CN107918924B - 基于鲁棒差值的数字图像水印检测方法 - Google Patents

基于鲁棒差值的数字图像水印检测方法 Download PDF

Info

Publication number
CN107918924B
CN107918924B CN201711365763.6A CN201711365763A CN107918924B CN 107918924 B CN107918924 B CN 107918924B CN 201711365763 A CN201711365763 A CN 201711365763A CN 107918924 B CN107918924 B CN 107918924B
Authority
CN
China
Prior art keywords
watermark
band
embedding
image
sub
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.)
Expired - Fee Related
Application number
CN201711365763.6A
Other languages
English (en)
Other versions
CN107918924A (zh
Inventor
牛盼盼
张思禹
王向阳
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.)
Liaoning Normal University
Original Assignee
Liaoning Normal University
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 Liaoning Normal University filed Critical Liaoning Normal University
Priority to CN201711365763.6A priority Critical patent/CN107918924B/zh
Publication of CN107918924A publication Critical patent/CN107918924A/zh
Application granted granted Critical
Publication of CN107918924B publication Critical patent/CN107918924B/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
    • G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant

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鲁棒差值的数字图像水印检测方法，首先对宿主图像进行二级非下采样Contourlet变换，在同一方向下，将分解获得的两个尺度的父系数与子系数做差，得到差值子带，并且选择能量最高的差值子带用作载体；其次，利用乘性方法进行水印嵌入，重构获得含水印图像；提取水印采用Cauchy分布概率密度函数对含水印的差值子带进行统计模型建模，得到形状参数
Figure 100004_DEST_PATH_IMAGE001
和位置参数，利用样本分位数估计方法对含水印的差值子带系数进行参数估计；最后，根据决策准则，构造局部最优LMP检测器和Rao检测器，并利用决策阈值判断水印是否存在。

