CN103440616A - 一种基于自适应预测模型的高容量可逆水印方法 - Google Patents

一种基于自适应预测模型的高容量可逆水印方法 Download PDF

Info

Publication number
CN103440616A
CN103440616A CN2013104087921A CN201310408792A CN103440616A CN 103440616 A CN103440616 A CN 103440616A CN 2013104087921 A CN2013104087921 A CN 2013104087921A CN 201310408792 A CN201310408792 A CN 201310408792A CN 103440616 A CN103440616 A CN 103440616A
Authority
CN
China
Prior art keywords
pixel
equations
watermark
embedding
interim
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN2013104087921A
Other languages
English (en)
Other versions
CN103440616B (zh
Inventor
翁韶伟
张天聪
潘正祥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN201310408792.1A priority Critical patent/CN103440616B/zh
Publication of CN103440616A publication Critical patent/CN103440616A/zh
Application granted granted Critical
Publication of CN103440616B publication Critical patent/CN103440616B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0051—Embedding of the watermark in the spatial domain
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0083—Image watermarking whereby only watermarked image required at decoder, e.g. source-based, blind, oblivious
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0203—Image watermarking whereby the image with embedded watermark is reverted to the original condition before embedding, e.g. lossless, distortion-free or invertible watermarking

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于自适应预测模型的高容量可逆水印方法；包括水印嵌入过程及水印提取和原图像恢复过程；所述水印嵌入过程包括预测模型的设计过程及自适应嵌入策略；所述水印提取和原图像恢复过程为所述水印嵌入过程的逆过程；本发明通过充分利用相邻像素间高相关性的特性，得到预测性能较高的预测模型，从而有效地降低了已有算法中修改预测误差进行水印嵌入时所产生的高嵌入失真；另外，通过评估待嵌入集合中的每一像素的四个环绕像素的相关程度，使得约占全部像素四分之三的像素能携带1-2比特水印，因此，实现了容量的提高。

