CN104156909A - 基于图像内容的鲁棒可逆水印嵌入与检测方法 - Google Patents

Abstract

本发明公开一种基于图像内容的鲁棒可逆水印嵌入与提取方法，其步骤包括，1.提取特征区域；2.获取最终特征区域；3.获取尺度不变特征转换描述子；4.获得原码向量和掩码向量；5.获取水印序列和掩码序列；6.交存水印序列和掩码序列7.获取特征区域；8.获取尺度不变特征转换描述子；9.获得原码向量；10.获得水印序列；11.获取宿主图像水印序列和掩码序列；12.匹配水印序列。本发明提高了对JPEG和JPEG2000两种有损压缩攻击可靠的鲁棒性，对复杂的几何攻击有一定的抵抗能力，改善了水印图像的视觉质量，提高了水印嵌入容量。本发明可用于对数字图像的版权保护。

Description

基于图像内容的鲁棒可逆水印嵌入与检测方法

技术领域

本发明属于通信技术领域，更进一步涉及信息安全技术领域中的一种基于图像内容的鲁棒可逆水印嵌入与检测方法。本发明可用于在发布数字图像的同时，提取数字图像的内容水印注册到第三方知识产权库，并且在接收数字图像的同时，检测水印信息，实现对数字图像的所有权的验证，达到信息安全的目的。

背景技术

随着多媒体技术、网络技术和计算机技术的迅猛发展，无论是人们的日常工作和生活还是企业单位和事业单位的办公和交易，对于以多媒体信息为代表的数字技术的需求日益增加。由于因特网的发展和普及以及数字化信息存取的便利性,越来越多的媒体信息以数字的形式存在并通过网络进行流通。但是任何事情有利必有弊，数字化作品的信息安全在网络环境下极易受到挑战。一些攻击者没有得到数字作品作者的授权就擅自复制、篡改和传播这些具有版权的数字出版物，从中获取可观的经济收入。这种行为伤害了数字作品版权所有者和发行单位的利益,并重创了数字媒体产业的有序发展。此外，随着电子政务、电子商务和远程医疗诊断的推广应用，一些政府公文、交易账单和患者病历等在互联网上被恶意篡改,这使得人们对这些网络应用增添了一份恐惧和不信任感。因此，如何在网络环境下对数字媒体实施版权保护、所有权验证、拷贝控制领域等已经成为迫在眉睫的信息安全问题。

针对上面的问题，数字可逆水印技术作为一项富有潜力的解决手段应运而生，并成为近年来工业界和学术界共同关注的热点。与普通数字水印相比，可逆数字水印，不仅利用数字内嵌的方法把一些秘密信息隐藏在图像、声音、文档、视频等数字媒体中并且如果在传输过程中数字媒体没有发生任何损失，就可以在提取隐藏信息之后，无失真地恢复数字媒体的内容。这对于诸如医学影像、法庭证据照片、电子票据、遥感图像等要求苛刻的领域具有重要意义。然而，在实际应用中，无损环境传输几乎是不可能的，数字媒体在传输过程中往往会由于信道噪声或恶意处理的影响而出现将质，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广大研究者们的浓厚兴趣，成为国际信息安全领域新兴的研究领域。

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：基于直方图旋转的方法，基于直方图分布约束的方法和基于广义统计量直方图与聚类的方法。见文献“安玲玲.数字图像无损信息隐藏方法研究.西安电子科技大学.2011”。

De Vleeschouwer C等人在“Circular interpretation of bijective transformations inlossless watermarking for media asset management”(《IEEE Trans.Multimedia》2003，5：97-105)提出一种基于直方图旋转的方法，该方法基于Patchwork理论，首先将原始图像分成大小相同且互不重叠的图像块，每个块中的像素又被随机地划分为两个相同大小的子区域并将其灰度直方图映射到圆上；最后通过旋转圆心到子区域质心的向量来嵌入水印。该方法对JPEG压缩具有鲁邦性，但是仍然存在的不足是，由于采用模256运算来避免像素溢出，从而导致含水印图像中存在大量的“椒盐”噪声，大大降低了含水印图像的视觉质量，影响了该方法的鲁棒性。

