CN108596823B - 一种基于稀疏变换的数字盲水印的嵌入和提取方法 - Google Patents
一种基于稀疏变换的数字盲水印的嵌入和提取方法 Download PDFInfo
- Publication number
- CN108596823B CN108596823B CN201810403777.0A CN201810403777A CN108596823B CN 108596823 B CN108596823 B CN 108596823B CN 201810403777 A CN201810403777 A CN 201810403777A CN 108596823 B CN108596823 B CN 108596823B
- Authority
- CN
- China
- Prior art keywords
- sparse
- watermark
- image
- transform
- embedded
- 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.)
- Active
Links
- 230000009466 transformation Effects 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000009826 distribution Methods 0.000 claims abstract description 71
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000000903 blocking effect Effects 0.000 claims abstract description 3
- 239000013598 vector Substances 0.000 claims description 47
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000012549 training Methods 0.000 claims description 12
- 238000010276 construction Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 5
- 230000002087 whitening effect Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000012952 Resampling Methods 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 abstract description 10
- 230000006835 compression Effects 0.000 abstract description 10
- 238000010008 shearing Methods 0.000 abstract description 5
- 239000000306 component Substances 0.000 description 45
- 238000001914 filtration Methods 0.000 description 11
- 238000002474 experimental method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 5
- 235000002566 Capsicum Nutrition 0.000 description 4
- 239000006002 Pepper Substances 0.000 description 4
- 241000722363 Piper Species 0.000 description 4
- 235000016761 Piper aduncum Nutrition 0.000 description 4
- 235000017804 Piper guineense Nutrition 0.000 description 4
- 235000008184 Piper nigrum Nutrition 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 150000003839 salts Chemical class 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000007476 Maximum Likelihood Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- GSDSWSVVBLHKDQ-UHFFFAOYSA-N 9-fluoro-3-methyl-10-(4-methylpiperazin-1-yl)-7-oxo-2,3-dihydro-7H-[1,4]oxazino[2,3,4-ij]quinoline-6-carboxylic acid Chemical compound FC1=CC(C(C(C(O)=O)=C2)=O)=C3N2C(C)COC3=C1N1CCN(C)CC1 GSDSWSVVBLHKDQ-UHFFFAOYSA-N 0.000 description 2
