CN109712059B - 基于多尺度联合统计建模的数字水印检测方法 - Google Patents

Abstract

本发明公开了一种基于多尺度联合统计建模的数字水印检测方法，对原始图像进行二级Contourlet分解，对尺度二中方差最大的高频子带进行等尺寸不重叠的分块操作，通过乘性方法在高熵块中嵌入水印位，将含水印子带与其他子带归并后，对其进行重构得到含有水印信息的图像；对含水印图像进行相同的Contourlet分解，利用子带内系数间、尺度系数间、方向子带系数间的相关性，对所有子带系数构造基于Cauchy的矢量HMT模型，并根据EM算法估计模型参数；选择尺度二中方差最大的高频子带进行分块操作，在每一高熵块中，根据ML决策与LMP检验理论构造最优检测器；将训练得到的模型参数带入检测器，提取水印位信息。

Description

基于多尺度联合统计建模的数字水印检测方法

技术领域

本发明属于数字图像的版权保护技术领域，涉及基于统计建模模型的数字图像水印方法，特别涉及一种基于多尺度联合统计建模的数字水印检测方法。

背景技术

信息时代，以数字图像为主的多媒体信息数据传输量飞速增长，图像的版权纠纷层出不穷，如何有效解决数字图像的版权认证问题已迫在眉睫。因此，数字水印技术具极高的研究价值，而如何保持数字水印检测方法的鲁棒性和不可感知性之间的平衡是该领域研究热点。基于统计模型的数字水印检测方法是解决这种平衡问题的有效手段，近年来取得了一定的进展。

基于统计模型的数字图像水印检测方法主要分为基于边缘分布模型的检测方法与基于联合分布模型的检测方法。边缘分布认为图像频域子带内的系数是独立的，没有考虑系数之间的相关性，故模型精度不高，检测效果不够精确。联合统计模型能够捕获系数间相关性，以HMT模型为例，其在捕获子带内系数相关性的同时，还捕获了尺度间的系数相关性。在HMT模型基础上，通过系数的绑定，矢量HMT模型能够进一步捕获方向子带之间的系数相关性，从而提高建模的精确度。

基于统计模型的水印检测方法十分依赖模型对子带系数分布的刻画精度。现有基于小波域矢量HMT模型的水印检测方法中，模型均是基于高斯分布的，且检测器均是传统的ML检测器。该方法尚存在以下不足：第一，小波域方向子带系数间的相关性不强，导致模型精度不高；第二，变换域系数是非高斯的，而基于高斯分布的HMT模型对非高斯系数的描述能力有限；第三，ML检测器对弱信号的检测不够灵敏，从而影响鲁棒性和不可感知性之间的平衡。

发明内容

本发明是为了解决现有统计模型数字水印检测技术所存在的上述技术问题，提供一种基于多尺度联合统计建模的数字水印检测方法。

本发明的技术解决方案是：一种基于多尺度联合统计建模的数字水印检测方法，按如下步骤进行：

约定：表示原图像；指经Contourlet分解后，第个高频子带；表示第个高频子带的系数；表示高频子带系数均值；指中具有最大方差的高频子带；表示水印位为“1”时的嵌入函数，表示的反函数；表示水印位为“-1”时的嵌入函数，表示的反函数；为嵌入强度；表示从中选取的熵值最大的个块；为每一高熵值块中系数数量；为水印序列长度；为高熵值块中的系数；为修改后的每一高熵值块中的系数；表示水印位；为含水印图像；为经Contourlet分解后的子带集合；为模型参数集合；为初始状态概率；为状态转移概率；为位置参数；为协方差矩阵；为状态数；为尺度；表示里面具有最大方差的方向子带；表示从中选取的熵值最大的个块；表示第个高熵值块中第个位置的含水印矢量系数；表示响应值；表示检测阈值；表示伽马函数；为提取出的水印位；