Zou D K等人在“A semi-fragile lossless digital watermarking scheme based oninteger wavelet transform”(《IEEE Trans.Circuits and Systems for Video Technology》2006，16：1294-1300)提出一种基于直方图分布约束的方法，此类方法根据图像的直方图分布信息和待嵌入的水印有约束地修改图像的统计特性来实现水印嵌入。与第一类方法相比，该类方法虽然消除了“椒盐”噪声，提高了含水印图像的视觉质量，但是，由于误差纠错码的使用，使其仍存在容量低的问题。

西安电子科技大学申请的专利“基于直方图邻域的鲁棒可逆水印嵌入与提取方法”(申请号：2011100891341，授权公开号：CN102156955B)授权了一种基于直方图邻域的鲁棒可逆水印嵌入与提取方法，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，但其水印其他两类方法一样，仍然是无意义的二进制序列，缺少与宿主图像的关联，不利于算法的安全性，而且在容量、不可感知性及鲁棒性三方面的综合性能还有进一步提高的空间。

发明内容

本发明的目的在于针对上述已有技术存在的不足，提出一种基于图像内容的鲁棒可逆水印嵌入与检测方法。根据图像内容生成水印序列，从而提高了算法的安全性，改善含水印图像的视觉质量，增加了水印嵌入容量，并且对复杂几何攻击也具有一定的抵抗能力，进而提高鲁棒可逆水印嵌入与提取方法的综合性能。

实现本发明目的的具体思路是：在水印嵌入过程中，通过在宿主图像上选取特征区域，并通过无重叠筛选得到最终特征区域，在最终特征区域上生成与宿主图像局部内容相关的水印序列，并将水印序列交付到第三方知识产权信息库中，实现水印的嵌入，在水印检测过程中，通过检测待检测图像的生成的水印序列是否与宿主图像生成的水印序列匹配，实现水印的检测。

本发明包括水印嵌入和水印检测两个过程。

本发明水印嵌入过程的具体步骤为：

(1)提取特征区域：

利用多尺度Harris仿射不变区域检测算子，提取宿主图像的椭圆特征区域，根据椭圆特征区域的特征尺度将属于中间特征尺度范围内的特征区域选择出来，得到候选椭圆特征区域。

(2)获取最终特征区域：

(2a)利用候选椭圆特征区域的位置坐标，按照如下公式，计算候选椭圆特征区域的距离：

$D(a,b)=\sqrt{{(M_a^x-M_b^x)}^2+{(M_a^y-M_b^y)}^2}$

其中，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，和表示第a个候选椭圆特征区域的x坐标和y坐标，和表示第b个候选椭圆特征区域的x坐标和y坐标；

(2b)按照下式，生成候选椭圆特征区域的邻接值：

其中，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，R_a和R_b分别表示第a个候选椭圆特征区域的长轴半径和第b个候选椭圆特征区域的长轴半径；

(2c)按照下式，计算候选椭圆特征区域的评价值：

$S^a=\left(\underset{b=1}{\overset{n_2}{\mathrm{\Σ}}}A(a,b)\right)/M_a^s$

其中，S^a表示第a个候选椭圆特征区域的评价值，n₂表示候选椭圆特征区域的个数，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2d)从所有计算获得的候选椭圆特征区域的评价值中查找评价值最大的候选特征区域M_c，删除该评价值最大的候选特征区域M_c；

(2e)按照下式，更新候选椭圆特征区域的邻接值和评价值：

$S^a=S^a-A(a,c)/M_a^s$

A(a,c)＝0,A(c,a)＝0

其中，S^a表示第a个候选椭圆特征区域的评价值，A(a,c)与A(c,a)分别表示第a个候选椭圆特征区域与第c个候选椭圆特征区域的邻接值和第c个候选椭圆特征区域与第a个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2e)判断所有候选椭圆特征区域的邻接值是否全为零，如果是，选取候选特征区域中未被删除的特征区域，得到最终特征区域，执行步骤(3)，否则，执行步骤(2d)。

(3)获取尺度不变特征转换描述子：

利用尺度不变特征转换算子SIFT，计算出每个最终椭圆特征区域的尺度不变特征转换描述子。

(4)获得原码向量和掩码向量：

(4a)按照下式，生成最终特征区域的特征原码向量：

其中，表示第a个最终特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量；

(4b)按照下式，生成最终特征区域的特征掩码向量：

其中，表示第a个最终特征区域的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量，|·|表示绝对值符号，δ表示鲁棒性阈值，δ取值范围为正实数。