- 239000000654 additive Substances 0.000 description 2
- 230000000996 additive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000012533 medium component Substances 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000001276 Kolmogorov–Smirnov test Methods 0.000 description 1
- 241001504519 Papio ursinus Species 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013475 authorization Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000002595 magnetic resonance imaging Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000013432 robust analysis Methods 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T1/0057—Compression invariant watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/10—Protecting distributed programs or content, e.g. vending or licensing of copyrighted material ; Digital rights management [DRM]
- G06F21/16—Program or content traceability, e.g. by watermarking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Technology Law (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于稀疏变换的数字盲水印的嵌入和提取方法,对原始图像进行8×8不重叠分块,用分割后的图像块结合稀疏变换模型,用稀疏的频域空间压缩嵌入范围,之后基于Alpha分布对各个频域分量系数进行估计,选择分布相近的频域分量进行水印嵌入。水印提取时,不需要原始图像,实现了盲提取。实验结果表明,本发明的方法能够有效对抗JPEG压缩、噪声、剪切等攻击,具有较好的不可见性和鲁棒性。
Description
技术领域
本发明涉及一种数字水印处理方法,具体涉及一种基于稀疏变换和Alpha稳定分布的数字水印嵌入和提取方法。
背景技术
随着信息技术和网络技术的飞速发展,数字多媒体信息的存储、复制与传播变得十分方便,对数字音乐和数字图像的编辑、修改、复制和散布涉及到数字媒体原创者的版权保护以及数字媒体的信息安全问题。盗版问题和版权纠纷问题已成为日益严重的社会问题。
数字水印技术是近年来兴起的前沿研究领域,在多媒体信息的版权保护和完整性认证方面得到迅猛发展。将含有特定版权信息的数字水印嵌入到音乐、图像或视频中,可以用于识别多媒体信息的发布者是否获得授权,因此,数字水印技术已成为版权保护的重要工具。
以数字图像水印为例,早期的水印算法大多集中在空域水印算法,如LSB、Patchwork等,算法的透明性较好,但对于滤波、噪声、JPEG压缩等常见攻击的鲁棒性较低且嵌入容量有限,不足以达到版权保护的要求。目前主流的数字水印算法主要集中在变换域水印算法,如将原始图像进行离散傅里叶变换(discrete Fourier transform, DFT)、离散余弦变换(discrete cosine transform, DCT)、离散小波变换等,在变换后的频域空间进行水印嵌入。近年来,随着信号和图像处理技术不断发展,常规变换域的拓展域也被应用在数字水印中,如同时包含信号时域和频域特征的分数阶傅里叶变换、能对信号进行多方向多尺度分解的轮廓波(Coutourlet)。
