CN103927709B - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN103927709B CN103927709B CN201410102739.3A CN201410102739A CN103927709B CN 103927709 B CN103927709 B CN 103927709B CN 201410102739 A CN201410102739 A CN 201410102739A CN 103927709 B CN103927709 B CN 103927709B
- Authority
- CN
- China
- Prior art keywords
- characteristic
- point
- candidate
- candidate feature
- represent
- 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.)
- Active
Links
Landscapes
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明提供了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,该水印嵌入方法通过获取原始图像的低频子带、获取初始特征点集合、获取候选特征点集合、获取候选特征区域集合、计算选特征区域关联矩阵、计算候选关联权值向量、获取筛选特征区域集合、获取圆形特征区域集合、得到特征图像、得到密钥图像和获取密钥信息的步骤,克服了现有鲁棒可逆水印方法的缺陷,改善了含水印图像的视觉质量,提高了水印嵌入容量,增强了水印抵抗复杂攻击的鲁棒性,提升了水印的安全性,提高了鲁棒可逆图像水印方法的综合性能。
Description
技术领域
本发明属于多媒体信息安全领域,涉及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,可用于网络环境中数字图像的内容认证、版权保护。
背景技术
数字图像作为国家基础设施建设的支撑性成果之一,在国民经济、国防建设中占有十分重要的地位和广泛的应用。随着计算机技术与数码成像设备的发展与普及,数字图像的安全保护已成为多媒体信息安全领域亟待解决的重要问题之一。近年来,数字水印技术通过在宿主图像中嵌入水印的方式为这一问题的解决提供了有效途径,然而传统方法在水印嵌入过程中常常会对宿主图像造成不可逆失真。即使这些失真难以被人眼察觉,但却影响了它在医学影像、法庭证据、电子票据、军事及遥感图像等领域的实际应用。因此,可逆水印技术应运而生,它利用人类感知与数字图像自身冗余,通过可逆数字嵌入的方式将水印隐藏到宿主图像中,在水印提取之后能(近)无损地恢复宿主图像内容,确保其后续应用(如病变检测、分类、目标识别)不受影响。而且,通过对水印的分析,该技术能够确定版权所有者、认证图像内容以及跟踪侵权行为,从而为数字图像安全保护提供有力的技术支撑。同时,由于实际应用中数字图像往往会受到有损压缩、噪声干扰的影响,嵌入的水印又需要具有抵抗攻击的鲁棒性。这种水印方案称为鲁棒可逆水印,它以其特有的优势引起了国内外研究者们的广泛关注。
根据水印嵌入模型的不同,现有的鲁棒可逆图像水印方法可以分为三类。
第一类是基于直方图旋转的方法,该方法是基于Patchwork理论,利用数字图像相邻像素间的相关性生成质心向量,并沿不同方向旋转质心向量来嵌入水印,见文献“DeVleeschouwer C,Delaigle J,and Macq B.Circular interpretation of bijectivetransformationsin lossless watermarking for media asset management.IEEETrans.Multimedia,5(1):97-105,2003”。该方法虽然对联合图像专家组JPEG压缩具有鲁棒性,但由于水印图像存在严重的“椒盐”噪声,
显著降低了含水印图像的视觉质量。
第二类是基于直方图分布约束的方法,见文献“Zou D K,Shi Y Q,Ni Z C,and SuW.A semi-fragile lossless digital watermarking scheme based on integerwavelet transform.IEEE Trans.Circuits and Systems for Video Technology,16(10):1294-1300,2006”和“Ni Z C,Shi Y Q,Ansari N,Su W,Sun Q B,and Lin X.Robustlossless image data hiding designed for semi-fragile imageauthentication.IEEE Trans.Circuits and Systems for Video Technology,18(4):497-509,2008”。此类方法根据数字图像的直方图分布,有规则地修改图像的统计特性来实现水印嵌入与提取。与基于直方图旋转的方法相比,该类方法克服了含水印图像的“椒盐”噪声,提高了水印图像的视觉质量,但却存在容量低、可逆性与鲁棒性不稳定的缺陷。
第三类方法是基于广义统计量直方图与聚类的方法,见文献“An L L,Gao X B,Yuan Y,and Tao D C.Robust lossless data hiding using clustering andstatistical quantity histogram.Neurocomputing,77(1):1-11,2012”和“Li X L,Tao DC,Deng C and Li J.Robust reversible watermarking via clustering and enhancedpixel-wise masking.IEEE Transactions on Image Processing,21(8):3598-3611,2012”。该类方法基于广义统计量直方图平移与聚类算法实现了水印的无损嵌入与鲁棒提取,增强了水印抗攻击的鲁棒性。虽然该类方法与前两类方法相比,提升了水印抵抗JPEG压缩与加性高斯噪声的鲁棒性,但其抵抗复杂攻击的鲁棒性欠缺,而且在容量、不可感知性及鲁棒性三方面的综合性能有待进一步提高。
发明内容
本发明目的是增强目前数字图像水印技术对于复杂攻击的鲁棒性的抵抗性能,提高鲁棒可逆水印方法在容量、不可感知性及鲁棒性三方面的综合性能,提供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。
为达上述目的,本发明技术方案是:一种基于特征区域几何优化的鲁棒可逆水印嵌入方法,包括如下步骤:
1)、获取原始图像的低频子带:对原始图像I进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R3,a;
2)、获取初始特征点集合:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A={Ai,i=1,2,…m1},其中Ai表示第i个特征点,初始特征点集合A的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的特征尺度特征点椭圆参数 与m1表示初始特征点的个数;
3)、获取候选特征点集合:选取初始特征点集合A中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B:将初始特征点集合A中每个特征点的特征尺度与特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足条件的中间尺度特征点,得到候选特征点集合B={Bi,i=1,2,…m2},其中m2表示候选特征点的个数;
