CN108053360B - 基于多相关hmt模型的数字图像水印检测方法 - Google Patents

基于多相关hmt模型的数字图像水印检测方法 Download PDF

Info

Publication number
CN108053360B
CN108053360B CN201711365725.0A CN201711365725A CN108053360B CN 108053360 B CN108053360 B CN 108053360B CN 201711365725 A CN201711365725 A CN 201711365725A CN 108053360 B CN108053360 B CN 108053360B
Authority
CN
China
Prior art keywords
watermark
sub
embedding
band
nsst
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
CN201711365725.0A
Other languages
English (en)
Other versions
CN108053360A (zh
Inventor
杨红颖
徐欢
牛盼盼
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 CN201711365725.0A priority Critical patent/CN108053360B/zh
Publication of CN108053360A publication Critical patent/CN108053360A/zh
Application granted granted Critical
Publication of CN108053360B publication Critical patent/CN108053360B/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

本发明公开一种基于多相关HMT模型的数字图像水印嵌入及提取方法，首先选取宿主图像能量最大的NSST域子带作为水印嵌入的最优子带，通过乘性嵌入方式对其系数进行修改，并将修改后系数的子带和其他子带合并进行NSST重构获得具有含水印图像；选取含水印图像能量最大的NSST域子带中的高熵块并使用BKF‑VB‑HMM对其系数进行建模，利用子带内、尺度间、尺度内方向间系数相关性估计模型的参数；最后，利用最大似然检验方法设计出最优检测器检测每个高熵块嵌入的具体水印信息，并按顺序排序获得最终的水印序列。

