CN107945097A - 基于联合统计模型校正的鲁棒图像水印方法 - Google Patents

Abstract

本发明公开了一种基于联合统计模型校正的鲁棒图像水印方法，首先在宿主图像PDTDFB变换的低频子带中嵌入水印；其次，提取待检测图像经PDTDFB变换后的高频子带系数的幅值矩阵和相对相位矩阵，利用Weibull分布概率密度函数和Vonn分布概率密度函数联合统计模型对系数的幅值矩阵和相对相位矩阵进行建模，选取建模所得到的形状参数和尺度参数作为训练样本图像的特征向量，再对样本进行训练学习，得到LS‑SVR训练模型；然后，计算待检测含水印图像几何校正的数学模型，利用得到的LS‑SVR训练模型确定模型参数进行几何校正；最后，从经过校正的含水印图像中提取水印。

Description

基于联合统计模型校正的鲁棒图像水印方法

技术领域

本发明属于数字图像的版权保护技术领域，涉及基于几何校正的图像水印方法，特别涉及一种基于联合统计模型校正的鲁棒图像水印方法。

背景技术

凭借因特网的便捷性与广泛性，数字多媒体应用已取得了惊人的发展，人们可以方便地使用网络下载和发布各式各样的多媒体资源，极大地促进了相关技术的发展。但是，随之带来的多媒体安全问题也成为了人们关注热点，一些人在未经过数字媒体所属者同意的前提下非法使用、篡改与传播这些数字媒体，并从中谋利。数字图像水印技术作为信息安全领域的重要研究方向，为解决图像信息安全危机提供了一种有效的手段，具有非常大的研究和应用价值。

数字图像水印的基本原理是将版权信息、产品标识以及购买者的信息等数据嵌入隐藏在数字图像产品中，以实现对产品所有者的版权保护。利用人类视觉感知特性，嵌入的水印信息应在保证载体图像质量的前提下，能够经受攻击而不被清除，需要时可以通过特定提取方法完成对数字产品版权的鉴别。对于图像数字水印技术而言，需要具有以下三个基本特点：不可见性、鲁棒性、水印容量。一般来说三者的关系是互相矛盾的，实际应用中三者不能同时达到最优，根据需要取得折中。其中，不可见性和鲁棒性是衡量水印方法最重要的评价指标，为实现这两个基本特点，需要图像水印技术在实施版权保护时既要保证不影响原始载体图像的视觉效果，又要保证载体图像受到攻击后仍然可以把水印信息较好地提取出来。特别是作为知识产权保障的有力手段，数字图像水印必然会遭受各种各样的攻击，因此，鲁棒性在其中扮演了重要的角色，已成为图像水印技术的重要研究内容。

近几年，陆续提出了一系列针对性很强的数字图像水印检测方法，遗憾的是，现有绝大多数鲁棒性图像水印检测方法只针对抗常规信号处理（如噪声干扰、低通滤波、有损压缩等），而对诸如剪切、旋转、缩放、平移等几何攻击的抵抗效果较差。

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，提出了一种能同时抵抗常规信号处理和一般性几何攻击的基于联合统计模型校正的鲁棒图像水印方法。

本发明的技术解决方案是：一种基于联合统计模型校正的鲁棒图像水印方法，其特征在于按如下步骤进行：

约定：I指宿主图像；b为二值水印图像，大小为；表示嵌入水印像素值；表示低频子带系数；H代表高频子带系数；表示待嵌入水印系数；m为量化步长；表示含水印图像；表示经过校正后的含水印图像；表示提取出的水印像素值；

a.初始设置

获取宿主图像I并初始化设置；

b. 水印嵌入

b.1 将宿主图像I进行二级PDTDFB变换得到1个和若干个H，设置分解参数为[23]；

b.2 对进行分块处理，每块大小为；

b.3 利用量化方法进行水印信息的嵌入，修改每个子块中待嵌入水印系数为：

；

b.4 将修改后低频系数与高频系数合并，逆PDTDFB变换后得到含水印图像；

c. 几何校正

c.1 选取待检测图像进行旋转、缩放、X轴平移、Y轴平移攻击后的各50幅图像，作为训练样本集；

c.2 对每幅训练样本图像进行二级PDTDBFB变换，得到高频子带系数的幅值矩阵和相对相位矩阵；

c.3 对系数幅值矩阵采用Weibull分布概率密度函数进行统计建模，对系数相对相位矩阵采用Vonn分布概率密度函数进行统计建模；

c.4 选取前期建模得到的尺度参数和形状参数作为训练样本图像的特征向量，得到LS-SVR训练模型；

c.5 计算待测含水印图像几何校正的数学模型，利用得到的LS-SVR训练模型确定模型参数；

c.6 利用模型参数对图像进行几何校正，用灰度内插法确定像素值，得到校正的含水印图像；

d. 水印提取

d.1 对经过校正的含水印图像进行二级PDTDFB变换；

d.2 对进行分块处理，每块大小为；

d.3 利用量化方法提取水印，按位提取过程为：

d.4 按照水印图像对应位置，对进行投票选取，即可得到最终的二值水印图像。

本发明首先在宿主图像PDTDFB变换的低频子带中嵌入水印；其次，提取待检测图像经PDTDFB变换后的高频子带系数的幅值矩阵和相对相位矩阵，利用Weibull分布概率密度函数和Vonn分布概率密度函数联合统计模型对系数的幅值矩阵和相对相位矩阵进行建模，选取建模所得到的形状参数和尺度参数作为训练样本图像的特征向量，再对样本进行旋转、缩放、平移等几何变换参数的训练学习，得到LS-SVR训练模型；然后，计算待检测含水印图像几何校正的数学模型，利用得到的LS-SVR训练模型确定模型参数进行几何校正；最后，从经过校正的含水印图像中提取水印。实验结果表明，本发明的方法不仅具有较好的不可见性，而且对常规攻击和一般性几何攻击均具有高度鲁棒性。