Description

基于鲁棒差值的数字图像水印检测方法
技术领域
本发明属于数字图像的版权保护技术领域，涉及基于差值的Cauchy分布统计建模的图像水印检测方法，尤其涉及一种基于鲁棒差值的图像水印检测方法。
背景技术
迅速发展的高科技时代逐渐影响着人们的工作和日常生活，数字多媒体产品（如图像、音频、视频等）的使用随处可见，人们可利用各种各样方便的渠道得到更多的多媒体资源。但由于网络传播是一把双刃剑，既能传播有益的信息，又能传播有害的信息，给人们的生活带来极大的不便。非法传播不仅侵害版权所有者的权益，还造成社会对多媒体信息安全的不信任。图像水印技术为解决多媒体信息安全危机提供了有效手段，保证信息传播安全有效。
数字水印技术是一种信息隐藏技术，其原理是把水印信息隐秘的嵌入到需要保护的图像等多媒体产品中，在嵌入过程中，既要保证载体图像的质量不会大幅度降低，又要在遭受到各种攻击后仍能检测出水印的存在，从而加强数字信息产品所有者版权的保护。对于图像水印技术而言，应具备三个基本特点：鲁棒性、不可感知性和安全性。鲁棒性是指当水印信息被嵌入到需要保护的图像后，经过各种外界攻击的干扰，仍能保证大部分水印被成功检测出来。通常鲁棒性越强，意味着抵抗攻击的能力越强。不可感知性是指原始图像的质量不会因为水印信息的嵌入而大幅度降低的能力。安全性指水印信息能够秘密的、不受外界攻击且安全的嵌入到图像内。大部分情况下，信息获得者不清楚宿主图像中是否存在水印信息，也不清楚水印信息是如何嵌入的。因此产生了水印信息的盲检测技术，且水印检测是数字水印技术最关键的步骤之一，检测的有效性和优越性是衡量水印检测技术的重要标准。在保证鲁棒性和不可感知性之间达到最佳平衡状态的同时，如何提高水印的检测性能是目前图像水印技术所面临的严峻考验。
统计模型的出现很好地解决了上述存在的问题，通过乘性方法嵌入水印信息，根据载体图像的尺度间及系数间相关性构造检测器，既保证了水印算法的鲁棒性和不可感知性的良好平衡，又能提高检测性能。统计模型水印方法可分为检测水印有无和检测具体水印位两类。检测水印有无是水印检测技术至关重要的一步，但仍存在着许多不足：第一，没有深入分析当前的变换方法是否能够较好地捕捉图像特征；第二，没有考虑到所选用的分布函数是否为最优建模；第三，在提升检测器性能方面，大多数算法采用对数似然比构建检测器，采用其它统计策略构建检测器的算法异常匮乏。
发明内容
本发明是为了解决现有技术所存在的上述技术问题，提供一种基于鲁棒差值的数字图像水印检测方法。
本发明的技术解决方案是：一种基于鲁棒差值的数字图像水印检测方法，有水印嵌入及水印提取，其特征在于：
约定：L表示利用NSPFB滤波器分解得到的低频子带、H代表高频子带；
Figure 193792DEST_PATH_IMAGE001
指位于第
Figure 520868DEST_PATH_IMAGE002
尺度的第
Figure 539640DEST_PATH_IMAGE003
方向的频带；
Figure 670276DEST_PATH_IMAGE004
表示父系数子带；
Figure 104800DEST_PATH_IMAGE005
表示子系数子带；x，y分别为矩阵的横纵坐标；
Figure 286382DEST_PATH_IMAGE006
表示未嵌入水印前的变换系数；
Figure 210476DEST_PATH_IMAGE007
表示含水印的差值子带系数；
Figure DEST_PATH_IMAGE008
表示嵌入强度；
Figure 592522DEST_PATH_IMAGE009
表示选择的熵值排名前
Figure 627474DEST_PATH_IMAGE010
的熵块；
Figure 335667DEST_PATH_IMAGE011
表示包含同等概率的{-1, +1}的水印伪随机序列；
Figure 679930DEST_PATH_IMAGE012
表示Cauchy分布的形状参数；
Figure 801470DEST_PATH_IMAGE013
表示Cauchy分布的位置参数；I表示宿主图像；II指含水印图像；
Figure 905692DEST_PATH_IMAGE014
表示含水印差值子带前
Figure 733971DEST_PATH_IMAGE010
块中每块的最大系数；
Figure DEST_PATH_IMAGE015
表示嵌入水印的系数个数；
Figure 688282DEST_PATH_IMAGE016
指需要检测的图像没有嵌入水印；
Figure 765960DEST_PATH_IMAGE017
指待检测图像嵌入了水印；
Figure 657561DEST_PATH_IMAGE018
为决策阈值；
所述水印嵌入按照如下步骤进行：