Description

基于多相关HMT模型的数字图像水印检测方法
技术领域
本发明涉及基于统计模型的数字图像水印方法，特别涉及一种基于多相关HMT模型的数字图像水印检测方法。
背景技术
当今社会，信息技术发展迅速，互联网文化在人们的日常生活中处处可见，图像版权的损害及非法拷贝与传播促使人们急需最佳的数字图像水印技术来解决图像信息安全危机。现有基于统计模型的水印方法，多采用小波、轮廓波等变换，不能很好地捕获二维图像的重要信息和特征，而且往往采用一种相关性来对系数建立模型，故模型不精确，检测的可信度不高。
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，提供一种基于多相关HMT模型的数字图像水印检测方法。
本发明的技术解决方案是：一种基于多相关HMT模型的数字图像水印嵌入方法，包括水印嵌入及水印提取，其特征在于：
约定：Q指宿主图像；
Figure DEST_PATH_IMAGE001
指非下采样剪切波变换（NSST）第Y尺度下第Z个方向的子带；s表示NSST域能量最大子带；s1、s2表示s的两个孩子子带；t表示s的相邻子带；s*表示含水印NSST域能量最大子带；
Figure DEST_PATH_IMAGE002
表示长度为K的二值水印序列；
Figure DEST_PATH_IMAGE003
表示从最大能量子带选出的K个高熵块；
Figure DEST_PATH_IMAGE004
表示每个高熵块中的系数；
Figure DEST_PATH_IMAGE005
指每个高熵块中含水印系数；F表示每个高熵块中用于水印嵌入的系数集合；
Figure DEST_PATH_IMAGE006
为含水印图像；
Figure DEST_PATH_IMAGE007
为状态转移概率；M为状态数；
Figure DEST_PATH_IMAGE008
为位置参数；
Figure DEST_PATH_IMAGE009
为尺度参数；
Figure DEST_PATH_IMAGE010
为协方差矩阵；
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Q并初始化变量；
b. 水印嵌入
b.1 NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure DEST_PATH_IMAGE011
构造出两种乘性嵌入强度函数用于嵌入水印位“1”或“0”：
Figure DEST_PATH_IMAGE012
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取
Figure 194864DEST_PATH_IMAGE003
；
b.3 利用乘性方式嵌入水印
修改
Figure 562392DEST_PATH_IMAGE004
得到
Figure 990968DEST_PATH_IMAGE005
：
Figure DEST_PATH_IMAGE013
b.4 NSST重构
将
Figure 187463DEST_PATH_IMAGE001
集合并实行NSST重构获取含水印图像
Figure 768617DEST_PATH_IMAGE006
；
所述水印提取按如下步骤进行：
a. 初始设置
获取含水印图像
Figure 290734DEST_PATH_IMAGE006
并初始化变量；
b.1 NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure DEST_PATH_IMAGE014
构造出两种乘性嵌入强度函数用于提取水印位“1”或“0”：
Figure DEST_PATH_IMAGE015
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取
Figure 285235DEST_PATH_IMAGE003
；
c. BKF-VB-HMM参数估计
c.1 通过卡丹公式分别求得两种嵌入强度函数
Figure DEST_PATH_IMAGE016
的反函数
Figure DEST_PATH_IMAGE017
；
c.2 分别计算每一个高熵块中在嵌入水印“1”和嵌入水印“0”两种假设下的BKF-VB-HMM分布概率
Figure DEST_PATH_IMAGE018
和
Figure DEST_PATH_IMAGE019
：
Figure DEST_PATH_IMAGE020
d. 构造最大似然检测器进行水印提取
d.1 利用s*估计
Figure 534688DEST_PATH_IMAGE008
和
Figure 219616DEST_PATH_IMAGE009
，s、s1、s2系数来估计
Figure 928946DEST_PATH_IMAGE007
，s和t估计
Figure 800956DEST_PATH_IMAGE010
，将以上5个参数用形式化五元组
Figure DEST_PATH_IMAGE021
表示为：
Figure DEST_PATH_IMAGE022
d.2 利用ML决策构造最优检测器提取具体水印位：
Figure DEST_PATH_IMAGE023
则NSST系数中的第
Figure DEST_PATH_IMAGE024
个信息位可以按如下公式提取：
Figure DEST_PATH_IMAGE025
d.3 对每个高熵块检测到的水印排序，获得最终的水印序列。
本发明首先选取宿主图像能量最大的NSST域子带作为水印嵌入的最优子带，通过乘性嵌入方式对其系数进行修改，并将修改后系数的子带和其他子带合并进行NSST重构获得具有含水印图像；提取水印的方法是选取含水印图像能量最大的NSST域子带中的高熵块并使用BKF-VB-HMM对其系数进行建模，利用子带内、尺度间、尺度内方向间系数相关性估计模型的参数；最后，利用最大似然检验方法设计出最优检测器检测每个高熵块嵌入的具体水印信息，并按顺序排序获得最终的水印序列。实验结果表明，本发明的方法由于利用多相关的HMT构造出更精确的模型，有效地提高了检测精度，同时还保持了鲁棒性和不可见性的良好平衡。
与现有技术相比，本发明具有以下有益效果：
第一，采用非下采样Shearlet变换（NSST），其具有多分辨率、多尺度和各向异性等性质，能够很好地捕获二维图像的重要信息和特征；
第二，采用乘性水印嵌入方法更加符合HVS特性，使嵌入强度随着载体信号强弱成比例的变化，增强算法的鲁棒性；
第三，BKF-VB-HMM模型能够更加准确地描述与捕获子带的边缘分布以及NSST域中的尺度内、尺度间、方向间系数的依赖关系，利用多种相关性进行参数估计，提高了模型的检测精度。
附图说明
图1为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入128位水印的含水印结果图。