(5)获取水印序列和掩码序列：

(5a)对每个最终椭圆特征区域的特征原码向量进行二进制编码，获得水印序列；

(5b)对每个最终椭圆特征区域的特征掩码向量进行二进制编码，获得掩码序列。

(6)交存水印序列和掩码序列：

将每个特征区域的水印序列和掩码序列，交存到第三方知识产权信息数据库。

所述水印检测过程的具体步骤如下：

(7)获取特征区域：

利用多尺度Harris仿射不变区域检测算子，提取待检测图像的椭圆特征区域，经过椭圆特征区域选择后，获得椭圆特征区域。

(8)获取尺度不变特征转换描述子：

利用尺度不变特征转换算子SIFT，计算出每个最终椭圆特征区域的尺度不变特征转换描述子。

(9)获得原码向量：

按照下式，生成最终椭圆特征区域的特征原码向量：

其中，表示第a个最终椭圆特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终椭圆特征区域的个数，b＝1,2,…127，与分别表示第a个最终椭圆特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量。

(10)获得水印序列：

对每个最终椭圆特征区域的特征原码向量进行二进制编码，获得水印序列。

(11)获取宿主图像水印序列和掩码序列：

从第三方知识产权信息数据库中获取宿主图像的水印序列和掩码序列。

(12)匹配水印序列：

按照下式，获取特征匹配矩阵：

其中，O(a,b)表示特征匹配矩阵中第a行，第b列的元素，X_a表示第a个宿主图像的水印序列，X′_b表示第b个待检测图像的水印序列，Y_a表示第a个宿主图像的掩码序列，∧表示按位异或运算符，∨表示按位与运算符。

与现有技术相比，本发明具有以下优点：

第一,本发明将水印序列存放在第三方知识产权信息数据库，克服了现有技术中在宿主图像中嵌入水印序列造成的水印图像视觉质量降低的缺点，提升了含水印图像的视觉质量。

第二，本发明对特征点进行无重叠区域的筛选，从而使得特征点之间相互独立，且对特征点采用尺度不变特征转换描述子进行描述，克服了现有技术中对几何攻击与一般压缩攻击缺乏同步信息造成水印难以提取与检测的缺点，提升了水印抵抗复杂几何攻击与一般压缩攻击的鲁棒性。

第三，本发明提取的水印序列是基于宿主图像内容的，不需要人为生成水印序列，克服了现有技术中人为生成水印序列容易被盗取的缺点，增加了水印信息的安全性。

第四，本发明根据尺度不变特征转换描述子中相邻维度的差值正负关系生成水印序列，且根据差值的绝对值与阈值的大小关系生成掩码序列，操作简单，克服了现有技术中水印鲁邦性调控抽象复杂的缺点，从而便于调控鲁棒性大小。

第五，本发明由于不需要在宿主图像中嵌入水印序列，克服了现有技术中水印容量有限的缺点，进而大大提高了水印嵌入容量。

附图说明：

图1为本发明水印嵌入的流程图；

图2为本发明水印检测的流程图。

具体实施方式：

下面结合附图对本发明做详细的描述。

参照附图1本发明方法的水印嵌入具体步骤如下。

步骤1，提取特征区域。

利用多尺度Harris仿射不变区域检测算子，提取宿主图像的椭圆特征区域，同时可以得到每个椭圆特征区域的椭圆参数，角点相应强度和特征尺度大小。根据椭圆特征区域的特征尺度，将特征尺度属于[3,10]范围内的特征区域选择出来，得到候选椭圆特征区域。

步骤2，获取最终特征区域。

(2a)利用候选椭圆特征区域的位置坐标，按照如下公式，计算候选椭圆特征区域的距离：

$D(a,b)=\sqrt{{(M_a^x-M_b^x)}^2+{(M_a^y-M_b^y)}^2}$

其中，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，和表示第a个候选椭圆特征区域的x坐标和y坐标，和表示第b个候选椭圆特征区域的x坐标和y坐标；

(2b)按照下式，生成候选椭圆特征区域的邻接值：

其中，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，R_a和R_b分别表示第a个候选椭圆特征区域的长轴半径和第b个候选椭圆特征区域的长轴半径；