4)、获取候选特征区域集合:利用候选特征点集合B中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S:对候选特征点集合B中的每个特征点Bi,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S={Si,i=1,2,…m2},其中x与y分别表示低频子带R3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点Bi的横坐标,表示特征点Bi的纵坐标, 与表示特征点Bi椭圆参数;
5)、计算候选特征区域关联矩阵:根据候选特征区域集合S,计算候选特征区域关联矩阵P;
6)、计算候选关联权值向量:利用候选特征区域关联矩阵P,计算候选关联权值向量L;
7)、获取筛选特征区域集合:从候选关联权值向量L中查找出最大权值的位置索引k,更新候选特征区域关联矩阵P和候选关联权值向量L,得到筛选特征区域集合H;
8)、获取圆形特征区域集合:对筛选特征区域集合H进行归一化处理,得到圆形特征区域集合Q={Qi,i=1,2,…m3},m3表示筛选特征区域的个数;
9)、得到特征图像:利用圆形特征区域集合Q对低频子带R3,a进行系数置零化处理,得到特征图像C;
10)、得到密钥图像:将灰度水印图像W和特征图像C进行按位异或运算,得到密钥图像D;
11)、获取密钥信息:利用可逆元胞自动机对密钥图像D与特征尺度向量ξ进行加密得到密钥信息G。
上述步骤5)具体包括以下子步骤:
5.1)计算候选特征区域集合S中每个候选特征区域Si对应特征点的二阶矩阵Gi,i=1,2,…m2:
其中, 与表示候选特征区域Si对应特征点的椭圆参数,i=1,2,…m2,m2表示候选特征区域的个数;
5.2)计算候选特征区域集合S中每个候选特征区域Si的长轴长度li,计算公式为:
Ei=f(Gi)
其中,f(·)计算二阶矩矩阵的特征值矩阵Ei,Ei(1)取Ei中的第一个元素;
5.3)计算候选特征区域集合S的距离矩阵DIS,其中第i个候选特征点和第候选j个特征点的距离表示为:
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,…m2,m2表示候选特征区域个数;
5.4)计算候选特征区域关联矩阵P,其第(i,j)位置上的元素计算公式如下:
其中,DIS(i,j)表示第i个候选特征点和第j个候选特征点的距离,li和lj分别表示第i个候选特征点和第j个候选特征点的长轴长度。
上述步骤6)的具体过程是:利用候选特征区域关联矩阵P,计算候选关联权值向量L,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P(i,j)表示候选特征区域关联矩阵P中第(i,j)位置上的元素,m2表示候选特征区域的个数。
上述步骤7)具体包括以下步骤:
7.1)从候选关联权值向量L中查找出最大权值的位置索引k,利用如下公式更新候选特征区域关联矩阵P和候选关联权值向量L;
P(i,k)=0,P(k,i)=0
其中表示第i个候选特征点的特征强度,L(i)表示第i个候选特征点的关联权值,P(i,k)与P(k,i)分别表示候选关联矩阵P中第(i,k)与第(k,i)位置上的元素,i=1,2,…m2,m2表示候选特征区域的个数;
7.2)重复步骤7.1)直到候选关联权值向量L中所有元素都为0,得到筛选特征区域集合H={Hi,i=1,2,…m3},m3表示筛选特征区域的个数。
上述步骤11)的具体过程是:
11.1)依次将密钥图像D中每个灰度值转换成8位二进制序列,其中密钥图像D中第(i,j)位置的灰度值D(i,j)所转换成的二进制序列表示为这里λ=1,2,…8,
11.2)按照行扫描顺序将密钥图像D中每个灰度值所转换成的二进制序列进行连接,得到长度为的密钥图像二进制序列Db,表示为:
11.3)将特征尺度向量ξ=[ξ1,ξ2]转换成8位二进制序列,得到原始特征尺度向量二进制序列
11.4)采用补零方式将原始特征尺度向量二进制序列ξb进行零填充,生成特征尺度向量二进制序列它的长度与步骤11.2)得到的密钥图像二进制序列Db相同,均为
11.5)将步骤11.2)得到的密钥图像二进制序列Db与步骤11.4)得到的特征尺度向量二进制序列ξb′作为可逆元胞自动机的初始状态,使用可逆元胞自动机加密方法对ξb′进行加密,得到密钥信息G和共享特征向量Γ,其中可逆元胞自动机规则为41R,迭代次数为10。
上述的鲁棒可逆水印嵌入方法,还包括步骤12)、将密钥信息G注册到知识产权信息数据库中。
同时,本发明提供了一种基于特征区域几何优化的鲁棒可逆水印提取方法,包括如下步骤:
a)、利用可逆元胞自动机对密钥信息G进行解密,得到密钥图像D与特征尺度向量ξ;
b)、将待检测图像I′进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R′3,a:
将大小为M×N的原始图像I′进行三级提升小波变换,得到一组小波分解子带序列R′={R′t,a,R′t,h,R′t,v,R′t,d},其中,整数t为分解尺度,1≤t≤3,R′t,a为第t级小波分解尺度下的低频子带,R′t,h为第t级小波分解尺度下的水平子带,R′t,v为第t级小波分解尺度下的垂直子带,R′t,d为第t级小波分解尺度下的对角子带,从子带序列R′中选择大小为的第三级小波分解尺度下的低频子带R′3,a,其中表示选取比M/8大的最小整数,表示选取比N/8大的最小整数;
c)、利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′:
利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′={Ai′,i=1,2,…m1},其中Ai′表示第i个特征点,它的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的尺度特征点椭圆参数 与m1表示初始特征点的个数;
d)、选取初始特征点集合A′中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B′:将初始特征点集合A′中每个特征点的特征尺度与特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足条件的中间尺度特征点,得到候选特征点集合B′={Bi′,i=1,2,…m2},其中m2表示候选特征点的个数。
e)、利用候选特征点集合B′中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S′:
对候选特征点集合B′中的每个特征点Bi′,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S′={Si′,i=1,2,…m2},其中x与y分别表示低频子带R′3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点Bi′的横坐标,表示特征点Bi′的纵坐标, 与表示特征点Bi′椭圆参数;
f)、根据候选特征区域集合S′,计算候选特征区域关联矩阵P′;
g)、利用候选特征区域关联矩阵P′,计算候选关联权值向量L′;
h)、从候选关联权值向量L′中查找出最大权值的位置索引k′,更新候选特征区域关联矩阵P′和候选关联权值向量L′,得到筛选特征区域集合H′;
i)、对筛选特征区域集合H′进行归一化处理,得到圆形特征区域集合Q′={Qi′,i=1,2,…m3},m3表示筛选特征区域的个数;
j)、利用圆形特征区域集合Q′对低频子带R′3,a进行系数置零化处理,得到特征图像C′:
在低频子带R′3,a中将圆形特征区域集合Q′以外区域的系数值设置为0,仅保留圆形特征区域中的系数值,进而得到特征图像C′。
k)、将特征图像C′与密钥图像D进行按位异或运算,得到水印图像W′。
利用如下公式将特征图像C′与密钥图像D进行按位异或运算,得到水印图像W′:
W′(i,j)=C′(i,j)∧D(i,j)
其中,D(i,j)、C′(i,j)、W′(i,j)分别为密钥图像D、特征图像C′与水印图像W′在(i,j)处的元素值,∧表示按位异或运算操作,
上述步骤a)包括以下子步骤:
a1)将密钥信息G和共享特征向量Γ作为可逆元胞自动机的初始状态,利用可逆元胞自动机解密方法对其进行解密,得到密钥图像二进制序列Db和特征尺度向量二进制序列ξb′,其中可逆元胞自动机规则为41R,迭代次数为10。
a2)从特征尺度向量二进制序列ξb′中首先提取出第1到第8位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第一个元素ξ1;然后从特征尺度向量二进制序列ξb′中提取出第9到第16位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第二个元素ξ2,进而得到特征尺度向量ξ=[ξ1,ξ2];
a3)将步骤a1)得到的密钥图像二进制序列Db从第一个元素开始依次按照每8位一组的方式将其转换成十进制数,并按照行扫描的方式将得到的十进制数序列排列成的矩阵,进而得到密钥图像D。
上述步骤f)包括以下子步骤:
f1)计算候选特征区域集合S′中每个候选特征区域Si′对应特征点的二阶矩矩阵Gi′,i=1,2,…m2:
其中, 与表示候选特征区域Si′对应特征点的椭圆参数,i=1,2,…m2,m2表示候选特征区域的个数;
f2)计算候选特征区域集合S′中每个候选特征区域Si′的长轴长度li′,计算公式为:
Ei′=f(Gi′)
其中,f(·)计算二阶矩矩阵的特征值矩阵Ei′,Ei′(1)取Ei′中的第一个元素;
f3)计算候选特征区域集合S′的距离矩阵DIS′,其中第i个候选特征点和第候选j个特征点的距离表示为
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,…m2,m2表示候选特征区域个数;
f4)计算候选特征区域关联矩阵P′,其第(i,j)位置上的元素计算公式如下:
其中,DIS′(i,j)表示第i个候选特征点和第j个候选特征点的距离,li′和lj′分别表示第i个候选特征点和第j个候选特征点的长轴长度。
上述步骤g)的具体过程是:利用候选特征区域关联矩阵P′,计算候选关联权值向量L′,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P′(i,j)表示候选特征区域关联矩阵P′中第(i,j)位置上的元素,m2表示候选特征区域的个数。
上述步骤h)包括以下子步骤:
h1)从候选关联权值向量L′中查找出最大权值的位置索引k′,利用如下公式更新候选特征区域关联矩阵P′和候选关联权值向量L′;
P′(i,k′)=0,P′(k′,i)=0
其中表示第i个候选特征点的特征强度,L′(i)表示第i个候选特征点的关联权值,P′(i,k′)与P′(k′,i)分别表示候选关联矩阵P′中第(i,k′)与第(k′,i)位置上的元素,i=1,2,…m2,m2表示候选特征区域的个数;
h2)重复步骤h1)直到候选关联权值向量L′中所有元素都为0,得到筛选特征区域集合H′={Hi′,i=1,2,…m3},m3表示筛选特征区域的个数。
与现有技术相比,本发明具有以下优点:
(1)本发明由于利用零水印机制设计鲁棒可逆水印的嵌入与提取模型,其“不嵌入性”有效避免了水印嵌入过程中的像素溢出,提升了含水印图像的视觉质量;
(2)本发明由于将原始图像进行三级提升小波变换,并利用生成的低频子带进行水印嵌入,大大提升了水印嵌入容量;
(3)本发明由于采用特征区域几何优化的方法进行特征区域的筛选,降低了现有基于最小支撑树方法的复杂度,提升了水印抵抗复杂攻击的鲁棒性;
(4)本发明由于采用元胞自动机加密与解密算法进行密钥图像与特征尺度的加密与解密,有效提升了水印的安全性;
(5)本发明由于改善了含水印图像的视觉质量,提高了水印嵌入容量,增强了水印抵抗复杂攻击的鲁棒性,提升了水印的安全性,进而提高了鲁棒可逆水印嵌入与提取方法的综合性能。
具体实施方式
为增强目前数字图像水印技术对于复杂攻击的鲁棒性的抵抗性能,提高鲁棒可逆水印方法在容量、不可感知性及鲁棒性三方面的综合性能,本实施例提供了一种基于特征区域几何优化的鲁棒可逆水印嵌入方法,其实现步骤如下:
步骤1:将原始图像I进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R3,a:
将大小为M×N的原始图像I进行三级提升小波变换,得到一组小波分解子带序列R={Rt,a,Rt,h,Rt,v,Rt,d},其中,整数t为分解尺度,1≤t≤3,Rt,a为第t级小波分解尺度下的低频子带,Rt,h为第t级小波分解尺度下的水平子带,Rt,v为第t级小波分解尺度下的垂直子带,Rt,d为第t级小波分解尺度下的对角子带,从子带序列R中选择大小为的第三级小波分解尺度下的低频子带R3,a,其中表示选取比M/8大的最小整数,表示选取比N/8大的最小整数。
步骤2:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A;
利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A={Ai,i=1,2,…m1},其中Ai表示第i个特征点,它的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的尺度特征点椭圆参数 与m1表示初始特征点的个数。
步骤3:选取初始特征点集合A中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B;
将初始特征点集合A中每个特征点的特征尺度与特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足条件的中间尺度特征点,得到候选特征点集合B={Bi,i=1,2,…m2},其中m2表示候选特征点的个数。
步骤4:利用候选特征点集合B中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S;
对候选特征点集合B中的每个特征点Bi,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S={Si,i=1,2,…m2},其中x与y分别表示低频子带R3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点Bi的横坐标,表示特征点Bi的纵坐标, 与表示特征点Bi椭圆参数。
步骤5:根据候选特征区域集合S,计算候选特征区域关联矩阵P;
5.1)计算候选特征区域集合S中每个候选特征区域Si对应特征点的二阶矩矩阵Gi,i=1,2,…m2:
其中, 与表示候选特征区域Si对应特征点的椭圆参数,i=1,2,…m2,m2表示候选特征区域的个数;
5.2)计算候选特征区域集合S中每个候选特征区域Si的长轴长度li,计算公式为:
Ei=f(Gi)
其中,f(·)计算二阶矩矩阵的特征值矩阵Ei,Ei(1)取Ei中的第一个元素;
5.3)计算候选特征区域集合S的距离矩阵DIS,其中第i个候选特征点和第候选j个特征点的距离表示为
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,…m2,m2表示候选特征区域个数;
5.4)计算候选特征区域关联矩阵P,其第(i,j)位置上的元素计算公式如下:
其中,DIS(i,j)表示第i个候选特征点和第j个候选特征点的距离,li和lj分别表示第i个候选特征点和第j个候选特征点的长轴长度。
步骤6:利用候选特征区域关联矩阵P,计算候选关联权值向量L;
利用候选特征区域关联矩阵P,计算候选关联权值向量L,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P(i,j)表示候选特征区域关联矩阵P中第(i,j)位置上的元素,m2表示候选特征区域的个数;