Description

一种基于自适应预测模型的高容量可逆水印方法
技术领域
本发明涉及多媒体信号处理技术领域，具体地讲，涉及一种基于自适应预测模型的高容量可逆水印方法。
背景技术
传统的数字水印技术会造成宿主图像的永久性失真。但在一些实际应用中却不允许对宿主图像有一丁点的永久修改，比如医疗、军事和司法等领域。以医学图像为例，任何形式的失真都是不允许的。任何一幅医学图像的获取需要精密仪器的支持和昂贵的医疗费用， 更为重要的是失真可能会造成潜在的误诊。例如，对于一幅 ECG（electrocardiographic）信号图，任何一点信号曲线的异常都有可能被解释为某种病理特征。因此，传统的数字水印技术并不适用于医学图像。一种称为可逆水印的技术引起了越来越多人的研究与关注。可逆数字水印能以无损的方式将相关水印信息嵌入到宿主图像中，能在接收端有效地提取水印并精确恢复原始图像。
    如何在保持载体图像视觉质量的情况下显著提高水印嵌入的数据容量，成为近年来图像可逆水印算法研究的主要方向之一。Wu (H.-T. Wu and J. W. Huang, “Reversible image watermarking on prediction errors by efficient histogram modification,” Signal Processing, vol. 92(12), pp. 3000–3009, 2012.) 提出了基于四种预测模型和有效灰度修改的可逆水印方法。在Wu提出的每一种预测模型中，对于约占全部像素的二分之一的每一个像素，Wu通过计算它的两个相邻像素的灰度值的均值来预测它；对于约占全部像素的四分之一的每一个像素，Wu用它的                                                
Figure 2013104087921100002DEST_PATH_IMAGE001
和
Figure 806630DEST_PATH_IMAGE002
两条对角线方向上的四个近邻像素来预测它。然而，仅用某一像素的两相邻像素去预测这个像素，预测精度不会很高，而且，对获得的预测误差进行水印嵌入会导致较高的嵌入失真。为此，我们设计出了四种新的预测模型，对于这部分像素中的每一个像素，我们能用它的四个相邻像素去预测它，因此，预测精度大大提高，同时对预测误差进行水印嵌入所产生的失真也大大降低。
       在Wu的论文中，Wu从嵌入容量和视觉质量两个方面和Peng (F. Peng, X. Li, and B. Yang, “Adaptive reversible data hiding scheme based on integer transform,” Signal Processing, vol. 92(1), pp. 54–62, 2012.)、Luo (L. Luo, Z. Chen, M. Chen, X. Zeng, and Z. Xiong, “Reversible image watermarking using interpolation technique,” IEEE Transactions on Information Forensics and Security, vol. 5(1), pp. 187–193, 2010.)的方法做了比较。在本发明中，我们也将给出本发明和Wu、 Peng和Luo在嵌入容量和视觉质量两个方面的比较结果。
发明内容
本发明的主要目的在于，针对上述现有技术中的不足，提供一种基于自适应预测模型的高容量可逆水印方法，可以用于医学图像、军事地图和军用图像的管理和授权使用信息中，以此为依据判别医学图像、军事地图和军用图像的来源，版权，真伪等信息。
本发明解决现有技术问题所采用的技术方案是：包括水印嵌入过程及水印提取和原图像恢复过程；所述水印嵌入过程包括：
预测模型的设计过程；所述预测模型的设计过程包括以下两个步骤：
（1）将一副原始图像的全部像素分成第一类像素和第二类像素；所述第一类像素约占全部像素的四分之一，组成用于预测所述第二类像素的像素集合，且所述第一类像素不允许水印嵌入过程对它们有任何的修改，称第一类临时不变集；所述第二类像素约占全部像素的四分之三，组成待嵌入像素集合，称第一类改变集；
（2）设计四种预测模型，每一种预测模型分成以下两步：
①所述第二类像素包括三分之一的第二类像素和三分之二的第二类像素；先让所述三分之一的第二类像素暂时保持不变，组成第二类临时不变集，所述第二类临时不变集和所述第一类临时不变集一起预测所述三分之二的第二类像素，故称所述三分之二的第二类像素为第二类改变集；
