CN102722857A - 一种基于视觉注意机制的数字图像水印方法 - Google Patents

Abstract

本发明公开了一种基于视觉注意机制的数字图像水印方法，首先通过视觉注意机制模型划分出图像显著区域，通过小波变换以获取显著区域相对应的高频区域，继而对该区域系数抖动量化调制进行水印嵌入，在量化调制的过程中，借助于JND视觉模型动态的调整量化步长。本发明结合人类视觉特性动态调节量化步长嵌入水印，在稳定水印鲁棒性的同时，较好地平衡了水印的不可感知性。同时，视觉注意机制模型的引入也在一定程度上降低了图像背景区域遭受滤波，噪声污染等操作，对水印提取结果正确性的影响，进一步提高了水印检测的鲁棒性。

Description

一种基于视觉注意机制的数字图像水印方法

技术领域

本发明涉及一种基于视觉注意机制的数字图像水印方法，以便于对数字图像进行版权保护和认证，属于信息隐藏技术领域。

背景技术

随着数据存储和Internet网络技术的飞速发展，传统多媒体信息，如数字图像、音、视频等，都朝着数字化的方向发展，并得到了广泛的应用和传播。然而，于此同时，日益猖獗的非法盗版和恶意篡改给社会造成了巨大的财产损失和知识产权纠纷。数字水印技术作为密码技术和数字签名的有效补充，用于数字产品的版权保护，近年来已成为人们研究的热点，现有技术中的数字图像水印认证流程如图1所示。

不可见性和鲁棒性是数字水印系统的两个最重要的特性，水印的不可见性取决于人眼的视觉特性。同时也考虑到，对一幅图像而言，往往背景部分较多，特别是背景简单的图像，现有的大部分水印算法对其整幅画面进行水印的嵌入容易降低图像的品质，并且滤波，噪声污染等操作，对背景部分的干扰很大程度上会影响水印提取结果的正确性。再者，面对一幅图像，人们往往只对其中的部分区域感兴趣，而该区域（即，显著性区域）却承载了整幅图像信息的最重要部分，若是经图像处理，该区域的品质下降，图片就失去了观赏的价值。

对于如何选择显著性区域，众多研究学者提出了各自的视觉注意机制模型，按照计算机视觉中视觉信息的处理方式划分，可分为自底向上（Bottom-upAttention）和自顶向下（Top-downAttention）的视觉注意。自底向上型的视觉注意由数据驱动、独立于具体任务；而自顶向下型的视觉注意受意识支配、依赖于具体任务。

L.Itti,C.Koch,and E.Niebur.A model of saliency-based visual attention forrapid scene analysis.IEEE Tra nsactions on Pattern Analysis and MachineIntelligence vol.20,pp.1254~1259,1998.（L.Itti,C.Koch,andE.Niebur.一种基于视觉显著机制的快速场景分析模型.IEEE模式分析与机器智能,20(11):1254~1259,1998）参考文献中的Itti模型(Koch and Itti’s visual attention model)是基于Treisman的特征融合理论和Koch神经生物学框架的首个较为完整的自底向上视觉注意计算模型，提供了一种自底向上、各个特征图可并行计算的机制，并且将多种特征（颜色、亮度和方向）在多尺度下进行融合，最后合成一张综合的视觉显著度图(saliency map)。该视觉显著度图描述了在无先验信息指导情况下图像自身特质对人眼的刺激程度，量化了图像中各个位置在多特征综合考虑下的显著性，并采用胜利者全取(Winner-Take-All)法则作为抑制返回（Inhibition ofReturn）的策略来模拟注意焦点转移过程。