步骤7:从候选关联权值向量L中查找出最大权值的位置索引k,更新候选特征区域关联矩阵P和候选关联权值向量L,得到筛选特征区域集合H;
7.1)从候选关联权值向量L中查找出最大权值的位置索引k,利用如下公式更新候选特征区域关联矩阵P和候选关联权值向量L;
P(i,k)=0,P(k,i)=0
其中表示第i个候选特征点的特征强度,L(i)表示第i个候选特征点的关联权值,P(i,k)与P(k,i)分别表示候选关联矩阵P中第(i,k)与第(k,i)位置上的元素,i=1,2,…m2,m2表示候选特征区域的个数;
7.2)重复步骤7.1)直到候选关联权值向量L中所有元素都为0,得到筛选特征区域集合H={Hi,i=1,2,…m3},m3表示筛选特征区域的个数。
步骤8:对筛选特征区域集合H进行归一化处理,得到圆形特征区域集合Q;
利用文献“BaumbergA.Reliablefeaturematchingacrosswidelyseparatedviews.In:ProceedingsofInternationalConferenceonComputerVisionandPatternRecognition.Hilton Head,USA:IEEE,2000.774-781”中的方法对筛选特征区域集合H中的每个筛选特征区域利用公式进行归一化处理,得到圆形特征区域集合Q={Qi,i=1,2,…m3},其中,Gi表示筛选特征区域集合H中第i个筛选特征区域Hi对应特征点的二阶矩矩阵,x和x*分别表示第i个筛选特征区域Hi中任一元素映射前后的横坐标,y和y*分别表示第i个筛选特征区域Hi中任一元素映射前后的纵坐标,上标T表示矩阵转置运算符,m3表示筛选特征区域的个数。
步骤9:利用圆形特征区域集合Q对低频子带R3,a进行系数置零化处理,得到特征图像C;
在低频子带R3,a中将圆形特征区域集合Q以外区域的系数值设置为0,仅保留圆形特征区域中的系数值,进而得到特征图像C。
步骤10:将灰度水印图像W和特征图像C进行按位异或运算,得到密钥图像D;
选取大小为的灰度水印图像W,并利用如下公式将其与特征图像C进行按位异或运算,得到密钥图像D:
D(i,j)=C(i,j)∧W(i,j)
其中,D(i,j)、C(i,j)、W(i,j)分别为密钥图像D、特征图像C与水印图像W在(i,j)处的元素值,∧表示按位异或运算操作,
步骤11:利用可逆元胞自动机对密钥图像D与特征尺度向量ξ进行加密得到密钥信息G:
11.1)依次将密钥图像D中每个灰度值转换成8位二进制序列,其中密钥图像D中第(i,j)位置的灰度值D(i,j)所转换成的二进制序列表示为这里λ=1,2,…8,
11.2)按照行扫描顺序将密钥图像D中每个灰度值所转换成的二进制序列进行连接,得到长度为的密钥图像二进制序列Db,表示为:
11.3)将特征尺度向量ξ=[ξ1,ξ2]转换成8位二进制序列,得到原始特征尺度向量二进制序列
11.4)采用补零方式将原始特征尺度向量二进制序列ξb进行零填充,生成特征尺度向量二进制序列它的长度与步骤11.2)得到的密钥图像二进制序列Db相同,均为
11.5)将步骤11.2)得到的密钥图像二进制序列Db与步骤11.4)得到的特征尺度向量二进制序列ξb′作为可逆元胞自动机的初始状态,利用文献“冀峰,安玲玲,邓成,高新波.基于多重元胞自动机的图像水印加密算法.自动化学报,38(11):1824-1830,2012”中所使用的可逆元胞自动机加密方法对其进行加密,得到密钥信息G和共享特征向量Γ,其中可逆元胞自动机规则为41R,迭代次数为10。
通过上述步骤1~步骤11可以实现水印的嵌入,得到密钥信息G;然后将其注册到知识产权(Intellectual Property Right,简称IPR)信息数据库中来保护版权。
同时,本实施例提供了一种基于特征区域几何优化的鲁棒可逆水印提取方法,其实现步骤如下:
步骤A:利用可逆元胞自动机对密钥信息G进行解密,得到密钥图像D与特征尺度向量ξ;
A1)将密钥信息G和共享特征向量Γ作为可逆元胞自动机的初始状态,利用文献“冀峰,安玲玲,邓成,高新波.基于多重元胞自动机的图像水印加密算法.自动化学报,38(11):1824-1830,2012”中所使用的可逆元胞自动机解密方法对其进行解密,得到密钥图像二进制序列Db和特征尺度向量二进制序列ξb′,其中可逆元胞自动机规则为41R,迭代次数为10。
A2)从特征尺度向量二进制序列ξb′中首先提取出第1到第8位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第一个元素ξ1;然后从特征尺度向量二进制序列ξb′中提取出第9到第16位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第二个元素ξ2,进而得到特征尺度向量ξ=[ξ1,ξ2];
A3)将步骤A1)得到的密钥图像二进制序列Db从第一个元素开始依次按照每8位一组的方式将其转换成十进制数,并按照行扫描的方式将得到的十进制数序列排列成的矩阵,进而得到密钥图像D;
步骤B:将待检测图像I′进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R′3,a;
将大小为M×N的原始图像I′进行三级提升小波变换,得到一组小波分解子带序列R′={R′t,a,R′t,h,R′t,v,R′t,d},其中,整数t为分解尺度,1≤t≤3,R′t,a为第t级小波分解尺度下的低频子带,R′t,h为第t级小波分解尺度下的水平子带,R′t,v为第t级小波分解尺度下的垂直子带,R′t,d为第t级小波分解尺度下的对角子带,从子带序列R′中选择大小为的第三级小波分解尺度下的低频子带R′3,a,其中表示选取比M/8大的最小整数,表示选取比N/8大的最小整数。
步骤C:利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′;
利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′={Ai′,i=1,2,…m1},其中Ai′表示第i个特征点,它的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的尺度特征点椭圆参数 与m1表示初始特征点的个数。
步骤D:选取初始特征点集合A′中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B′;
将初始特征点集合A′中每个特征点的特征尺度与步骤A2)得到的特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足条件的中间尺度特征点,得到候选特征点集合B′={Bi′,i=1,2,…m2},其中m2表示候选特征点的个数。
步骤E:利用候选特征点集合B′中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S′;
对候选特征点集合B′中的每个特征点Bi′,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S′={Si′,i=1,2,…m2},其中x与y分别表示低频子带R′3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点Bi′的横坐标,表示特征点Bi′的纵坐标, 与表示特征点Bi′椭圆参数。
步骤F:根据候选特征区域集合S′,计算候选特征区域关联矩阵P′;
F1)计算候选特征区域集合S′中每个候选特征区域Si′对应特征点的二阶矩矩阵Gi′,i=1,2,…m2:
其中, 与表示候选特征区域Si′对应特征点的椭圆参数,i=1,2,…m2,m2表示候选特征区域的个数;
F2)计算候选特征区域集合S′中每个候选特征区域Si′的长轴长度li′,计算公式为:
Ei′=f(Gi′)
