CN103366332B - 一种基于深度信息的图像水印方法 - Google Patents

Abstract

本发明公开了一种基于深度信息的图像水印方法，属于图像信息安全领域。本发明方法包括以下步骤：步骤A、获取宿主图像的深度信息分布情况；步骤B、根据宿主图像深度信息分布情况确定嵌入水印的区域及各区域水印嵌入的数量：深度值越大的区域，水印嵌入的数量越多；步骤C、根据步骤B所确定的嵌入水印的区域及各区域中水印嵌入的数量，进行水印的嵌入和提取。本发明根据宿主图像的深度信息确定嵌入水印的区域及各区域的水印嵌入的数量，深度值越大的区域，水印嵌入的数量越多；从而保证了嵌入水印图像的视觉效果，且在适度的噪声、剪切、JPEG等攻击情况下具有较好的鲁棒性，为数字图像水印技术提供了一种新的思想。

Description

一种基于深度信息的图像水印方法

技术领域

本发明公开了一种图像水印方法，尤其涉及一种基于深度信息的图像水印方法，属于图像信息安全领域。

背景技术

在过去的几年中，数字技术和互联网得到了飞速发展和广泛应用，随之而来的各种数字信息的版权保护问题也日益严重。数字水印（digitalwatermarking）作为一种新的技术，在版权保护、盗版跟踪、拷贝保护、产品认证等方面发挥着重要的作用。

数字水印根据水印的嵌入位置不同可分为空域和变换域两种方法（参见文献[Pitas,I,"Amethodforsignaturecastingondigitalimages,"IEEEInternationalConfereneeonImageProcessing,vol.3,pp.215-218,Sep1996.]）。其中空域水印处理，是在原始载体图像上直接嵌入水印信息，简单有效。这种方法的不足是：鲁棒性不高，信息量少即能够嵌入的水印信息量不能太多，否则从视觉上能够看得出来。变换域水印处理，是对原始载体图像进行离散余弦变换（DiscreteCosineTransform,DCT）（参见文献[I.J.Cox,J.Kilian,F.T.Leighton,T.shamoon,"SecureSpectrumWatermarkingforMultimedia,"IEEETransactiononImageProcessing,vol.6,no.12,pp.1673-1687,Dec1997.]），离散小波变换（DiscreteWaveletTransform,DWT）（参见文献[Chion-TingHsu,Ja-LingWu,"MultiresolutionWatermarkingforDigitalImage"IEEETransactionsonCireuitsandSystems:AllalogandDigitalSignalProcessing,vol.45,no.8,pp.1097-1101,Aug1998.]）等正交变换，在得到的变换域系数中添加水印信息，再经过相应反变换得到嵌入水印后的图像。它们比空域水印具有更强的鲁棒性。变换域水印算法目前已经成为主流研究方向。

深度图像的发展始于70年代。它用于精确地估计和决定场景中物体的形状、位置、物理特性，以及对景物进行3D重建（详细可参见文献[D.Marr著，姚国正等译．视觉计算理论科学出版社1988：4-6.]）。近年来基于深度信息的计算机视觉系统也随之引起人们的重视。通过深度图像处理，提取了景物的三维几何特征，建立物体的空间模型。当前深度图像的研究重点主要集中在深度图像分割，和对三维物体识别等方面。由于深度图像与人类视觉系统（详细可参见文献[曾志宏,李建洋,郑汉垣.融合深度信息的视觉注意计算模型[J].计算工程2010.]能够有效地融合，解决了人类视觉系统没有考虑和深度信息等与空间位置和空间关系的相关的信息问题。因此可以考虑将图像深度信息应用到图片水印中，根据深度信息确定水印载体区域及水印嵌入数量。这种方法是深度图像又一个有效应用，也是水印算法的一个新思想，目前尚未发现相关报道或记载。

发明内容

本发明所要解决的技术问题在于克服现有技术不足，提供一种基于深度信息的图像水印方法，根据宿主图像的深度信息确定嵌入水印的区域及各区域的水印嵌入数量，深度值越大的区域，水印嵌入数量越大；从而保证了嵌入水印图像的视觉效果，且在适度的噪声、剪切、JPEG等攻击情况下具有较好的鲁棒性，为数字图像水印技术提供了一种新的思想。