a. 初始设置
获取宿主图像I并初始化变量；
b. 水印嵌入
b.1 非下采样Contourlet变换
宿主图像I进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个L和若干个H，设置变换参数为[2 2]， 即H分解为两个尺度，分别为第一尺度4个方向与第二尺度4个方向，每幅图像共得到8个H，每个H都是大小相同的矩阵；
b.2 能量最大差值子带
根据尺度之间的父子相关性，将同一个方向下两个尺度相减，即第二尺度对应的父系数和第一尺度对应子系数做差，得到差值子带
Figure 137084DEST_PATH_IMAGE019
：
Figure 573882DEST_PATH_IMAGE020
；
选择能量最高的差值子带当作载体进行水印嵌入，差值子带能量的表达式如下：
Figure 138855DEST_PATH_IMAGE021
；
b.3 乘性嵌入
对能量最大的差值子带实行不重叠分块，每块尺寸为
Figure 807384DEST_PATH_IMAGE022
，计算每块的熵值，按熵值由高至低进行排序，选择排在前L块的熵块进行水印嵌入；
对每块嵌入相应的1bit水印信息(1或-1)，记录嵌入位置，利用乘性法则进行水印信息的嵌入：
Figure 406992DEST_PATH_IMAGE023
；
b.4 重构得到含水印图像
将含水印的系数与筛选的差值子带做差，得到嵌入的水印系数，将水印系数乘以
Figure 14691DEST_PATH_IMAGE024
，分别与
Figure 66961DEST_PATH_IMAGE004
相加、与
Figure 34786DEST_PATH_IMAGE005
相减，获得含水印的
Figure 488901DEST_PATH_IMAGE004
与
Figure 267501DEST_PATH_IMAGE005
，然后与其他子带合并进行逆非下采样Contourlet变换，将前L块依次嵌入水印，最终得到含水印图像II；
所述水印提取按照如下步骤进行：
c. 构造检测器
c.1非下采样Contourlet变换
对含水印图像II进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个L和若干个H，设置分解参数为[2 2]， 即H分解为两个尺度，分别为4个方向和4个方向；
c.2能量最大差值子带
选择和水印嵌入流程相同的能量最高的差值子带，并找到嵌入水印时记录的前L块位置，选择每块中系数的最大值，即用L位水印系数来构造检测器；
c.3 Cauchy统计模型建模
对含水印的差值子带系数采用Cauchy分布概率密度函数进行统计建模，假设随机变量x服从柯西分布，则概率密度函数P可表示如下：
Figure 807067DEST_PATH_IMAGE025
；
其中：
Figure DEST_PATH_IMAGE026
c.4样本分位数估计
利用样本分位数估计方法对L位水印系数进行参数估计，将双参数的Cauchy分布函数记为
Figure 548889DEST_PATH_IMAGE027
，服从Cauchy概率密度函数的随机变量为
Figure 857511DEST_PATH_IMAGE028
，则
Figure 807012DEST_PATH_IMAGE029
的累计分布函数
Figure 83141DEST_PATH_IMAGE030
可表达为如下形式：
Figure 143501DEST_PATH_IMAGE031
；
其中：
Figure 306629DEST_PATH_IMAGE032
分别求出
Figure 427032DEST_PATH_IMAGE033
时的中位点与
Figure 954572DEST_PATH_IMAGE034
时的分位点，获得
Figure 349781DEST_PATH_IMAGE012
与
Figure 570678DEST_PATH_IMAGE013
的估计值，将得到的参数估计值作为含水印图像II的特征向量，以待构造检测器使用；
d. 构造LMP及Rao检测器
把水印检测看作是二元假设检验问题，利用统计决策准则，构造基于Cauchy分布的局部最优LMP检测器，决策公式表示如下：
Figure 658720DEST_PATH_IMAGE035
；
根据统计决策准则，构造基于Cauchy分布的Rao检测器，决策公式表示如下：
Figure 394595DEST_PATH_IMAGE036
；
e. 决策阈值判断
根据决策公式判断图像是否存在水印，是，结束；否，返回a步骤。