图2为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入256位水印的含水印结果图。
图3为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入128位水印后与原图像的10倍差值结果图。
图4为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入256位水印后与原图像的10倍差值结果图。
图5为本发明实施例不可见性（峰值信噪比）与水印容量关系结果图。
图6为本发明实施例鲁棒性测试结果图。
图7为本发明实施例水印嵌入的流程图。
图8为本发明实施例水印提取的流程图。
具体实施方式
本发明的基于多相关HMT模型的数字图像水印检测方法：
约定：Q指宿主图像；
Figure 339254DEST_PATH_IMAGE001
指非下采样剪切波变换（NSST）第Y尺度下第Z个方向的子带；s表示NSST域能量最大子带；s1、s2表示s的两个孩子子带；t表示s的相邻子带；s*表示含水印NSST域能量最大子带；
Figure 890407DEST_PATH_IMAGE002
表示长度为K的二值水印序列；
Figure 770639DEST_PATH_IMAGE003
表示从最大能量子带选出的K个高熵块；
Figure 395524DEST_PATH_IMAGE004
表示每个高熵块中的系数；
Figure 753824DEST_PATH_IMAGE005
指每个高熵块中含水印系数；F表示每个高熵块中用于水印嵌入的系数集合；
Figure 413344DEST_PATH_IMAGE006
为含水印图像；
Figure 464477DEST_PATH_IMAGE007
为状态转移概率；M为状态数；
Figure 842238DEST_PATH_IMAGE008
为位置参数；
Figure 4229DEST_PATH_IMAGE009
为尺度参数；
Figure 783835DEST_PATH_IMAGE010
为协方差矩阵；
水印嵌入如图7所示，按如下步骤进行：
a. 初始设置
获取宿主图像Q并初始化变量；
b. 水印嵌入
b.1 NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure 5869DEST_PATH_IMAGE011
构造出两种乘性嵌入强度函数用于嵌入水印位“1”或“0”：
Figure 605346DEST_PATH_IMAGE012
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取
Figure 571028DEST_PATH_IMAGE003
；
b.3 利用乘性方式嵌入水印
修改
Figure 939561DEST_PATH_IMAGE004
得到
Figure 270180DEST_PATH_IMAGE005
：
Figure 356953DEST_PATH_IMAGE013
b.4 NSST重构
将
Figure 391905DEST_PATH_IMAGE001
集合并实行NSST重构获取含水印图像
Figure 880524DEST_PATH_IMAGE006
；
水印提取如图8所示，按如下步骤进行：
a. 初始设置
获取含水印图像
Figure 178782DEST_PATH_IMAGE006
并初始化变量；
b.1 NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure 752851DEST_PATH_IMAGE014
构造出两种乘性嵌入强度函数用于提取水印位“1”或“0”：
Figure 60336DEST_PATH_IMAGE015
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取
Figure 685352DEST_PATH_IMAGE003
；
c. BKF-VB-HMM参数估计
c.1 通过卡丹公式分别求得两种嵌入强度函数
Figure 669358DEST_PATH_IMAGE016
的反函数
Figure 215877DEST_PATH_IMAGE017
；
c.2 分别计算每一个高熵块中在嵌入水印“1”和嵌入水印“0”两种假设下的BKF-VB-HMM分布概率
Figure 576320DEST_PATH_IMAGE018
和
Figure 524684DEST_PATH_IMAGE019
：
Figure 210749DEST_PATH_IMAGE020
d. 构造最大似然检测器进行水印提取
d.1 利用s*估计
Figure 244564DEST_PATH_IMAGE008
和
Figure 143119DEST_PATH_IMAGE009
，s、s1、s2系数来估计
Figure 149252DEST_PATH_IMAGE007
，s和t估计
Figure 475060DEST_PATH_IMAGE010
，将以上5个参数用形式化五元组
Figure 996172DEST_PATH_IMAGE021
表示为：
Figure 963996DEST_PATH_IMAGE022
d.2 利用ML决策构造最优检测器提取具体水印位：
Figure 152532DEST_PATH_IMAGE023
则NSST系数中的第
Figure 395381DEST_PATH_IMAGE024
个信息位可以按如下公式提取：
Figure 403788DEST_PATH_IMAGE025
d.3 对每个高熵块检测到的水印排序，获得最终的水印序列。
实验测试和参数设置：
实验是在Matlab R2011a环境下执行的，所涉及到的都是尺寸为512×512的灰度图像，可从以下站点下载：http://decsai.ugr.es/cvg/dbimagenes/index.php。
图1为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入128位水印的含水印结果图。
图2为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入256位水印的含水印结果图。
图3为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入128位水印后与原图像的10倍差值结果图。
图4为本发明实施例在Lena、Barbara、Mandrill三幅图像嵌入256位水印后与原图像的10倍差值结果图。
图5为本发明实施例不可见性（峰值信噪比）与水印容量关系结果图。
图6为本发明实施例鲁棒性测试结果图。
结果表明：本发明的方法由于利用多相关的HMT构造出更精确的模型，有效地提高了检测精度，同时还保持了鲁棒性和不可见性的良好平衡。