本发明据以采用以下技术方案：

一种基于深度信息的图像水印方法，包括以下步骤：

步骤A、获取宿主图像的深度信息分布情况；

步骤B、根据宿主图像深度信息分布情况确定嵌入水印的区域及各区域水印嵌入的数量：深度值越大的区域，水印嵌入数量越多；

步骤C、根据步骤B所确定的嵌入水印的区域及各区域水印嵌入的数量，进行水印的嵌入和提取。

作为本发明的一个优选方案，利用以下方法获取宿主图像的深度信息分布情况：

步骤A1、从与宿主图像拍摄位置相邻的位置对同一场景进行拍摄，得到一幅新的图像，从而与宿主图像组成相邻图像对；

步骤A2、利用光流法对所述相邻图像对进行运动流计算，得到宿主图像中各像素的运动矢量；

步骤A3、分别以宿主图像中各像素的运动矢量的模表征该像素的深度，从而得到宿主图像的深度信息分布情况。

作为本发明的又一优选方案，所述根据宿主图像深度信息分布情况确定嵌入水印的区域及各区域水印嵌入的数量，具体如下：

首先将宿主图像的深度分布范围划分为多个区段；然后对宿主图像进行分块，将宿主图像分割为互不重叠的大小相同的子块；以各子块中所包含的深度值最大的像素点的深度值所在的深度值分布区段作为该子块所属的深度值分布区段；最后根据各子块所属的深度值分布区段确定嵌入水印的子块及各子块水印嵌入的数量：所属深度值分布区段越大的子块，水印嵌入数量越多。

所述将宿主图像的深度分布范围划分为多个区段，可以根据实际需要进行划分，例如最简单的等分方法；本发明优选按照以下方法：

步骤1、根据宿主图像的深度信息分布情况获取宿主图像的深度图像，具体如下：将宿主图像的深度分布范围尺度分配到{0,255}之间的灰度值范围，得到一个新的灰度图像，该灰度图像即为所述宿主图像的深度图像；

步骤2、以所述深度图像作为待分割图像，以待分割图像中的任意一个灰度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于区域C₁，灰度值大于t的像素属于区域C₂；然后分别计算区域C₁、区域C₂的熵

$H_{C_1}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/P_t{\log }_2{P}_i/P_t,i=\mathrm{1,2},...,t,P_t={\mathrm{\Σ}}_{i=0}^t{p}_i$

$H_{C_2}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/(1-P_t){\log }_2{P}_i/(1-P_t),i=t+1,t+2,...,\mathrm{ll}-1$

式中，p_i表示灰度级为i的像素在所述待分割图像中出现的概率；ll为待分割图像的灰度级数，初始值为256；

对待分割图像的每个灰度级分别求出将H(t)取得最大值时候的H_max(t₀)作为最大熵，其对应的灰度值t₀则为当前待分割图像的最大熵分割阈值；

步骤3、以t₀所分割出的区域C₁作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₁，其中C₁的灰度级数ll=t₀，像素的总数是区域C₁中所有的像素量；以t₁所分割出的由灰度值小于t₁的像素组成的区域作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₂；依此类推，得到m个最大熵分割阈值{t₀,t₁,～t_m-1}；m为预设的大于1的自然数；

步骤4、以{t₀,t₁,～t_m-1}所分别对应的m个深度值{T₀,T₁,～T_m-1}作为深度分割阈值，将宿主图像的深度分布范围划分为m+1个区段。

相比现有技术，本发明具有以下有益效果：

本发明利用宿主图像的深度信息分布，在宿主图像的远近不同的区域中嵌入不同数量的水印信息。本发明将深度信息应用到图片水印中，保证了水印的鲁棒性和透明度方面的性能，同时能够在宿主图像中嵌入更多数量的水印信息，并且能够抵抗常规的图像信号处理攻击。

附图说明

图1(a)是一个相邻的彩色图像对(Road_ref,Road_side),图1(b)是原始水印图像Fish。图1(c)是获取的Road_ref的深度图像Depthroad；