    ②用所述第二类临时不变集的
Figure 935866DEST_PATH_IMAGE001
和
Figure 89767DEST_PATH_IMAGE002
两条对角线上的四个属于所述第一类像素的像素去预测第二类临时不变集。 
    还包括自适应嵌入策略；在每一个所述的四种预测模型中，由所述自适应嵌入策略计算出所述第二类临时不变集中每一像素的四个相邻像素的方差，若方差小于某一给定的门限，则称该四个相邻近像素的相关性强，并嵌2比特水印到此像素中；若方差大于或等于所述某一给定的门限，则嵌1比特水印到此像素中；
所述水印提取和原图像恢复过程为所述水印嵌入过程的逆过程。
 本发明的有益效果是：其一，由于待嵌入像素集（约占全部像素的四分之三）中每一个像素，都能用四个环绕着它的像素去预测它，因此预测精度高；其二，通过评估每一个待嵌入像素的四个环绕像素的相关程度，本发明对每一个待嵌入像素进行自适应地水印嵌入，提高了嵌入容量。
附图说明
图1是本发明实施例中四种预测模型的结构示意图；
其中：图(a)、预测模型1；图(b)、预测模型2；图(c)、预测模型3；图(d）、预测模型4； 
图2是本发明实施例中基于自适应预测模型的高容量可逆水印方法的整体系统流程图；
图3是对于
Figure 2013104087921100002DEST_PATH_IMAGE003
大小的Lena图像，本发明与Wu方案、Luo方案、Peng方案的性能比较图；
图4是对于
Figure 159223DEST_PATH_IMAGE003
大小的Baboon图像，本发明与Wud方案、Luo方案、Peng方案的性能比较图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
以下将结合附图及具体实施例详细说明本发明的技术方案，以便更清楚、直观地理解本发明的发明实质。
本发明的基于自适应预测模型的高容量可逆水印方法包括水印嵌入过程及水印提取和原图像恢复过程。
参照图1所示，在水印嵌入过程中，首先设计四种预测模型:预测模型1、预测模型2、预测模型3、预测模型4，在每一种预测模型中，将一副大小为
Figure 511707DEST_PATH_IMAGE004
的原始图像
Figure 2013104087921100002DEST_PATH_IMAGE005
的全部像素分成第一类像素和第二类像素；所述第一类像素约占全部像素的四分之一，组成用于预测所述第二类像素的像素集合，称第一类临时不变集，此类像素不允许水印嵌入过程对它们有任何的修改，因为一旦它们在嵌入过程中受到修改，算法的可逆性就将遭到破坏，因此，它们的使命就是用来预测第二类像素的；所述第二类像素约占全部像素的四分之三，组成待嵌入像素集合，称第一类改变集。以预测模型1为例，在预测模型1中，位于第一行和第一列上的像素在嵌入过程中不会发生变化，图中用圆圈来代表它们，它们的作用仅是用来和其它三种模型区别开来。对于预测模型1，用表示第一类像素，则
Figure 2013104087921100002DEST_PATH_IMAGE007
，在图中用五角星来表示
Figure 377343DEST_PATH_IMAGE006
。
Figure 63539DEST_PATH_IMAGE008
表示第二类像素，
Figure 208213DEST_PATH_IMAGE008
由三部分组成
Figure 2013104087921100002DEST_PATH_IMAGE009
，其中
Figure 13008DEST_PATH_IMAGE010
，
Figure DEST_PATH_IMAGE011
，
Figure 875921DEST_PATH_IMAGE012
每一种预测模型分成以下两步：①所述第二类像素包括三分之一的第二类像素和三分之二的第二类像素；先让所述三分之一的第二类像素暂时保持不变，组成第二类临时不变集，所述第二类临时不变集和所述第一类临时不变集一起预测所述三分之二的第二类像素，故称所述三分之二的第二类像素为第二类改变集；这样做的好处就是为了保证第二类改变集中每一个像素都有上、下、左、右四个邻近且不会发生改变的像素，因此预测精度能达到很高；② 由于第二类改变集中的像素在第一步已被修改，因此它们不能用于预测第二类临时不变集中的像素，在第二步中，对于第二类临时不变集中的每一个像素，用它的
Figure 287180DEST_PATH_IMAGE001
和
Figure 551939DEST_PATH_IMAGE002