稀疏变换模型是近年来新出现的一个稀疏表达的模型,由于其在求解稀疏编码上较低的复杂度和较好的收敛性,在诸如图像去噪和磁共振成像(MRI)领域受到了研究者的广泛关注。与其他常见的变换域如DCT和小波变换等相比,稀疏变换的稀疏程度更高,对信号主要成分的表达更好,依托稀疏变换,能寻找更鲁棒的嵌入位置,因而可以考虑应用于数字水印。然而,稀疏域下的系数由于缺失了绝大部分频域分量,导致稀疏域系数中零项较多,且出现位置不存在明显规律,因此,通常的水印嵌入方式如加性嵌入、乘性嵌入以及相关性调制等方式均不适用。如何根据稀疏的特征构建新的水印嵌入方式,是水印研究者需要解决的问题。
发明内容
本发明的发明目的是提供一种基于稀疏变换的数字盲水印的嵌入和提取方法,以解决现有技术中难以实现基于稀疏变换的水印构建的问题,同时实现水印的盲提取,提供一种更好的数字水印的解决方案。
为达到上述发明目的,本发明采用的技术方案是:一种基于稀疏变换的数字盲水印的嵌入方法,包括以下步骤:
(2) 将原始图像分成大小为8×8的N个不重叠分块,对每个分块进行白化处理后拓展为一维向量,按列组合成样本矩阵Y∈R64×N;
(3) 按稀疏变换算法对样本矩阵进行训练,获得变换矩阵W∈R64×64和稀疏域X∈R64×N,计算变换后的残差矩阵E=WY-X,E∈R64×N;
(4) 对稀疏域X的每一分量,用SS分布拟合数据,得到各分量的分布参数,选择X中部分分量构建嵌入向量u i ,选择的分量坐标存储为密钥向量key2;i为对应图像块X稀疏分量的下标,i∈{1,2,…N};
(6) 利用STDM嵌入器在每个8×8分块的向量u i 中嵌入水印位m i ,方法为:
上述技术方案中,基于稀疏变换和Alpha稳定分布实现,改进了传统变换域水印算法在嵌入分量上的选取问题,对原始图像进行8×8不重叠分块,用分割后的图像块结合稀疏变换模型,用稀疏的频域空间压缩嵌入范围,之后基于Alpha分布对各个频域分量系数进行估计,选择分布相近的频域分量进行水印嵌入。由此,水印提取时,不需要原始图像,实现了盲提取。
上述技术方案中,步骤(3)中,所述稀疏变换算法为,
用二维离散余弦变换矩阵初始化W;初始化算法整体迭代次数k=0;
循环执行以下步骤:
Step1,判断是否满足k=t,若满足则循环终止并输出W和X,否则执行Step2;
Step2,根据X=WY计算稀疏域X, 保留X中每列系数前s个最大的值, 其余系数设为0;
Step3,初始化当前梯度下降迭代次数i=0;
Step4,判断梯度下降迭代次数是否满足i=g,若满足则令k=k+1并执行Step1,否则执行Step5;
Step5,共轭梯度下降计算梯度:
计算搜索方向:
Step6,稀疏变换矩阵更新:
上述技术方案中,步骤(4)中,嵌入向量的构建方法为:
其中为第j个图像块样本第i个稀疏分量对应系数,C是稀疏域中非零系数个数大于样本数一半的分量集合。是可选参数集,包含分布下估计的特性指数和尺度参数。统计C中各稀疏分量在分布下用极大似然估计的。对这些参数划分成10个区间统计直方图信息,L为第k个分量中根据参数最小值和最大值均匀划分的10个区间,N为落在该区间中样本数量,选择其中众数所在的区间,计算均值,作为参数标准量。最后选择C中与参数标准量差异小于阈值e的全部分量构成嵌入分量集合G。对每个图像块选择G中分量对应的稀疏域系数构建嵌入向量,之后通过扩展变换抖动调制进行水印嵌入。
上述技术方案中,统计C中各稀疏分量在分布下估计的,对这些参数划分成10个区间统计直方图信息,选择其中众数所在的区间,计算均值,作为参数标准量。最后选择C中与参数标准量差异小于阈值e的分量构建嵌入向量。
本发明同时提供了一种基于稀疏变换的数字盲水印的提取方法,用于提取按上述方法嵌入的水印,包括以下步骤:
(a) 将含水印图像按大小为8×8进行不重叠分块;
(b) 按照嵌入水印时相同的方法训练稀疏变换矩阵W’和稀疏域X’;
(c) 根据key2对X’的每个分块重新构建嵌入主向量u i ’;
(d) 利用密钥key3计算每个主向量u i ’在STDM调制中所需要的投影向量v;
由于上述技术方案运用,本发明与现有技术相比具有下列优点:
1、本发明基于稀疏变换和Alpha稳定分布,实现了数字水印的嵌入和提取,能够有效对抗JPEG压缩、噪声、剪切等攻击,具有较好的不可见性和鲁棒性。
2、本发明的水印提取时,不需要原始图像,实现了盲提取。
附图说明
图1是DCT域系数和稀疏域系数对比;
图2 是图像稀疏域系数在各分布下的log-scale PDF;
图3是实施例中水印嵌入流程示意图;
图4是实施例中水印提取流程示意图;
图5是实施例中的原始载体图像;
图6是实施例中的水印图像。
具体实施方式
下面结合附图及实施例对本发明作进一步描述:
实施例一:一种基于稀疏变换的数字盲水印的嵌入和提取方法,通过对原始图像进行8×8不重叠分块,用分割后的图像块结合稀疏变换模型,用稀疏的频域空间压缩嵌入范围,之后基于Alpha分布对各个频域分量系数进行估计,选择分布相近的频域分量进行水印嵌入。水印提取时,不需要原始图像,实现了盲提取。
为便于理解,首先对稀疏变换和Alpha稳定分布模型介绍如下:
1、稀疏变换