其中,f(·)计算二阶矩矩阵的特征值矩阵Ei′,Ei′(1)取Ei′中的第一个元素;
F3)计算候选特征区域集合S′的距离矩阵DIS′,其中第i个候选特征点和第候选j个特征点的距离表示为
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,…m2,m2表示候选特征区域个数;
F4)计算候选特征区域关联矩阵P′,其第(i,j)位置上的元素计算公式如下:
其中,DIS′(i,j)表示第i个候选特征点和第j个候选特征点的距离,li′和lj′分别表示第i个候选特征点和第j个候选特征点的长轴长度。
步骤G:利用候选特征区域关联矩阵P′,计算候选关联权值向量L′;
利用候选特征区域关联矩阵P′,计算候选关联权值向量L′,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P′(i,j)表示候选特征区域关联矩阵P′中第(i,j)位置上的元素,m2表示候选特征区域的个数;
步骤H:从候选关联权值向量L′中查找出最大权值的位置索引k′,更新候选特征区域关联矩阵P′和候选关联权值向量L′,得到筛选特征区域集合H′;
H1)从候选关联权值向量L′中查找出最大权值的位置索引k′,利用如下公式更新候选特征区域关联矩阵P′和候选关联权值向量L′;
P′(i,k′)=0,P′(k′,i)=0
其中表示第i个候选特征点的特征强度,L′(i)表示第i个候选特征点的关联权值,P′(i,k′)与P′(k′,i)分别表示候选关联矩阵P′中第(i,k′)与第(k′,i)位置上的元素,i=1,2,…m2,m2表示候选特征区域的个数;
H2)重复步骤H1)直到候选关联权值向量L′中所有元素都为0,得到筛选特征区域集合H′={Hi′,i=1,2,…m3},m3表示筛选特征区域的个数。
步骤I:对筛选特征区域集合H′进行归一化处理,得到圆形特征区域集合Q′;
利用文献“Baumberg A.Reliable feature matching across widely separatedviews.In:Proceedings of International Conference on Computer Vision andPattern Recognition.Hilton Head,USA:IEEE,2000.774-781”中的方法对筛选特征区域集合H′中的每个筛选特征区域利用公式进行归一化处理,得到圆形特征区域集合Q′={Qi′,i=1,2,…m3},其中,Gi′表示筛选特征区域集合H′中第i个筛选特征区域Hi′对应特征点的二阶矩矩阵,x和x*分别表示第i个筛选特征区域Hi′中任一元素映射前后的横坐标,y和y*分别表示第i个筛选特征区域Hi′中任一元素映射前后的纵坐标,上标T表示矩阵转置运算符,m3表示筛选特征区域的个数。
步骤J:利用圆形特征区域集合Q′对低频子带R′3,a进行系数置零化处理,得到特征图像C′;
在低频子带R′3,a中将圆形特征区域集合Q′以外区域的系数值设置为0,仅保留圆形特征区域中的系数值,进而得到特征图像C′。
步骤K:将特征图像C′与密钥图像D进行按位异或运算,得到水印图像W′。
利用如下公式将特征图像C′与步骤A3)得到的密钥图像D进行按位异或运算,得到水印图像W′:
W′(i,j)=C′(i,j)∧D(i,j)
其中,D(i,j)、C′(i,j)、W′(i,j)分别为密钥图像D、特征图像C′与水印图像W′在(i,j)处的元素值,∧表示按位异或运算操作,
通过上述步骤A~步骤K可以实现水印提取,从待检测图像I′中提取出水印图像W′。
本发明的优点可通过以下仿真实验进一步说明:
1.实验条件与实验说明
实现本发明的软件环境为美国Mathworks公司开发的MATLAB R2013a,实验中的灰度图像选自CVG-UGR图像数据库的10张512×512×8图像,它们的名称分别为13(house).png、33b.png、46b.png、57b.png、66b.png、97b.png、cmpndd.png、colomtn.png、malight.png和porthead.png。将本发明方法分别与Gao等人提出的基于最小支撑树的特征区域选择方法(见文献“Gao X B,DengC,Li X L,Tao D C.Geometric distortioninsensitive image watermarking in affine covariant regions.IEEE Transactionson Systems,Man,and Cybernetics,Part C40(3):278-286,2010”)和基于广义统计量直方图与聚类的鲁棒可逆水印方法进行实验对比,实验中采用“5/3filter coefficients”小波变换将输入图像分成一系列低频和高频子带。本发明的一些记号为:将Gao等人提出的基于最小支撑树的特征区域选择方法记为MST,将基于广义统计量直方图与聚类的鲁棒可逆水印方法记为WSQH-SC,将本发明方法记为GPFR。
2.实验内容
实验1:鲁棒性实验
本发明进行鲁棒性实验的具体过程是:在水印嵌入过程中,首先将测试图像进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R3,a,然后分别用MST和本发明两种方法构造圆形特征区域,再利用本发明方法中的水印嵌入方法生成密钥信息;在水印提取过程中,将待检测图像进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R′3,a,然后分别用MST和本发明两种方法构造圆形特征区域,再利用本发明方法中的水印提取方法得到水印图像W′。实验中特征尺度向量ξ=[1,2],MST方法的阈值取3。
本发明在JPEG压缩、JPEG2000压缩、加性高斯噪声、剪切、平移五种攻击下测试两种方法的鲁棒性,实验中JPEG压缩的质量因子为20,JPEG2000压缩的压缩率为0.2,加性高斯噪声的均值为0.02、方差为0.05,剪切是去除图像中间400*400的区域,平移的大小是向右向下平移20个像素。本发明采用相似度ρ作为评判依据,测试两种方法的鲁棒性,ρ的计算公式为:
其中W(i,j)与W′(i,j)分别表示原始的水印图像W与提取的水印W′在(i,j)处的元素值,ρ的取值越大,鲁棒性越强,反之亦然。
表1给出了五种攻击下MST与本发明方法的鲁棒性对比,其中相似度的结果为所有测试图像的平均结果。由表1结果可见,本发明方法的鲁棒性要高于MST方法。
表1.不同方法的鲁棒性
方法/攻击 | JPEG | JPEG2000 | 高斯噪声 | 剪切 | 平移 |
MST | 0.9594 | 0.9576 | 0.9584 | 0.9540 | 0.9579 |
GPFR | 0.9617 | 0.9614 | 0.9613 | 0.9587 | 0.9626 |
实验2:时间实验
本发明采用MATLAB中的tic与toc命令计算本发明方法与MST方法在进行特征区域优化过程中的时间,表2给出了所有测试图像的平均时间对比结果值。由表2结果可见,本发明方法的时间复杂度要低于MST方法。
表2.不同方法的时间对比
方法 | MST | GPFR |
时间(秒) | 0.0644 | 0.0273 |
实验3:综合性能实验
将本发明方法与WSQH-SC方法进行实验对比,实验中分别用这两种方法进行水印嵌入得到含水印图像,然后对生成的含水印图像分别进行JPEG压缩、JPEG2000压缩、加性高斯噪声攻击得到降质的含水印图像,最后再利用这些方法从降质的含水印图像中提取水印进行容量、视觉质量和鲁棒性的对比。实验中,WSQH-SC方法的块大小为8×8,水印嵌入强度为16。
本发明以原始图像中最多能嵌入的水印位数作为评判依据,测试两种方法的容量。嵌入的水印位数越多,容量越大,反之亦然。同时,以客观指标峰值信噪比PSNR作为评判依据,测试两种方法在原始图像以最大容量嵌入情况下含水印图像的视觉质量,其中PSNR表示为