如何利用视觉注意机制模型，如Itti模型进行显著区域划分，提高图像水印检测的鲁棒性是图像数字水印技术研究的一个新方向。

发明内容

发明目的：如果水印信息一开始就嵌在图像中的显著区域，那么对提取的水印应该有较好的鲁棒性，同时也降低了对图像品质的影响。针对现有技术中存在的问题与不足，本发明提供一种基于视觉注意机制的数字图像水印方法，首先通过视觉注意机制模型划分出图像显著区域，通过小波变换以获取显著区域相对应的高频区域，继而对该区域系数抖动量化调制进行水印嵌入，在量化调制的过程中，借助于Lewis A S,Knowles G.Image compression using the 2-D wavelettransform.IEEE Transaction on Image Processing,Vol.1:244-250,1992.（Lewis A S,Knowles G.应用2维小波变换的图像压缩.IEEE图像处理,1(2):244-250,1992.）参考文献中的Lewis DWT域视觉模型动态的调整量化步长。

技术方案：一种基于视觉注意机制的数字图像水印方法，包括如下步骤：

步骤1，通过视觉注意机制模型（如Itti模型）对目标图像I进行分析，获得视觉显著图，并通过图像形态学处理，对视觉显著图进行2x2结构元素膨胀，划分相对应于原图中的视觉显著区域；

步骤2，由于本发明的水印算法是针对彩色图像的，并且考虑到人眼对高频变化的不敏感性，因此，水印算法则考虑将彩色图像R，G，B三个平面的小波变换的高频子带纳入水印嵌入域的选择中；

步骤3，将视觉显著区域与小波三级高频子带相结合，选取显著区域相对应的高频子带区域作为最终的水印嵌入区域Area（R、G、B），水印嵌入区域Area（R、G、B）展示了R平面三级小波高频子带显著区域的系数值域分布；

步骤4，水印嵌入，所述水印嵌入是在视觉注意机制模型划分的视觉显著区域相对应的小波域高频区域上，采用奇偶量化调制算法嵌入水印，并结合参考文献（景丽，刘粉林.结合图像局部特征的数字水印技术研究.解放军信息工程大学博士学位论文，2009）提出的DWT域量化步长与PSNR的定量关系，如式(1)，根据期待嵌入后图像的PSNR设定量化步长D，采用Lewis DWT域JND视觉模型动态调整量化步长；

$D=255\·{\left[\frac{L\×{10}^{\frac{\mathrm{PSNR}}{10}}}{3\×M\×N}\right]}^{-0.5}---\left(1\right)$

其中，M、N为图像的尺寸，L为被量化的系数总数；

步骤5，水印提取，通过视觉注意机制模型对已嵌入水印图像I_w进行显著性分析，选取嵌入域Area*（R、G、B、），并对每一平面的高频显著区域进行水印提取。

所述水印嵌入包括如下步骤：

A1：用密钥K产生随机水印序列，水印长度为n，取值为0和1，即W{w(1),w(i)，...,w(n)}，w(i)∈{0,1}；

A2：选取嵌入区域Area（R、G、B），并对每一平面的高频显著区域按以下步骤进行水印嵌入；

A3：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω={C(j),j=1,2,3,…,N}，N为显著区域覆盖的高频系数总数；

A4：对水印信息进行如(2)式的R倍冗余重复编码得到(3)式所示的二值序列

w'(k)＝w(i)，R*(i-1)≤k≤R*i    (2)

W'＝{w'(k)；w'(k)∈{0，1}，1≤k≤R*n}(3)

其中，

A5：计算动态量化步长值：首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x,y)，然后计算其均值mean(JND_HH(x,y))；利用下式(4)获得量化步长调节因子；

${\mathrm{jnd}}_{\mathrm{HH}}(x,y)=\frac{{\mathrm{JND}}_{\mathrm{HH}}(x,y)}{\mathrm{mean}\left({\mathrm{JND}}_{\mathrm{HH}}(x,y)\right)}---\left(4\right)$

再结合(1)式，则在高频区的动态量化步长为

D_HH(x,y)＝jnd_HH(x,y)*D    (5)

A6：设待嵌入水印的高频系数为C(X,y)，通过如下奇偶量化调制机制嵌入水印

$\left\{\begin{array}{c}{C}_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))-0.5)\×D_{\mathrm{HH}}(x,y)\\ \mathrm{if}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=1\\ C_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+0.5)\×D_{\mathrm{HH}}(x,y)\end{array}\right.$

