CN109598668B - 一种基于静电力的触觉形式数字水印嵌入及检测方法 - Google Patents

Abstract

本发明提供一种基于静电力的触觉形式数字水印嵌入及检测方法，属于信息安全领域。通过对原始图片和自定义矢量图分别进行边缘检测、纹理提取和纹理提取得到原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征，对两者通过DES加密融合得到触觉形式数字水印，之后使用量化索引调制算法将其嵌入到原始图片中；在检测端，提取水印之后，对于水印进行DES解密分离得到原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征，对两部分分别进行触觉建模和渲染之后，重新叠加在一起输入到静电力触觉终端，实现触觉再现。本发明额外提供了触觉维度来嵌入和检测数字水印，大大提高了数字水印的防伪性能，增强了水印本身的应用性和安全性。

Description

一种基于静电力的触觉形式数字水印嵌入及检测方法

技术领域

本发明属于信息安全领域，具体涉及一种基于静电力的触觉形式数字水印嵌入及检测方法。

背景技术

数字水印广泛应用在数字媒体版权保护领域：众所周知，Internet普及的情况下，网上数字作品的盗版日益猖獗。数字作品可以被广泛复制而质量不会受影响，使得不法分子在未得到版权所有者的同意下，任意篡改和传播数字作品，甚至用于非法谋取商业利益，严重侵犯版权。

另一方面，数字水印技术可以为各种各样的多媒体信息加入特殊标记信息，数字水印必须能唯一确定地表示数字产品版权所有者，具有抗攻击性和伪造特性，从而满足人们某些信息安全方面的要求。虽然数字水印的内容可以自定义，包括文字、二维码以及图片等格式。但是现代的数字水印表现形式有限，仍大多只是停留在可视化的维度。在这些可视化的基础之上，这些年来数字水印技术得到快速发展，已取得了很多可喜的水印算法，但每一种算法并不是完美的，都存在安全威胁，而对于图像水印来说，主要存在以下几种攻击：JPEG压缩攻击、几何失真攻击、增强处理攻击、附加噪声攻击。因此现有的数字水印的安全性存在漏洞，并且仅有可视化这一单表现形式也同样限制了数字水印的发展。

反观现在市面流通的纸币，通常有触觉和视觉两种维度来鉴别纸币的真伪，两种维度为纸币的防伪提供了重要的保障。从21世纪开始，触觉技术得到了飞速的发展，高效自然的触觉再现技术能够加强虚拟现实的沉浸感和真实感。依据此思路，意大利锡耶纳大学的学者Domenico Prattichizzo和普渡大学的Hong Z.Tan等人在IEEE Computer Society上发表的Perceptual Issues in Haptic Digital Watermarking较早提出了触觉数字水印的概念，但是他们关注的是触觉水印的可感知特性，并且是在机械力设备上面实现触觉的。其所在时期触觉数字水印的发展受到触觉再现设备的限制。然而随着科技发展，多种原理的装置已经出现，典型应用包括Rosenberg等人的力反馈操作杆、Sensable公司的笔式触觉再现设备(Phantom设备)和IBM公司的trackpoint力反馈设备等。上述力触觉再现设备能够产生几牛顿量级的触觉感知，模拟多种触觉感受，但该类设备的触觉接口与视觉接口分离，难以再现复杂精细的特性信息，且装置体积较大，携带不便，难以与现有的多媒体终端产品结合应用。而静电力触觉再现技术根据图像纹理特征调节静电力大小使人产生不同的触感，具有小型化、可集成于移动终端的特点。

边缘是数字图像的基本特征之一，在图像处理、计算机视觉等领域中，都有着十分重要的作用，它是数字图像处理的主要步骤之一。当我们在观察一幅图像所隐藏的信息时，一般都是通过从边缘的角度来分析的。这是因为边界一般都是图像的不规则结构和不均匀现象出现的区域，而像素的突变点往往都是出现在这些地方，并且我们在进行数字图像处理时，往往也都是需要这些突变点所代表的信息的来帮助我们刻画出轮廓的边缘点，并且表示出与它毗邻的像素的灰度分度的梯度，并且能够映射出它周围的灰度变化特征。人们根据这个特点，推导出了很多非常经典的算子：有Sobel算子、Laplace算子、Robert算子、Canny算子、Kirsch算子、Prewitt算子等，还有诸如哈夫变换等方法。