两条对角线上的四个属于第一类像素的像素去预测它。这里要注意一点：第一步和第二步之间有着明确的先后顺序，不能颠倒次序，否则，可逆性将无法保证。仍以预测模型1为例，是改变集，在预测模型1的第一步中，用五角星表示；第二步中，用正方形表示在第一步中已被修改的
Figure 609336DEST_PATH_IMAGE014
；是临时不变集，在预测模型1的第一步中，用五角星来表示用于预测的
Figure 824286DEST_PATH_IMAGE015
；第二步中，用三角形来表示将被预测的
Figure 943551DEST_PATH_IMAGE015
。
然后在每一个所述的四种预测模型中，由所述自适应嵌入策略计算出所述第二类临时不变集中每一像素的四个相邻像素的方差，若方差小于某一给定的门限，则称该四个相邻近像素的相关性强，并嵌2比特水印到此像素中；若方差大于或等于所述某一给定的门限，则嵌1比特水印到此像素中。
具体地，用
Figure 84289DEST_PATH_IMAGE016
表示某一待嵌入像素，本实施例用表示的四个相邻像素。先计算临时不变集
Figure 108746DEST_PATH_IMAGE018
中每个像素的
Figure 674857DEST_PATH_IMAGE016
的相关程度，即计算
Figure 648629DEST_PATH_IMAGE016
的方差，若方差
Figure 963198DEST_PATH_IMAGE019
小于某一给定的门限，则认为
Figure 22421DEST_PATH_IMAGE016
和
Figure 516856DEST_PATH_IMAGE017
之间存在着很强的相关性，否则认为相关性弱。
    若用表示集合
Figure 110833DEST_PATH_IMAGE018
中的某一个待嵌像素(即
Figure 719668DEST_PATH_IMAGE020
)，则它的四个位置相邻的像素分别用
Figure DEST_PATH_IMAGE021
，
Figure 752215DEST_PATH_IMAGE022
，
Figure DEST_PATH_IMAGE023
和
Figure 451312DEST_PATH_IMAGE024
表示。
Figure 356951DEST_PATH_IMAGE021
，，
Figure 351638DEST_PATH_IMAGE023
和
Figure 420088DEST_PATH_IMAGE024
组成了
Figure 244431DEST_PATH_IMAGE016
，即
Figure DEST_PATH_IMAGE025
。
 以预测模式1为例，假设
Figure 686914DEST_PATH_IMAGE026
，其中
Figure DEST_PATH_IMAGE027
，则
Figure 139892DEST_PATH_IMAGE028
，
Figure DEST_PATH_IMAGE029
，
Figure 751264DEST_PATH_IMAGE030
和
Figure DEST_PATH_IMAGE031
。
 当
Figure 247974DEST_PATH_IMAGE032
时，
Figure 990802DEST_PATH_IMAGE017
只有三个环绕的像素，即，
Figure 513017DEST_PATH_IMAGE023
和
Figure 180627DEST_PATH_IMAGE024
。一旦
Figure 738648DEST_PATH_IMAGE017
缺少某个环绕像素，比如
Figure 267849DEST_PATH_IMAGE022
（
Figure 916130DEST_PATH_IMAGE023
），我们用
Figure 567691DEST_PATH_IMAGE021
（
Figure 285112DEST_PATH_IMAGE024
）来代替
Figure 867272DEST_PATH_IMAGE022
（
Figure 619327DEST_PATH_IMAGE023
），反之也是如此。
 若,即
Figure 64958DEST_PATH_IMAGE034
，其中
Figure DEST_PATH_IMAGE035
，则
Figure 518942DEST_PATH_IMAGE036
，
Figure DEST_PATH_IMAGE037
，和
Figure DEST_PATH_IMAGE039
。
所述水印提取和原图像恢复过程为所述水印嵌入过程的逆过程。
 