图2(a)是进行4次Arnold置乱后的水印图像，图2(b)是嵌入水印后的图像，图2(c)是没有攻击的情况下提取出来的水印图片；

图3（a）、图3（b）分别是具体实施例中本发明的水印嵌入和水印提取流程图；

图4（a）-图4（n）是嵌入水印的原始图像经过不同攻击后，提取出来的水印图像，依次为：高斯噪声方差0.005；高斯噪声方差0.01；高斯噪声方差0.015；椒盐噪声数量0.01；椒盐噪声数量0.02；椒盐噪声数量0.03；JPEG压缩因子95；JPEG压缩因子90；JPEG压缩因子85；剪切左上角1/8；剪切左上角1/4；剪切中心1/4；高斯滤波3×3，标准差0.5；高斯滤波窗口2×2，标准差0.3。

具体实施方式

下面结合附图对本发明的技术方案进行详细说明：

本发明的思路是利用宿主图像的深度分布信息，对不同的深度区域嵌入不同数量的水印信息：在视觉上越近的区域中嵌入越多的水印信息，在视觉上越远的区域中嵌入越少的水印。从景深的角度提高了嵌入水印图像的视觉效果，同时对各类攻击具有更好的鲁棒性。

本发明方法具体包括以下步骤：

步骤A、获取宿主图像的深度信息分布情况。

图像深度信息的获取可采用现有的各种方法，例如赵信宇等（参见[赵信宇,朱晓蕊,余锦全.单幅图像深度信息的提取[J].制造业自动化.2010）]）所提出的单幅图像深度信息的提取方法。本发明优选采用光流法进行深度信息提取，具体如下：

步骤A1、从与宿主图像拍摄位置相邻的位置对同一场景进行拍摄，得到一幅新的图像，从而与宿主图像组成相邻图像对；

步骤A2、利用光流法对所述相邻图像对进行运动流计算，得到宿主图像中各像素的运动矢量；光流法计算运动矢量为现有技术，详细内容可参考文献[BruceD.Lucas,"GeneralizedImageMatchingbytheMethodofDifferences,"doctoraldissertation,tech.report,RoboticsInstitute,CarnegieMellonUniversity,July,1984]。

步骤A3、分别以宿主图像中各像素的运动矢量的模表征该像素的深度，从而得到宿主图像的深度信息分布情况。

步骤B、根据宿主图像深度信息分布情况确定嵌入水印的区域及各区域水印嵌入的数量：深度值越大的区域，水印嵌入数量越多。

确定宿主图像的深度分布信息后，即可根据深度分布信息确定图像各区域的水印嵌入数量，其原则为：深度值越大的区域，水印嵌入数量越多，即在视觉上越近的区域中嵌入越多的水印信息，在视觉上越远的区域中嵌入越少的水印。各区域水印嵌入数量的确定可根据实际需要按照以上原则灵活处理。较简单的一种是采用阈值分段的方法，具体如下：首先将宿主图像的深度分布范围划分为多个区段；然后对宿主图像进行分块，将宿主图像分割为互不重叠的大小相同的子块；以各子块中所包含的深度值最大的像素点的深度值所在的深度值分布区段作为该子块所属的深度值分布区段；最后根据各子块所属的深度值分布区段确定嵌入水印的子块及各子块水印嵌入的数量：所属深度值分布区段越大的子块，水印嵌入数量越大。

宿主图像深度分布范围的分段方式可根据实际需要选取，例如采用最简单的等分方法，本发明优选采用深度图像分割的方法进行宿主图像深度分布范围的分段，该方法具体如下：

步骤1、根据宿主图像的深度信息分布情况获取宿主图像的深度图像，具体如下：将宿主图像的深度分布范围尺度分配到{0,255}之间的灰度值范围，得到一个新的灰度图像，该灰度图像即为所述宿主图像的深度图像；

步骤2、以所述深度图像作为待分割图像，以待分割图像中的任意一个灰度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于区域C₁，灰度值大于t的像素属于区域C₂；然后分别计算区域C₁、区域C₂的熵

$H_{C_1}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/P_t{\log }_2{P}_i/P_t,i=\mathrm{1,2},...,t,P_t={\mathrm{\Σ}}_{i=0}^t{p}_i$

$H_{C_2}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/(1-P_t){\log }_2{P}_i/(1-P_t),i=t+1,t+2,...,\mathrm{ll}-1$