$\mathrm{If}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=0---\left(6\right)$

A7：水印嵌完之后，对其进行逆小波变换，重新组合图像RGB三个平面获得含水印图像I_w。

所述每一平面的高频显著区域按以下步骤进行水印提取：

B1：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω^*＝{C^*(j)，j＝1，2，3，...，M}，M为显著区域覆盖的高频系数总数，选取前(R^*×n)个系数，

B2：计算动态量化步长值：首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x，y)，然后计算其均值mean(JND_HH(x，y))；利用(4)式获得量化步长调节因子

结合(1)式，则在高频区的动态量化步长为

B3：按式(7)的规则提取水印。

$\left\{\begin{array}{ccc}{W}^{*}\left(k\right)=1,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}2=1\\ W^{*}\left(k\right)=0,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}=2=0\end{array}\right.---\left(7\right)$

k＝1，2，…，R^*×n。

B4：对于从高频子带系数提取的水印W^*(k)，按式(8)的择多原则检测水印：

$\left\{\begin{array}{ccc}{w}^{*}\left(i\right)=1& \mathrm{If}& \underset{k=R^{*}\×(i-1)+1}{\overset{R^{*}\×i}{\mathrm{\Σ}}}{W}^{*}\left(k\right)>R^{*}/2\\ w^{*}\left(i\right)=0& \mathrm{Else}& i=\mathrm{1,2},...,n\end{array}\right.---\left(8\right)$

B5：将从三个平面中获得的水印

再按择多原则，确定最终的水印w^*(j)。

有益效果：与现有技术相比，本发明针对大多数现有图像水印算法基于整幅图像进行水印的嵌入，而忽略了广大无意义背景干扰的缺点，提供一种基于视觉注意机制的数字图像水印方法，首先通过视觉注意机制模型划分出图像显著区域，通过小波变换以获取显著区域相对应的高频区域，继而对该区域系数抖动量化调制进行水印嵌入，在量化调制的过程中，借助于Lewis DWT域视觉模型动态的调整量化步长。本发明结合人类视觉特性动态调节量化步长嵌入水印，在稳定水印鲁棒性的同时，较好地平衡了水印的不可感知性。同时，Itti模型的引入也在一定程度上降低了图像背景区域遭受滤波，噪声污染等操作，对水印提取结果正确性的影响，进一步提高了水印检测的鲁棒性。

附图说明

图1为现有技术中数字图像水印认证流程图；

图2（a）为本发明实施例的Airplane目标图像；

图2（b）为本发明实施例中目标图像经Itti模型产生的综合视觉显著度图SaliencyMap（SM）；

图2（c）为本发明实施例中机器视觉选取的显著性前几个区域，即圆圈所示区域；

图3为本发明实施例中利用Itti模型进行显著区域的划分，选定水印的嵌入域；

图4（a）为本发明实施例Airplane目标图像的R平面三级小波变换后高频子图经Lewis DWT域JND视觉模型计算得到归一化量化步长调节因子；

图4（b）为本发明实施例Airplane目标图像的R平面三级小波变换后高频子图经Lewis DWT域JND视觉模型计算得动态量化步长D的值域分布；

图5展示了嵌入水印的图像与目标图像的比较，(a)为原始图像，（b）为嵌入水印图像，（c）为对原图R平面显著区域高频子带动态量化调制后与原图的相应高频子带的差值分布；

图6为已嵌入水印图像经攻击后的图像，按顺序（a）为叠加高斯噪声；（b）是添加椒盐噪声；（c）为线性滤波；（d）是JPEG压缩；（e）为亮度、对比度调节；（f）是图像锐化处理。

具体实施方式

下面结合附图和具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本实施例中，采用大小为512×512的名为Airplane的标准RGB图片作为载体图像，产生n=128随机的0，1比特序列作为水印。由于PSNR为30db时是人眼察别图像失真的临界值，试验中PSNR设定为35db，为了更好地描述本实施例方法的鲁棒性效果，和引入视觉注意机制的可行性，试验中，提出两套方案与文献（景丽，刘粉林.结合图像局部特征的数字水印技术研究.解放军信息工程大学博士学位论文，2009）中的算法进行对比，方案一采用固定量化步长，方案二结合Lewis DWT域JND视觉模型动态量化步长。