参照图2所示，本发明的整体系统流程图包括以下几个部分：
1、预测操作：
Figure 950503DEST_PATH_IMAGE040
 (1)
其中
Figure DEST_PATH_IMAGE041
，		 (2)
和  
Figure 130818DEST_PATH_IMAGE042
 (3)
表示的预测值，
Figure 505048DEST_PATH_IMAGE044
和
Figure DEST_PATH_IMAGE045
分别表示方向和方向上的均值，（参见图1），
Figure 255015DEST_PATH_IMAGE048
和
Figure 2013104087921100002DEST_PATH_IMAGE049
分别表示
Figure 122739DEST_PATH_IMAGE046
方向和
Figure 663442DEST_PATH_IMAGE047
方向上的局部方差，
Figure 228284DEST_PATH_IMAGE050
是
Figure 766713DEST_PATH_IMAGE016
的均值，即
Figure 2013104087921100002DEST_PATH_IMAGE051
。 
由于预测都是有偏差， 因而会产生一个预测误差
Figure 915541DEST_PATH_IMAGE052
：
Figure 2013104087921100002DEST_PATH_IMAGE053
 (4)
其中
Figure 384568DEST_PATH_IMAGE054
表示预测误差。
    2、评估的相关程度：
      
Figure 326297DEST_PATH_IMAGE016
的方差计算如下：
Figure 2013104087921100002DEST_PATH_IMAGE055
 (5)
若
Figure 965351DEST_PATH_IMAGE056
，认为
Figure 785539DEST_PATH_IMAGE017
和
Figure 324974DEST_PATH_IMAGE016
之间存在着很强的相关性，则
Figure 267522DEST_PATH_IMAGE017
属于平滑集，否则
Figure 643140DEST_PATH_IMAGE017
属于纹理集，其中
Figure 2013104087921100002DEST_PATH_IMAGE057
代表一个预先定义的门限，用来评估
Figure 958364DEST_PATH_IMAGE017
属于哪个集合（平滑集还是纹理集）。也就是说，通过评估
Figure 165355DEST_PATH_IMAGE017
和
Figure 465755DEST_PATH_IMAGE016
之间的相关程度，将分成了两个集合：平滑集和纹理集。
       对于平滑集中的任一
Figure 552977DEST_PATH_IMAGE017
，如果
Figure 568468DEST_PATH_IMAGE058
，则按照等式(6)对
Figure 524923DEST_PATH_IMAGE017
进行两次扩展。
Figure 2013104087921100002DEST_PATH_IMAGE059
 (6)
其中
Figure 124400DEST_PATH_IMAGE060
代表两比特水印，即
Figure 2013104087921100002DEST_PATH_IMAGE061
，表示修改后的预测误差。如果
Figure 2013104087921100002DEST_PATH_IMAGE063
，则按照等式(7)对进行左右平移，平移的幅度是
Figure 350086DEST_PATH_IMAGE064
。
Figure 2013104087921100002DEST_PATH_IMAGE065
 (7)
      如果属于纹理集，且它的预测误差
Figure 675074DEST_PATH_IMAGE058
，则按照等式(8)对
Figure 976742DEST_PATH_IMAGE017
进行一次扩展。
(8)
其中
Figure 2013104087921100002DEST_PATH_IMAGE067
代表1比特水印，即
Figure 350534DEST_PATH_IMAGE068
。如果
Figure 907286DEST_PATH_IMAGE063
，则按照等式(9)对进行左右平移，平移的幅度是。
Figure 813763DEST_PATH_IMAGE070
 (9)
用
Figure 2013104087921100002DEST_PATH_IMAGE071
表示来表示
Figure 360282DEST_PATH_IMAGE017
的含水印像素，则有
Figure 268195DEST_PATH_IMAGE072
。
    3、嵌入过程
      嵌入过程分为以下三个步骤：
      水印嵌入后，含水印的像素
Figure 465827DEST_PATH_IMAGE071
必须在范围之内，否则含水印像素将遭受溢出（上溢
Figure 371466DEST_PATH_IMAGE074
或下溢），像素溢出将直接导致在解码端无法正确恢复出原始像素
Figure 156014DEST_PATH_IMAGE017
。为了避免像素溢出，我们定义
Figure 805301DEST_PATH_IMAGE076
和
Figure 2013104087921100002DEST_PATH_IMAGE077
。
    ①像素分类：将
Figure 857439DEST_PATH_IMAGE008
中每一个待嵌像素
Figure 933980DEST_PATH_IMAGE017
（即）分成以下三类： 
Figure 2013104087921100002DEST_PATH_IMAGE079
、
Figure 655872DEST_PATH_IMAGE080
和
Figure 2013104087921100002DEST_PATH_IMAGE081
。属于平滑集的某一待嵌像素
Figure 562517DEST_PATH_IMAGE017
，水印嵌入后，如果它的
Figure 809959DEST_PATH_IMAGE071
没有发生溢出（即），则
Figure 622505DEST_PATH_IMAGE017
属于
Figure 462285DEST_PATH_IMAGE080
，即，实际上，由两部分组成：
Figure 625599DEST_PATH_IMAGE084
和，其中
Figure 154800DEST_PATH_IMAGE086
，而；属于纹理集的某一待嵌像素
Figure 478115DEST_PATH_IMAGE017
，水印嵌入后，如果它的没有发生溢出（即
Figure 361944DEST_PATH_IMAGE082
），则
Figure 757153DEST_PATH_IMAGE017
属于
Figure 509208DEST_PATH_IMAGE081
，即，实际上，也是由两部分组成：
Figure 2013104087921100002DEST_PATH_IMAGE089
和，其中
Figure 2013104087921100002DEST_PATH_IMAGE091
，而
Figure 217215DEST_PATH_IMAGE092
；若，则
Figure 896065DEST_PATH_IMAGE017
属于。
    进一步分
Figure 512040DEST_PATH_IMAGE080
为以下两个子集：
Figure 35425DEST_PATH_IMAGE094
和
Figure 2013104087921100002DEST_PATH_IMAGE095
。
   ：若
Figure 332994DEST_PATH_IMAGE096
，且它的预测误差
Figure 545800DEST_PATH_IMAGE058
，则
Figure 376222DEST_PATH_IMAGE017
属于子集
Figure 711388DEST_PATH_IMAGE094
，实际上，
Figure 377993DEST_PATH_IMAGE094
包含两部分
Figure 2013104087921100002DEST_PATH_IMAGE097
和
Figure 136434DEST_PATH_IMAGE098
，即
Figure 2013104087921100002DEST_PATH_IMAGE099
 和
Figure 759045DEST_PATH_IMAGE100
；
    