本发明首先对宿主图像进行二级非下采样Contourlet变换，在同一方向下，将分解获得的两个尺度的父系数与子系数做差，得到差值子带，并且选择能量最高的差值子带用作载体；其次，利用乘性方法进行水印嵌入，重构获得含水印图像；提取水印的方法是采用Cauchy分布概率密度函数对含水印的差值子带进行统计模型建模，得到形状参数
Figure 311604DEST_PATH_IMAGE037
和位置参数，利用样本分位数估计方法对含水印的差值子带系数进行参数估计；最后，根据决策准则，构造局部最优LMP检测器和Rao检测器，并利用决策阈值判断水印是否存在。实验结果表明，本发明的方法通过分析尺度间的父子相关性，以差值子带作为水印嵌入的载体，既保证水印的不可感知性，又增强了鲁棒性。
同现有技术对比，本发明具有以下有益效果：
第一，阐明了一种通过非下采样Contourlet变换选择差值子带建模的统计模型水印方法，通过充分利用尺度间父子相关性及方向间系数相关性，选择最优子带作为水印嵌入的载体，既保证水印信息的不可见性，又大大提升了鲁棒性；
第二，通过分析差值子带系数特性，将Cauchy分布作为系数建模的最优选择，有利于提升水印的检测精度；
第三，利用样本分位数估计方法，能够更准确的分析系数间的分布特性，在提升检测性能的同时减少了算法的时间复杂度；
第四，考虑到实际数据的分布特性，结合非下采样Contourlet变换域构造适合的非线性相关检测器，使检测性能大大提升。
附图说明
图1为本发明实施例验证差值子带的非高斯性结果图。
图2为本发明实施例差值子带PDF拟合结果图。
图3为本发明实施例灰度图像嵌入1024位水印的含水印结果图。
图4为本发明实施例灰度图像含1024位水印图与原图像50倍差值结果图。
图5为本发明实施例在不同WDR下检测率比较分析图。
图6为本发明实施例在各种攻击下水印检测率分析图。
图7为本发明实施例检测方法中水印嵌入的流程图。
图8为本发明实施例检测方法中水印提取的流程图。
具体实施方式
本发明的基于鲁棒差值的数字图像水印检测方法包括水印嵌入及水印提取。
约定：L表示利用NSPFB滤波器分解得到的低频子带、H代表高频子带；
Figure 980483DEST_PATH_IMAGE001
指位于第
Figure 911530DEST_PATH_IMAGE002
尺度的第
Figure 869121DEST_PATH_IMAGE003
方向的频带；
Figure 871712DEST_PATH_IMAGE004
表示父系数子带；
Figure 880251DEST_PATH_IMAGE005
表示子系数子带；x，y分别为矩阵的横纵坐标；
Figure 513358DEST_PATH_IMAGE006
表示未嵌入水印前的变换系数；
Figure 427087DEST_PATH_IMAGE007
表示含水印的差值子带系数；
Figure 967790DEST_PATH_IMAGE008
表示嵌入强度；
Figure 63791DEST_PATH_IMAGE009
表示选择的熵值排名前
Figure 398957DEST_PATH_IMAGE010
的熵块；
Figure 862299DEST_PATH_IMAGE011
表示包含同等概率的{-1, +1}的水印伪随机序列；
Figure 675534DEST_PATH_IMAGE012
表示Cauchy分布的形状参数；
Figure 587559DEST_PATH_IMAGE013
表示Cauchy分布的位置参数；I表示宿主图像；II指含水印图像；
Figure 93627DEST_PATH_IMAGE014
表示含水印差值子带前
Figure 44265DEST_PATH_IMAGE010
块中每块的最大系数；
Figure 395612DEST_PATH_IMAGE015
表示嵌入水印的系数个数；
Figure 748096DEST_PATH_IMAGE016
指需要检测的图像没有嵌入水印；
Figure 346437DEST_PATH_IMAGE017
指待检测图像嵌入了水印；
Figure 253213DEST_PATH_IMAGE018
为决策阈值；
水印嵌入如图7所示，按照如下步骤进行：
a. 初始设置
获取宿主图像I并初始化变量；
b. 水印嵌入
b.1 非下采样Contourlet变换
宿主图像I进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个L和若干个H，设置变换参数为[2 2]， 即H分解为两个尺度，分别为第一尺度4个方向与第二尺度4个方向，每幅图像共得到8个H，每个H都是大小相同的矩阵；
b.2 能量最大差值子带
根据尺度之间的父子相关性，将同一个方向下两个尺度相减，即第二尺度对应的父系数和第一尺度对应子系数做差，得到差值子带
Figure 939409DEST_PATH_IMAGE019