具体步骤如下：

如图2所示，本实施例首先要获得目标图像的视觉显著图，经分析，Itti模型中选取迭代次数为1的规一化方法进行多特征图的融合对抵抗图像处理有较好的鲁棒性。以Airplane图片为例首先进行嵌入域的选择，如图3所示，最终获取彩色图像RGB三个平面显著区域三级小波变换相对应的高频区域Area（R、G、B），作为水印嵌入区域。然后对每一平面按如下步骤进行水印嵌入：

A01：用密钥K（本实例K＝100）产生随机水印序列，水印长度为128，取值为0和1，即W{w(1),w(i)，...,w(n)}，w(i)∈{0,1}；

A02：对目标图像Airplane图像I进行显著性分析，选取嵌入域Area（R、G、B、），并对每一平面的高频显著区域按以下步骤进行水印嵌入；

A03：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω={C(j),j=1,2,3,…,N},N＝1244；

A04：为了水印检测能有很好的鲁棒性，我们对水印信息进行如(2)式的R倍冗余重复编码得到(3)式所示的二值序列，其中，

最终修改的系数个数N＝9*128=1152；

w'(k)＝w(i)，R*(i-1)≤k≤R*i    (2)

W'＝{w'(k)；w'(k)∈{0，1}，1≤k≤R*n}(3)

A05：计算动态量化步长值。首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x,y)，然后计算其均值mean(JND_HH(x,y))。利用下式(4)获得量化步长调节因子jnd_HH(x,y)，如图4（a）。再结合(1)式，我们可以得到D=26.33，则在高频区的动态量化步长为D_HH(x,y)＝jnd_HH(x,y)*D，见图4（b）；

$D=255\·{\left[\frac{L\×{10}^{\frac{\mathrm{PSNR}}{10}}}{3\×M\×N}\right]}^{-0.5}---\left(1\right)$

A06：水印的嵌入，设待嵌入水印的高频系数为C(x,y)，通过如下奇偶量化调制机制嵌入水印

$\left\{\begin{array}{c}{C}_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))-0.5)\×D_{\mathrm{HH}}(x,y)\\ \mathrm{if}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=1\\ C_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+0.5)\×D_{\mathrm{HH}}(x,y)\end{array}\right.$

$\mathrm{If}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=0$

A07：水印嵌完之后，对其进行逆小波变换，重新组合图像RGB三个平面获得含水印图像I_w。

为了评估本发明水印算法对常规图像处理的鲁棒性，对含水印的Airplane、house图像进行了如下的攻击试验：添加高斯噪声、椒盐噪声、线性滤波、JPEG有损压缩、亮度对比度调节、锐化等，如图6。然后对各幅受攻击的己嵌水印图像进行水印的提取：

B01：对己嵌入水印图像I_w进行显著性分析，选取嵌入域Area^*(R、G、B、)，并对每一平面的高频显著区域按以下步骤进行水印提取。

B02：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω^*＝{C^*(j)，j＝1，2，3，…，M}，M=1244，选取前(R^*×n)个系数，

B03：计算动态量化步长值。首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x，y)，然后计算其均值mean(JND_HH(x，y))。利用(4)式获得量化步长调节因子

结合(1)式，则在高频区的动态量化步长为

B04：按式(7)的规则提取水印。

$\left\{\begin{array}{ccc}{W}^{*}\left(k\right)=1,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}2=1\\ W^{*}\left(k\right)=0,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}=2=0\end{array}\right.$

k＝1，2，…，R^*×n。

B05：对于从高频子带系数提取的水印W^*(k)，按式(8)的择多原则检测水印：

$\left\{\begin{array}{ccc}{w}^{*}\left(i\right)=1& \mathrm{If}& \underset{k=R^{*}\×(i-1)+1}{\overset{R^{*}\×i}{\mathrm{\Σ}}}{W}^{*}\left(k\right)>R^{*}/2\\ w^{*}\left(i\right)=0& \mathrm{Else}& i=\mathrm{1,2},...,n\end{array}\right.$