Figure 530692DEST_PATH_IMAGE095
：若
Figure 419014DEST_PATH_IMAGE096
，且
Figure 989934DEST_PATH_IMAGE063
，则
Figure 342418DEST_PATH_IMAGE017
属于子集
Figure 222650DEST_PATH_IMAGE095
。
进一步分
Figure 660584DEST_PATH_IMAGE081
为以下两个子集：
Figure 2013104087921100002DEST_PATH_IMAGE101
和
Figure 205835DEST_PATH_IMAGE102
。
Figure 678405DEST_PATH_IMAGE101
：若
Figure 2013104087921100002DEST_PATH_IMAGE103
，且它的预测误差
Figure 477340DEST_PATH_IMAGE058
，则
Figure 340254DEST_PATH_IMAGE017
属于子集
Figure 751513DEST_PATH_IMAGE101
，实际上，
Figure 813009DEST_PATH_IMAGE101
包含两部分和
Figure 2013104087921100002DEST_PATH_IMAGE105
，即
Figure 135986DEST_PATH_IMAGE106
 ，和
Figure 2013104087921100002DEST_PATH_IMAGE107
；
        ：若，且
Figure 597557DEST_PATH_IMAGE063
，则属于子集
Figure 754836DEST_PATH_IMAGE102
。
        因此，嵌入容量（即载荷大小）
Figure 56504DEST_PATH_IMAGE108
等于。
    ②位置图的形成：用一个一维的位置图， 大小为
Figure 541712DEST_PATH_IMAGE110
，来标识这三类，位置图中符号‘1’表示
Figure 2013104087921100002DEST_PATH_IMAGE111
中的像素，‘0’表示
Figure 866514DEST_PATH_IMAGE079
中的像素，其中
Figure 236315DEST_PATH_IMAGE112
用来表示集合的长度。用算术编码无损压缩位置图。压缩位置图产生的码流用
Figure 2013104087921100002DEST_PATH_IMAGE113
表示，假设其长度为
Figure 753010DEST_PATH_IMAGE114
。因此待嵌入水印信息来自两个方面：1) 压缩后的码流
Figure 550064DEST_PATH_IMAGE113
；2) 载荷
Figure 2013104087921100002DEST_PATH_IMAGE115
。总的载荷
Figure 283534DEST_PATH_IMAGE115
按照嵌入的先后顺序分成两个部分
Figure 457026DEST_PATH_IMAGE116
和，其中
Figure 153194DEST_PATH_IMAGE118
，
Figure DEST_PATH_IMAGE119
。先将
Figure 245783DEST_PATH_IMAGE116
嵌入到
Figure 341915DEST_PATH_IMAGE018
中，再将
Figure 991203DEST_PATH_IMAGE117
嵌入到
Figure 856390DEST_PATH_IMAGE015
中去。
③水印信息嵌入过程：对于任一待嵌像素
Figure 683663DEST_PATH_IMAGE017
，如果它属于
Figure 204774DEST_PATH_IMAGE094
， 则按照公式(6)嵌两比特水印信息到预测误差
Figure 454490DEST_PATH_IMAGE052
中；如果属于
Figure 626714DEST_PATH_IMAGE095
，则按照公式(7)对预测误差进行左右平移，平移幅度是
Figure 944880DEST_PATH_IMAGE064
；如果它属于
Figure 701351DEST_PATH_IMAGE101
， 则按照公式(8)嵌1比特水印信息到预测误差
Figure 541131DEST_PATH_IMAGE052
中；如果属于
Figure 959474DEST_PATH_IMAGE102
，则按照公式(9)对预测误差
Figure 438866DEST_PATH_IMAGE052
进行左右平移，平移幅度是
Figure 295963DEST_PATH_IMAGE069
；如果属于
Figure 927933DEST_PATH_IMAGE079
 ，则保持不变，即
Figure 267910DEST_PATH_IMAGE120
。
④将水印信息嵌入到集合
Figure 313226DEST_PATH_IMAGE018
和
Figure 646118DEST_PATH_IMAGE015
中：四种预测模型中，对于
Figure 381862DEST_PATH_IMAGE018
中的每一个待嵌像素，先用
Figure 469904DEST_PATH_IMAGE015
和
Figure 674620DEST_PATH_IMAGE006
预测
Figure 559006DEST_PATH_IMAGE018
中的每一个待嵌像素，得到预测误差后，再按照步骤③对预测误差进行修改。这个过程的嵌入量是
Figure DEST_PATH_IMAGE121
。
    在对
Figure 899989DEST_PATH_IMAGE018
中的全部待嵌像素修改完了后，再用
Figure 345883DEST_PATH_IMAGE006
对
Figure 37895DEST_PATH_IMAGE015
中的像素进行预测，并按照步骤③对
Figure 774907DEST_PATH_IMAGE015
中的每一个待嵌像素进行修改。对于前
Figure 986708DEST_PATH_IMAGE114
个像素中的每一个像素按照步骤③修改完之后，收集
Figure 354235DEST_PATH_IMAGE071
的最不重要位（LSB），并把其最不重要位添加到
Figure 330281DEST_PATH_IMAGE117
的后面。剩余的
Figure 57935DEST_PATH_IMAGE122
个像素，对其处理的过程和前
Figure 639089DEST_PATH_IMAGE114
个像素类似。但不同的是其
Figure 974255DEST_PATH_IMAGE071
的LSB不需要收集。全部像素处理完了之后，得到水印图像
Figure DEST_PATH_IMAGE123
。
    4、水印提取和原始图像恢复过程：
抽取过程分为以下三个步骤：
①位置图的恢复：收集所有像素的最不重要位，形成一个比特流。 在此比特流中找到算术编码的结束符， 从开始到结束符的比特流被解压缩得到原始位置图。
②从
Figure 332205DEST_PATH_IMAGE015
中提取出水印和恢复出原始像素：对于中的
Figure 95948DEST_PATH_IMAGE071
，如果它在位置图中所对应的是‘0’，则保持不变，即
Figure 602015DEST_PATH_IMAGE124
；如果是`1’，则用
Figure 755916DEST_PATH_IMAGE006
预测
Figure 326837DEST_PATH_IMAGE015
中的，得到和嵌入过程一样的预测误差
Figure 559552DEST_PATH_IMAGE043
，同时计算
Figure DEST_PATH_IMAGE125
的方差
Figure 184438DEST_PATH_IMAGE019
,如果
Figure 542738DEST_PATH_IMAGE056
，则按照等式(10) 恢复出原始的预测误差。
(10)
其中
Figure DEST_PATH_IMAGE127
。水印提取如下：
Figure 548663DEST_PATH_IMAGE128
。
    如果
Figure DEST_PATH_IMAGE129
，则按照等式(11)恢复出原始的预测误差。
Figure 598528DEST_PATH_IMAGE130
 (11)
水印提取如下：
Figure DEST_PATH_IMAGE131
。最后，
Figure 760519DEST_PATH_IMAGE132
。
    ③从中提取出水印和恢复出原始像素：在正确恢复出中全部像素后，则用
Figure 410571DEST_PATH_IMAGE006
和
Figure 172991DEST_PATH_IMAGE015
中的原始像素去预测
Figure 541524DEST_PATH_IMAGE018
中的
Figure 934460DEST_PATH_IMAGE071
，得到预测误差
Figure 513909DEST_PATH_IMAGE043
，再按照步骤②从
Figure 80019DEST_PATH_IMAGE018
中的含水印像素提取出水印信息和恢复出原始像素。最后，在全部像素都恢复出来后，得到原始图像。
 