Claims (1)

1.一种基于多相关HMT模型的数字图像水印检测方法，包括水印嵌入及水印提取，其特征在于：
约定：Q指宿主图像；EY,Z指NSST第Y尺度下第Z个方向的子带；s表示NSST域能量最大子带；s1、s2表示s的两个孩子子带；t表示s的相邻子带；s*表示含水印NSST域能量最大子带；b表示长度为K的二值水印序列；BlockJ,J＝1,2,...,K表示从最大能量子带选出的K个高熵块；B(i,j)表示每个高熵块中的系数；B*(i,j)指每个高熵块中含水印系数；F表示每个高熵块中用于水印嵌入的系数集合；Qwk为含水印图像；
Figure FDA0002895207000000011
为状态转移概率；M为状态数；
Figure FDA0002895207000000012
为位置参数；
Figure FDA0002895207000000013
为尺度参数；
Figure FDA0002895207000000014
为协方差矩阵；
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Q并初始化变量；
b.水印嵌入
b.1NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure FDA0002895207000000015
构造出两种乘性嵌入强度函数用于嵌入水印位“1”或“0”：
d1＝1.2+10-4.2x2
d0＝0.8+10-5.9x2
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取BlockJ,J＝1,2,...,K；
b.3利用乘性方式嵌入水印
修改B(i,j)得到B*(i,j)：
Figure FDA0002895207000000016
b.4NSST重构
将EY,Z集合并实行NSST重构获取含水印图像Qwk；
所述水印提取按照如下步骤进行：
a.初始设置
获取含水印图像Qwk并初始化变量；
b.1NSST域最大能量子带选取
宿主图像Q进行二级NSST，选取能量最大子带s：
Figure FDA0002895207000000021
构造出两种乘性嵌入强度函数用于提取水印位“1”或“0”：
d1＝1.2+10-4.2x2
d0＝0.8+10-5.9x2
b.2所选子带进行大小相等不重叠分块
将s进行不重叠且大小相等的分块，选取BlockJ,J＝1,2,...,K；
c.BKF-VB-HMM参数估计
c.1通过卡丹公式分别求得两种嵌入强度函数d1、d0的反函数e1、e0；
c.2分别计算每一个高熵块中在嵌入水印“1”和嵌入水印“0”两种假设下的BKF-VB-HMM分布概率H1和H0：
Figure FDA0002895207000000022
Figure FDA0002895207000000023
d.构造最大似然检测器进行水印提取
d.1利用s*估计
Figure FDA0002895207000000024
和
Figure FDA0002895207000000025
s、s1、s2系数来估计
Figure FDA0002895207000000026
s和t估计
Figure FDA0002895207000000027
将以上5个参数用形式化五元组θBKF-VB-HMM表示为：
Figure FDA0002895207000000028
d.2利用ML决策构造最优检测器提取具体水印位：
Figure FDA0002895207000000031
Figure FDA0002895207000000032
则NSST系数中的第k个信息位可以按如下公式提取：
Figure FDA0002895207000000033
d.3对每个高熵块检测到的水印排序，获得最终的水印序列。
CN201711365725.0A 2017-12-18 2017-12-18 基于多相关hmt模型的数字图像水印检测方法 Expired - Fee Related CN108053360B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711365725.0A CN108053360B (zh) 2017-12-18 2017-12-18 基于多相关hmt模型的数字图像水印检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711365725.0A CN108053360B (zh) 2017-12-18 2017-12-18 基于多相关hmt模型的数字图像水印检测方法

Publications (2)

Publication Number Publication Date
CN108053360A CN108053360A (zh) 2018-05-18
CN108053360B true CN108053360B (zh) 2021-06-15

Family

ID=62133690

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711365725.0A Expired - Fee Related CN108053360B (zh) 2017-12-18 2017-12-18 基于多相关hmt模型的数字图像水印检测方法

Country Status (1)

Country Link
CN (1) CN108053360B (zh)

