CN104766269A - 基于jnd亮度模型的扩展变换抖动调制水印方法 - Google Patents

Abstract

本发明提供了一种基于JND亮度模型的扩展变换抖动调制水印方法，包括嵌入水印步骤和检测水印步骤。首先将载体图像进行DCT变换并分块，在每个分块中提取待嵌入水印的系数向量，将每个向量沿某随机方向进行投影，同时根据JND亮度模型计算每个系数向量对应的量化步长，利用抖动调制算法对每个分块嵌入水印信息，最后重建得到嵌入水印的图像。检测水印时，根据上述相同的方法，通过投影的JND亮度模型计算量化步长，提取水印信息。本发明对水印的鲁棒性及不可见性有极大的改善与提高。

Description

基于JND亮度模型的扩展变换抖动调制水印方法

技术领域

本发明涉及一种基于JND亮度模型的扩展变换抖动调制水印方法，属于多媒体信号处理技术领域。

背景技术

随着信息技术与计算机网络的飞速发展，数字多媒体信息成为信息的主流形式，其便捷的存储、复制和传播，给人们的生活带来了极大的便利，然而随之而来的信息安全、盗版、版权纠纷等问题也日益严重，在社会中产生一些恶劣的影响，不容忽视。在此背景下，数字水印技术应运而生，它将一些标识信息(即数字水印)以隐藏的方式嵌入数字载体(包括多媒体、文档、软件等)当中，通过这些隐藏在载体中的信息，达到版权保护、防止篡改等目的，有效地解决了上述问题，具有广阔的应用前景，也因此得到了社会各界的广泛关注。

数字水印技术发展至今，许多水印算法相继被提出，Chen等提出了量化索引调制(QIM:Quantization Index Modulation)水印方法，在计算复杂度与算法实现上的显著优势使其得到了广泛的应用。扩展变换抖动调制(STDM:SpreadTransform Dither Modulation)作为QIM数字水印算法的一个重要扩展，对于普通信号处理攻击具有更好的鲁棒性。但是，如何利用STDM算法将水印信息更为有效的嵌入到源图像中进而获得具有更高视觉质量的水印图像，成为普遍关注的焦点。

近年来，许多学者提出将人类视觉特性引入STDM中，使其能够自适应的利用人眼的视觉冗余实现信息的有效嵌入。JND(Just Noticeable Distortion)视觉模型是一类基于人眼视觉特性的最小可觉察误差模型，模拟人类视觉系统的特性得到图像的最大不可见改动，获得了广泛的关注和应用。Q.Li等最先将Watson’JND视觉模型与STDM相结合，提出了STDM-W方案，利用Watson’JND视觉模型所计算出的视觉冗余向量替换STDM中使用的随机投影向量，以此来保证具有较大视觉冗余的图像系数承担较多的改动。为了提高鲁棒性，L.Ma等利用Watson’JND视觉模型计算的视觉冗余向量与投影向量计算量化步长，然而，Watson’JND视觉模型依赖于图像的自身性能，通过源图像和水印图像计算得到的Watson’JND视觉模型会出现误差，应用在盲水印系统中，大大降低了算法的鲁棒性。近年来，许多改进的JND模型相继被提出并应用于数字水印算法中，但是鲁棒性仍有待提高。

发明内容

针对现有技术中存在的缺陷，本发明提供了一种基于JND亮度模型的扩展变换抖动调制水印方法，本发明采用了一个新的基于DCT域的JND亮度模型，该模型综合图像纹理和亮度两个因素，在反映人眼视觉特性方面优于其他模型，应用于数字水印算法中，可以在保证保真度的同时获得较好的鲁棒性。该方法在嵌入端，通过JND亮度模型得到源图像的视觉冗余向量，实现调整水印嵌入的量化步长，并且保证在水印图像中，计算得到的视觉冗余向量与嵌入端一致，显著提高了水印算法的鲁棒性。

本发明的基于JND亮度模型的扩展变换抖动调制水印方法，包括源图像的视觉冗余向量计算和水印的嵌入检测阶段，具体实现步骤为：

(1)通过JND亮度模型计算源图像的视觉冗余向量的处理阶段，包括：

a.对源图像进行8×8分块，计算每一块的平均亮度μ_p。

b.计算每个分块对应的视觉冗余向量，计算公式如下

其中，为第(i,j)个系数的JND，s是表征个体察觉的JND对视觉系统的总体影响的量,取值为0.14，N是载体系数矩阵的尺寸，取值为8，J_base表示空间对比度敏感函数，M_LA为亮度的自适应调制因子，ω_i,j为空间频率，为相应DCT系数的方向角。