 图3是以‘Lena’图像为例，在不超过
Figure DEST_PATH_IMAGE133
bpp的几乎所有嵌入比特率中，本发明的PSNR值远远优于Wu方案、Peng方案和Luo方案的PSNR值。
 图4是以‘Baboon’图像为例，在不超过1bpp的几乎所有嵌入比特率，我们方法的PSNR均优于其他两种方法。因而，我们的方法有一定的实用性。
    大量的实验结果表明，与以往大部分的同类方案相比，我们所设计的基于自适应预测模型的高容量可逆水印算法——无论是在嵌入容量上，还是在恢复图像质量的主观评价上，都有了相当程度的提高。其原因在于：用四个邻近像素去预测它们所包含的像素，既提高了预测性能，又降低了预测失真。预测失真的降低意味着嵌入容量的提高。
以上所述仅为本发明的优选实施例，并非因此限制其专利范围，凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换，直接或间接运用在其他相关的技术领域，均同理包括在本发明的专利保护范围内。

Claims (2)

1.一种基于自适应预测模型的高容量可逆水印方法，其特征在于：包括水印嵌入过程及水印提取和原图像恢复过程；所述水印嵌入过程包括：
预测模型的设计过程；所述预测模型的设计过程包括以下两个步骤：
将一副原始图像的全部像素分成第一类像素和第二类像素；所述第一类像素约占全部像素的四分之一，组成用于预测所述第二类像素的像素集合，且所述第一类像素不允许水印嵌入过程对它们有任何的修改，称第一类临时不变集；所述第二类像素约占全部像素的四分之三，组成待嵌入像素集合，称第一类改变集；
设计四种预测模型，每一种预测模型分成以下两步：
①所述第二类像素包括三分之一的第二类像素和三分之二的第二类像素；先让所述三分之一的第二类像素暂时保持不变，组成第二类临时不变集，所述第二类临时不变集和所述第一类临时不变集一起预测所述三分之二的第二类像素，故称所述三分之二的第二类像素为第二类改变集；
②用所述第二类临时不变集的                                                和两条对角线上的四个属于所述第一类像素的像素去预测第二类临时不变集。
2.还包括自适应嵌入策略；在每一个所述的四种预测模型中，由所述自适应嵌入策略计算出所述第二类临时不变集中每一像素的四个相邻像素的方差，若方差小于某一给定的门限，则称该四个相邻近像素的相关性强，并嵌2比特水印到此像素中；若方差大于或等于所述某一给定的门限，则嵌1比特水印到此像素中；
所述水印提取和原图像恢复过程为所述水印嵌入过程的逆过程。
CN201310408792.1A 2013-09-10 2013-09-10 一种基于自适应预测模型的高容量可逆水印方法 Expired - Fee Related CN103440616B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310408792.1A CN103440616B (zh) 2013-09-10 2013-09-10 一种基于自适应预测模型的高容量可逆水印方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310408792.1A CN103440616B (zh) 2013-09-10 2013-09-10 一种基于自适应预测模型的高容量可逆水印方法

Publications (2)

Publication Number Publication Date
CN103440616A true CN103440616A (zh) 2013-12-11
CN103440616B CN103440616B (zh) 2017-02-01

Family

ID=49694308

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310408792.1A Expired - Fee Related CN103440616B (zh) 2013-09-10 2013-09-10 一种基于自适应预测模型的高容量可逆水印方法

Country Status (1)