B06：将从三个平面中获得的水印

再按择多原则确定最终的水印w^*(i)；

对提取的水印，我们按式(9)计算与原水印问的位正率来衡量水印的鲁棒性。

$\mathrm{BCR}=1-\frac{1}{n}\underset{1}{\overset{n}{\mathrm{\Σ}}}w\left(i\right)\⊕w^{*}\left(i\right)---\left(9\right)$

同时借助于一种评价彩色图像的客观标准峰值信噪比（PSNR）来衡量嵌入水印后图像的影响品质，即与原图的差异性，PSNR值越大则表示图像失真越小，如式（10），

$\mathrm{PSNR}=\frac{1}{3}[{10\log }_{10}\frac{{255}^2}{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{\mathrm{mn}}{(R_{\mathrm{mn}}-R_{\mathrm{mn}}^{*})}^2}+10{\log }_{10}\frac{{255}^2}{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{\mathrm{mn}}{(G_{\mathrm{mn}}-G_{\mathrm{mn}}^{*})}^2}+10{\log }_{10}\frac{{255}^2}{\frac{1}{\mathrm{MN}}{\mathrm{\Σ}}_{\mathrm{mn}}{(B_{\mathrm{mn}}-B_{\mathrm{mn}}^{*})}^2}]---\left(10\right)$

表1给出了三种方案在各种攻击下的试验结果。从表中可以看出，三个方案的PSNR都在30db以上，方案一和方案二都在35db左右，与起初PSNR的设定相符。从各类攻击来看，采用固定量化步长的方案一整体效果略逊于采用动态量化步长的方案二，由此可见，利用人类视觉特性动态调整量化步长可以在不损水印不可感知性的基础上有效地增强水印的鲁棒性。由于对比方案中采用的是对图像三级小波域的高频系数都进行量化调制，也就是说相比方案一、方案二，对图像的改动更大，这跟它获得较低的PSNR值一致。从整体的水印鲁棒性来看，对比方案跟方案一相比效果差不多，但跟方案二相比，还略逊一筹，在噪声叠加和滤波等攻击方面，差异较为明显，噪声叠加和滤波等攻击对图片背景的影响在一定程度上干扰了水印的提取，这跟起初的设想相符合，进一步说明了，水印方案中通过引入视觉注意机制进行显著区域的划分也可有效的提升水印的鲁棒性。

表1  Airplane、house两幅图三种方案抵抗不同攻击的位正率

Claims (3)

1.一种基于视觉注意机制的数字图像水印方法，其特征在于，包括如下步骤：

步骤1，通过视觉注意机制模型对目标图像I进行分析，获得视觉显著图，并通过图像形态学处理，对视觉显著图进行2x2结构元素膨胀，划分相对应于原图中的视觉显著区域；

步骤2，将彩色图像R，G，B三个平面的小波变换的高频子带纳入水印嵌入域的选择中；

步骤3，将视觉显著区域与小波高频子带相结合，选取显著区域相对应的高频子带区域作为最终的水印嵌入区域Area（R、G、B）；

步骤4，水印嵌入，所述水印嵌入是在视觉注意机制模型划分的视觉显著区域相对应的小波域高频区域上，采用奇偶量化调制算法嵌入水印，可结合如(1)式的DWT域量化步长与PSNR的定量关系，设定量化步长D，采用JND视觉模型动态调整量化步长；

$D=255\·{\left[\frac{L\×{10}^{\frac{\mathrm{PSNR}}{10}}}{3\×M\×N}\right]}^{-0.5}---\left(1\right)$