式中，p_i表示灰度级为i的像素在所述待分割图像中出现的概率，ll为待分割图像的灰度级数，其初始值为256；

对待分割图像的每个灰度级分别求出将H(t)取得最大值时候的H_max(t₀)作为最大熵，其对应的灰度值t₀则为当前待分割图像的最大熵分割阈值；

步骤3、以t₀所分割出的区域C₁作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₁，其中C₁的灰度级数ll=t₀，像素的总数是区域C₁中所有的像素量；以t₁所分割出的由灰度值小于t₁的像素组成的区域作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₂；依此类推，得到m个最大熵分割阈值{t₀,t₁,～t_m-1}；m为预设的大于1的自然数；

步骤4、以{t₀,t₁,～t_m-1}所分别对应的m个深度值{T₀,T₁,～T_m-1}作为深度分割阈值，将宿主图像的深度分布范围划分为m+1个区段。

按照深度值越大的区域，水印嵌入数量越多的原则，为所划分的m+1个区段分别设定相应的水印嵌入数量，然后按照各图像子块所属的深度区段，即可确定各图像子块中应嵌入的水印信息数量。

步骤C、根据步骤B所确定的嵌入水印的区域及各区域水印嵌入的数量，进行水印的嵌入和提取。

各区域的水印嵌入数量确定后，即可采用各种现有水印算法进行水印嵌入和提取。本发明优选采用DCT变换域水印方法。优选地，在将水印嵌入宿主图像时，按照以下顺序：从所属深度值分布区段最大的子块开始嵌入，如未完成水印嵌入，则在所属深度值分布区段次大的子块中继续嵌入，这样按照深度值分布区段从大到小的依次进行水印嵌入，直到所有水印完成嵌入。

为了使公众理解本发明的技术方案，下面以一个实施例进行说明。该实施例中选取尺寸为128×128，名为Fish二值图像（如图1（b）所示）作为原始水印图像，选取了尺寸为536×960，的一个RGB彩色图像对(Road_ref,Road_side)（如图1（a）所示）来获取图像Road_ref的深度分布信息。具体水印过程如下：

步骤1、利用Lucas/Kanade光流算法模型，对彩色图像对(Road_ref,Road_side)进行运动流计算，获取图像Road_ref的深度分布信息；具体如下：由于相邻图像对的亮度恒定，图像对中物体之间运动比较微小，我们这里利用Lucas/Kanade光流算法模型，对相邻的图像对(Road_ref,Road_side)进行运动流计算，利用图像对中像素数量数据的时域变化和相关性来确定Road_ref中每个像素的运动矢量，并以各像素运动矢量的模作为该像素的深度值，从而得到图像Road_ref的深度分布信息。

步骤2、利用最大熵分割方法对Road_ref的深度图像进行多次分割，从而将Road_ref的深度分布范围划分为多个区段，具体如下：

步骤2-1、将Road_ref的深度分布范围尺度分配到{0,255}之间的灰度值范围，得到一个新的灰度图像，该灰度图像即为Road_ref的深度图像D，本实施例中利用以下公式实现：

$d(i,j)=c\sqrt{\mathrm{mv}{(i,j)}_x^2+\mathrm{mv}{(i,j)}_y^2},$

其中，d(i,j)是深度图像D的像素(i,j)的灰度值（即尺度调整后的深度值），是像素(i,j)的运动矢量大小，c是深度伸缩系数，通过调节c调整图像中深度值大小，使估计出的深度的范围被尺度分配到{0,255}之间的灰度值，以便显示观察。这样，得到如图1（c）所示的深度图像D，深度图像D中各像素与Road_ref中相同位置的像素之间是相对应的，其灰度值反映了Road_ref中相应像素的深度信息。

步骤2-2、以深度图像D作为待分割图像，以待分割图像中的任意一个灰度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于区域C₁，灰度值大于t的像素属于区域C₂；然后分别计算区域C₁、区域C₂的熵

$H_{C_1}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/P_t{\log }_2{P}_i/P_t,i=\mathrm{1,2},...,t,P_t={\mathrm{\Σ}}_{i=0}^t{p}_i$

$H_{C_2}\left(t\right)=-{\mathrm{\Σ}}_i{P}_i/(1-P_t){\log }_2{P}_i/(1-P_t),i=t+1,t+2,...,\mathrm{ll}-1$