与现有技术相比，本发明具有以下有益效果：

第一，由于LS-SVR分类性能较好并且PDTDFB变换的相对相位信息可有效刻画与描述图像特征，因此在常规攻击和一般性几何攻击下，提高了该方法的鲁棒性；

第二，利用Weibull分布概率密度函数和Vonn分布概率密度函数联合统计模型对系数的幅值和相对相位进行建模，并进一步选取建模所得到的形状参数和尺度参数作为训练样本图像的特征向量，提高了LS-SVR训练模型的精度。

附图说明

图1为本发明实施例嵌入二值水印的含水印结果图。

图2为本发明实施例嵌入水印后与原图像的10倍差值结果图。

图3为本发明实施例不可见性（峰值信噪比）与量化步长关系结果图。

图4为本发明实施例鲁棒性测试结果图。

图5为本发明实施例的流程图。

具体实施方式

本发明的方法共包括三个阶段：水印嵌入、几何校正、水印提取。

约定：I指宿主图像；b为二值水印图像，大小为；表示嵌入水印像素值；表示低频子带系数；H代表高频子带系数；表示待嵌入水印系数；m为量化步长；表示含水印图像；表示经过校正后的含水印图像；表示提取出的水印像素值；

具体步骤如图5所示：

a.初始设置

获取宿主图像I并初始化设置；

b. 水印嵌入

b.1 将宿主图像I进行二级PDTDFB变换得到1个和若干个H，设置分解参数为[23]；

b.2 对进行分块处理，每块大小为；

b.3 利用量化方法进行水印信息的嵌入，修改每个子块中待嵌入水印系数为：

；

b.4 将修改后低频系数与高频系数合并，逆PDTDFB变换后得到含水印图像；

c. 几何校正

c.1 选取待检测图像进行旋转、缩放、X轴平移、Y轴平移攻击后的各50幅图像，作为训练样本集；

c.2 对每幅训练样本图像进行二级PDTDBFB变换，得到高频子带系数的幅值矩阵和相对相位矩阵；

c.3 对系数幅值矩阵采用Weibull分布概率密度函数进行统计建模，对系数相对相位矩阵采用Vonn分布概率密度函数进行统计建模；

c.4 选取前期建模得到的尺度参数和形状参数作为训练样本图像的特征向量，得到LS-SVR训练模型；

c.5 计算待测含水印图像几何校正的数学模型，利用得到的LS-SVR训练模型确定模型参数；

c.6 利用模型参数对图像进行几何校正，用灰度内插法确定像素值，得到校正的含水印图像；

d. 水印提取

d.1 对经过校正的含水印图像进行二级PDTDFB变换；

d.2 对进行分块处理，每块大小为；

d.3 利用量化方法提取水印，按位提取过程为：

d.4 按照水印图像对应位置，对进行投票选取，即可得到最终的二值水印图像。

实验测试和参数设置：

实验在MATLAB R2010b平台上执行，所涉及到的均是尺寸为512×512的灰度图像，可从以下站点进行下载：http://decsai.ugr.es/cvg/dbimagenes/index.php。

图1为本发明实施例嵌入二值水印的含水印结果图。

图2为本发明实施例嵌入水印后与原图像的10倍差值结果图。

图3为本发明实施例不可见性（峰值信噪比）与量化步长关系结果图。

图4为本发明实施例鲁棒性测试结果图。

实验结果表明，本发明的方法不仅具有较好的不可见性，而且对常规攻击和一般性几何攻击均具有高度鲁棒性。

Claims (1)

1.一种基于联合统计模型校正的鲁棒图像水印方法，其特征在于按照如下步骤进行：

约定：I指宿主图像；b为二值水印图像，大小为；表示嵌入水印像素值；表示低频子带系数；H代表高频子带系数；表示待嵌入水印系数；m为量化步长；表示含水印图像；表示经过校正后的含水印图像；表示提取出的水印像素值；

a. 初始设置

获取宿主图像I并初始化设置；

b. 水印嵌入

b.1 将宿主图像I进行二级PDTDFB变换得到1个和若干个H，设置分解参数为[23]；

b.2 对进行分块处理，每块大小为；

b.3 利用量化方法进行水印信息的嵌入，修改每个子块中待嵌入水印系数为：

；

b.4 将修改后低频系数与高频系数合并，逆PDTDFB变换后得到含水印图像；

c. 几何校正

c.1 选取待检测图像进行旋转、缩放、X轴平移、Y轴平移攻击后的各50幅图像，作为训练样本集；

c.2 对每幅训练样本图像进行二级PDTDBFB变换，得到高频子带系数的幅值矩阵和相对相位矩阵；

c.3 对系数幅值矩阵采用Weibull分布概率密度函数进行统计建模，对系数相对相位矩阵采用Vonn分布概率密度函数进行统计建模；

c.4 选取前期建模得到的尺度参数和形状参数作为训练样本图像的特征向量，得到LS-SVR训练模型；

c.5 计算待测含水印图像几何校正的数学模型，利用得到的LS-SVR训练模型确定模型参数；

c.6 利用模型参数对图像进行几何校正，用灰度内插法确定像素值，得到校正的含水印图像；

d. 水印提取

d.1 对经过校正的含水印图像进行二级PDTDFB变换；

d.2 对进行分块处理，每块大小为；

d.3 利用量化方法提取水印，按位提取过程为：

d.4 按照水印图像对应位置，对进行投票选取，即可得到最终的二值水印图像。