其中，M、N为图像的尺寸，L为被量化的系数总数；

步骤5，水印提取，通过视觉注意机制模型对已嵌入水印图像I_w进行显著性分析，选取嵌入域Area^*（R、G、B、），并对每一平面的高频显著区域进行水印提取。

2.如权利要求1所述的基于视觉注意机制的数字图像水印方法，其特征在于，所述水印嵌入包括如下步骤：

A1：用密钥K产生随机水印序列，水印长度为n，取值为0和1，即W＝{w(1),w(i)，...,w(n)}，w(i)∈{0,1}；

A2：选取嵌入区域Area（R、G、B），并对每一平面的高频显著区域按以下步骤进行水印嵌入；

A3：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω={C(j),j＝1,2,3,…,N}，N为显著区域覆盖的高频系数总数；

A4：对水印信息进行如(2)式的R倍冗余重复编码得到(3)式所示的二值序列

w'(k)＝w(i)，R*(i-1)≤k≤R*i    (2)

W'＝{w'(k)；w'(k)∈{0，1}，1≤k≤R*n}(3)

其中，

A5：计算动态量化步长值：首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x,y)，然后计算其均值mean(JND_HH(x,y))；利用下式(4)获得量化步长调节因子；

${\mathrm{jnd}}_{\mathrm{HH}}(x,y)=\frac{{\mathrm{JND}}_{\mathrm{HH}}(x,y)}{\mathrm{mean}\left({\mathrm{JND}}_{\mathrm{HH}}(x,y)\right)}---\left(4\right)$

结合(1)式，则在高频区的动态量化步长为

D_HH(x,y)＝jnd_HH(x,y)*D    (5)

A6：设待嵌入水印的高频系数为C(x,y)，通过如下奇偶量化调制机制嵌入水印

$\begin{array}{c}\left\{\begin{array}{c}{C}_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))-0.5)\×D_{\mathrm{HH}}(x,y)\\ \mathrm{If}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=1\\ C_w(x,y)=(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x.,y))+0.5)\×D_{\mathrm{HH}}(x,y)---\left(6\right)\end{array}\right.\\ \mathrm{if}(\mathrm{round}(C(x,y)/D_{\mathrm{HH}}(x,y))+w^{\′}\left(i\right))\mathrm{mod}2=0\end{array}$

A7：水印嵌完之后，对其进行逆小波变换，重新组合图像RGB三个平面获得含水印图像I_w。

3.如权利要求1所述的基于视觉注意机制的数字图像水印方法，其特征在于，所述每一平面的高频显著区域按以下步骤进行水印提取：

B1：对选择的高频显著区域从上往下，从左往右依次遍历获取嵌入系数集Ω^*={C^*(j),j＝1,2,3,…,M}，M为显著区域覆盖的高频系数总数，选取前（R^*×n）个系数，

B2：计算动态量化步长值：首先通过Lewis DWT-JND视觉模型中的方法计算出三级小波变换的高频区域JND_HH(x,y)，然后计算其均值mean(JND_HH(x,y))；利用(4)式获得量化步长调节因子

结合(1)式，则在高频区的动态量化步长为

B3：按式（7）的规则提取水印。

$\left\{\begin{array}{ccc}{W}^{*}\left(k\right)=1,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}2=1\\ W^{*}\left(k\right)=0,& \mathrm{If}& \mathrm{floor}(C^{*}(x,y)/D_{\mathrm{HH}}^{*}(x,y))\mathrm{mod}=2=0\end{array}\right.---\left(7\right)$

k＝1,2,…,R^*×n；

B4：对于从高频子带系数提取的水印W^*(k)，按式（8）的择多原则检测水印：

$\left\{\begin{array}{ccc}{w}^{*}\left(i\right)=1& \mathrm{If}& \underset{k=R^{*}\×(i-1)+1}{\overset{R^{*}\×i}{\mathrm{\Σ}}}{W}^{*}\left(k\right)>R^{*}/2\\ w^{*}\left(i\right)=0& \mathrm{Else}& i=\mathrm{1,2},...,n\end{array}\right.---\left(8\right)$

B5：将从三个平面中获得的水印

再按择多原则确定最终的水印w^*(i)。

Images