纹理特征提取是静电力触觉再现系统的关键技术。从上世纪50年代起，纹理特征提取算法就逐渐受到国内外学术界关注。至今已经发展了很多纹理特征提取法，如灰度共生矩阵法，同时随着应用领域的不断扩大和新理论如分形理论、基于阴影恢复形状理论、小波理论等引入，纹理特征提取的研究变得多样化。

随着虚拟现实技术在人机交互领域不断发展，虚拟力触觉再现技术已成为当前人机交互领域的研究热点。基于电震动的触觉再现技术利用静电吸引力原理，通过调节手指和触摸屏之间的摩擦力来模拟触觉。该技术易于与触摸屏技术相结合，具有较大范围的触觉带宽，可在移动终端上对图像等媒体提供触觉感知接口。此方法建立图像纹理梯度值与激励信号频率参量的对数阶梯映射模型，并联合激励信号幅度参量映射模型，模拟图像纹理触感。

发明内容

本发明提供一种基于静电力的触觉形式数字水印嵌入及检测方法。

本发明采取的技术方案是，包括下列步骤：

步骤一：生成触觉形式数字水印，其包含原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征两部分，实施步骤如下：

A、生成原始图片边缘纹理触觉特征，包括以下步骤：

i)对于原始图片进行边缘检测，得到每一个像素点的边缘幅值P和边缘方向θ，根据每一个像素点的边缘幅值P和边缘方向θ得到原始图片的边缘部分；

ii)使用纹理提取算法提取原始图片边缘部分得到原始图片边缘纹理触觉特征，即各像点对应的纹理表面高度，各像点对应的纹理表面高度组成原始图片边缘纹理触觉特征矩阵D₁：

B、将自定义的矢量图进行纹理提取得到自定义矢量图纹理触觉特征，即各像素点对应的纹理表面高度，各像点对应的纹理表面高度组成自定义矢量图纹理触觉特征矩阵D₂：

C、将自定义矢量图纹理触觉特征和原始图片边缘纹理触觉特征二值化之后进行DES加密融合，得到用0和1表示的触觉形式数字水印；

步骤二：对触觉形式数字水印通过量化索引调制算法QIM嵌入到原始图片中；

步骤三：将嵌有水印信息的图片发布到网络；

步骤四：从网络下载嵌有水印信息的图片到本地；

步骤五：使用量化索引调制算法QIM相应的逆变换从图片中提取得到用无序“0”和“1”表示的触觉形式数字水印；

步骤六：将用无序“0”和“1”表示的触觉形式数字水印通过DES解密分离得到原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征，即有序排列的0和1数组；

步骤七：对原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征进行触觉建模和渲染得到可以被静电力触觉终端所识别的信息；

步骤八：将经过触觉建模和渲染的信息输入到静电力触觉终端，使检测者同时能摸到输入端自定义的包含版权信息的触觉矢量图和图片边缘纹理特征信息，实现触觉再现。

本发明所述步骤一中A的i)中的边缘检测步骤是：当两个区域之间的灰反值相差超过所用方法的界限值时，就证明它们之间有边缘，一阶微分是边缘检测的基本方法之一，很多边缘检测算法也基本都是通过求导来实现的，常用的方法包括但不仅限于差分边缘检测、Robert算子检测、Sobel算子检测、Prewitt算子检测、Laplace算子检测，最终得到每一个像素点的边缘幅值P和边缘方向θ，根据每一个像素点的边缘幅值P和边缘方向θ求得原始图片的边缘部分。

本发明所述步骤一中A的ii)中的纹理提取算法是：

对原始图片边缘纹理触觉特征矩阵D₁中每一点进行处理得到所需二维数据：原始图片边缘纹理图像亮度值l_i,j：

其中，R_i,j、G_i,j、B_i,j分别为原始图片边缘纹理各点红绿蓝颜色分量，l_i,j表示原始图片边缘纹理图像各点亮度值；

进而得到了原始图片边缘纹理图像亮度值矩阵L_m×n：

分别对原始图片边缘纹理图像亮度值矩阵L_m×n和滤波函数

做离散傅里叶变换，得到二维频域值：

其中滤波函数中的σ_x和σ_y分表代表x和y方向上高斯滤波器的宽度，m和n分别为图像在x和y方向像素点的数量，k和v代表二维频域图像上的两个方向；

对原始图片边缘纹理图像亮度值矩阵L_m×n进行高斯滤波，滤除高频信号得到原始图片边缘纹理低频信号S(k,v)：

S(k,v)＝K(k,v)F(k,v)

再对S(k,v)进行傅里叶反变换得到反应物体的轮廓、走势和形状的原始图片边缘纹理各点低频信息w_i,j：

原始图片边缘纹理各点的高频信息h_i,j等于原始图片边缘纹理各点的亮度信息l_i,j减去反应物体轮廓和走势的原始图片边缘纹理各点的低频信息w_i,j：

h_i,j＝l_i,j-w_i,j

对原始图片边缘纹理各点的高频信息h_i,j进行规范化处理得到各像素点对应的物体纹理各点表面高度d_i,j：

其中，

为原始图片边缘纹理的高频信息h_i,j全部元素的平均值；

将各点对应的物体纹理表面高度d_i,j汇集到一起得到原始图片边缘纹理触觉特征矩阵D₁：

按照此方法得到自定义矢量图纹理触觉特征矩阵D₂：

本发明所述步骤一中C中的DES加密融合方法是：

i)将原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征各自分成若干块64位明文数据，即每一块原始图片边缘纹理触觉特征可以被表示为A1、A2…An,每一块自定义矢量图纹理触觉特征可以表示为B1、B2…Bn，对每一块64位明文进行初始置换，置换规则是规定的；

ii)在初始置换后，每一个64位明文数据再被分为左右两部分，每部分32位，即边缘纹理触觉特征是AR1、AL1、AR2、AL2…ARn、ALn；矢量图纹理触觉特征是BR1、BL1、BR2、BL2…BRn、BLn；

iii)常规的DES加密的乘积变换是对一块64位密文的左右两部分进行变换，即AR1和AL1，AR2和AL2…ARn和ALn，为了对原始图片边缘纹理触觉特征和矢量图纹理触觉特征进行融合，则用原始图片边缘纹理触觉特征中的一块64位密文中右或左部分和自定义矢量图纹理触觉特征中的一块64位密文中左或右部分进行乘积变换，如AL1和BR1进行乘积变换变换，每一组在秘钥的控制下，经过16轮乘积变换运算：

1)E变换

2)异或变换

3)S盒变换

4)P变换

5)异或变换

iv)左、右两部分连接再一起，再进行逆置换；

v)每两部分拼接后作为一块64位密文输出，共输出2n块密文。

本发明所述步骤二中的量化索引调制算法QIM嵌入到原始图片中的步骤是：

F(I,W)＝Q(I,W,Δ)

其中I表示作品中待嵌入信息的载体向量，W表示待嵌入水印信息的索引，Δ表示量化器的量化步长，Q(I,W,Δ)表示量化步长为Δ的第W个量化器函数，F(I,W)是经过量化后的载体向量，不同的水印信息控制不同的量化器，对于本方法而言，二进制的“0”和“1”分别对应两个索引值，这个两个索引值与两个量化器相对应，从而根据水印信息对载体图像信息进行相应的量化处理，以量化索引调制中的DM-QIM方法为例，按照下述步骤来嵌入水印：

设X(i，j)为数字图像，T(k，1)为水印信息，d(k，1)为抖动量化，其与水印信息对应；

A、对载体图像X(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、利用d(k，1)及T(k，1)进行量化嵌入；

D、合成各个子块，进行DCT的逆变换，从而得到嵌入水印后的数字图像X’(i，j)。

本发明所述步骤五中的逆变换，其实现步骤如下：

设X’(i，j)为嵌入水印后的数字图像，W’(k，1)为提取的水印信息，d(k，l)为抖动量化；

A、水印图像X’(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、d(k,1)及X’(i,j)进行量化误差计算；

D、利用最小距离检测法判决水印位信息，并合成水印信息。

本发明所述步骤六中DES解密分离则是DES加密融合的逆运算，输入秘钥之后解密得到AR1、BL1,AR2、BL2…ARn、BLn各组，将AR1、AL1、AR2、AL2…ARn、ALn合并到一起得到原始图片边缘纹理触觉特征；BR1、BL1、BR2、BL2…BRn、BLn合并到一起得到自定义矢量图纹理触觉特征。

本发明所述步骤七中实现步骤如下：

A：建立图像纹理的触觉特征映射模型

图像纹理的触感模拟的公式表达为：

f_t(t)＝μ[f_α+f_e(t)]

其中，μ为手指和触觉面板间的摩擦系数，f_α是手指施加的压力，一般恒定不变，f_e(t)为手指和触觉面板之间的静电吸引力，其表达式为：

其中，ε为自由空间介电常数，S为手指接触面积，V(t)为触觉激励信号，T_s和T_p分别为手指角质层厚度和绝缘薄膜厚度，ε_s和ε_p分别为手指角质层相对介电常数和绝缘薄膜相对介电常数；

针对于图像纹理的触觉建模，主要对梯度图像D(x,y)按坐标位置进行一一参数映射，D(x,y)对应原始图片边缘纹理触觉特征D₁和自定义矢量图纹理触觉特征D₂，基本模型表达式为：

V_x,y(t)＝A(x,y)sin[ω(x,y)t]

其中V_x,y(t)为在像素点D_x,y处加载的激励信号形式，A(x,y)是激励信号的幅度参量，ω(x,y)是激励信号的频率参量；

B：对纹理特征进行激励信号频率参量映射

将激励信号的频率范围按照对数分布划分为L个等级，各个等级的频率值为：

f_i(i＝1,2,…L)，i＝k·lgf_i，(k为常数,i＝1,2,…L)

对于归一化梯度图像D(x,y)，激励信号的频率参量表达为：

ω(x,y)＝f_i,i＝[D(x,y)·L+1]

C：对纹理特征进行激励信号幅度参量映射

Y为人体感知触觉强度等级的对数，人体感知触觉强度分为100个等级，用于映射图像纹理的梯度值D(x,y)，X为激励信号幅度参量的对数，表达式为：

Y＝lg[D(x,y)·100] (1)

X＝lg[A(x,y)] (2)

人体触觉感知强度等级的对数Y和激励信号幅度的对数X关系公式：

Y＝1.24·X-1.05 (3)

将公式(1)(2)带入(3)中得到激励信号幅度参量的映射公式：

A(x,y)＝7.03·[D(x,y)·100]^0.81

其中各个像素点的幅值和频率信息则作为触觉信息记录在触觉信息矩阵A之中，同理可以得到触觉信息矩阵B；

将触觉信息矩阵A和触觉信息矩阵B进行叠加融合，即对应元素相加，得到最终可以被静电力触觉设备所识别的触觉水印信息矩阵H。

本发明的有益效果：该方法额外提供了触觉维度来嵌入和检测数字水印，大大提高了数字水印的防伪性能，增强了水印本身安全性和应用性；并且解决了数字作品的版权认定和真伪辨别问题：触觉水印的自定义矢量图，其可以明确包括作者在内的版权信息；原始图片边缘纹理触觉特征，此部分可以被用来辨别作品的真伪性。其中本方法首创的DES加密融合算法在对两份触觉信息进行加密的同时实现了融合的功能，这使得加密后的密文更无法被破获；本方法是依靠静电力触觉终端来实现触觉的，相比之下，表面触觉再现技术可通过裸指触摸屏幕来感知视觉对象的形状、纹理等触觉特征，具有体积小、功耗低、集成性高等优势，易于与现有触摸屏产品集成，应用于各种交互场景。相比机械力的冗杂庞大的设备更具有时代前沿性，并且可以嵌入更多信息。这使得本方法在实用性和可推广性上更胜一筹，可以为信息安全、知识产权领域提供更有效的保护。

附图说明

图1是本发明基于静电力的触觉形式数字水印嵌入及检测流程示意图；

图2是本发明触觉形式数字水印生成示意图；

图3是本发明触觉形式数字水印具体检测流程的示意图；

图4是本发明DES加密融合中乘积变换组合示意图；

图5是本发明DES加密融合流程示意图。

具体实施方式

步骤一：生成触觉形式数字水印，(参见图2)其包含原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征两部分，实施步骤如下：

A、生成原始图片边缘纹理触觉特征，包括以下步骤：

i)当两个区域之间的灰反值相差超过所用方法的界限值时，就证明它们之间有边缘，一阶微分是边缘检测的基本方法之一，很多边缘检测算法也基本都是通过求导来实现的，常用的方法包括但不仅限于差分边缘检测、Robert算子检测、Sobel算子检测、Prewitt算子检测、Laplace算子检测；对于原始图片进行边缘检测，得到每一个像素点的边缘幅值P和边缘方向θ，根据每一个像素点的边缘幅值P和边缘方向θ得到原始图片的边缘部分；

ii)使用纹理提取算法提取图片边缘部分得到原始图片边缘纹理触觉特征，即各像素点对应的纹理表面高度，其实现方法如下：

对原始图片边缘纹理触觉特征矩阵D₁中每一点进行处理得到所需二维数据：原始图片边缘纹理图像亮度值l_i,j：

其中，R_i,j、G_i,j、B_i,j分别为原始图片边缘纹理各点红绿蓝颜色分量，l_i,j表示原始图片边缘纹理图像各点亮度值；

进而得到了原始图片边缘纹理图像亮度值矩阵L_m×n：

分别对原始图片边缘纹理图像亮度值矩阵L_m×n和滤波函数：

做离散傅里叶变换，得到二维频域值：

其中滤波函数中的σ_x和σ_y分表代表x和y方向上高斯滤波器的宽度，m和n分别为图像在x和y方向像素点的数量，k和v代表二维频域图像上的两个方向；

对原始图片边缘纹理图像亮度值矩阵L_m×n进行高斯滤波，滤除高频信号得到原始图片边缘纹理低频信号S(k，v)：

S(k,v)＝K(k,v)F(k,v)

再对S(k，v)进行傅里叶反变换得到反应物体的轮廓、走势和形状的原始图片边缘纹理各点低频信息w_i,j：

原始图片边缘纹理各点的高频信息h_i,j等于原始图片边缘纹理各点的亮度信息l_i,j减去反应物体轮廓和走势的原始图片边缘纹理各点的低频信息w_i,j：

h_i,j＝l_i,j-w_i,j

对原始图片边缘纹理各点的高频信息h_i,j进行规范化处理得到各像素点对应的物体纹理各点表面高度d_i,j：

其中，

为原始图片边缘纹理的高频信息h_i,j全部元素的平均值；

将各点对应的物体纹理表面高度d_i,j汇集到一起得到原始图片边缘纹理触觉特征矩阵D₁：

B、得到自定义矢量图触觉纹理特征与上述的过程类似，将自定义的矢量图进行纹理提取得到自定义矢量图触觉纹理特征矩阵D₂：

C、将自定义矢量图的边缘纹理触觉特征和图片边缘纹理触觉特征二值化之后进行DES加密融合，得到用“0”和“1”表示的触觉形式数字水印，其中DES加密融合实现方法如下：

i)将原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征各自分成若干块64位明文数据，即每一块原始图片边缘纹理触觉特征可以被表示为A1、A2…An,每一块自定义矢量图纹理触觉特征可以表示为B1、B2…Bn，对每一块64位明文进行初始置换，置换规则是规定的；

ii)在初始置换后，每一个64位明文数据再被分为左右两部分，每部分32位，即边缘纹理触觉特征是AR1、AL1、AR2、AL2…ARn、ALn；矢量图纹理触觉特征是BR1、BL1、BR2、BL2…BRn、BLn；

iii)常规的DES加密的乘积变换是对一块64位密文的左右两部分进行变换，即AR1和AL1，AR2和AL2…ARn和ALn；为了对原始图片边缘纹理触觉特征和矢量图纹理触觉特征进行融合，则用原始图片边缘纹理触觉特征中的一块64位密文中右(左)部分和自定义矢量图纹理触觉特征中的一块64位密文中左(右)部分进行乘积变换，如AL1和BR1进行乘积变换，(参见图4)，每一组在秘钥的控制下，经过16轮乘积变换运算(参见图5)：

1)E变换；

2)异或变换；

3)S盒变换；

4)P变换；

5)异或变换；

iv)左、右两部分连接再一起，再进行逆置换；

v)每两部分拼接后作为一块64位密文输出，共输出2n块密文；

步骤二：对自定义触觉形式数字水印通过量化索引调制算法(QIM)嵌入到原始图片中：

F(I,W)＝Q(I,W,Δ)

其中I表示作品中待嵌入信息的载体向量，W表示待嵌入水印信息的索引，Δ表示量化器的量化步长，Q(I,W,Δ)表示量化步长为Δ的第W个量化器函数，F(I,W)是经过量化后的载体向量，不同的水印信息控制不同的量化器，对于本方法而言，二进制的“0”和“1”分别对应两个索引值，这个两个索引值与两个量化器相对应，从而根据水印信息对载体图像信息进行相应的量化处理，以量化索引调制中的DM-QIM方法为例，按照下述步骤来嵌入水印：

设X(i，j)为数字图像，T(k，1)为水印信息，d(k，1)为抖动量化，其与水印信息对应；

A、对载体图像X(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、利用d(k，1)及T(k，1)进行量化嵌入；

D、合成各个子块，进行DCT的逆变换，从而得到嵌入水印后的数字图像X’(i，j)；

步骤三：将嵌有水印信息的图片发布到网络；

步骤四：从网络下载嵌有水印信息的图片到本地；

步骤五：使用QIM相应的逆变换从图片中提取到加密过的水印信息:

设X’(i，j)为嵌入水印后的数字图像，W’(k，1)为提取的水印信息，d(k，l)为抖动量化；

A、水印图像X’(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、d(k,1)及X’(i,j)进行量化误差计算；

D、利用最小距离检测法判决水印位信息，并合成水印信息；

步骤六：将加密过的水印信息通过DES解密分离得到原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征，即有序排列的“0”和“1”数组，其中DES解密分离则是DES加密融合的逆运算，输入秘钥之后解密得到AR1、BL1,AR2、BL2…ARn、BLn各组，将AR1、AL1、AR2、AL2…ARn、ALn合并到一起得到原始图片边缘纹理触觉特征；BR1、BL1、BR2、BL2…BRn、BLn合并到一起得到自定义矢量图纹理触觉特征；

步骤七：对原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征触觉建模和渲染得到可以被静电力触觉终端所识别的信息：

A：建立图像纹理的触觉特征映射模型

图像纹理的触感模拟的公式表达为：

f_t(t)＝μ[f_α+f_e(t)]

其中，μ为手指和触觉面板间的摩擦系数，f_α是手指施加的压力，一般恒定不变，f_e(t)为手指和触觉面板之间的静电吸引力，其表达式为：

其中，ε为自由空间介电常数，S为手指接触面积，V(t)为触觉激励信号，T_s和T_p分别为手指角质层厚度和绝缘薄膜厚度，ε_s和ε_p分别为手指角质层相对介电常数和绝缘薄膜相对介电常数；

针对于图像纹理的触觉建模，主要对梯度图像D(x,y)按坐标位置进行一一参数映射，D(x,y)对应原始图片边缘纹理触觉特征D₁和自定义矢量图纹理触觉特征D₂，基本模型表达式为：

V_x,y(t)＝A(x,y)sin[ω(x,y)t]

其中V_x,y(t)为在像素点D_x,y处加载的激励信号形式，A(x,y)是激励信号的幅度参量，ω(x,y)是激励信号的频率参量；

B：对纹理特征进行激励信号频率参量映射

将激励信号的频率范围按照对数分布划分为L个等级，各个等级的频率值为：

f_i(i＝1,2,…L)，i＝k·lgf_i，(k为常数,i＝1,2,…L)

对于归一化梯度图像D(x,y)，激励信号的频率参量表达为：

ω(x,y)＝f_i,i＝[D(x,y)·L+1]

C：对纹理特征进行激励信号幅度参量映射

Y为人体感知触觉强度等级的对数，人体感知触觉强度分为100个等级，用于映射图像纹理的梯度值D(x,y)，X为激励信号幅度参量的对数，表达式为：

Y＝lg[D(x,y)·100] (1)

X＝lg[A(x,y)] (2)

人体触觉感知强度等级的对数Y和激励信号幅度的对数X关系公式：

Y＝1.24·X-1.05 (3)

将公式(1)(2)带入(3)中得到激励信号幅度参量的映射公式：

A(x,y)＝7.03·[D(x,y)·100]^0.81

其中各个像素点的幅值和频率信息则作为触觉信息记录在触觉信息矩阵A之中，同理可以得到触觉信息矩阵B；

将触觉信息矩阵A和触觉信息矩阵B进行叠加融合，即对应元素相加，得到最终可以被静电力触觉设备所识别的触觉水印信息矩阵H；

步骤八：将触觉水印信息矩阵H传输至静电力设备终端，在检测者手指与静电力设备屏幕接触时，检测者同时能摸到输入端自定义的包含版权信息的触觉矢量图和原始图片边缘纹理特征信息，实现触觉再现。

Claims (6)

1.一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于包括下列步骤：

步骤一：生成触觉形式数字水印，其包含原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征两部分，实施步骤如下：

A、生成原始图片边缘纹理触觉特征，包括以下步骤：

i)对于原始图片进行边缘检测，得到每一个像素点的边缘幅值P和边缘方向θ，根据每一个像素点的边缘幅值P和边缘方向θ得到原始图片的边缘部分；

ii)使用纹理提取算法提取原始图片边缘部分得到原始图片边缘纹理触觉特征，

所述的纹理提取算法是：

对原始图片边缘纹理触觉特征矩阵D₁中每一点进行处理得到所需二维数据：原始图片边缘纹理图像亮度值l_i,j：

其中，R_i,j、G_i,j、B_i,j分别为原始图片边缘纹理各点红绿蓝颜色分量，l_i,j表示原始图片边缘纹理图像各点亮度值；

进而得到了原始图片边缘纹理图像亮度值矩阵L_m×n：

分别对原始图片边缘纹理图像亮度值矩阵L_m×n和滤波函数

做离散傅里叶变换，得到二维频域值：

其中滤波函数中的σ_x和σ_y分表代表x和y方向上高斯滤波器的宽度，m和n分别为图像在x和y方向像素点的数量，u和v代表二维频域图像上的两个方向；

对原始图片边缘纹理图像亮度值矩阵L_m×n进行高斯滤波，滤除高频信号得到原始图片边缘纹理低频信号S(u,v)：

S(u,v)＝K(u,v)F(u,v)

再对S(u,v)进行傅里叶反变换得到反应物体的轮廓、走势和形状的原始图片边缘纹理各点低频信息w_i,j：

原始图片边缘纹理各点的高频信息h_i,j等于原始图片边缘纹理各点的亮度信息l_i,j减去反应物体轮廓和走势的原始图片边缘纹理各点的低频信息w_i,j：

h_i,j＝l_i,j-w_i,j

对原始图片边缘纹理各点的高频信息h_i,j进行规范化处理得到各像素点对应的物体纹理各点表面高度d_i,j：

其中，

为原始图片边缘纹理的高频信息h_i,j全部元素的平均值；

将各点对应的物体纹理表面高度d_i,j汇集到一起得到原始图片边缘纹理触觉特征矩阵D₁：

B、按照上述方法将自定义的矢量图进行纹理提取得到自定义矢量图纹理触觉特征，即各像素点对应的纹理表面高度，各像点对应的纹理表面高度组成自定义矢量图纹理触觉特征矩阵D₂：

C、将自定义矢量图纹理触觉特征和原始图片边缘纹理触觉特征二值化之后进行DES加密融合，得到用0和1表示的触觉形式数字水印；

所述的DES加密融合方法是：

i)将原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征各自分成若干块64位明文数据，即每一块原始图片边缘纹理触觉特征可以被表示为A1、A2…An,每一块自定义矢量图纹理触觉特征可以表示为B1、B2…Bn，对每一块64位明文进行初始置换，置换规则是规定的；

ii)在初始置换后，每一个64位明文数据再被分为左右两部分，每部分32位，即边缘纹理触觉特征是AR1、AL1、AR2、AL2…ARn、ALn；矢量图纹理触觉特征是BR1、BL1、BR2、BL2…BRn、BLn；

iii)常规的DES加密的乘积变换是对一块64位密文的左右两部分进行变换，即AR1和AL1，AR2和AL2…ARn和ALn，为了对原始图片边缘纹理触觉特征和矢量图纹理触觉特征进行融合，则用原始图片边缘纹理触觉特征中的一块64位密文中右或左部分和自定义矢量图纹理触觉特征中的一块64位密文中左或右部分进行乘积变换，如AL1和BR1进行乘积变换变换，每一组在秘钥的控制下，经过16轮乘积变换运算：

1)E变换

2)异或变换

3)S盒变换

4)P变换

5)异或变换

iv)左、右两部分连接再一起，再进行逆置换；

v)每两部分拼接后作为一块64位密文输出，共输出2n块密文；

步骤二：对触觉形式数字水印通过量化索引调制算法QIM嵌入到原始图片中；

步骤三：将嵌有水印信息的图片发布到网络；

步骤四：从网络下载嵌有水印信息的图片到本地；

步骤五：使用量化索引调制算法QIM相应的逆变换从图片中提取得到用无序“0”和“1”表示的触觉形式数字水印；

步骤六：将用无序“0”和“1”表示的触觉形式数字水印通过DES解密分离得到原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征，即有序排列的0和1数组；

步骤七：对原始图片边缘纹理触觉特征和自定义矢量图纹理触觉特征进行触觉建模和渲染得到可以被静电力触觉终端所识别的信息；

步骤八：将经过触觉建模和渲染的信息输入到静电力触觉终端，使检测者同时能摸到输入端自定义的包含版权信息的触觉矢量图和图片边缘纹理特征信息，实现触觉再现。

2.根据权利要求1所述一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于：所述步骤一中A的i)中的边缘检测步骤是：当两个区域之间的灰反值相差超过所用方法的界限值时，就证明它们之间有边缘，一阶微分是边缘检测的基本方法之一，很多边缘检测算法也基本都是通过求导来实现的，常用的方法包括但不仅限于差分边缘检测、Robert算子检测、Sobel算子检测、Prewitt算子检测、Laplace算子检测，最终得到每一个像素点的边缘幅值P和边缘方向θ，根据每一个像素点的边缘幅值P和边缘方向θ求得原始图片的边缘部分。

3.根据权利要求1所述一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于：所述步骤二中的量化索引调制算法QIM嵌入到原始图片中的步骤是：

F(I,W)＝Q(I,W,Δ)

其中I表示作品中待嵌入信息的载体向量，W表示待嵌入水印信息的索引，Δ表示量化器的量化步长，Q(I,W,Δ)表示量化步长为Δ的第W个量化器函数，F(I,W)是经过量化后的载体向量，不同的水印信息控制不同的量化器，对于本方法而言，二进制的“0”和“1”分别对应两个索引值，这个两个索引值与两个量化器相对应，从而根据水印信息对载体图像信息进行相应的量化处理，以量化索引调制中的DM-QIM方法为例，按照下述步骤来嵌入水印：

设X(i，j)为数字图像，T(k，1)为水印信息，d(k，1)为抖动量化矩阵，其与水印信息对应；

A、对载体图像X(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、利用d(k，1)及T(k，1)进行量化嵌入；

D、合成各个子块，进行DCT的逆变换，从而得到嵌入水印后的数字图像X’(i，j)。

4.根据权利要求1所述一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于：所述步骤五中的逆变换，其实现步骤如下：

设X’(i，j)为嵌入水印后的数字图像，W’(k，1)为提取的水印信息，d(k，l)为抖动量化矩阵；

A、水印图像X’(i，j)进行8·8DCT系数分块；

B、计算对应的抖动量化矩阵d(k，1)；

C、d(k,1)及X’(i,j)进行量化误差计算；

D、利用最小距离检测法判决水印位信息，并合成水印信息。

5.根据权利要求1所述一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于：所述步骤六中DES解密分离则是DES加密融合的逆运算，输入秘钥之后解密得到AR1、BL1,AR2、BL2…ARn、BLn各组，将AR1、AL1、AR2、AL2…ARn、ALn合并到一起得到原始图片边缘纹理触觉特征；BR1、BL1、BR2、BL2…BRn、BLn合并到一起得到自定义矢量图纹理触觉特征。

6.根据权利要求1所述一种基于静电力的触觉形式数字水印嵌入及检测方法，其特征在于：所述步骤七中实现步骤如下：

A：建立图像纹理的触觉特征映射模型

图像纹理的触感模拟的公式表达为：

f_t(t)＝μ[f_α+f_e(t)]

其中，μ为手指和触觉面板间的摩擦系数，f_α是手指施加的压力，一般恒定不变，f_e(t)为手指和触觉面板之间的静电吸引力，其表达式为：

其中，ε为自由空间介电常数，S为手指接触面积，V(t)为触觉激励信号，T_s和T_p分别为手指角质层厚度和绝缘薄膜厚度，ε_s和ε_p分别为手指角质层相对介电常数和绝缘薄膜相对介电常数；

针对于图像纹理的触觉建模，主要对梯度图像D(x,y)按坐标位置进行一一参数映射，D(x,y)对应原始图片边缘纹理触觉特征D₁和自定义矢量图纹理触觉特征D₂，基本模型表达式为：

V_x,y(t)＝A(x,y)sin[ω(x,y)t]

其中V_x,y(t)为在像素点D_x,y处加载的激励信号形式，A(x,y)是激励信号的幅度参量，ω(x,y)是激励信号的频率参量；

B：对纹理特征进行激励信号频率参量映射

将激励信号的频率范围按照对数分布划分为L个等级，各个等级的频率值为：

f_i(i＝1,2,…L)，i＝k·lgf_i，(k为常数,i＝1,2,…L)

对于归一化梯度图像D(x,y)，激励信号的频率参量表达为：

ω(x,y)＝f_i,i＝[D(x,y)·L+1]

C：对纹理特征进行激励信号幅度参量映射

Y为人体感知触觉强度等级的对数，人体感知触觉强度分为100个等级，用于映射图像纹理的梯度值D(x,y)，X为激励信号幅度参量的对数，表达式为：

Y＝lg[D(x,y)·100] (1)

X＝lg[A(x,y)] (2)

人体触觉感知强度等级的对数Y和激励信号幅度的对数X关系公式：

Y＝1.24·X-1.05 (3)

将公式(1)(2)带入(3)中得到激励信号幅度参量的映射公式：

A(x,y)＝7.03·[D(x,y)·100]^0.81

其中各个像素点的幅值和频率信息则作为触觉信息记录在触觉信息矩阵A之中，同理可以得到触觉信息矩阵B；

将触觉信息矩阵A和触觉信息矩阵B进行叠加融合，即对应元素相加，得到最终可以被静电力触觉设备所识别的触觉水印信息矩阵H。

Images