CN102592256A - 基于支持向量机校正的数字图像水印检测方法 - Google Patents

Abstract

本发明公开了一基于支持向量机校正的数字图像水印检测方法，该方法在含水印图像校正的过程中，提取待检测图像经复数塔式变换后的高频子带中图像的相位信息，计算第二级高频子带4个方向的Gaussian-Hermite矩的能量，并令其作为训练特征，结合最小二乘支持向量机理论，对样本进行训练，得出训练模型，从而进行几何校正，由于结合了复数塔式变换和支持向量机理论，使得该方法能够有效的提高数字水印鲁棒性，同时保证了数字水印的不可感知性和水印的信息量，且该方法具有计算简单、抽取水印时无需原始载体等特点，增强了其用于数字图像作品版权保护的实用性。

Description

基于支持向量机校正的数字图像水印检测方法

技术领域

本发明属于图像处理领域，特征是一基于支持向量机校正的数字图像水印检测方法。

背景技术

数字水印作为传统加密方法的有效补充手段，是一种可以在开放网络环境下保护版权和认证来源及完整性的新技术，近年来已引起人们高度重视，并已成为国际学术界研究的一个热点。

数字图像水印是将具有特定意义的标记(水印)，利用数据嵌入的方法隐藏在数字图像产品中，用以证明创作者对其作品的所有权，并作为鉴定、起诉非法侵权的依据，同时通过对水印的检测和分析保证数字信息的完整可靠性，从而成为知识产权保护和数字多媒体防伪的有效手段。

近年来，数字图像水印技术研究取得了很大进展，并陆续提出了一系列数字图像水印检测方法。但遗憾的是，现有数图像水印检测方法将注意力放在了对抗常规信号处理(如有损压缩、低通滤波、噪声干扰等)的研究上，而诸如旋转、缩放、平移、行列去除、剪切、等几何攻击的抵抗效果不好。

发明内容

针对现有数图像水印检测方法存在的上述问题，本发明提出了一基于支持向量机校正的数字图像水印检测方法，该方法对常规信号处理和几何攻击均具有较好的鲁棒性。本发明采用的技术方案如下：

一种基于支持向量机校正的数字图像水印检测方法，其特征在于包括：

步骤1：在原始图像中嵌入水印；

步骤2：构造训练样本集F^k，(k＝0，1，…，K-1)，该训练样本集中每一训练样本包括X-平移，Y-平移，旋转和缩放操作，之后对样本集中每一训练图像进行复数塔式变换，并计算每一训练图像的第二级4高频子带分别的2个低阶Gaussian-Hermite矩能量，得到反映相应训练图像特征的8个特征向量，用相关信息系数

s^k，θ^k，(k＝0，1，…，K-1)表述每一训练图像，得到训练模型；

步骤3：对待检测图像I′进行二级复数塔式变换，并计算待检测图像的第二级4个方向高频子带分别的2个低阶矩能量，得到反映待检测图像特征的8个特征向量；

步骤4：利用训练模型对待检测图像I′的特征向量进行训练，得到一几何变换参数t′_x，t′_y，s′，θ′，利用该几何变换参数t′_x，t′_y，s′，θ′对待检测图像进行反变换，得到校正后的图像I^*；

步骤5：从校正后的图像I^*中提取水印。

本发明含水印图像校正的过程中，提取待检测图像经复数塔式变换后的高频子带中图像的相位信息，计算第二级高频子带4个方向的Gaussian-Hermite矩的能量，并令其作为训练特征，结合最小二乘支持向量机理论，对样本进行训练，得出训练模型，从而进行几何校正，由于结合了复数塔式变换和支持向量机理论，使得该方法能够有效的提高数字水印鲁棒性，同时保证了数字水印的不可感知性和水印的信息量，且该方法具有计算简单、抽取水印时无需原始载体等特点，增强了其用于数字图像作品版权保护的实用性。

附图说明

图1为本发明的基于支持向量机校正的数字图像水印检测方法流程图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。