：
Figure 880820DEST_PATH_IMAGE020
；
选择能量最高的差值子带当作载体进行水印嵌入，差值子带能量的表达式如下：
Figure 463111DEST_PATH_IMAGE021
；
b.3 乘性嵌入
对能量最大的差值子带实行不重叠分块，每块尺寸为
Figure 388342DEST_PATH_IMAGE022
，计算每块的熵值，按熵值由高至低进行排序，选择排在前L块的熵块进行水印嵌入；
对每块嵌入相应的1bit水印信息(1或-1)，记录嵌入位置，利用乘性法则进行水印信息的嵌入：
Figure 35486DEST_PATH_IMAGE023
；
b.4 重构得到含水印图像
将含水印的系数与筛选的差值子带做差，得到嵌入的水印系数，将水印系数乘以
Figure 831404DEST_PATH_IMAGE024
，分别与
Figure 115755DEST_PATH_IMAGE004
相加、与
Figure 997123DEST_PATH_IMAGE005
相减，获得含水印的
Figure 946493DEST_PATH_IMAGE004
与
Figure 128076DEST_PATH_IMAGE005
，然后与其他子带合并进行逆非下采样Contourlet变换，将前L块依次嵌入水印，最终得到含水印图像II。
水印提取如图8所示，按照如下步骤进行：
c. 构造检测器
c.1非下采样Contourlet变换
对含水印图像II进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个L和若干个H，设置分解参数为[2 2]， 即H分解为两个尺度，分别为4个方向和4个方向；
c.2能量最大差值子带
选择和水印嵌入流程相同的能量最高的差值子带，并找到嵌入水印时记录的前L块位置，选择每块中系数的最大值，即用L位水印系数来构造检测器；
c.3 Cauchy统计模型建模
对含水印的差值子带系数采用Cauchy分布概率密度函数进行统计建模，假设随机变量x服从柯西分布，则概率密度函数P可表示如下：
Figure 52170DEST_PATH_IMAGE025
；
其中：
Figure 686413DEST_PATH_IMAGE026
c.4样本分位数估计
利用样本分位数估计方法对L位水印系数进行参数估计，将双参数的Cauchy分布函数记为
Figure 469168DEST_PATH_IMAGE027
，服从Cauchy概率密度函数的随机变量为
Figure 505257DEST_PATH_IMAGE028
，则
Figure 803515DEST_PATH_IMAGE029
的累计分布函数
Figure 393896DEST_PATH_IMAGE030
可表达为如下形式：
Figure 763697DEST_PATH_IMAGE031
；
其中：
Figure 903561DEST_PATH_IMAGE032
分别求出
Figure 372719DEST_PATH_IMAGE033
时的中位点与
Figure 981555DEST_PATH_IMAGE034
时的分位点，获得
Figure 358310DEST_PATH_IMAGE012
与
Figure 854144DEST_PATH_IMAGE013
的估计值，将得到的参数估计值作为含水印图像II的特征向量，以待构造检测器使用；
d. 构造LMP及Rao检测器
把水印检测看作是二元假设检验问题，利用统计决策准则，构造基于Cauchy分布的局部最优LMP检测器，决策公式表示如下：
Figure 822100DEST_PATH_IMAGE035
；
根据统计决策准则，构造基于Cauchy分布的Rao检测器，决策公式表示如下：
Figure 387074DEST_PATH_IMAGE036
；
e. 决策阈值判断
根据决策公式判断图像是否存在水印，是，结束；否，返回a步骤。
实验测试和参数设置：
实验操作环境为MATLAB R2011a，实验涉及到的灰度图像尺寸均为512×512，可从以下站点下载：http://decsai.ugr.es/cvg/dbimagenes/index.php。
图1为本发明实施例验证差值子带的非高斯性结果图。
图2为本发明实施例差值子带PDF拟合结果图。
图3为本发明实施例灰度图像嵌入1024位水印的含水印结果图。
图4为本发明实施例灰度图像含1024位水印图与原图像50倍差值结果图。
图5为本发明实施例在不同WDR下检测率比较分析图。
图6为本发明实施例在各种攻击下水印检测率分析图。
实验结果表明：本发明的方法通过分析尺度间的父子相关性，以差值子带作为水印嵌入的载体，既保证水印的不可感知性，又增强了鲁棒性。