Country Link
CN (1) CN103440616B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933668A (zh) * 2015-06-11 2015-09-23 广东工业大学 一种基于局部定位和Alattar整数变换的可逆水印的处理方法
CN105741224A (zh) * 2016-01-28 2016-07-06 广东工业大学 基于pvo和自适应块分割的可逆水印算法
CN106023058A (zh) * 2016-05-25 2016-10-12 广东工业大学 一种高保真可逆水印嵌入方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738353A (zh) * 2005-08-16 2006-02-22 北京交通大学 一种抵抗旋转伸缩和位移攻击的数字水印技术
CN101105857A (zh) * 2007-07-20 2008-01-16 北京交通大学 一种基于预测和压扩技术的高容量可逆水印方法
JP2008283479A (ja) * 2007-05-10 2008-11-20 Fujifilm Software Co Ltd 可逆的透かしデータ挿入方法、プログラム、装置および画像処理システム

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1738353A (zh) * 2005-08-16 2006-02-22 北京交通大学 一种抵抗旋转伸缩和位移攻击的数字水印技术
JP2008283479A (ja) * 2007-05-10 2008-11-20 Fujifilm Software Co Ltd 可逆的透かしデータ挿入方法、プログラム、装置および画像処理システム
CN101105857A (zh) * 2007-07-20 2008-01-16 北京交通大学 一种基于预测和压扩技术的高容量可逆水印方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
SHAOWEI WENG等: "Reversible watermarking based on multiple prediction modes and adaptive watermark embedding", 《SPRINGER SCIENCE BUSINESS MEDIA NEW YORK 2013》, 20 July 2013 (2013-07-20), pages 3063 - 3083 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104933668A (zh) * 2015-06-11 2015-09-23 广东工业大学 一种基于局部定位和Alattar整数变换的可逆水印的处理方法
CN104933668B (zh) * 2015-06-11 2019-03-15 广东工业大学 一种基于局部定位和Alattar整数变换的可逆水印的处理方法
CN105741224A (zh) * 2016-01-28 2016-07-06 广东工业大学 基于pvo和自适应块分割的可逆水印算法
CN105741224B (zh) * 2016-01-28 2019-03-19 广东工业大学 基于pvo和自适应块分割的可逆水印算法
CN106023058A (zh) * 2016-05-25 2016-10-12 广东工业大学 一种高保真可逆水印嵌入方法
CN106023058B (zh) * 2016-05-25 2019-02-15 广东工业大学 一种高保真可逆水印嵌入方法

Also Published As

Publication number Publication date
CN103440616B (zh) 2017-02-01

Similar Documents

Publication Publication Date Title
CN106023058B (zh) 一种高保真可逆水印嵌入方法
CN105741224B (zh) 基于pvo和自适应块分割的可逆水印算法
CN102147912B (zh) 一种基于自适应差值扩展的可逆图像水印方法
CN101105857B (zh) 一种基于预测和压扩技术的高容量可逆水印方法
CN104933668B (zh) 一种基于局部定位和Alattar整数变换的可逆水印的处理方法
CN101866478B (zh) 一种数字图像中的水印嵌入和提取方法
CN109741233B (zh) 一种可逆水印的嵌入和提取方法
CN103034853A (zh) 一种jpeg图像通用隐写分析方法
Yang et al. Efficient reversible data hiding algorithm based on gradient-based edge direction prediction
CN106485640A (zh) 一种基于多层次ipvo的可逆水印计算方法
CN113744153B (zh) 双分支图像修复伪造检测方法、系统、设备及存储介质
Peng et al. Reversible watermarking for 2D CAD engineering graphics based on improved histogram shifting
CN108416724A (zh) 一种基于多预测器的可逆信息隐藏方法
CN105741225A (zh) 一种多维预测误差扩展的可逆水印方法
KR101026081B1 (ko) 가역 워터마크 삽입, 추출 및 원본 영상 복원 방법
CN110047029B (zh) 一种结合多层差扩展具有对比度增强的可逆信息隐藏方法及装置
CN103440616A (zh) 一种基于自适应预测模型的高容量可逆水印方法
CN104766263A (zh) 基于四元数Legendre矩校正的彩色图像水印嵌入及检测方法
Basu et al. Implementation of a spatial domain salient region based digital image watermarking scheme
CN108510425B (zh) 基于ippvo和优化mhm的可逆水印方法
CN103440615A (zh) 一种基于余数不变性的高容量可逆水印方法
Lee et al. Reversible data hiding using a piecewise autoregressive predictor based on two-stage embedding
CN111275602A (zh) 人脸图像安全保护方法、系统及存储介质
CN115393151A (zh) 基于iwt和预测差值直方图平移的可逆水印算法
CN103927709A (zh) 一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20170201

Termination date: 20200910

CF01 Termination of patent right due to non-payment of annual fee