如图1所示，本发明的方法包括以下步骤：

步骤1：在原始图像中嵌入水印。该步骤还包括以下步骤：

步骤11：对二值水印图像进行预处理加密，以消除二值水印图像的像素空间相关性，提高数字水印系统的安全性，确保数字图像某一部分受到破坏后仍能全部或部分地恢复水印。

步骤12：对原始图像进行复数塔式变换，得到高频子带系数和低频子带系数。

步骤13：对低频子带系数进行量化以嵌入步骤11预处理加密后的水印图像。

其中的复数塔式变换是通过一个拉普拉斯金字塔和一对方向滤波器组的组合来实现的，其中方向滤波器组被设计成二重的。每一重都是由一个二元树构成，而这个二元树又是由双通道扇形滤波器组构成。这二重方向滤波器组被看成一个复数方向滤波器，每一重的结果分别代表复数的实部和虚部，因此该变换被称为复数方向金字塔变换。如果拉普拉斯金字塔使用的低通滤波器的带通区域被限制在[-π/2，π/2]²的区间内，在所有尺度上的复数方向子带就是平移不变的。

则步骤12又可包括以下步骤：步骤121：将原始图像输入一双通道非下采样滤波器，该双通道非下采样滤波器满足完全重构的准则：|R₀(ω)|²+|L₀(ω)|²＝1，L₀(z)代表宽带低通滤波器，R₀(z)代表高通滤波器；步骤122：原始图像经过双通道非下采样滤波器后，对生成的高频子带应用复数方向滤波器组，得到多方向复数子带，其中用P表示每一尺度的复数方向滤波器组，用Q表示合成部分，P和Q是由两个滤波器R₁(z)，L₁(z)和一个双树方向滤波器组构成的，在P和Q中的滤波器满足完全重构和非频域混叠准则，在低频子带重复P和Q实现多尺度表达即： ${\left|R_1\left(\mathrm{\ω}\right)\right|}^2+\frac{1}{4}{\left|L_1\left(\mathrm{\ω}\right)\right|}^2=1.$

其中的步骤13又可包括以下步骤：步骤131：对原始图像I进行复数塔式变换，得到低频子带的系数A；步骤132：将低频系数分成若干小块(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)，进行分块处理后，每个小块的大小为P×Q，得到的分块后的低频系数为：

B_i，j＝{b_i，j(x，y)，0≤x＜P；0≤y＜Q}

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤133：通过修改PDTDFB变换的低频系数，将步骤11预处理加密后的水印图像嵌入到图像的每一个小块B_i，j中，量化规则如下：

$b_{i,j}^{\′}(x,y)=\left\{\begin{array}{c}(\mathrm{\λ}-1/2)*\mathrm{\Δ}\\ \mathrm{if}\mathrm{mod}((\mathrm{\λ}+w_1(x,y),2)=1\\ (\mathrm{\λ}+1/2)*\mathrm{\Δ}\\ \mathrm{if}\mathrm{mod}\left(\right(\mathrm{\λ}+w_1(x,y),2)=0\end{array}\right.$

λ＝round(b_i，j(x，y)/Δ)

(x＝1，2，…，P；y＝1，2，…，Q)

其中，b_i，j(x，y)是原始低频系数，b′_i，j(x，y)是量化修改后的低频系数，round(·)表示取整运算，w₁(x，y)是水印的比特位，Δ为量化步长。

步骤134：重复步骤133，直到所有水印的比特位嵌入原始图像为止，最后进行复数塔式变换的逆变换得到含水印的载体图像。

步骤2：构造训练样本集F^k，(k＝0，1，…，K-1)，该训练样本集中每一训练样本包括X-平移，Y-平移，旋转和缩放操作，之后对样本集中每一训练图像进行复数塔式变换，并计算每一训练图像的第二级4高频子带分别的2个低阶Gaussian-Hermite矩能量，得到反映相应训练图像特征的8个特征向量，用相关信息系数

s^k，θ^k，(k＝0，1，…，K-1)表述每一训练图像，得到训练模型。

其中，计算每一训练图像的第二级4高频子带分别的2个低阶Gaussian-Hermite矩能量的步骤可表示为：

E_p，q(x，y)＝(M_p，q(x，y，I(x，y)))²

I(x，y)表示训练图像，M_p，q是训练图像I(x，y)的(p，q)阶Gaussian-Hermite矩，且满足：

$M_{p,q}(x,y,I(x,y))={\∫\∫}_{-\∞}^{\∞}G(t,v,\mathrm{\σ})H_{p,q}(t/\mathrm{\σ},v/\mathrm{\σ})I(x+t,y+v)\mathrm{dtdv}$