Claims (1)

1.一种基于鲁棒差值的数字图像水印检测方法，有水印嵌入及水印提取，其特征在于：
约定：LF表示利用NSPFB滤波器分解得到的低频子带、HF代表高频子带；Yk,j指位于第k尺度的第j方向的频带；Fk,j表示父系数子带；Sk,j表示子系数子带；x，y分别为矩阵的横纵坐标；xi表示未嵌入水印前的变换系数；x′i表示含水印的差值子带系数；λ表示嵌入强度；Bl表示选择的熵值排名前L的熵块；wl表示包含同等概率的{-1,+1}的水印伪随机序列；γ表示Cauchy分布的形状参数；δ表示Cauchy分布的位置参数；I表示宿主图像；II指含水印图像；yi表示含水印差值子带前L块中每块的最大系数；N表示嵌入水印的系数个数；H0指需要检测的图像没有嵌入水印；H1指待检测图像嵌入了水印；η为决策阈值；
所述水印嵌入按照如下步骤进行：
a.初始设置
获取宿主图像I并初始化变量；
b.水印嵌入
b.1非下采样Contourlet变换
宿主图像I进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个LF和若干个HF，设置变换参数为[2 2]，即HF分解为两个尺度，分别为第一尺度4个方向与第二尺度4个方向，每幅图像共得到8个HF，每个HF都是大小相同的矩阵；
b.2能量最大差值子带
根据尺度之间的父子相关性，将同一个方向下两个尺度相减，即第二尺度对应的父系数和第一尺度对应子系数做差，得到差值子带Dk,j：
Dk,j[x,y]＝Fk,j[x,y]-Sk,j[x,y]；
选择能量最高的差值子带当作载体进行水印嵌入，差值子带能量的表达式如下：
Figure FDA0002749418830000011
b.3乘性嵌入
对能量最大的差值子带实行不重叠分块，每块尺寸为N×N，计算每块的熵值，按熵值由高至低进行排序，选择排在前L块的熵块进行水印嵌入；
对每块嵌入相应的1bit水印信息(1或-1)，记录嵌入位置，利用乘性法则进行水印信息的嵌入：
Figure FDA0002749418830000021
b.4重构得到含水印图像
将含水印的系数与筛选的差值子带做差，得到嵌入的水印系数，将水印系数乘以
Figure FDA0002749418830000023
分别与Fk,j相加、与Sk,j相减，获得含水印的Fk,j与Sk,j，然后与其他子带合并进行逆非下采样Contourlet变换，将前L块依次嵌入水印，最终得到含水印图像II；
所述水印提取按照如下步骤进行：
c.构造检测器
c.1非下采样Contourlet变换
对含水印图像II进行二级非下采样Contourlet变换，利用NSPFB滤波器分解得到1个LF和若干个HF，设置分解参数为[2 2]，即HF分解为两个尺度，分别为第一尺度4个方向和第二尺度4个方向；
c.2能量最大差值子带
选择和水印嵌入流程相同的能量最高的差值子带，并找到嵌入水印时记录的前L块位置，选择每块中系数的最大值，即用L位水印系数来构造检测器；
c.3 Cauchy统计模型建模
对含水印的差值子带系数采用Cauchy分布概率密度函数进行统计建模，假设随机变量x服从柯西分布，则概率密度函数P可表示如下：
Figure FDA0002749418830000022
其中：-∞<x<∞；-∞<δ<∞；γ>0；
c.4样本分位数估计
利用样本分位数估计方法对L位水印系数进行参数估计，将双参数的Cauchy分布函数记为Cauchy(γ,δ)，服从Cauchy概率密度函数的随机变量为ξ～Cauchy(γ,δ)，则ξ的累计分布函数F(x)可表达为如下形式：
Figure FDA0002749418830000031
其中：-∞<x<+∞；-∞<γ<+∞；δ>0；
分别求出
Figure FDA0002749418830000032
时的中位点与
Figure FDA0002749418830000033
时的分位点，获得γ与δ的估计值，将得到的参数估计值作为含水印图像II的特征向量，以待构造检测器使用；
d.构造LMP及Rao检测器
把水印检测看作是二元假设检验问题，利用统计决策准则，构造基于Cauchy分布的局部最优LMP检测器，决策公式表示如下：
H0:yi＝xi
H1:yi＝xi(1+λ·wl)
Figure FDA0002749418830000034
根据统计决策准则，构造基于Cauchy分布的Rao检测器，决策公式表示如下：
H0:λ＝0,γ
H1:λ≠0,γ
Figure FDA0002749418830000035
e.决策阈值判断
根据决策公式判断图像是否存在水印，是，结束；否，返回a步骤。
CN201711365763.6A 2017-12-18 2017-12-18 基于鲁棒差值的数字图像水印检测方法 Expired - Fee Related CN107918924B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711365763.6A CN107918924B (zh) 2017-12-18 2017-12-18 基于鲁棒差值的数字图像水印检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711365763.6A CN107918924B (zh) 2017-12-18 2017-12-18 基于鲁棒差值的数字图像水印检测方法