(2)嵌入和检测水印的处理阶段，包括：

a.从载体中提取载体变换域的待嵌入水印的系数，组成向量x，计算向量x在随机向量u上的投影x^Tu。

b.向量x所对应的JND系数组成向量s，计算向量s在随机向量u上的投影s^Tu。将s^Tu作为水印嵌入的量化步长。

所述步骤(1)的子步骤a中，μ_p的计算公式如下

${\mathrm{\μ}}_p=\frac{\underset{x=0}{\overset{N-1}{\mathrm{\Σ}}}\underset{y=0}{\overset{N-1}{\mathrm{\Σ}}}I(x,y)}{K{N}^2}\·\frac{128}{C_o}---\left(2\right)$

其中K为最大像素值，取值为255，I(x,y)为第(x,y)个像素点的值，C_o为源图像的平均亮度。

所述步骤(1)的子步骤b中，J_base的计算公式如下

$\left\{\begin{array}{c}{J}_d\left({\mathrm{\ω}}_{i,j}\right)=0.0293\·{{\mathrm{\ω}}_{i,j}}^2-0.1382\·{\mathrm{\ω}}_{i,j}+1.75\\ J_v\left({\mathrm{\ω}}_{i,j}\right)=0.0238\·{{\mathrm{\ω}}_{i,j}}^2-0.1771\·{\mathrm{\ω}}_{i,j}+1.75\end{array}\right.---\left(3\right)$

所述步骤(1)的子步骤b中，M_LA的计算公式如下

$M_{\mathrm{LA}}({\mathrm{\ω}}_{i,j},{\mathrm{\μ}}_p)=\left\{\begin{array}{c}1+(M_{0.1}\left({\mathrm{\ω}}_{i,j}\right)-1)\·{\left|\frac{{\mathrm{\μ}}_p-0.3}{0.2}\right|}^{0.8},{\mathrm{\μ}}_p\≤0.3\\ 1+(M_{0.9}\left({\mathrm{\ω}}_{i,j}\right)-1)\·{\left|\frac{{\mathrm{\μ}}_p-0.3}{0.6}\right|}^{0.8},{\mathrm{\μ}}_p>0.3\end{array}\right.$

$\left\{\begin{array}{c}{M}_{0.1}\left({\mathrm{\ω}}_{i,j}\right)=2.468\×{10}^{-4}\·{{\mathrm{\ω}}_{i,j}}^2+4.466\×{10}^{-3}\·{\mathrm{\ω}}_{i,j}+1.14\\ M_{0.9}\left({\mathrm{\ω}}_{i,j}\right)=1.230\×{10}^{-3}\·{{\mathrm{\ω}}_{i,j}}^2+1.433\×{10}^{-2}\·{\mathrm{\ω}}_{i,j}+1.34\end{array}\right.---\left(4\right)$

所述步骤(1)的子步骤b中，其中

θ＝arctan[1/(2×R_VH×H)],其中R_VH为视距与屏幕高度的比值，取值为1.75，H为屏幕的列像素数，取值为1080。

所述步骤(1)的子步骤b中,

所述步骤(2)的子步骤a中，变换域采用的是离散余弦变换。

所述步骤(2)的子步骤a中，u是由密钥KEY_p生成的随机向量，长度与x相同。

附图说明

图1是本发明水印嵌入和检测方法的原理示意框图。

图2是本发明针对图像亮度倍增攻击的仿真对比实验。

图3是本发明针对高斯噪声攻击的仿真对比实验。

图4是本发明针对JPEG压缩攻击的仿真对比实验。

具体实施方式

图1给出了本发明的JND视觉模型的扩展变换抖动调制水印嵌入和检测的原理步骤。下面的仿真试验是本发明方法的一个具体例子，通过此例可对本发明方法的性能进行验证。仿真使用三幅256×256的图像，分别对其嵌入一幅32×32的二值水印图像，并对实验结果取平均。具体水印嵌入过程如下：

(1)对图像进行8×8分块DCT(离散余弦变换)变换，对各分块DCT系数进行zig-zag扫描，并选取第3-10位的AC(交流)系数组成待嵌水印的载体向量x，每个8×8分块对应一个向量，共计1024个。