稀疏变换模型,假定信号在经过变换后可以被稀疏表示,,其中是稀疏编码,e是表示误差。和通常的稀疏字典学习不同的是,W是一个变换矩阵,且不是正交投影变换,每行向量没有正交和归一化的约束,意味着x不会受限于W的范围,这个性质允许稀疏变换模型有更宽的信号类别,式(1)为稀疏变换模型,其中s为稀疏程度。
加上对W矩阵的非奇异约束,和尺度约束,目标函数变为:
与其他常见的变换域如DCT和小波变换等相比,稀疏变换的稀疏程度更高,对信号主要成分的表达更好,依托稀疏变换,能寻找更鲁棒的嵌入位置。然而稀疏域下的系数由于缺失了绝大部分频域分量,通常的水印嵌入方式如加性嵌入、乘性嵌入以及相关性调制等方式均不适用。附图1所示为Lena图左上方8×8图像块的DCT域系数及稀疏域系数,其中,左侧为DCT域系数,右侧为稀疏域系数。显然,稀疏域系数中零项较多,且出现位置不存在明显规律。
学术界对自然图像DCT交流系数(AC)的统计分布进行了长久的研究。Barni 等人采用广义高斯分布对170 张图像的整幅DCT 变换交流系数的分布进行拟合,得到其统计模型非常接近拉普拉斯分布。Reininger等用KS检验验证了图像DCT交流系数服从拉普拉斯(Laplacian)分布。Sadreazami基于Alpha稳定分布对轮廓波(contourlet)的各个频域子带进行分析进而设计水印检测算法。正因为通常的变换域系数都服从一个非随机的分布,假设以DCT矩阵作为初始点求解得到的稀疏变换,其各个频域分量也服从非随机分布,就能比较便捷地对稀疏域进行水印嵌入。
经实验发现,图像块的稀疏系数具有非高斯性质和重尾分布的情况。稀疏域系数的经验分布具有较大峰值,并且尾部比高斯PDF更重,即重尾PDF。有鉴于此,本发明用Alpha稳定分布模型()去估计稀疏域各个分量的系数分布。该模型适用于描述具有非高斯估计和重尾的信号。Alpha稳定分布模型需要四个参数来描述其完整性:特征指数 ();偏斜参数 ();尺度参数,其意义类似于高斯分布时的方差;位置参数,表示概率密度函数(probability density function, PDF)在X轴的偏移。其中当为0时的Alpha稳定分布为对称稳定分布(symmetric alpha-stable,SS),其概率密度函数可以表示为
特征指数是决定分布形状的最重要的参数,的值越小,分布的尾部越重,这意味着随着SS分布具有小特征指数的随机变量是高度脉冲的。SS分布除了和分别定义柯西和高斯分布外,没有闭合表达式。 尽管SS分布在近原点附近表现为近似高斯密度,但其尾部衰减速率较低。
对称的稳定分布已经在重尾数据的建模(例如变换域图像系数)中引起了关注。为了验证图像的稀疏变换域系数的分布情况,使用了SS分布。为此,当给定的测试图像按照8×8不重叠分块,训练得到,其中是白化处理后的8×8不重叠分块向量。如图1,稀疏域分量以类似DCT系数的方式排列,共64分量,将出现非零项出现次数占总体样本1/3的分量,作为待估计的分量,去估计SS分布下的特征指数。表1是用最大似然方法估计获得的结果,对于少数测试图像。从表中可以看出,的值在0.6到1.9之间变化,表明稀疏域系数的重尾特性,并且分布不是高斯分布。因此,图像的稀疏域系数的分布可以用SS拟合。
稀疏域系数 | Lena | Barbara | Peppers | Baboon | Airplane |
C<sub>0,1</sub> | 0.985 | 1.322 | 0.968 | 1.825 | 0.688 |
C<sub>1,0</sub> | 1.079 | 1.254 | 1.064 | 1.795 | 0.852 |
C<sub>1,1</sub> | 1.100 | 1.375 | 1.187 | 1.927 | 0.864 |
C<sub>0,2</sub> | 1.058 | 1.329 | 1.074 | 1.909 | 0.812 |
C<sub>2,0</sub> | 1.247 | 1.446 | 1.102 | 1.746 | 0.913 |
C<sub>1,2</sub> | 1.236 | 1.468 | 1.329 | 1.957 | 0.966 |
C<sub>2,1</sub> | 1.189 | 1.518 | 1.307 | 1.917 | 0.900 |
C<sub>2,2</sub> | 1.218 | 1.569 | 1.547 | 1.937 | 1.113 |
主要对数据的经验分布(empirical distribution)以及SS,广义高斯分布(generalized Gaussian distribution,GGD)和拉普拉斯分布(Laplacian distribution)这几个常见分布进行估计。由于SS稳定PDF不具有封闭形式表达,时对应柯西分布(Cauchy distribution),所以也探究柯西分布下对稀疏域系数的估计情况。图2显示了Lena和Barbara两个图像的某一个稀疏域分量下的系数的估计情况。从图中可以看出,SS分布及其柯西成员对比经验分布比GGD和Laplacian分布拟合的更好。其他测试图像也能得到类似的结果。此外,为了量化PDF的拟合情况,采用Kolmogorov-Smirnov距离(KSD)描述分布的拟合度。
其中是数据拟合的分布,是样本的经验分布。表2给出了20张分辨率为512×512的图像,每张图像按8×8划分成64×64个图像块样本,共20×4096个样本。计算这些图像小块的稀疏域系数在SS分布、Cauchy分布及GGD下的平均KSD距离。实验验证了SS分布对稀疏域系数拟合更准确。
表2 图像稀疏域系数在各分布下KSD均值
根据公式(5)选择稀疏域系数构建嵌入向量
其中为第j个图像块样本第i个稀疏分量对应系数,C是稀疏域中非零系数个数大于样本数一半的分量集合。是可选参数集,包含分布下估计的特性指数和尺度参数。统计C中各稀疏分量在分布下用极大似然估计的。对这些参数划分成10个区间统计直方图信息,L为第k个分量中根据参数最小值和最大值均匀划分的10个区间,N为落在该区间中样本数量,选择其中众数所在的区间,计算均值,作为参数标准量。最后选择C中与参数标准量差异小于阈值e的全部分量构成嵌入分量集合G。对每个图像块选择G中分量对应的稀疏域系数构建嵌入向量,之后通过扩展变换抖动调制进行水印嵌入。
以下介绍本发明的一种具体实施方法:
1、一种基于稀疏变换的数字盲水印的嵌入方法,参见附图3所示,包括以下步骤:
其中,稀疏编码、训练稀疏变换方法如下:
循环执行以下步骤:
Step2. 根据X=WY计算稀疏域X,保留X中每列系数前s个最大的值,其余系数设为0;
Step5. 共轭梯度下降计算梯度:
计算搜索方向:
Step6. 稀疏变换矩阵更新:
本发明实验参数设置为:
2、水印提取算法
本发明的水印算法是盲数字水印, 即水印提取时不需要原始载体图像。
水印提取的具体过程如下:
3、对本实施例的方法进行实验验证,实验结果分析如下:
(1)实验载体
本发明实验平台为Matlab2015a,原始载体图像为512×512的Lena灰度图,如图5所示;大小32×32、含有“苏州大学”logo的二值图像作为水印图像,如图6所示。
(2)图像评价指标
其中I和分别为原始图像和含水印图像,W和分别为原始水印图像和经过攻击后提取出的水印图像. 峰值信噪比(peak signal to noise ratio, PSNR, 单位dB) 用于检测含水印图像与原始载体图像的差异度,评测水印算法的透明性. 相关系数(normalcorrelation, NC) 和误码率(bit error ratio, BER) 用于衡量水印算法对各种信号攻击的鲁棒性. NC越大, BER越低, 则说明提取出的水印与原始水印相似度越高, 算法鲁棒性越好。
(3)图像攻击类型
实验时将含水印载体图像归一化,以便于攻击处理.使用的常规信号攻击参数说明:
(a)JPEG10:JPEG压缩质量为10;JPEG30, 即JPEG压缩质量为30;
(c) 3×3中值滤波:模板尺寸3×3;
(e)1%椒盐噪声:1%图像像素随机受椒盐噪声影响;
(g)剪切1/4: 将原图右下角1/4以像素值0代替;
(h)缩放1/2: 通过将512×512分辨率的图像采样成半分辨率256×256图像后,通过线性插值的方式恢复为原分辨率512×512。
(4)透明性分析
数字水印的透明性,决定了水印嵌入不会对载体图像进行大幅修改。因此,从视觉上几乎无法感知图像中嵌入的水印信息。为了量化嵌入水印前与嵌入水印后载体图像的视觉差异,实验以PSNR值作为衡量指标。表3所示为不同载体图像的嵌入水印后的PSNR值,可以看到本文算法在不同载体图像嵌入水印后的PSNR值均达到39dB以上,算法具有良好的透明性。
表3 不同载体图像嵌入水印后的PSNR值
载体图像 | Lena | Barbara | Peppers | Airplane |
PSNR/dB | 40.30 | 39.56 | 40.20 | 40.28 |
(5)鲁棒性分析
为了检测算法的鲁棒性,分别对含水印的图像分别进行了以下四类图像处理攻击:(1)格式压缩攻击:JPEG压缩;(2)滤波攻击:高斯低通滤波和中值滤波;(3)噪声攻击:高斯噪声、椒盐噪声和斑点噪声;(4)几何攻击:剪切和缩放。实验中,各含水印载体图像在图像攻击后,提取出水印的NC和BER如图表3所示。
由表4中鲁棒性实验结果可知:本实施例中的算法对JPEG压缩攻击、剪切攻击、缩放攻击的鲁棒性较好,NC值均达到了0.95以上,对应误码率BER均小于5%;对高斯滤波攻击、椒盐噪声、斑点噪声攻击的NC值也达到了0.89以上;但算法在遭受较高强度图像攻击,如5×5以上的中值滤波和0.5%高斯噪声攻击时鲁棒性稍差,无法提供较好的水印提取效果。
表4 不同载体图像嵌入水印后的鲁棒性结果
表5列出了以Lena为载体图像,“苏州大学”为水印图像,在相同图像攻击下本文算法与其他算法提取水印的鲁棒性对比,算法A为Jayalakshmi基于contourlet嵌入的水印算法;算法B为Lang J等人提出的基于分数阶傅里叶变化的水印算法;算法C为Duman O等人提出的基于分数阶傅里叶变换和小波变换相结合的数字水印算法。本文算法与其他算法对应的PSNR值分别为40.30dB、36.57dB、38.24dB、36.68dB。从表中可以看出本文算法在PSNR值高于这三个算法的前提下,对JPEG压缩、滤波攻击、剪切、缩放等常规信号攻击表现出优异的鲁棒性。JPEG压缩质量30攻击下的NC值也达到了0.99以上,提取出的水印图像与原始水印基本没有差异。对大尺度高斯滤波有着不错的鲁棒性,其NC值达到0.93以上。对去同步攻击如剪切和缩放的NC值也有0.96以上。虽然算法对噪声等随机性信号攻击的鲁棒性有所不足,但对强度一般的噪声攻击也存有0.90的NC值,仍能肉眼分辨出提取的水印信息。
表5 四种算法在相同攻击下的鲁棒性(NC)比较
Claims (5)
1.一种基于稀疏变换的数字盲水印的嵌入方法,其特征在于,包括以下步骤:
(2) 将原始图像分成大小为8×8的N个不重叠分块,对每个分块进行白化处理后拓展为一维向量,按列组合成样本矩阵Y∈R64×N;
(3) 按稀疏变换算法对样本矩阵进行训练,获得变换矩阵W∈R64×64和稀疏域X∈R64×N,计算变换后的残差矩阵E=WY-X,E∈R64×N;
(6) 利用扩展变换抖动调制(STDM)嵌入器在每个8×8分块的向量u i 中嵌入水印位m i ,方法为:
2.根据权利要求1所述的基于稀疏变换的数字盲水印的嵌入方法,其步骤(3)中,所述稀疏变换算法为,
用二维离散余弦变换矩阵初始化W;初始化算法整体迭代次数k=0;
循环执行以下步骤:
Step1,判断是否满足k=t,若满足则循环终止并输出W和X,否则执行Step2;
Step2,根据X=WY计算稀疏域X, 保留X中每列系数前s个最大的值, 其余系数设为0;
Step3,初始化当前梯度下降迭代次数i=0;
Step4,判断梯度下降迭代次数是否满足i=g,若满足则令k=k+1并执行Step1,否则执行Step5;
Step5,共轭梯度下降计算梯度:
计算搜索方向:
Step6,稀疏变换矩阵更新:
5.一种基于稀疏变换的数字盲水印的提取方法,用于提取按权利要求1-4中任一方法嵌入的水印,其特征在于,包括以下步骤:
(a) 将含水印图像按大小为8×8进行不重叠分块;
(b) 按照嵌入水印时相同的方法训练稀疏变换矩阵W’和稀疏域X’;
(c) 根据key2对X’的每个分块重新构建嵌入主向量u i ’;
(d) 利用密钥key3计算每个主向量u i ’在扩展变换抖动调制(STDM)中所需要的投影向量v;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403777.0A CN108596823B (zh) | 2018-04-28 | 2018-04-28 | 一种基于稀疏变换的数字盲水印的嵌入和提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810403777.0A CN108596823B (zh) | 2018-04-28 | 2018-04-28 | 一种基于稀疏变换的数字盲水印的嵌入和提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108596823A CN108596823A (zh) | 2018-09-28 |
CN108596823B true CN108596823B (zh) | 2022-06-07 |
Family
ID=63619330
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810403777.0A Active CN108596823B (zh) | 2018-04-28 | 2018-04-28 | 一种基于稀疏变换的数字盲水印的嵌入和提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108596823B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109493271B (zh) * | 2018-11-16 | 2020-12-01 | 中国科学院自动化研究所 | 图像差值量化水印嵌入方法、提取方法、设备及存储介质 |
CN109714284B (zh) * | 2018-11-27 | 2020-06-30 | 华中科技大学 | 一种基于k-s检测的射频水印检测方法 |
CN110009663B (zh) * | 2019-04-10 | 2023-06-09 | 苏州大学 | 一种目标跟踪方法、装置、设备及计算机可读存储介质 |
CN110378832B (zh) * | 2019-07-23 | 2023-01-24 | 上饶师范学院 | 水印嵌入方法、装置及电子设备 |
CN111311472B (zh) * | 2020-01-15 | 2023-03-28 | 中国科学技术大学 | 一种图像处理模型与图像处理算法的产权保护方法 |
CN111340675B (zh) * | 2020-02-12 | 2023-04-25 | 中南林业科技大学 | 一种基于稀疏表示的彩色图案水印嵌入和提取方法 |
CN111951148B (zh) * | 2020-07-13 | 2022-11-11 | 清华大学 | 一种pdf文档水印生成方法和水印提取方法 |
CN113034335B (zh) * | 2021-03-29 | 2024-01-05 | 杨帆 | 水印嵌入方法、系统及含水印图像的水印提取方法、系统 |
CN113139890B (zh) * | 2021-05-18 | 2024-04-19 | 辽宁工程技术大学 | 一种基于子块均值的空域盲水印算法 |
CN114445256A (zh) * | 2022-01-27 | 2022-05-06 | 腾讯科技(深圳)有限公司 | 一种数字水印的训练方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682417A (zh) * | 2012-05-08 | 2012-09-19 | 常熟南师大发展研究院有限公司 | 一种基于压缩感知的矢量地理数据水印信息生成方法 |
CN103700061A (zh) * | 2013-12-30 | 2014-04-02 | 东北大学 | 一种基于压缩感知的数字图像水印嵌入和提取方法 |
CN103971322A (zh) * | 2014-05-13 | 2014-08-06 | 安徽师范大学 | 宿主图像的水印嵌入方法及含水印图像的水印提取方法 |
CN106709291A (zh) * | 2016-12-02 | 2017-05-24 | 杭州师范大学 | 一种基于结构化贝叶斯压缩感知的数字水印方法 |
CN106772275A (zh) * | 2015-12-22 | 2017-05-31 | 中国电子科技集团公司第二十研究所 | 一种基于Alpha稳定分布的低秩矩阵恢复检测方法 |
-
2018
- 2018-04-28 CN CN201810403777.0A patent/CN108596823B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682417A (zh) * | 2012-05-08 | 2012-09-19 | 常熟南师大发展研究院有限公司 | 一种基于压缩感知的矢量地理数据水印信息生成方法 |
CN103700061A (zh) * | 2013-12-30 | 2014-04-02 | 东北大学 | 一种基于压缩感知的数字图像水印嵌入和提取方法 |
CN103971322A (zh) * | 2014-05-13 | 2014-08-06 | 安徽师范大学 | 宿主图像的水印嵌入方法及含水印图像的水印提取方法 |
CN106772275A (zh) * | 2015-12-22 | 2017-05-31 | 中国电子科技集团公司第二十研究所 | 一种基于Alpha稳定分布的低秩矩阵恢复检测方法 |
CN106709291A (zh) * | 2016-12-02 | 2017-05-24 | 杭州师范大学 | 一种基于结构化贝叶斯压缩感知的数字水印方法 |
Non-Patent Citations (3)
Title |
---|
A Study of Multiplicative Watermark Detection in the Contourlet Domain Using Alpha-Stable Distributions;Hamidreza Sadreazami,etc;《IEEE Transactions on Image Processing》;20140716;第23卷(第10期);4348 - 4360 * |
基于Hadamard变化和LU分解的盲水印算法;吴捷,马小虎;《计算机技术与发展》;20160229;第26卷(第2期);P82-86 * |
基于压缩感知的数字图像水印技术;唐沛钦;《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑 》;20180115(第01期);I138-1787 * |
Also Published As
Publication number | Publication date |
---|---|
CN108596823A (zh) | 2018-09-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108596823B (zh) | 一种基于稀疏变换的数字盲水印的嵌入和提取方法 | |
Andalibi et al. | Digital image watermarking via adaptive logo texturization | |
Cotting et al. | Robust watermarking of point-sampled geometry | |
Wang et al. | Blind optimum detector for robust image watermarking in nonsubsampled shearlet domain | |
Bhatnagar et al. | A new robust adjustable logo watermarking scheme | |
CN102903075B (zh) | 基于图像特征点全局校正的鲁棒水印方法 | |
Jia et al. | A novel color image watermarking scheme based on DWT and QR decomposition | |
Liu et al. | Robust blind image watermarking based on chaotic mixtures | |
Thajeel et al. | A NEW COLOR IMAGE WATERMARKING TECHNIQUE USING MULTIPLE DECOMPOSITIONS. | |
Dharwadkar et al. | Watermarking scheme for color images using wavelet transform based texture properties and secret sharing | |
Ou et al. | A robust watermarking method for stereo-pair images based on unmatched block bitmap | |
Prajwalasimha et al. | Digital Image Watermarking based on Successive Division | |
Saneie et al. | Introducing a new method of robust digital image watermarking against cropping and salt & pepper noise using Sudoku | |
CN111340675B (zh) | 一种基于稀疏表示的彩色图案水印嵌入和提取方法 | |
Bhatnagar et al. | Robust reference-watermarking scheme using wavelet packet transform and bidiagonal-singular value decomposition | |
Chongtham et al. | A copyright protection scheme for videos based on the SIFT | |
Shahdoosti et al. | A new digital image watermarking using optimal embedding weights | |
Dhar et al. | Color image watermarking based on radon transform and jordan decomposition | |
Chu et al. | Region of interest fragile watermarking for image authentication | |
Bas et al. | Vulnerability of dm watermarking of non-iid host signals to attacks utilising the statistics of independent components | |
Gaata | Robust watermarking scheme for GIS vector maps | |
Thajeel | Robust Video Watermarking of Hybrid Based Techniques | |
Maharjan et al. | Video watermarking algorithm: reducing vulnerability to geometric attacks | |
Mehta et al. | Sub-band discrete cosine transform-based greyscale image watermarking using general regression neural network | |
Aherrahrou et al. | The efficiency of PDE decomposition in images watermarking |
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 |