式中，p_i表示灰度级为i的像素在所述待分割图像中出现的概率，ll为待分割图像的灰度级数，其初始值为256；

对待分割图像的每个灰度级分别求出将H(t)取得最大值时候的H_max(t₀)作为最大熵，其对应的灰度值t₀则为当前待分割图像的最大熵分割阈值；

步骤2-3、以t₀所分割出的区域C₁作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₁，其中C₁的灰度级数ll=t₀，像素的总数是区域C₁中所有的像素量；以t₁所分割出的由灰度值小于t₁的像素组成的区域作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₂；依此类推，得到m个最大熵分割阈值{t₀,t₁,～t_m-1}；m为预设的大于1的自然数；

步骤2-4、以{t₀,t₁,～t_m-1}所分别对应的m个深度值{T₀,T₁,～T_m-1}作为深度分割阈值，将Road_ref的深度分布范围划分为m+1个区段。

步骤3、将图像Road_ref分割成互不重叠的大小为8×8的子块，根据各子块中最大深度值像素所属的深度区段，确定各子块的水印嵌入数量：所属的深度区段越大，则该子块中嵌入的水印数量越多，即属于0-T₀深度区段的子块嵌入水印信息数量最少，属于>T_m-1深度区段的子快嵌入水印信息数量最多。

步骤4、根据步骤3所确定的各子块水印嵌入数量对图像Road_ref进行水印嵌入和提取。

为了提高安全性，本实施例中采用Arnold置乱的方法对原始水印图像进行加密，具体如下：

（1）计算原始水印图像的Arnold变换周期L，将原始水印图像进行1到L次Arnold置乱。记进行了K次置乱后的水印图像为w_k,1≤K≤L；

（2）计算原始水印图像与L个Arnold置乱后的水印图像的相关系数。记进行了k次Arnold置乱后的水印图像和原始水印图像的相关系数为r_k。在L个相关系数中，找出绝对值最小的相关系数r_q，q∈{1,2,3,...,L}；

相关系数r的定义： $r=\frac{{\mathrm{\Σ}}_m{\mathrm{\Σ}}_n(A_{\mathrm{mn}}-\stackrel{\‾}{A_{\mathrm{mn}}})(B_{\mathrm{mn}}-\stackrel{\‾}{B_{\mathrm{mn}}})}{\sqrt{{\mathrm{\Σ}}_m{\mathrm{\Σ}}_n{(A_{\mathrm{mn}}-\stackrel{\‾}{A_{\mathrm{mn}}})}^2}\sqrt{{\mathrm{\Σ}}_m{\mathrm{\Σ}}_n{(B_{\mathrm{mn}}-\stackrel{\‾}{B_{\mathrm{mn}}})}^2}}$

其中A_mn、B_mn表示变换前和变换后的矩阵。

（3）将原始图片水印进行q次Arnold置乱，生成新的水印信号W_q。本实施例中原始水印图像Fish的Arnold变换周期为96，进行4次Arnold置乱后获得与原水印图像相关联性最小的水印信号，4次Arnold置乱后获得的水印信号如图2（a）所示。

然后将新的水印信号w_q嵌入Road_ref。具体的嵌入顺序可采用以下三种：顺序嵌入，逆序嵌入，区域块嵌入。

顺序嵌入：从原始图像的第一行第一个子块开始嵌入水印信息，随后依次嵌入，直到将水印信息全部嵌入到原始图像的子块中。

逆序嵌入：从原始图像的最后一行第一个子块开始嵌入水印信息，随后依次嵌入，直到将水印信息全部嵌入到原始图像的子块中。

区域块嵌入：首先从属于阈值最大的区域中的子块开始嵌入水印，当该区域中子块全部嵌完的时候，然后再从属于阈值第二大的区域中的子块开始嵌入水印，其他区域按照同样的顺序嵌入水印，直到将水印信息全部嵌完。

本发明优选采用区域块嵌入的顺序。

本实施例采用DCT变换域的水印方法，具体如下：

水印嵌入：

通过在每个子块的DCT系数上改变对个AC中频系数的方法，嵌入bit的水印信息；对嵌入水印信号的每个子块分别进行IDCT变换；然后将IDCT变换后的各子块进行合并成一幅完整的图像，即得到了含有水印的载体图像；其中改变每一对AC中频系数的方法如下：