式中,M×N是原始图像大小,I(i,j)是原始图像在第i行第j列的像素值,I′(i,j)是含水印图像在第i行第j列的像素值。PSNR越大,视觉质量越好,反之亦然;当PSNR等于INF时,表示含水印图像与原始图像完全一样,视觉质量最好。
表3给出了本发明方法与WSQH-SC方法在容量与视觉质量的综合性能对比。在鲁棒性方面,WSQH-SC方法只能分别抵抗质量因子为70的JPEG压缩、压缩率为1.2的JPEG2000压缩与均值为0、方差为0.01加性高斯噪声,但本发明方法还能抵抗几何攻击,而且抗攻击的鲁棒性更强。同时,本发明方法利用元胞自动机加密和解密算法对密钥图像与特征尺度的加密与解密,提升了水印的安全性。
表3.不同方法的综合性能
方法/测试依据 | 容量 | 视觉质量 |
WSQH-SC | 1006 | 36.6 |
GPFR | 4096 | INF |
综上,本发明克服了现有鲁棒可逆水印方法的缺陷,改善了含水印图像的视觉质量,提高了水印嵌入容量,增强了水印抵抗复杂攻击的鲁棒性,提升了水印的安全性,提高了鲁棒可逆图像水印方法的综合性能。
以上例举仅仅是对本发明的举例说明,并不构成对本发明的保护范围的限制,凡是与本发明相同或相似的设计均属于本发明的保护范围之内。
Claims (11)
1.一种基于特征区域几何优化的鲁棒可逆水印嵌入方法,其特征在于,包括如下步骤:
1)、获取原始图像的低频子带:对原始图像I进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R3,a;
2)、获取初始特征点集合:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3,a中提取仿射不变特征点,得到初始特征点集合A={Ai,i=1,2,L m1},其中Ai表示第i个特征点,初始特征点集合A的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的特征尺度特征点椭圆参数与m1表示初始特征点的个数;
3)、获取候选特征点集合:选取初始特征点集合A中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B:将初始特征点集合A中每个特征点的特征尺度与特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足条件的中间尺度特征点,得到候选特征点集合B={Bi,i=1,2,L m2},其中m2表示候选特征点的个数;
4)、获取候选特征区域集合:利用候选特征点集合B中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S:对候选特征点集合B中的每个特征点Bi,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S={Si,i=1,2,L m2},其中x与y分别表示低频子带R3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点Bi的横坐标,表示特征点Bi的纵坐标,与是特征点B′i的椭圆参数;
5)、计算候选特征区域关联矩阵:根据候选特征区域集合S,计算候选特征区域关联矩阵P;
6)、计算候选关联权值向量:利用候选特征区域关联矩阵P,计算候选关联权值向量L;
7)、获取筛选特征区域集合:从候选关联权值向量L中查找出最大权值的位置索引k,更新候选特征区域关联矩阵P和候选关联权值向量L,得到筛选特征区域集合H;
8)、获取圆形特征区域集合:对筛选特征区域集合H进行归一化处理,得到圆形特征区域集合Q={Qi,i=1,2,L m3},m3表示筛选特征区域的个数;
9)、得到特征图像:利用圆形特征区域集合Q对低频子带R3,a进行系数置零化处理,得到特征图像C;
10)、得到密钥图像:将灰度水印图像W和特征图像C进行按位异或运算,得到密钥图像D;
11)、获取密钥信息:利用可逆元胞自动机对密钥图像D与特征尺度向量ξ进行加密得到密钥信息G。
2.如权利要求1所述的鲁棒可逆水印嵌入方法,其特征在于,所述步骤5)具体包括以下子步骤:
5.1)计算候选特征区域集合S中每个候选特征区域Si对应特征点的二阶矩阵Gi,i=1,2,L m2:
其中,与表示候选特征区域Si对应特征点的椭圆参数,i=1,2,L m2,m2表示候选特征区域的个数;
5.2)计算候选特征区域集合S中每个候选特征区域Si的长轴长度li,计算公式为:
Ei=f(Gi)
其中,f(·)计算二阶矩矩阵的特征值矩阵Ei,Ei(1)取Ei中的第一个元素;
5.3)计算候选特征区域集合S的距离矩阵DIS,其中第i个候选特征点和第候选j个特征点的距离表示为:
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,L m2,m2表示候选特征区域个数;
5.4)计算候选特征区域关联矩阵P,其第(i,j)位置上的元素计算公式如下:
其中,DIS(i,j)表示第i个候选特征点和第j个候选特征点的距离,li和lj分别表示第i个候选特征点和第j个候选特征点的长轴长度。
3.如权利要求1所述的鲁棒可逆水印嵌入方法,其特征在于,所述步骤6)的具体过程是:利用候选特征区域关联矩阵P,计算候选关联权值向量L,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P(i,j)表示候选特征区域关联矩阵P中第(i,j)位置上的元素,m2表示候选特征区域的个数。
4.如权利要求1所述的鲁棒可逆水印嵌入方法,其特征在于,所述步骤7)具体包括以下步骤:
7.1)从候选关联权值向量L中查找出最大权值的位置索引k,利用如下公式更新候选特征区域关联矩阵P和候选关联权值向量L;
P(i,k)=0,P(k,i)=0
其中表示第i个候选特征点的特征强度,L(i)表示第i个候选特征点的关联权值,P(i,k)与P(k,i)分别表示候选关联矩阵P中第(i,k)与第(k,i)位置上的元素,i=1,2,L m2,m2表示候选特征区域的个数;
7.2)重复步骤7.1)直到候选关联权值向量L中所有元素都为0,得到筛选特征区域集合H={Hi,i=1,2,L m3},m3表示筛选特征区域的个数。
5.如权利要求1所述的鲁棒可逆水印嵌入方法,其特征在于,步骤11)的具体过程是:
11.1)依次将密钥图像D中每个灰度值转换成8位二进制序列,其中密钥图像D中第(i,j)位置的灰度值D(i,j)所转换成的二进制序列表示为这里λ=1,2,L 8,
11.2)按照行扫描顺序将密钥图像D中每个灰度值所转换成的二进制序列进行连接,得到长度为的密钥图像二进制序列Db,表示为:
11.3)将特征尺度向量ξ=[ξ1,ξ2]转换成8位二进制序列,得到原始特征尺度向量二进制序列
11.4)采用补零方式将原始特征尺度向量二进制序列ξb进行零填充,生成特征尺度向量二进制序列 它的长度与步骤11.2)得到的密钥图像二进制序列Db相同,均为
11.5)将步骤11.2)得到的密钥图像二进制序列Db与步骤11.4)得到的特征尺度向量二进制序列ξ′b作为可逆元胞自动机的初始状态,使用可逆元胞自动机加密方法对ξ′b进行加密,得到密钥信息G和共享特征向量Γ,其中可逆元胞自动机规则为41R,迭代次数为10。
6.如权利要求1至5中任一权利要求所述的鲁棒可逆水印嵌入方法,其特征在于,还包括步骤12)、将密钥信息G注册到知识产权 信息数据库中。
7.一种基于特征区域几何优化的鲁棒可逆水印提取方法,其特征在于,包括如下步骤:
a)、利用可逆元胞自动机对密钥信息G进行解密,得到密钥图像D与特征尺度向量ξ;
b)、将待检测图像I′进行三级提升小波变换,得到其第三级小波分解尺度下的低频子带R′3,a:
将大小为M×N的原始图像I′进行三级提升小波变换,得到一组小波分解子带序列R′={R′t,a,R′t,h,R′t,v,R′t,d},其中,整数t为分解尺度,1≤t≤3,R′t,a为第t级小波分解尺度下的低频子带,R′t,h为第t级小波分解尺度下的水平子带,R′t,v为第t级小波分解尺度下的垂直子带,R′t,d为第t级小波分解尺度下的对角子带,从子带序列R′中选择大小为的第三级小波分解尺度下的低频子带R′3,a,其中表示选取比M/8大的最小整数,表示选取比N/8大的最小整数;
c)、利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′:
利用多尺度Harris特征检测算子Harris-Affine在低频子带R′3,a中提取仿射不变特征点,得到初始特征点集合A′={A′i,i=1,2,L m1},其中Ai′表示第i个特征点,它的五个属性包括特征点的横坐标特征点的纵坐标特征点的强度特征点的尺度特征点椭圆参数与m1表示初始特征点的个数;
d)、选取初始特征点集合A′中满足特征尺度向量ξ要求的中间尺度特征点,得到候选特征点集合B′:将初始特征点集合A′中每个特征点的特征尺度与特征尺度向量ξ=[ξ1,ξ2]进行比较,选取满足 条件的中间尺度特征点,得到候选特征点集合B′={B′i,i=1,2,L m2},其中m2表示候选特征点的个数;
e)、利用候选特征点集合B′中的每个特征点,分别构造其仿射协变特征区域,得到候选特征区域集合S′:
对候选特征点集合B′中的每个特征点B′i,利用公式
构造其仿射协变特征区域,得到候选特征区域集合S′={S′i,i=1,2,L m2},其中x与y分别表示低频子带R′3,a中任意满足上述不等式约束的元素横坐标与纵坐标,表示特征点B′i的横坐标,表示特征点B′i的纵坐标,与是特征点B′i的椭圆参数;
f)、根据候选特征区域集合S′,计算候选特征区域关联矩阵P′;
g)、利用候选特征区域关联矩阵P′,计算候选关联权值向量L′;
h)、从候选关联权值向量L′中查找出最大权值的位置索引k′,更新候选特征区域关联矩阵P′和候选关联权值向量L′,得到筛选特征区域集合H′;
i)、对筛选特征区域集合H′进行归一化处理,得到圆形特征区域集合Q′={Q′i,i=1,2,L m3},m3表示筛选特征区域的个数;
j)、利用圆形特征区域集合Q′对低频子带R′3,a进行系数置零化处理,得到特征图像C′:
在低频子带R′3,a中将圆形特征区域集合Q′以外区域的系数值设置为0,仅保留圆形特征区域中的系数值,进而得到特征图像C′;
k)、将特征图像C′与密钥图像D进行按位异或运算,得到水印图像W′;
利用如下公式将特征图像C′与密钥图像D进行按位异或运算,得到水印图像W′:
W′(i,j)=C′(i,j)∧D(i,j)
其中,D(i,j)、C′(i,j)、W′(i,j)分别为密钥图像D、特征图像C′与水印图像W′在(i,j)处的元素值,∧表示按位异或运算操作,
8.如权利要求7所述的鲁棒可逆水印提取方法,其特征在于,步骤a)包括以下子步骤:
a1)将密钥信息G和共享特征向量Γ作为可逆元胞自动机的初始状态,利用可逆元胞自动机解密方法对其进行解密,得到密钥图像二 进制序列Db和特征尺度向量二进制序列ξ′b,其中可逆元胞自动机规则为41R,迭代次数为10;
a2)从特征尺度向量二进制序列ξ′b中首先提取出第1到第8位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第一个元素ξ1;然后从特征尺度向量二进制序列ξ′b中提取出第9到第16位二进制值将其转换成十进制数,得到特征尺度向量ξ中的第二个元素ξ2,进而得到特征尺度向量ξ=[ξ1,ξ2];
a3)将步骤a1)得到的密钥图像二进制序列Db从第一个元素开始依次按照每8位一组的方式将其转换成十进制数,并按照行扫描的方式将得到的十进制数序列排列成的矩阵,进而得到密钥图像D。
9.如权利要求7所述的鲁棒可逆水印提取方法,其特征在于,步骤f)包括以下子步骤:
f1)计算候选特征区域集合S′中每个候选特征区域S′i对应特征点的二阶矩矩阵G′i,i=1,2,L m2:
其中,与表示候选特征区域S′i对应特征点的椭圆参数,i=1,2,L m2,m2表示候选特征区域的个数;
f2)计算候选特征区域集合S′中每个候选特征区域S′i的长轴长度l′i,计算公式为:
E′i=f(G′i)
其中,f(·)计算二阶矩矩阵的特征值矩阵E′i,E′i(1)取E′i中的第一个元素;
f3)计算候选特征区域集合S′的距离矩阵DIS′,其中第i个候选特征点和第候选j个特征点的距离表示为
式中,与分别表示第i个候选特征点和第j个候选特征点的横坐标,与分别表示第i个候选特征点和第j个候选特征点的纵坐标,i,j=1,2,L m2,m2表示候选特征区域个数;
f4)计算候选特征区域关联矩阵P′,其第(i,j)位置上的元素计算公式如下:
其中,DIS′(i,j)表示第i个候选特征点和第j个候选特征点的距离,l′i和l′j分别表示第i个候选特征点和第j个候选特征点的长轴长度。
10.如权利要求7所述的鲁棒可逆水印提取方法,其特征在于,所述步骤g)的具体过程是:利用候选特征区域关联矩阵P′,计算候选关联权值向量L′,其第i个候选特征点的关联权值计算规则如下:
其中,表示第i个候选特征点的特征强度,P′(i,j)表示候选特征区域关联矩阵P′中第(i,j)位置上的元素,m2表示候选特征区域的个数。
11.如权利要求7所述的鲁棒可逆水印提取方法,其特征在于,所述步骤h)包括以下子步骤:
h1)从候选关联权值向量L′中查找出最大权值的位置索引k′,利用如下公式更新候选特征区域关联矩阵P′和候选关联权值向量L′;
P′(i,k′)=0,P′(k′,i)=0
其中表示第i个候选特征点的特征强度,L′(i)表示第i个候选特征点的关联权值,P′(i,k′)与P′(k′,i)分别表示候选关联矩阵P′中第(i,k′)与第(k′,i)位置上的元素,i=1,2,L m2,m2表示候选特征区域的个数;
h2)重复步骤h1)直到候选关联权值向量L′中所有元素都为0,得到 筛选特征区域集合H′={H′i,i=1,2,L m3},m3表示筛选特征区域的个数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102739.3A CN103927709B (zh) | 2014-03-19 | 2014-03-19 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410102739.3A CN103927709B (zh) | 2014-03-19 | 2014-03-19 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103927709A CN103927709A (zh) | 2014-07-16 |
CN103927709B true CN103927709B (zh) | 2017-06-06 |
Family
ID=51145922
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410102739.3A Active CN103927709B (zh) | 2014-03-19 | 2014-03-19 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103927709B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104156909B (zh) * | 2014-09-05 | 2017-06-13 | 西安电子科技大学 | 基于图像内容的鲁棒可逆水印嵌入与检测方法 |
CN111125750B (zh) * | 2019-11-25 | 2021-02-26 | 中国科学院信息工程研究所 | 一种基于双层椭圆模型的数据库水印嵌入、检测方法及系统 |