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109740008B (zh) * 2018-12-27 2023-04-14 辽宁师范大学 基于非高斯多相关hmt模型的彩色纹理图像检索方法
CN109712059B (zh) * 2018-12-27 2023-04-14 辽宁师范大学 基于多尺度联合统计建模的数字水印检测方法
CN112017092A (zh) * 2019-05-30 2020-12-01 阿里巴巴集团控股有限公司 水印检测模型的生成和水印检测方法、装置及设备
CN111161125A (zh) * 2020-01-02 2020-05-15 无锡闻泰信息技术有限公司 图像水印嵌入、提取方法、装置、设备和介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076829A (zh) * 2004-12-09 2007-11-21 索尼英国有限公司 基于块加水印
CN105590292A (zh) * 2015-12-28 2016-05-18 辽宁师范大学 基于四元数pht同步校正的彩色图像水印嵌入及检测方法
CN106780281A (zh) * 2016-12-22 2017-05-31 辽宁师范大学 基于柯西统计建模的数字图像水印方法
CN106803229A (zh) * 2016-12-24 2017-06-06 辽宁师范大学 基于相位奇异值校正的图像水印方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6193395B2 (ja) * 2013-11-11 2017-09-06 株式会社東芝 電子透かし検出装置、方法及びプログラム

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101076829A (zh) * 2004-12-09 2007-11-21 索尼英国有限公司 基于块加水印
CN105590292A (zh) * 2015-12-28 2016-05-18 辽宁师范大学 基于四元数pht同步校正的彩色图像水印嵌入及检测方法
CN106780281A (zh) * 2016-12-22 2017-05-31 辽宁师范大学 基于柯西统计建模的数字图像水印方法
CN106803229A (zh) * 2016-12-24 2017-06-06 辽宁师范大学 基于相位奇异值校正的图像水印方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Digital watermark extraction in wavelet domain using;Marzieh Amini，et al;《Springer Science+Business Media New York 2016》;20160929;正文第3731-3749页 *
四元数小波变换理论及其在图像处理中的应用研究;殷明;《中国博士学位论文全文数据库 信息科技辑》;20130315;I138-35 *
基于内容自适应的优化DWT-HMM顽健图像水印算法;王春桃 等;《通信学报》;20070228;正文第80-87页 *

Also Published As

Publication number Publication date
CN108053360A (zh) 2018-05-18

Similar Documents

Publication Publication Date Title
CN108053360B (zh) 基于多相关hmt模型的数字图像水印检测方法
Nikolaidis et al. Region-based image watermarking
Al-Qershi et al. Two-dimensional difference expansion (2D-DE) scheme with a characteristics-based threshold
Megalingam et al. Performance comparison of novel, robust spatial domain digital image watermarking with the conventional frequency domain watermarking techniques
CN102156955B (zh) 基于直方图邻域的鲁棒可逆水印嵌入与提取方法
CN101866478B (zh) 一种数字图像中的水印嵌入和提取方法
Jain et al. A reliable SVD based watermarking schem
Nguyen et al. A simple ICA-based digital image watermarking scheme
Bacchuwar et al. A jump patch-block match algorithm for multiple forgery detection
CN101833745B (zh) 一种数字图像的多个二值水印嵌入及提取检测方法
Wang et al. Digital image watermarking based on texture block and edge detection in the discrete wavelet domain
Thomas et al. Contourlet and Gould transforms for hybrid image watermarking in RGB color images
CN106339978A (zh) 一种基于压缩感知的彩色数字图像水印嵌入及提取方法
Mohammed et al. Robust image watermarking scheme based on wavelet technique
CN110428355A (zh) 一种基于压缩感知与nsct的彩色图像数字水印方法
Hajisami et al. Watermarking based on independent component analysis in spatial domain
Bansal et al. Performance evaluation of steganography tools using SVM and NPR tool
Moniruzzaman et al. Robust RGB color image watermarking scheme based on DWT-SVD and chaotic system
CN103871015B (zh) 一种针对计算机图形图像的水印方法
CN109727178B (zh) 基于多元bkf参数校正的nsst域鲁棒图像水印方法
Yuan et al. Fragile watermark based on the Gaussian mixture model in the wavelet domain for image authentication
Babaei et al. Robust multi watermarking scheme for multiple digital input images in DWT domain
CN107910010A (zh) 基于多参数Weibull统计建模的数字水印检测方法
Liang et al. Ridgelet-based robust and perceptual watermarking for images
CN109712059B (zh) 基于多尺度联合统计建模的数字水印检测方法

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: 20210615

Termination date: 20211218