a. 初始设置

获取原始图像并初始化变量；

b. 水印嵌入

b.1 对实行二级Contourlet分解，得到子带：

b.2 利用乘性函数在系数中嵌入水印位“1”或“-1”：

b.3 将划分为等尺寸且不重叠的块，选取；

b.4 修改获得：

b.5 整合所有子带并重构得到；

c. 矢量Cauchy-HMT系数建模

c.1 对图像进行Contourlet[2,3]分解得到集合；

c.2 对集合构造矢量HMT模型，并根据EM算法估计参数，参数集合表示为：

d. 构建检测器检测并提取水印信息

d.1 对子带进行等尺寸不重叠分块，选取；

d.2 根据ML决策与LMP检验原理，对每一高熵值块构造最优检测器：

提取高熵值块中的二进制水印位：

d.3 对每个高熵值块检测到的水印排序，从而得到目标水印序列。

本发明首先对原始图像进行二级Contourlet（轮廓波）分解，对尺度二中方差最大的高频子带进行等尺寸不重叠的分块操作，通过乘性方法在高熵值块中嵌入水印位，将含水印子带与其他子带归并后，对其进行重构得到含有水印信息的图像；其次，对含水印图像进行相同的Contourlet分解，利用子带内系数间、尺度系数间、方向子带系数间的相关性，对所有子带系数构造基于Cauchy的矢量HMT模型，并根据EM算法估计模型参数；然后，选择尺度二中方差最大的高频子带进行分块操作，在每一高熵值块中，根据ML决策与LMP检验理论构造最优检测器；最后，将训练得到的模型参数带入检测器，提取水印位信息。实验结果表明，本发明的方法对大多数常规攻击有较高的抗攻击能力，同时还保持了不可感知性与鲁棒性的良好平衡。

与现有技术相比，本发明具有以下有益效果：

第一，采用了方向子带间相关性更强的Contourlet变换，对待处理图像进行分解，使得构造的矢量HMT模型更加精确，提高了检测精度；

第二，采用了更适合刻画高峰重尾的系数分布特性的Cauchy分布，构造新矢量HMT模型，提高了模型的检测精度；

第三，根据ML决策与LMP检验理论构造了最优检测器，增强了检测器对弱水印信息的检测能力，更好地保持了鲁棒性与不可感知性之间的良好平衡。

附图说明：

图1为本发明实施例在标准灰度测试图像嵌入128位水印的含水印结果图。

图2为本发明实施例在标准灰度测试图像嵌入256位水印的含水印结果图。

图3为本发明实施例嵌入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为本发明实施例与对比文献的鲁棒性对比结果图。

图6为本发明实施例两种检测器响应值的对比结果图。

图7为本发明实施例的流程图。

具体实施方式

本发明的方法如图7所示，共包括三个阶段：水印嵌入、矢量Cauchy-HMT系数建模和构造最优检测器提取水印位，具体依次按如下步骤进行：

约定：表示原图像；指经Contourlet分解后，第个高频子带；表示第个高频子带的系数；表示高频子带系数均值；指中具有最大方差的高频子带；表示水印位为“1”时的嵌入函数，表示的反函数；表示水印位为“-1”时的嵌入函数，表示的反函数；为嵌入强度；表示从中选取的熵值最大的个块；为每一高熵值块中系数数量；为水印序列长度；为高熵值块中的系数；为修改后的每一高熵值块中的系数；表示水印位；为含水印图像；为经Contourlet分解后的子带集合；为模型参数集合；为初始状态概率；为状态转移概率；为位置参数；为协方差矩阵；为状态数；为尺度；表示里面具有最大方差的方向子带；表示从中选取的熵值最大的个块；表示第个高熵值块中第个位置的含水印矢量系数；表示响应值；表示检测阈值；表示伽马函数；为提取出的水印位；

a. 初始设置

获取原始图像并初始化变量；

b. 水印嵌入

b.1 对实行二级Contourlet分解，得到子带：

b.2 利用乘性函数在系数中嵌入水印位“1”或“-1”：

b.3 将划分为等尺寸且不重叠的块，选取；

b.4 修改获得：

b.5 整合所有子带并重构得到；

c. 矢量Cauchy-HMT系数建模

c.1 对图像进行Contourlet[2,3]分解得到集合；

c.2 对集合构造矢量HMT模型，并根据EM算法估计参数，参数集合表示为：

d. 构建检测器检测并提取水印信息

d.1 对子带进行等尺寸不重叠分块，选取；

d.2 根据ML决策与LMP检验原理，对每一高熵值块构造最优检测器：

提取高熵值块中的二进制水印位：

d.3 对每个高熵值块检测到的水印排序，从而得到目标水印序列。

实验测试和参数设置：

实验是在Matlab R2011a环境下执行的，所涉及的灰度测试图像尺寸均为，可从以下站点下载：http://decsai.ugr.es/cvg/dbimagenes/index.php。