CN111107072B (zh) * | 2019-12-11 | 2021-01-12 | 中国科学院信息工程研究所 | 一种基于认证图嵌入的异常登录行为检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246589A (zh) * | 2008-03-17 | 2008-08-20 | 北京交通大学 | 一种基于稳定圆形区域的抗几何攻击鲁棒水印方法 |
CN101556686A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 基于局部Tchebichef矩的鲁棒图像水印方法 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
CN102044055A (zh) * | 2010-09-09 | 2011-05-04 | 中国矿业大学 | 结合多尺度特征与中国余数定理的大容量数字水印方法 |
CN102930493A (zh) * | 2011-08-12 | 2013-02-13 | 索尼公司 | 防篡改的图像处理方法和装置 |
-
2014
- 2014-03-19 CN CN201410102739.3A patent/CN103927709B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101246589A (zh) * | 2008-03-17 | 2008-08-20 | 北京交通大学 | 一种基于稳定圆形区域的抗几何攻击鲁棒水印方法 |
CN101556686A (zh) * | 2009-03-30 | 2009-10-14 | 西安电子科技大学 | 基于局部Tchebichef矩的鲁棒图像水印方法 |
CN101719275A (zh) * | 2009-11-23 | 2010-06-02 | 中国科学院计算技术研究所 | 图像特征点提取和实现方法、图像拷贝检测方法及其系统 |
CN102044055A (zh) * | 2010-09-09 | 2011-05-04 | 中国矿业大学 | 结合多尺度特征与中国余数定理的大容量数字水印方法 |
CN102930493A (zh) * | 2011-08-12 | 2013-02-13 | 索尼公司 | 防篡改的图像处理方法和装置 |
Non-Patent Citations (1)
Title |
---|
基于仿射协变区域的抗几何攻击图像水印算法;邓成 等;《自动化学报》;20100228;第36卷(第2期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN103927709A (zh) | 2014-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Babu et al. | An optimized technique for copy–move forgery localization using statistical features | |
Wang et al. | A robust blind color image watermarking in quaternion Fourier transform domain | |
Lie et al. | A feature-based classification technique for blind image steganalysis | |
Tsai et al. | A zero-watermark scheme with geometrical invariants using SVM and PSO against geometrical attacks for image protection | |
CN107240061B (zh) | 一种基于动态bp神经网络的水印嵌入、提取方法与装置 | |
Wang et al. | Image forensic signature for content authenticity analysis | |
Xia et al. | Local quaternion polar harmonic Fourier moments-based multiple zero-watermarking scheme for color medical images | |
Ulutas et al. | A new copy move forgery detection method resistant to object removal with uniform background forgery | |
Xia et al. | Color image triple zero-watermarking using decimal-order polar harmonic transforms and chaotic system | |
CN102156955A (zh) | 基于直方图邻域的鲁棒可逆水印嵌入与提取方法 | |
CN104217388A (zh) | 一种基于fssvm的图像水印嵌入、提取的方法与装置 | |
Deeba et al. | Lossless digital image watermarking in sparse domain by using K‐singular value decomposition algorithm | |
CN104217389A (zh) | 一种基于改进Arnold变换的图像水印嵌入、提取的方法与装置 | |
Singh et al. | From classical to soft computing based watermarking techniques: A comprehensive review | |
CN103927709B (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 | |
CN111861846A (zh) | 电子文档数字水印处理方法和系统 | |
CN106097236B (zh) | 基于非负矩阵分解的频域鲁棒图像可逆水印方法 | |
Liu et al. | Data protection in palmprint recognition via dynamic random invisible watermark embedding | |
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 | |
Wang et al. | Perceptual hash-based coarse-to-fine grained image tampering forensics method | |
Inamdar et al. | Offline handwritten signature based blind biometric watermarking and authentication technique using biorthogonal wavelet transform | |
CN104156909B (zh) | 基于图像内容的鲁棒可逆水印嵌入与检测方法 | |
CN113658030A (zh) | 基于分区域异或的低虚警零水印算法 | |
Sari et al. | The effect of error level analysis on the image forgery detection using deep learning | |
Guan et al. | An effective image steganalysis method based on neighborhood information of pixels |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |