；

步骤C，提取水印信息。

利用第二密钥Key2提取水印信息中所包含的水印嵌入强度信息，通过公式W′_i，j＝(C′_i，j-C_i，j)/α提取水印信息，其中，W′_i，j是一维水印序列，C′_i，j是合成图像小波变换系数，C_i，j是原始宿主图像小波变换系数。

步骤D，恢复水印图像。

将提取出的一维水印序列W′_i，j映射为{0，1}序列，并恢复成二维矩阵的形式，得到提取出的二值水印图像W_i，j。

本发明的效果可通过以下实验仿真进一步说明。

1、仿真条件

选用512*512的lena.bmp图像作为宿主图像，如图3a所示，选取64*64的二值图像进行试验，如图3b所示。实验软件环境为Matlab7.0。本实验设计了一系列攻击测试，包括高斯加噪、椒盐加噪、JPEG压缩、维纳滤波、旋转攻击、剪切攻击和缩放攻击等，在最大攻击强度情况下，对提取的水印通过归一化相关系数NC、峰值信噪比PSNR及均方误差MSE进行质量评价。

2、仿真结果

实验结果分别如图3、图4、图5、图6、图7、图8、图9和图10所述。

参照图3，其中图3a是宿主图像，图3b是原始水印，图3c为嵌入水印后的合成图像，由图3c可见，合成图像具有较好的视觉效果和隐蔽性，图3d为未加攻击情况下提取的水印结果，由图3d可见，水印完好无损。

参照图4，其中图4a为遭受均值为0，方差为0.01的高斯加噪攻击后的合成图像；图4b为此攻击后提取出的水印图像，由图4b可见，水印图像可以清晰辨识，NC值为0.9156，PSNR值为29.0563，MSE值为0.0610。

参照图5，其中图5a为遭受密度为0.01的椒盐加噪攻击后的合成图像；图5b为此攻击后提取出的水印图像，由图5b可见，水印图像可以清晰辨识，NC值为0.8707，PSNR值为24.8919，MSE值为0.0994。

参照图6，其中图6a为遭受质量因子为30的JPEG压缩攻击后的合成图像，图6b为此攻击后提取出的水印图像，由图6b可见，水印图像可以清晰辨识，NC值为0.8947，PSNR值为32.5566，MSE值为0.0762。

参照图7，其中图7a为遭受3*3的维纳滤波攻击后的合成图像，图7b为此攻击后提取出的水印图像，由图7b可见，水印图像可以清晰辨识，NC值为0.8463，PSNR值为35.1156，MSE值为0.1111。

参照图8，其中图8a为遭受旋转4°攻击后的合成图像，图8b为此攻击后提取出的水印图像，由图8b可见，水印图像可以清晰辨识，NC值为0.8329，PSNR值为20.4540，MSE值为0.1223。

参照图9，其中图9a为遭受剪切左上角256*256大小攻击后的合成图像，图9b为此攻击后提取出的水印图像，由图9b可见，水印图像可以较为清晰辨识，NC值为0.8606，PSNR值为11.2431，MSE值为0.1357。

参照图10，其中图10a为遭受缩放1/2攻击后的合成图像，图10b为此攻击后提取出的水印图像，由图10b可见，水印图像可以较为清晰辨识，NC值为0.7016，PSNR值为27.5508，MSE值为0.2437。

图4、图5、图6、图7、图8、图9和图10均体现了数字水印抵抗各种攻击的能力。

以上所有攻击后对水印提取结果的实验数据如表1所示：

表1各种攻击下本发明的性能分析

攻击类型         NC        PSNR        MSE

高斯加噪(0.01)   0.9156    29.0563     0.0610

椒盐加噪(0.01)   0.8707    24.8919     0.0994

JPEG压缩(Q＝30)  0.8947    32.5566     0.0762

维纳滤波(3*3)    0.8464    35.1156     0.1111

旋转攻击(4°)    0.8329    20.4540     0.1223

剪切攻击(1/4)    0.8606    11.243      10.1357

缩放攻击(1/2)    0.7016    27.5508     0.2437

由表1可见，本发明提出的自适应图像强纹理水印方法对于噪声、JPEG压缩、滤波和小角度旋转攻击具有较高的鲁棒性，提取水印清晰可辨，尤其对于噪声攻击和JPEG压缩，NC值高，显示了本发明强的鲁棒性。