设F_k(u₁,v₁)和F_k(u₂,v₂)为第K个子块进行DCT变换后的一对AC中频系数，

当嵌入水印的信息W_q(i,j)=0时：

如果F_k(u₁,v₁)<F_k(u₂,v₂)，交换两个系数的顺序；

如果F_k(u₁,v₁)≥F_k(u₂,v₂)，两个系数顺序不变；

当嵌入水印的信息W_q(i,j)=1时：

如果F_k(u₁,v₁)≥F_k(u₂,v₂)，交换两个系数的顺序；

如果F_k(u₁,v₁)<F_k(u₂,v₂)，两个系数顺序不变；

通过上述的规则变换后，获得新的两个系数F_k'(u₁,v₁)和F_k'(u₂,v₂)，设定阈值λ：

如果0<F_k'(u₁,v₁)-F_k'(u₂,v₂)<λ时候：

F_k'(u₁,v₁)=F_k'(u₁,v₁)+λ/2，F_k'(u₂,v₂)=F_k'(u₂,v₂)-λ/2；

如果0<F_k'(u₂,v₂)-F_k'(u₁,v₁)<λ时候：

F_k'(u₂,v₂)=F_k'(u₂,v₂)+λ/2，F_k'(u₁,v₁)=F_k'(u₁,v₁)-λ/2；

本实施例中m的取值为5，将各图像子块分别归入相应的区段，并在每个区段的子块中按照从近到远的顺序分别嵌入(0，1，2，3，4)bit的水印，选择逆序嵌入的顺序嵌入水印。选择改变的中频系数的位置和阈值λ大小如下：

λ=50；

$\&PartialD;=4:\left(\mathrm{1,6}\right),\left(\mathrm{1,7}\right);\left(\mathrm{7,3}\right),\left(\mathrm{6,4}\right);\left(\mathrm{4,5}\right),\left(\mathrm{3,6}\right);\left(\mathrm{6,1}\right)\left(\mathrm{7,2}\right);$

$\&PartialD;=3:\left(\mathrm{6,2}\right),\left(\mathrm{4,3}\right);\left(\mathrm{5,4}\right),\left(\mathrm{6,5}\right);\left(\mathrm{2,7}\right),\left(\mathrm{3,6}\right);$

$\&PartialD;=2:\left(\mathrm{7,3}\right),\left(\mathrm{6,4}\right);\left(\mathrm{2,7}\right),\left(\mathrm{3,6}\right);$

$\&PartialD;=1:\left(\mathrm{5,2}\right),\left(\mathrm{4,3}\right);$

嵌入水印后的图像如图2（b）所示。

水印提取具体如下：

在嵌有水印的载体图像中每个子块的DCT系数上，在嵌入时选取的对个AC中频系数的位置上提取出bit的水印，每对AC中频系数提取水印的方法如下：

设F_k'(u₁,v₁)和F_k'(u₂,v₂)是载体图像第K个子块DCT系数上的一对AC中频系数：

如果F_k'(u₁,v₁)>F_k'(u₂,v₂)，嵌入水印的数据W_q'(i,j)=0；

如果F_k'(u₁,v₁)≤F_k'(u₂,v₂)，嵌入水印的数据W_q'(i,j)=1；

将所有提取的W_q'(i,j)进行合成，即可还原成一个水印信息W_q'。最后将水印信息W_q'进行q次Arnold反置乱，则得到原始嵌入的水印图像。图2（c）为在无攻击情况下提取出的水印图像。

本实施中的水印嵌入和水印提取流程分别如图3（a）、图3（b）所示。

为了测试本发明水印方法抵抗攻击的鲁棒性，对嵌入水印的图像分别添加高斯噪声，椒盐噪声，JPEG压缩，剪裁等攻击操作，并通过相关系数NC(NormalizedCorrelation)衡量提取的水印图像与原始水印图像之间的相似性。同时借助于一种评价图像的客观标准峰值信噪比PSNR(PeakSignal-to-NoiseRatio)来衡量含水印图像和原始图像的差异性，PSNR值越大则表示水印的透明性越好，图像失真越小。