G(t，v，σ)是二维高斯函数，H_p，q(t/σ，v/σ)是二维(p，q)阶埃尔米特多项式，且满足：

H_p，q(t/σ，v/σ)＝H_p(t/σ)H_q(v/σ)

步骤3：对待检测图像I′进行二级复数塔式变换，并计算待检测图像的第二级4个方向高频子带分别的2个低阶矩能量，得到反映待检测图像特征的8个特征向量。

步骤4：利用训练模型对待检测图像I′的特征向量进行训练，得到一几何变换参数t′_x，t′_y，s′，θ′，利用该几何变换参数t′_x，t′_y，s′，θ′对待检测图像进行反变换，得到校正后的图像I^*。

步骤5：从校正后的图像I^*中提取水印。该步骤又包括以下步骤：

步骤51：对校正后的图像I^*进行复数塔式变换，得到低频子带的系数A^*。

步骤52：将低频子带的系数A^*分成若干小块

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)，进行分块处理后，每个小块的大小为P×Q，得到的分块后的低频系数为：

$B_{i,j}^{*}=\{b_{i,j}^{*}(x,y),0\&le;x<P;0\&le;y<Q\}$

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤53：在分块后的低频系数中，提取图像的每一个小块

中水印，提取过程表示为：

$w_{i,j}^{*}(x,j)=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{mod}({\mathrm{\&lambda;}}^{*},2)=1\\ 0& \mathrm{if}& \mathrm{mod}({\mathrm{\&lambda;}}^{*},2)=0\end{array}\right.$

(x＝1，2，…，P；y＝1，2，…，Q)

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤54：根据择多原则最终提取水印信息W^*＝{w^*(i，j)，0≤i＜P，0≤j＜Q}。

本发明含水印图像校正的过程中，提取待检测图像经复数塔式变换后的高频子带中图像的相位信息，计算第二级高频子带4个方向的Gaussian-Hermite矩的能量，并令其作为训练特征，结合最小二乘支持向量机理论，对样本进行训练，得出训练模型，从而进行几何校正，由于结合了复数塔式变换和支持向量机理论，使得该方法能够有效的提高数字水印鲁棒性，同时保证了数字水印的不可感知性和水印的信息量，且该方法具有计算简单、抽取水印时无需原始载体等特点，增强了其用于数字图像作品版权保护的实用性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。

Claims (6)

1.一种基于支持向量机校正的数字图像水印检测方法，其特征在于包括：

步骤1：在原始图像中嵌入水印；

步骤2：构造训练样本集F^k，(k＝0，1，…，K-1)，该训练样本集中每一训练样本包括X-平移，Y-平移，旋转和缩放操作，之后对样本集中每一训练图像进行复数塔式变换，并计算每一训练图像的第二级4高频子带分别的2个低阶Gaussian-Hermite矩能量，得到反映相应训练图像特征的8个特征向量，用相关信息系数

s^k，θ^k，(k＝0，1，…，K-1)表述每一训练图像，得到训练模型；

步骤3：对待检测图像I′进行二级复数塔式变换，并计算待检测图像的第二级4个方向高频子带分别的2个低阶矩能量，得到反映待检测图像特征的8个特征向量；

步骤4：利用训练模型对待检测图像I′的特征向量进行训练，得到一几何变换参数t′_x，t′_y，s′，θ′，利用该几何变换参数t′_x，t′_y，s′，θ′对待检测图像进行反变换，得到校正后的图像I^*；

步骤5：从校正后的图像I^*中提取水印。

2.根据权利要求1所述的方法，其特征在于步骤1又包括：

步骤11：对二值水印图像进行预处理加密；

步骤12：对原始图像进行复数塔式变换，得到高频子带系数和低频子带系数；

步骤13：对低频子带系数进行量化以嵌入步骤11预处理加密后的水印图像。

3.根据权利要求2所述的方法，其特征在于步骤12又包括：

步骤121：将原始图像输入一双通道非下采样滤波器，该双通道非下采样滤波器满足完全重构的准则：|R₀(ω)|²+|L₀(ω)|²＝1，L₀(z)代表宽带低通滤波器，R₀(z)代表高通滤波器；