Claims (1)

1.一种自适应的图像强纹理水印方法，包括如下过程：

(1)对宿主图像进行3级小波分解，得到宿主图像小波变换系数C_i，j；

(2)将二值水印图像W_i，j中的{0，1}信息先映射为{-1，1}，再扫描为一维水印序列W′_i，j；

(3)对宿主图像进行形态学运算，得到亮特征图像I_bright和暗特征图像I_dark：

(2a)取各向同性的圆形结构元素se，半径为2；

(2b)用结构元素se对原始宿主图像进行形态学顶帽变换，得到具有小于结构元素尺寸的亮特征图像I_bright；

(2c)用结构元素se对原始宿主图像进行形态学底帽变换，得到具有小于结构元素尺寸的暗特征图像I_dark；

(4)将上述两幅特征图像进行二值映射，确定宿主图像中亮特征I_bright和暗特征I_dark所在位置；

(5)分别将亮特征和暗特征位置映射图像进行分块，确定宿主图像中强纹理区所在，作为第一密钥Key1保存：

(5a)将亮特征和暗特征位置映射图像分成8*8的块，如果某一块I_i，j中同时存在亮、暗特征，就将此块置为1，否则置为0，得到包含宿主图像强纹理区位置信息的二值图像；

(5b)将代表强纹理区所在位置的白色像素保存为第一密钥Key1；

(6)根据宿主图像小波块与小波树的映射关系，利用第一密钥Key1提取宿主图像强纹理小波系数，作为要嵌入水印的系数；

(7)利用宿主图像中强纹理的位置，按照如下公式计算水印自适应嵌入强度α，作为第二密钥Key2：

α_i，j＝bright_i，j×band_l，θ×texture_i，j

其中，i，j表示嵌入位置的坐标，l，θ表示嵌入位置的小波分解层数和方向，

bright_i，j是由最低频带LL相应点的亮度值确定的亮度大小，可表示为：

${\mathrm{bright}}_{i,j}=1+\frac{1}{256}\×I^{\mathrm{LL}}\×(\frac{i}{2^{3-l}}\×\frac{j}{2^{3-l}})$

其中，I^LL是最低频带LL的系数；

band_l，θ是由经验选取的表示频带影响的固定值，可表示为：

${\mathrm{band}}_{l,\mathrm{\θ}}=\left\{\begin{array}{cc}\sqrt{2}& \mathrm{if\θ}=\mathrm{HH}\\ 1& \mathrm{otherwise}\end{array}\right\}\left\{\begin{array}{cc}1.00,& l=1\\ 0.32,& l=2\\ 0.16,& l=3\\ 0.10,& l=4\end{array}\right\}$

其中θ＝HH表示方向为45°的频带；

texture_i，j是表示纹理强弱的i，j所在小波块的归一化方差值，可表示为：

${\mathrm{texture}}_{i,j}=0.1+\frac{{\mathrm{var}}_{i,j}-{\mathrm{var}}_{\min }}{{\mathrm{var}}_{\max }-{\mathrm{var}}_{\min }}\×(0.9-0.1)$

其中，var_i，j表示图像小波块的方差，var_max和var_min分别是方差的最大和最小值；

(8)利用嵌入强度α，根据加性原则在强纹理区的小波系数中嵌入水印，得到合成图像的小波变换系数C′_i，j＝C_i，j+αW′_i，j；

(9)对合成图像的小波变换系数C′_i，j进行小波逆变换，得到嵌入水印后的合成图像：

(10)将待提取的合成图像进行3级小波分解；

(11)利用第一密钥Key1中所包含的宿主图像强纹理区位置信息，提取所需的小波系数；

(12)利用第二密钥Key2中所包含的水印嵌入强度信息，通过公式W′_i，j＝(C′_i，j-C_i，j)/α提取水印信息，其中，W′_i，j是一维水印序列，C′_i，j是合成图像小波变换系数，C_i，j是宿主图像小波变换系数；

(13)将提取出的一维水印序列W′_i，j映射为{0，1}序列，恢复成二维矩阵形式，得到水印图像W_i，j。

Images