图2(b)是嵌入了水印的原始图像，其PSNR值是31.82，图2(c)是没有受到攻击时提取的水印图像，NC值是1，可见本发明方法提取出的水印清晰，效果好。

常规信号处理攻击：

1)添加高斯噪声

对嵌入水印的图像添加高斯噪声，实验参数及结果见表1。实验提取的水印图像见图4(a)～图4(c)。

表1高斯噪声

噪声方差

0.005

0.01

0.015

NC

0.9614

0.8648

0.7882

2)添加椒盐噪声

对嵌入水印的图像添加椒盐噪声，实验参数及结果见表2。实验提取的水印图像见图4(d)～图4(f)。

表2椒盐噪声

噪声数量	0.01	0.02	0.03
				NC	0.9561	0.9102	0.8634

3)JPEG压缩

对嵌入水印的图像进行JPEG压缩，实验参数及结果见表3。实验提取的水印图像见图4(g)～图4(i)。

表3JPEG压缩

压缩因子	95	90	85
				NC	0.9792	0.9384	0.8165

4)剪裁

对嵌入水印图像进行1/8、1/4尺寸剪裁，裁剪部分像素值用0补充，使裁剪后的图像保持原尺寸大小。实验参数及结果见表4。实验提取的水印图像见图4(j)～图4(l)。

表4剪裁

剪切区域	左上角1/8	左上角1/4	中心1/4
				NC	0.9692	0.8244	0.7845

5)高斯低通滤波

对嵌入水印的图像高斯低通滤波，实验参数及结果见表5。实验提取的水印图像见图4(m)～图4（n）

表5高斯低通滤波

窗口大小/标准差	3×3/0.5	2×2/0.3
			NC	1	0.9110

从实验的结果来看，本发明对滤波，加噪，剪裁，JPEG压缩等攻击操作，也能很好的鲁棒性。总体上看，原始图像嵌入的信息量足够大，抗攻击能力较好。

Claims (8)

1.一种基于深度信息的图像水印方法，其特征在于，包括以下步骤：

步骤A、获取宿主图像的深度信息分布情况；

步骤B、根据宿主图像深度信息分布情况确定嵌入水印的区域及各区域水印嵌入的数量：深度值越大的区域，水印嵌入数量越多；具体如下：

首先将宿主图像的深度分布范围划分为多个区段；然后对宿主图像进行分块，将宿主图像分割为互不重叠的大小相同的子块；以各子块中所包含的深度值最大的像素点的深度值所在的深度值分布区段作为该子块所属的深度值分布区段；最后根据各子块所属的深度值分布区段确定嵌入水印的子块及各子块水印嵌入的数量：所属深度值分布区段越大的子块，水印嵌入数量越多；

步骤C、根据步骤B所确定的嵌入水印的区域及各区域水印嵌入的数量，进行水印的嵌入和提取。

2.如权利要求1所述基于深度信息的图像水印方法，其特征在于，利用以下方法获取宿主图像的深度信息分布情况：

步骤A1、从与宿主图像拍摄位置相邻的位置对同一场景进行拍摄，得到一幅新的图像，从而与宿主图像组成相邻图像对；

步骤A2、利用光流法对所述相邻图像对进行运动流计算，得到宿主图像中各像素的运动矢量；

步骤A3、分别以宿主图像中各像素的运动矢量的模表征该像素的深度，从而得到宿主图像的深度信息分布情况。

3.如权利要求1所述基于深度信息的图像水印方法，其特征在于，在将水印嵌入宿主图像时，按照以下顺序：从所属深度值分布区段最大的子块开始嵌入，如未完成水印嵌入，则在所属深度值分布区段次大的子块中继续嵌入，这样按照深度值分布区段从大到小的依次进行水印嵌入，直到所有水印完成嵌入。

4.如权利要求1所述基于深度信息的图像水印方法，其特征在于，所述将宿主图像的深度分布范围划分为多个区段，具体按照以下方法：

步骤1、根据宿主图像的深度信息分布情况获取宿主图像的深度图像，具体如下：将宿主图像的深度分布范围尺度分配到{0,255}之间的灰度值范围，得到一个新的灰度图像，该灰度图像即为所述宿主图像的深度图像；

步骤2、以所述深度图像作为待分割图像，以待分割图像中的任意一个灰度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于区域C₁，灰度值大于t的像素属于区域C₂；然后分别计算区域C₁、区域C₂的熵