Publications (2)

Publication Number Publication Date
CN107918924A CN107918924A (zh) 2018-04-17
CN107918924B true CN107918924B (zh) 2021-03-30

Family

ID=61893478

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711365763.6A Expired - Fee Related CN107918924B (zh) 2017-12-18 2017-12-18 基于鲁棒差值的数字图像水印检测方法

Country Status (1)

Country Link
CN (1) CN107918924B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109727177B (zh) * 2018-12-27 2023-05-23 辽宁师范大学 基于稳定差值多相关柯西边缘分布的数字水印嵌入及提取方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104205865A (zh) * 2012-03-29 2014-12-10 阿尔卡特朗讯公司 用于认证视频内容的方法和装置
CN105632506A (zh) * 2015-12-28 2016-06-01 辽宁师范大学 基于极谐变换的鲁棒数字音频水印嵌入及检测方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104205865A (zh) * 2012-03-29 2014-12-10 阿尔卡特朗讯公司 用于认证视频内容的方法和装置
CN105632506A (zh) * 2015-12-28 2016-06-01 辽宁师范大学 基于极谐变换的鲁棒数字音频水印嵌入及检测方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
《NSCT Domain Additive Watermark Detection Using RAO Hypothesis Test and Cauchy Distribution》;Hongbo Bi 等;《MATHEMATICAL PROBLEMS IN ENGINEERING》;20161231;第2016卷;全文 *
《一种基于脊波域的扩频水印盲检测方法》;朱银芳;《计算机应用与软件》;20130531;第30卷(第5期);全文 *
《基于 NSCT 的自适应乘性水印局部最优非线性盲检测算法》;叶建兵 等;《图学学报》;20160630;第37卷(第3期);全文 *
《性能优越的混合域数字音频盲水印算法》;王向阳 等;《通信学报》;20070228;第28卷(第2期);全文 *

Also Published As

Publication number Publication date
CN107918924A (zh) 2018-04-17

Similar Documents

Publication Publication Date Title
CN106023056B (zh) 基于dwt和主成分分析压缩的零水印嵌入、提取方法及装置
Gou et al. Noise features for image tampering detection and steganalysis
Khan et al. Genetic perceptual shaping: Utilizing cover image and conceivable attack information during watermark embedding
Ramanjaneyulu et al. Wavelet-based oblivious image watermarking scheme using genetic algorithm
Sadreazami et al. A robust multiplicative watermark detector for color images in sparse domain
CN102063907A (zh) 一种针对音频扩频隐写的隐写分析方法
Surekha et al. Implementation of genetic algorithm for a dwt based image watermarking scheme
Mehta et al. A hybrid semi-blind gray scale image watermarking algorithm based on DWT-SVD using human visual system model
Khare et al. Digital image watermarking scheme in wavelet domain using chaotic encryption
CN102930498B (zh) 一种基于提升小波的数字水印嵌入及提取方法
Mehta et al. Lagrangian support vector regression based image watermarking in wavelet domain
CN107918924B (zh) 基于鲁棒差值的数字图像水印检测方法
Zhong et al. An enhanced multiplicative spread spectrum watermarking scheme
Wang et al. Contourlet domain locally optimum image watermark decoder using Cauchy mixtures based vector HMT model
Mungmode et al. A modified high frequency adaptive security approach using steganography for region selection based on threshold value
Amini et al. A new blind wavelet domain watermark detector using hidden Markov model
Jana et al. A Secured Reversible Data Hiding Technique for Multiple Secrets using Image Interpolation with Bit Reversal Permutation
CN109727177B (zh) 基于稳定差值多相关柯西边缘分布的数字水印嵌入及提取方法
Jha et al. Improving watermark detection performance using suprathreshold stochastic resonance
Singh et al. Robust image steganography technique based on redundant discrete wavelet transform
CN108062957B (zh) 基于稳健局部特征的强鲁棒数字水印检测方法
Bhattacharyya et al. Steganalysis of LSB image steganography using multiple regression and auto regressive (AR) model
Taherinia et al. A robust spread spectrum watermarking method using two levels DCT
CN109712059B (zh) 基于多尺度联合统计建模的数字水印检测方法
Motwani et al. Wavelet based fuzzy perceptual mask for images

Legal Events

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

Granted publication date: 20210330

Termination date: 20211218