(2)根据公式(2)计算图像各分块的平均亮度μ_p，然后通过公式(1)、(3)和(4)计算得到各分块待嵌入系数对应的JND系数，并将其组成视觉冗余向量s。

(3)利用密钥KEY_p和KEY_d为每个载体向量x生成STDM嵌入器所需的投影向量u和抖动信号d_i，分别计算载体向量x与视觉冗余向量s在随机向量u上的投影x^Tu和s^Tu。

(4)将λ×s^Tu作为水印嵌入的量化步长，其中参数λ作为强度因子控制水印嵌入的强度，并保存为密钥。

(5)根据计算得到的u，d_i和λ×s^Tu，对每一块的载体向量x通过抖动调制嵌入一位水印信息，待所有分块嵌入完成后，用改动后的DCT系数替换原始系数，并通过逆DCT变换，得到嵌入水印的图像。

嵌入水印后的图像，在传输的过程中，可能会经历某些信号处理的操作，比如亮度增强、高斯噪声及JPEG压缩等，实验表明，嵌入的水印仍旧可以较好的检测出来，如图2至4所示。具体检测过程如下：

(1)对待检测图像进行8×8分块DCT变换，对各分块DCT系数进行zig-zag扫描，并选取第3-10位的AC(交流)系数组成向量每个8×8分块对应一个向量，共计1024个。

(2)根据公式(2)计算图像各分块的平均亮度然后通过公式(1)、(3)和(4)计算得到各分块待嵌入系数对应的JND系数，并将其组成视觉冗余向量

(3)利用密钥KEY_p和KEY_d为每个向量生成STDM检测器所需的投影向量u和抖动信号d_i，分别计算向量与视觉冗余向量在随机向量u上的投影和

(4)输入水印嵌入阶段保存的密钥参数λ，将作为水印提取所需的量化步长。

(5)根据计算得到的u，d_i和在每个分块中根据抖动调制水印检测器独立检测出水印信息。待所有分块提取完成后，将检测出的水印序列重组成32×32水印图像。

为了显示本发明中水印方法的鲁棒性，采用常见的图像处理方式对水印图像进行了处理，包括各种不同亮度倍增因子下的图像亮度倍增攻击，均值为0标准差不同的高斯噪声攻击，不同JPEG压缩质量下的JPEG压缩攻击。同时为了比较的目的，给出了本发明与几种相关方法的测试结果，包括STDM-AdpWM方法，STDM-OptiWM方法，STDM-RDMWm方法，STDM-RW方法。在所有的仿真里，通过调整水印嵌入强度将SSIM统一取为0.98,附图2至4给出了以上方法在各种攻击下提取水印的误码率的测试结果对比。

Claims (8)

1.一种JND视觉模型的扩展变换抖动调制水印方法，包括源图像的视觉冗余向量计算和水印的嵌入检测阶段，具体实现步骤为：

(1)通过JND亮度模型计算源图像的视觉冗余向量的处理阶段，包括：

a.对源图像进行8×8分块，计算每一块的平均亮度μ_p；

b.计算每个分块对应的视觉冗余向量，计算公式如下：

其中，为第(i,j)个系数的JND，s是表征个体察觉的JND对视觉系统的总体影响的量，取值为0.14，N是载体系数矩阵的尺寸，取值为8，J_base表示空间对比度敏感函数，M_LA为亮度的自适应调制因子，ω_i,j为空间频率， 为相应DCT系数的方向角；

(2)嵌入和检测水印的处理阶段，包括：

a.从载体中提取载体变换域的待嵌入水印的系数，组成向量x，计算向量x在随机向量u上的投影x^Tu；

b.向量x所对应的JND系数组成向量s，计算向量s在随机向量u上的投影s^Tu，将s^Tu作为水印嵌入的量化步长。

2.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(1)的子步骤a中，μ_p的计算公式如下

其中K为最大像素值，取值为255，I(x,y)为第(x,y)个像素点的值，C_o为源图像的平均亮度。

3.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(1)的子步骤b中，J_base的计算公式如下：

。

4.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(1)的子步骤b中，M_LA的计算公式如下

。

5.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(1)的子步骤b中，其中θ＝arctan[1/(2×R_VH×H)],其中R_VH为视距与屏幕高度的比值，取值为1.75，H为屏幕的列像素数，取值为1080。

6.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(1)的子步骤b中,

7.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(2)的子步骤a中，变换域采用的是离散余弦变换。

8.如权利要求1所述的JND视觉模型的扩展变换抖动调制水印方法，其特征在于：所述步骤(2)的子步骤a中，u是由密钥KEY_p生成的随机向量，长度与x相同。