步骤122：原始图像经过双通道非下采样滤波器后，对生成的高频子带应用复数方向滤波器组，得到多方向复数子带，其中用P表示每一尺度的复数方向滤波器组，用Q表示合成部分，P和Q是由两个滤波器R₁(z)，L₁(z)和一个双树方向滤波器组构成的，在P和Q中的滤波器满足完全重构和非频域混叠准则，在低频子带重复P和Q实现多尺度表达即：

4.根据权利要求2所述的方法，其特征在于，步骤13又包括：

步骤131：对原始图像I进行复数塔式变换，得到低频子带的系数A；

步骤132：将低频系数分成若干小块(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)，进行分块处理后，每个小块的大小为P×Q，得到的分块后的低频系数为：

B_i，j＝{b_i，j(x，y)，0≤x＜P；0≤y＜Q}

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤133：通过修改PDTDFB变换的低频系数，将步骤11预处理加密后的水印图像嵌入到图像的每一个小块B_i，j中，量化过程表示如下：

$b_{i,j}^{\&prime;}(x,y)=\left\{\begin{array}{c}(\mathrm{\&lambda;}-1/2)*\mathrm{\&Delta;}\\ \mathrm{if}\mathrm{mod}((\mathrm{\&lambda;}+w_1(x,y),2)=1\\ (\mathrm{\&lambda;}+1/2)*\mathrm{\&Delta;}\\ \mathrm{if}\mathrm{mod}\left(\right(\mathrm{\&lambda;}+w_1(x,y),2)=0\end{array}\right.$

λ＝round(b_i，j(x，y)/Δ)

(x＝1，2，…，P；y＝1，2，…，Q)

其中，b_i，j(x，y)是原始低频系数，b′_i，j(x，y)是量化修改后的低频系数，round(·)表示取整运算，w₁(x，y)是水印的比特位，Δ为量化步长；

步骤134：重复步骤133，直到所有水印的比特位嵌入原始图像为止，最后进行复数塔式变换的逆变换得到含水印的载体图像。

5.根据权利要求1所述的方法，其特征在于计算每一训练图像的第二级4高频子带分别的2个低阶Gaussian-Hermite矩能量的步骤表示为：

E_p，q(x，y)＝(M_p，q(x，y，I(x，y)))²

I(x，y)表示训练图像，M_p，q是训练图像I(x，y)的(p，q)阶Gaussian-Hermite矩，且满足：

$M_{p,q}(x,y,I(x,y))={\&Integral;\&Integral;}_{-\&infin;}^{\&infin;}G(t,v,\mathrm{\&sigma;})H_{p,q}(t/\mathrm{\&sigma;},v/\mathrm{\&sigma;})I(x+t,y+v)\mathrm{dtdv}$

G(t，v，σ)是二维高斯函数，H_p，q(t/σ，v/σ)是二维(p，q)阶埃尔米特多项式，且满足：

H_p，q(t/σ，v/σ)＝H_p(t/σ)H_q(v/σ)。

6.根据权利要求1所述的方法，其特征在于步骤5又包括：

步骤51：对校正后的图像I^*进行复数塔式变换，得到低频子带的系数A^*；

步骤52：将低频子带的系数A^*分成若干小块(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)，进行分块处理后，每个小块的大小为P×Q，得到的分块后的低频系数为：

$B_{i,j}^{*}=\{b_{i,j}^{*}(x,j),0\&le;x<P;0\&le;y<Q\}$

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤53：在分块后的低频系数中，提取图像的每一个小块

中水印，提取过程表示为：

$w_{i,j}^{*}(x,j)=\left\{\begin{array}{ccc}1& \mathrm{if}& \mathrm{mod}({\mathrm{\&lambda;}}^{*},2)=1\\ 0& \mathrm{if}& \mathrm{mod}({\mathrm{\&lambda;}}^{*},2)=0\end{array}\right.$

(x＝1，2，…，P；y＝1，2，…，Q)

(i＝0，1，...，M/P-1；j＝0，1，…，N/Q-1)

步骤54：根据择多原则最终提取水印信息W^*＝{w^*(i，j)，0≤i＜P，0≤j＜Q}。

Images