$H_{C_1}\left(t\right)=-{\mathrm{\&Sigma;}}_i{P}_i/P_t{\log }_2{P}_i/P_t,i=1,2,...,t,P_t={\mathrm{\&Sigma;}}_{i=0}^t{p}_i$

$H_{C_2}\left(t\right)=-{\mathrm{\&Sigma;}}_i{P}_i/(1-P_t){\log }_2{P}_i/(1-P_t),i=t+1,t+2,...,11-1$

式中，p_i表示灰度级为i的像素在所述待分割图像中出现的概率；ll为待分割图像的灰度级数，初始值为256；

对待分割图像的每个灰度级分别求出将H(t)取得最大值时候的H_max(t₀)作为最大熵，其对应的灰度值t₀则为当前待分割图像的最大熵分割阈值；

步骤3、以t₀所分割出的区域C₁作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₁，其中C₁的灰度级数ll＝t₀，像素的总数是区域C₁中所有的像素量；以t₁所分割出的由灰度值小于t₁的像素组成的区域作为待分割图像，按照步骤2的方法得到当前待分割图像的最大熵分割阈值t₂；依此类推，得到m个最大熵分割阈值{t₀，t₁，～t_m-1}；m为预设的大于1的自然数

步骤4、以{t₀，t₁，～t_m-1}土所分别对应的m个深度值{T₀，T₁，～T_m-1}作为深度分割阈值，将宿主图像的深度分布范围划分为m+1个区段。

5.如权利要求1至4任一项所述基于深度信息的图像水印方法，其特征在于，步骤C中使用变换域水印算法进行水印的嵌入和提取。

6.如权利要求5所述基于深度信息的图像水印方法，其特征在于，步骤C中使用DCT变换域水印算法进行水印的嵌入和提取。

7.如权利要求6所述基于深度信息的图像水印方法，其特征在于，

水印嵌入具体如下：

通过在每个子块的DCT系数上改变对个AC中频系数的方法，嵌入的水印信息；对嵌入水印信号的每个子块分别进行IDCT变换；然后将IDCT变换后的各子块进行合并成一幅完整的图像，即得到了含有水印的载体图像；所述改变每一对AC中频系数的方法如下：

设F_k(u₁,v₁)和F_k(u₂,v₂)为第K个子块进行DCT变换后的一对AC中频系数，

当嵌入水印的信息W_q(i,j)＝0时：

如果F_k(u₁,v₁)＜F_k(u₂,v₂)，交换两个系数的顺序；

如果F_k(u₁,v₁)≥F_k(u₂,v₂)，两个系数顺序不变；

当嵌入水印的信息W_q(i,j)＝1时：

如果F_k(u₁,v₁)≥F_k(u₂,v₂)，交换两个系数的顺序；

如果F_k(u₁,v₁)＜F_k(u₂,v₂)，两个系数顺序不变；

通过上述的规则变换后，获得新的两个系数F_k'(u₁,v₁)和F_k'(u₂,v₂)，设定阈值λ：

如果0<F_k'(u₁,v₁)-F_k'(u₂,v₂)<λ时候：

F_k'(u₁,v₁)＝F_k'(u₁,v₁)+λ/2，F_k'(u₂,v₂)＝F_k'(u₂,v₂)-λ/2；

如果0<F_k'(u₂,v₂)-F_k'(u₁,v₁)<λ时候：

F_k'(u₂,v₂)＝F_k'(u₂,v₂)+λ/2，F_k'(u₁,v₁)＝F_k'(u₁,v₁)-λ/2；

水印提取具体如下：

在嵌有水印的载体图像中每个子块的DCT系数上，在嵌入时选取的对个AC中频系数的位置上提取出的水印，每对AC中频系数提取水印的方法如下：

设F_k'(u₁,v₁)和F_k'(u₂,v₂)是载体图像第K个子块DCT系数上的一对AC中频系数：

如果F_k'(u₁,v₁)>F_k'(u₂,v₂)，嵌入水印的数据W_q'(i,j)＝0；

如果F_k'(u₁,v₁)≤F_k'(u₂,v₂)，嵌入水印的数据W_q'(i,j)＝1；

将所有提取的W_q'(i,j)进行合成，即可还原成一个水印信息W_q'。

8.如权利要求1至4任一项所述基于深度信息的图像水印方法，其特征在于，所述水印采用置乱的方法进行加密。