(2c)按照下式，计算候选椭圆特征区域的评价值：

$S^a=\left(\underset{b=1}{\overset{n_2}{\mathrm{\Σ}}}A(a,b)\right)/M_a^s$

其中，S^a表示第a个候选椭圆特征区域的评价值，n₂表示候选椭圆特征区域的个数，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2d)从所有计算获得的候选椭圆特征区域的评价值中查找评价值最大的候选特征区域M_c，删除该评价值最大的候选特征区域M_c；

(2e)按照下式，更新候选椭圆特征区域的邻接值和评价值：

$S^a=S^a-A(a,c)/M_a^s$

A(a,c)＝0,A(c,a)＝0

其中，S^a表示第a个候选椭圆特征区域的评价值，A(a,c)与A(c,a)分别表示第a个候选椭圆特征区域与第c个候选椭圆特征区域的邻接值和第c个候选椭圆特征区域与第a个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2e)判断所有候选椭圆特征区域的邻接值是否全为零，如果是，选取候选特征区域中未被删除的特征区域，得到最终特征区域，执行步骤(3)，否则，执行步骤(2d)。

步骤3，获取尺度不变特征转换描述子。

对每个最终特征区域利用文献“Lowe,David G.Object recognition from localscale-invariant features.In:Proceedings of the International Conference onComputer Vision,Kerkyra，Greece：IEEE,1999.vol.2,1150–1157”中的尺度不变特征转换算法，计算每个特征点的尺度不变特征转换描述子，得到无重叠特征点的尺度不变特征转换描述子集合U＝{U_i,i＝1,2,…n₁}，n₁表示最终特征区域的个数，其中，是一个128维的向量，表示每个特征点的尺度不变特征转换描述子

步骤4，获得原码向量和掩码向量。

(4a)按照下式，生成最终特征区域的特征原码向量：

其中，表示第a个最终特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量；

(4b)按照下式，生成最终特征区域的特征掩码向量：

其中，表示第a个最终特征区域的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量，|·|表示绝对值符号，δ表示鲁棒性阈值，δ取值范围为正实数。

步骤5，获取水印序列和掩码序列。

(5a)对每个特征原码向量P_a中的每维分量按照如下公式进行8位二进制编码，得到二进制序列并按照次序将二进制序列拼接起来，得到水印序列分量

$P_a^b={(-1)}^{{\mathrm{\ζ}}_{a,b}^1}\×(2^6\×{\mathrm{\ζ}}_{a,b}^2+2^5\×{\mathrm{\ζ}}_{a,b}^3+2^4\×{\mathrm{\ζ}}_{a,b}^4+2^3\×{\mathrm{\ζ}}_{a,b}^5+2^2\×{\mathrm{\ζ}}_{a,b}^6+2^1\×{\mathrm{\ζ}}_{a,b}^7+2^0\×{\mathrm{\ζ}}_{a,b}^8)$

其中，表示第a个特征原码向量的第b维分量，依次表示特征原码向量分量的二进制序列的每一位的值，a＝1,2,…n₁,b＝1,2,…127,n₁表示最终特征区域的个数；

(5b)对每个特征掩码向量Q_a中的每维分量按照如下公式进行8位二进制编码，得到二进制序列并按照次序将二进制序列拼接起来，得到掩码序列分量

$Q_a^b={(-1)}^{{\mathrm{\ξ}}_{a,b}^1}\×(2^6\×{\mathrm{\ξ}}_{a,b}^2+2^5\×{\mathrm{\ξ}}_{a,b}^3+2^4\×{\mathrm{\ξ}}_{a,b}^4+2^3\×{\mathrm{\ξ}}_{a,b}^5+2^2\×{\mathrm{\ξ}}_{a,b}^6+2^1\×{\mathrm{\ξ}}_{a,b}^7+2^0\×{\mathrm{\ξ}}_{a,b}^8)$

其中，表示第a个特征掩码向量的第b维分量，依次表示特征掩码向量分量的二进制序列的每一位的值a＝1,2,…n₁,b＝1,2,…127,n₁表示最终特征区域的个数。

步骤6，交存水印序列和掩码序列。

将每个特征区域的水印序列和掩码序列，交存到第三方知识产权信息数据库。

参照附图2，对本发明方法的水印检测具体步骤描述如下。

步骤7，获取特征区域。

利用多尺度Harris仿射不变区域检测算子，提取待检测图像的椭圆特征区域。选取特征尺度属于[3,10]范围内的椭圆特征区域，并通过椭圆特征区域的邻接关系和椭圆特征区域的角点相应强度，采用与嵌入过程中步骤2类似的操作，获得一组不相邻的椭圆特征区域。

步骤8，获取尺度不变特征转换描述子。

利用尺度不变特征转换算子SIFT，计算出每个最终椭圆特征区域的尺度不变特征转换描述子，尺度不变特征转换描述子是由一个128维的向量表示的。

步骤9，获得原码向量。

按照下式，生成最终椭圆特征区域的特征原码向量：

其中，表示第a个最终椭圆特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终椭圆特征区域的个数，b＝1,2,…127，与分别表示第a个最终椭圆特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量。

步骤10，获得水印序列。

对每个特征原码向量P′_a中的每维分量按如下公式进行8位二进制编码得到二进制序列并按照次序将二进制序列拼接起来，得到提取水印序列分量X′_a＝[ζ′_a,1,ζ′_a,2,…ζ′_a,127]：

$P_a^{\′b}={(-1)}^{{\mathrm{\ζ}}_{a,b}^{\′1}}\×(2^6\×{\mathrm{\ζ}}_{a,b}^{\′2}+2^5\×{\mathrm{\ζ}}_{a,b}^{\′3}+2^4\×{\mathrm{\ζ}}_{a,b}^{\′4}+2^3\×{\mathrm{\ζ}}_{a,b}^{\′5}+2^2\×{\mathrm{\ζ}}_{a,b}^{\′6}+2^1\×{\mathrm{\ζ}\′}_{a,b}^7+2^0\×{\mathrm{\ζ}}_{a,b}^{\′8})$

其中，表示第a个特征原码向量的第b维分量，依次表示特征原码向量分量的二进制序列的每一位的值，a＝1,2,…n′₁,b＝1,2,…127,n′₁表示最终特征区域的个数。

步骤11，获取宿主图像水印序列和掩码序列。

从第三方知识产权信息数据库中获取宿主图像的水印二进制序列和掩码二进制序列。

步骤12，匹配水印序列。

按照下式，获取特征匹配矩阵：

其中，O(a,b)表示特征匹配矩阵中第a行，第b列的元素，如果O(a,b)＝1，表示第a个待检测图像的水印二进制序列和第b个宿主图像的水印二进制序列匹配，如果O(a,b)＝0，表示第a个待检测图像的水印二进制序列和第b个宿主图像的水印二进制序列不匹配，X_a表示第a个宿主图像的水印二进制序列，X′_b表示第b个待检测图像的水印二进制序列，Y_a表示第a个宿主图像的掩码二进制序列，∧表示按位异或运算符，∨表示按位与运算符。

下面结合仿真图对本发明效果做进一步的描述。

1.实验条件：

实现本发明仿真的软件环境为美国Mathworks公司开发的MATLAB 2013a，仿真实验中大量的灰度图像来自CVG-UGR图像数据库的自然图像。本发明的一些记号为：将基于广义统计量直方图与聚类的方法记为WSQH-SC，将本发明方法记为FFC。实验中WSQH-SC方法的原始图像和待检测图像的分块大小均为8×8，水印嵌入强度为16，FFC方法的δ取值为5。

2.仿真实验内容：

仿真实验1：视觉质量实验。

本发明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

$\mathrm{PSNR}=10\log \left(\frac{M\×N\×255^2}{\underset{i=1}{\overset{M}{\mathrm{\Σ}}}\underset{j=1}{\overset{N}{\mathrm{\Σ}}}{(I(i,j)-I^E(i,j))}^2}\right),$

其中，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^E(i,j)是含水印图像在第i行第j列的像素值。

表1.不同方法的PSNR(dB)值

从表1的仿真实验结果可以看出，本发明的PSNR为无穷大，明显高于WSQH-SC方法，其中PSNR越高，代表含水印图像的视觉质量越好，说明本发明的有效性。

仿真实验2：容量实验。

本发明容量实验以客观指标位/像素bpp作为评判依据，测试现有WSQH-SC和本发明FFC两种方法的容量，bpp＝QPX，其中Q是指在原始图像中最多能嵌入的水印位数，PX是指在原始图像中像素的个数，在本发明的仿真实验中PX＝512×512＝262144。在原始图像大小确定的情况下，bpp越大，表示嵌入水印的位数越多，即容量越大。本发明的仿真实验在自然图像数据库上进行测试，仿真实验结果如表2所示。

表2.不同方法的容量值

由表2结果可见，本发明方法的容量明显高于WSQH-SC，克服了WSQH-SC方法容量低的缺陷。

仿真实验3：鲁棒性综合实验。

(3.1)抗有损压缩的鲁棒性仿真实验。

在JPEG和JPEG2000两种常见的有损压缩攻击下测试两种方法的鲁棒性，实验中JPEG压缩的质量因子取10个值：10，20，30，40，50，60，70，80，90，100，分别在每个质量因子下测试两种方法的鲁棒性；JPEG2000压缩的压缩率取10个值：0.2，0.4，0.6，0.8，1.0，1.2，1.4，1.6，1.8，2.0，分别在每个压缩率下测试两种方法的鲁棒性，其中JPEG压缩的质量因子和JPEG2000压缩的压缩率越小，压缩强度越大。其中，WSQH-SC在水印嵌入过程中，将长度等于固定值的水印序列重复嵌入到原始图像中，重复的次数等于其中，V是重复嵌入的次数，表示向下取整运算操作，即取小于或等于QTR的最大整数，Q是指在原始图像中最多能嵌入的水印位数，TR是固定值，实验中取100；在水印提取过程中，将提取出来的水印序列分成长度等于TR的V个子序列，再将这些子序列按位分别组成一组，将每组中的V个值采用多数表决的方式进行判定，最后得到提取的水印序列。

仿真实验标准采用恰可提取压缩率δ，即当压缩率大于或者等于δ时，嵌入的水印序列恰能被正确提取出来。δ越小，鲁棒性越强，反之亦然。可靠性的实验结果如表3所示，其中在JPEG压缩下，WSQH-SC方法最低可以抵抗压缩因子为40的JPEG压缩，而本发明方法可以抵抗压缩因子为10的JPEG压缩，在JPEG2000压缩下，WSQH-SC可以抵抗压缩因子为0.6的JPEG2000压缩，而本发明可以抵抗压缩因子为0.2的JPEG2000压缩。从表3的实验结果可见，本发明方法的鲁棒性要大大优于WSQH-SC方法。

表3.不同方法的压缩攻击下的鲁棒性

(3.2)抗几何攻击的鲁棒性仿真实验。

由于本发明利用了图像的特征区域，并用尺度不变特征转换描述子对特征点进行了描述，因此除了对压缩攻击有很好的抵抗能力之外，对于多种几何攻击也有一定的鲁棒性，其评判标准为在保证数字水印能够完全恢复的情况下，所能承受的最大几何攻击，如表4所示。

表4.FFC的几何攻击下的鲁棒性

其中，平移攻击(10 pixel)表示将宿主图像水平向右平移10个像素距离，放大(2)表示将宿主图像的边长放大2倍，缩小(0.5)表示将宿主图像的边长缩小为原来的一半，旋转(10°)表示将宿主图像按逆时针旋转10°，剪切(45％)表示剪切掉宿主图像原始面积的45％。

综上所述，本发明克服了WSQH-SC方法嵌入水印与宿主图像内容无关、难以抵抗复杂攻击的缺点，并且在容量、不可感知性及鲁棒性上都有很大的提高，从而提高了鲁棒可逆图像水印方法的综合性能。

Claims (1)

1.一种基于图像内容的鲁棒可逆水印嵌入与检测方法，包括水印嵌入和水印检测两个过程；

所述水印嵌入过程的具体步骤为：

(1)提取特征区域：

利用多尺度Harris仿射不变区域检测算子，提取宿主图像的椭圆特征区域，根据椭圆特征区域的特征尺度将属于中间特征尺度范围内的特征区域选择出来，得到候选椭圆特征区域；

(2)获取最终特征区域：

(2a)利用候选椭圆特征区域的位置坐标，按照如下公式，计算候选椭圆特征区域的距离：

$D(a,b)=\sqrt{{(M_a^x-M_b^x)}^2+{(M_a^y-M_b^y)}^2}$

其中，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，和表示第a个候选椭圆特征区域的x坐标和y坐标，和表示第b个候选椭圆特征区域的x坐标和y坐标；