图1为本发明实施例在标准灰度测试图像嵌入128位水印的含水印结果图。

图1中(a)原始图像Lena；(b) 原始图像Mandrill；(c) 原始图像Peppers ；

(d) 含水印Lena图像；(e) 含水印Mandrill图像；(f) 含水印Peppers图像。

图2为本发明实施例在标准灰度测试图像嵌入256位水印的含水印结果图。

图2中(a) 含水印Lena图像；(b) 含水印Mandrill图像；(c) 含水印Peppers图像。

图3为本发明实施例嵌入128位水印后与原图像的10倍差值结果图。

图3中(a) Lena-10倍差值图像；(b) Mandrill-10倍差值图像；(c) Peppers-10倍差值图像。

图4为本发明实施例嵌入256位水印后与原图像的10倍差值结果图。

图4中(a) Lena-10倍差值图像；(b) Mandrill-10倍差值图像；(c) Peppers-10倍差值图像。

图5为本发明实施例与对比文献的鲁棒性对比结果图。

图5中(a) 椒盐噪声；(b) 加性高斯白噪声；(c) 中值滤波；(d) JPEG压缩 ； (e)Gamma校正；(f) 旋转。

鲁棒性对比结果涉及文献如下：

【1】Amini2018

[1] Amini M, Ahmad M O, Swamy M N S. A robust multibitmultiplicative watermark decoder using a vector-based hiddenMarkov model in wavelet domain. IEEE Transactions on Circuits andSystems for Video Technology, 2018, 28(2): 402-413.

图6为本发明实施例两种检测器响应值的对比结果图。

图6中(a) 无攻击 ；(b) JPEG50；(c) 高斯滤波7*7；(d) 无攻击；(e) JPEG50 ；(f) 高斯滤波7*7。

Claims (1)

1.一种基于多尺度联合统计建模的数字水印检测方法，其特征在于按如下步骤进行：

约定：表示原图像；指经Contourlet分解后第个高频子带；表示第个高频子带的系数；表示高频子带系数均值；指中具有最大方差的高频子带；表示水印位为“1”时的嵌入函数，表示的反函数；表示水印位为“-1”时的嵌入函数，表示的反函数；为嵌入强度；表示从中选取的熵值最大的个块；为每一高熵值块中系数数量；为水印序列长度；为高熵值块中的系数；为修改后的每一高熵值块中的系数；表示水印位；为含水印图像；为经Contourlet分解后的子带集合；为模型参数集合；为初始状态概率；为状态转移概率；为位置参数；为协方差矩阵；为状态数；为尺度；表示里面具有最大方差的方向子带；表示从中选取的熵值最大的个块；表示第个高熵值块中第个位置的含水印矢量系数；表示响应值；表示检测阈值；表示伽马函数；为提取出的水印位；

a. 初始设置

获取原始图像并初始化变量；

b. 水印嵌入

b.1 对实行二级Contourlet分解，得到子带：

b.2 利用乘性函数在系数中嵌入水印位“1”或“-1”：

b.3 将划分为等尺寸且不重叠的块，选取；

b.4 修改获得：

b.5 整合所有子带并重构得到；

c. 矢量Cauchy-HMT系数建模

c.1 对图像进行Contourlet[2,3]分解得到集合；

c.2 对集合构造矢量HMT模型，并根据EM算法估计参数，参数集合表示为：

d. 构建检测器检测并提取水印信息

d.1 对子带进行等尺寸不重叠分块，选取；

d.2 根据ML决策与LMP检验原理，对每一高熵值块构造最优检测器：

提取高熵值块中的二进制水印位：

d.3 对每个高熵值块检测到的水印排序，从而得到目标水印序列。

Images