(2b)按照下式，生成候选椭圆特征区域的邻接值：

其中，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，D(a,b)表示第a个候选椭圆特征区域的中心与第b个候选椭圆特征区域的中心之间的距离大小，R_a和R_b分别表示第a个候选椭圆特征区域的长轴半径和第b个候选椭圆特征区域的长轴半径；

(2c)按照下式，计算候选椭圆特征区域的评价值：

$S^a=\left(\underset{b=1}{\overset{n_2}{\mathrm{\Σ}}}A(a,b)\right)/M_a^s$

其中，S^a表示第a个候选椭圆特征区域的评价值，n₂表示候选椭圆特征区域的个数，A(a,b)表示第a个候选椭圆特征区域与第b个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2d)从所有计算获得的候选椭圆特征区域的评价值中查找评价值最大的候选特征区域M_c，删除该评价值最大的候选特征区域M_c；

(2e)按照下式，更新候选椭圆特征区域的邻接值和评价值：

$S^a=S^a-A(a,c)/M_a^s$

A(a,c)＝0,A(c,a)＝0

其中，S^a表示第a个候选椭圆特征区域的评价值，A(a,c)与A(c,a)分别表示第a个候选椭圆特征区域与第c个候选椭圆特征区域的邻接值和第c个候选椭圆特征区域与第a个候选椭圆特征区域的邻接值，表示第a个候选椭圆特征区域的角点响应s的强度；

(2e)判断所有候选椭圆特征区域的邻接值是否全为零，如果是，选取候选特征区域中未被删除的特征区域，得到最终特征区域，执行步骤(3)，否则，执行步骤(2d)；

(3)获取尺度不变特征转换描述子：

利用尺度不变特征转换算子SIFT，计算出每个最终椭圆特征区域的尺度不变特征转换描述子；

(4)获得原码向量和掩码向量：

(4a)按照下式，生成最终特征区域的特征原码向量：

其中，表示第a个最终特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量；

(4b)按照下式，生成最终特征区域的特征掩码向量：

其中，表示第a个最终特征区域的第b维分量，a＝1,2,…n₁，n₁表示最终特征区域的个数，b＝1,2,…127，与分别表示第a个最终特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量，|·|表示绝对值符号，δ表示鲁棒性阈值，δ取值范围为正实数；

(5)获取水印序列和掩码序列：

(5a)对每个最终椭圆特征区域的特征原码向量进行二进制编码，获得水印序列；

(5b)对每个最终椭圆特征区域的特征掩码向量进行二进制编码，获得掩码序列；

(6)交存水印序列和掩码序列：

将每个特征区域的水印二进制序列和掩码序列，交存到第三方知识产权信息数据库；

所述水印检测过程的具体步骤如下：

(7)获取特征区域：

利用多尺度Harris仿射不变区域检测算子，提取待检测图像的椭圆特征区域，经过椭圆特征区域选择后，获得椭圆特征区域；

(8)获取尺度不变特征转换描述子：

利用尺度不变特征转换算子SIFT，计算出每个最终椭圆特征区域的尺度不变特征转换描述子；

(9)获得原码向量：

按照下式，生成最终椭圆特征区域的特征原码向量：

其中，表示第a个最终椭圆特征区域的特征原码向量中的第b维分量，a＝1,2,…n₁，n₁表示最终椭圆特征区域的个数，b＝1,2,…127，与分别表示第a个最终椭圆特征区域的尺度不变特征转换描述子的第b维分量与第b+1维分量；

(10)获得水印序列：

对每个最终椭圆特征区域的特征原码向量进行二进制编码，获得水印序列；

(11)获取宿主图像水印序列和掩码序列：

从第三方知识产权信息数据库中获取宿主图像的水印序列和掩码序列；

(12)匹配水印序列：

按照下式，获取特征匹配矩阵：

其中，O(a,b)表示特征匹配矩阵中第a行，第b列的元素，X_a表示第a个宿主图像的水印序列，X′_b表示第b个待检测图像的水印序列，Y_a表示第a个宿主图像的掩码序列，∧表示按位异或运算符，∨表示按位与运算符。