CN109727178B - 基于多元bkf参数校正的nsst域鲁棒图像水印方法 - Google Patents
基于多元bkf参数校正的nsst域鲁棒图像水印方法 Download PDFInfo
- Publication number
- CN109727178B CN109727178B CN201811607450.1A CN201811607450A CN109727178B CN 109727178 B CN109727178 B CN 109727178B CN 201811607450 A CN201811607450 A CN 201811607450A CN 109727178 B CN109727178 B CN 109727178B
- Authority
- CN
- China
- Prior art keywords
- watermark
- image
- nsst
- parameter
- bkf
- 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
Images
Landscapes
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于多元BKF参数校正的NSST域鲁棒图像水印方法,对原始图像执行非下采样剪切波变换,并对低频子带执行非重叠块处理,通过扩展抖动调制量化方法将水印嵌入原始图像中并重构获得含水印图像;计算待检测图像NSST域子带系数的多元BKF两个参数,并结合对样本进行缩放、平移、旋转的几何变换参数进行训练学习,得到FSVR训练模型;计算待检测含水印图像几何校正的数学模型,利用得到的FSVR训练模型确定模型参数进行几何校正;从经过校正的含水印图像中提取水印信息。
Description
技术领域
本发明属于图像版权保护领域,涉及一种基于参数校正的图像水印方法,特别涉及一种基于多元BKF参数校正的NSST域鲁棒图像水印方法。
背景技术
当今社会,互联网和多媒体的快速发展,给人们的日常生活带来了很大的方便,但同时多媒体资源也遭受了非法拷贝、伪造及传播。数字图像水印技术为解决图像信息安全危机提供了一种有效的手段,在数字图像版权保护领域具有非常大的研究和应用价值。如何兼顾变换域系数间的多种相关性和提高几何攻击的抵抗能力是数字图像水印领域共同关注的热点问题,而基于多元BKF参数校正的NSST域鲁棒水印方法是一种解决问题的有效手段。
该方法相比较传统图像水印技术优势在于:第一,使用多分辨率多尺度的非下采样剪切波变换(NSST),可以很好地捕捉图像的特征;第二,使用扩展抖动调制(STDM)量化方法将水印嵌入原始图像中,可以将失真扩散到所有分块中;第三,利用多元BKF进行参数估计并建模,充分考虑了尺度间、方向间、子带内系数间的多种相关性,提高了刻画系数间相关性的能力,第四,利用FSVR训练模型进行几何校正,对几何攻击有较好的抵抗能力。但是,现有统计参数的方法,大多数是采用一元概率密度函数分布,没有考虑子带的相关性(包括尺度间、方向间、子带内系数间),参数估计不够准确。
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,提供一种基于多元BKF参数校正的NSST域鲁棒图像水印方法。
本发明的技术解决方案是:一种基于多元BKF参数校正的NSST域鲁棒图像水印方法,其特征在于按如下步骤进行:
约定:F表示原始图像,大小为X×Y;w表示水印图像,大小为P×Q;Bk为低频子带块,K为块的总数;Qm表示抖动量化;bk(i,j)表示每个Bk中的系数;b'k(i,j)表示含水印系数;Δ为量化步长,Pk(i,j)表示投影向量;α为形状参数;∑为对称的正定矩阵;F′表示待检测含水印图像,大小为Qk为训练样本图像集合;C为输入向量;sk,θk,为几何变换参数;s*,θ*,为几何变换的预测值;为含水印低频子带块;为每个中的系数;为校正后的含水印图像;ExtMessage表示提取的一位水印;W*(i,j)表示最终提取的水印;
a.初始设置
获取原始图像F并初始化变量;
b.水印嵌入
b.1将F进行NSST二级分解,分解参数为[2 2],得到低频子带并进行不重叠分块:
b.2利用扩展抖动调制(STDM)量化方法进行水印嵌入:
b'k(i,j)=bk(i,j)+(Qm(bk(i,j)Pk(i,j),Δ)-bk(i,j)Pk(i,j))Pk(i,j)
b.3将b'k(i,j)与高频子带合并实行NSST重构获得F′;
c.多元BKF参数校正
c.1获得Qk(k=1,2,...,K),对Qk进行二级NSST分解,得到尺度一和尺度二的第三方向子带系数;
c.2使用矩估计法计算NSST域子带系数的多元BKF的参数∑;
c.3使用最大期望EM估计法计算NSST域子带系数的参数α;
c.5计算待检测含水印图像F′的NSST域尺度一和尺度二第三方向子带系数的多元BKF统计参数,得到的2个参数(α*,Σ*)作为FSVR的输入向量C={α*,Σ*};
d.水印提取
d.1将校正后的含水印图像F进行NSST二级分解,分解参数为[2 2],得到含水印低频子带并进行不重叠分块:
d.2采用最小距离检查方法进行水印的提取,提取过程表示为:
d.3按照水印图像对应位置,对ExtMessage进行择多选取,即可得到最终提取出的水印图像
W*={ExtMessage*(i,j)}(i=1,2,...,P-1;J=1,2,...,Q-1)。
本发明首先对原始图像执行非下采样剪切波变换(NSST),并对低频子带执行非重叠块处理,通过扩展抖动调制(STDM)量化方法将水印嵌入原始图像中并重构获得含水印图像;其次,计算待检测图像NSST域子带系数的多元BKF两个参数,并结合对样本进行缩放、平移、旋转的几何变换参数进行训练学习,得到FSVR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FSVR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信息。实验结果表明,本发明由于使用了多元BKF,考虑了尺度间、方向间、子带内系数间的多种相关性,使得参数估计更加准确,几何校正更好。
与现有技术对比,本发明具有以下有益效果:
第一,利用了扩展抖动调制(STDM)量化方法将嵌入引起的失真扩散到所有分块中,从而满足了峰值失真限制;
第二,充分考虑了NSST域尺度内、尺度间、方向间系数多种相关性,利用多元BKF参数作为训练样本图像的特征向量,使得参数估计更准确,几何校正效果更好。
附图说明:
图1为本发明实施例嵌入64位水印的含水印结果图。
图2为本发明实施例多元BKF分布拟合结果图。
图3为本发明实施例不可见性与水印容量关系结果图。
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
本发明的方法如图5所示,共包括三个阶段:水印嵌入、基于多元BKF参数校正和水印提取,具体步骤如下:
约定:F表示原始图像,大小为X×Y;w表示水印图像,大小为P×Q;Bk为低频子带块,K为块的总数;Qm表示抖动量化;bk(i,j)表示每个Bk中的系数;b'k(i,j)表示含水印系数;Δ为量化步长,Pk(i,j)表示投影向量;α为形状参数;∑为对称的正定矩阵;F′表示待检测含水印图像,大小为Qk为训练样本图像集合;C为输入向量;sk,θk,为几何变换参数;s*,θ*,为几何变换的预测值;为含水印低频子带块;为每个中的系数;为校正后的含水印图像;ExtMessage表示提取的一位水印;W*(i,j)表示最终提取的水印;
a.初始设置
获取原始图像F并初始化变量;
b.水印嵌入
b.1将F进行NSST二级分解,分解参数为[2 2],得到低频子带并进行不重叠分块:
b.2利用扩展抖动调制量化方法进行水印嵌入:
b'k(i,j)=bk(i,j)+(Qm(bk(i,j)Pk(i,j),Δ)-bk(i,j)Pk(i,j))Pk(i,j)
b.3将b'k(i,j)与高频子带合并实行NSST重构获得F′;
c.多元BKF参数校正
c.1获得Qk(k=1,2,...,K),对Qk进行二级NSST分解,得到尺度一和尺度二的第三方向子带系数;
c.2使用矩估计法计算NSST域子带系数的多元BKF的参数∑;
c.3使用最大期望EM估计法计算NSST域子带系数的参数α;
c.5计算待检测含水印图像F′的NSST域尺度一和尺度二第三方向子带系数的多元BKF统计参数,得到的2个参数(α*,Σ*)作为FSVR的输入向量C={α*,Σ*};
d.水印提取
d.2采用最小距离检查方法进行水印的提取,提取过程表示为:
d.3按照水印图像对应位置,对ExtMessage进行择多选取,即可得到最终提取出的水印图像
W*={ExtMessage*(i,j)}(i=1,2,...,P-1;J=1,2,...,Q-1)。
实验测试和参数设置:
该实验是在Matlab R2011a环境中进行,图像为512×512灰度图像,下载地址:http://decsai.ugr.es/cvg/dbimagenes/index.php。
图1为本发明实施例嵌入64位水印的含水印结果图。
图1中(a)原始图像Lena;(b)原始图像Barbara;(c)原始图像Mandrill;(d)含水印Lena图像;(e)含水印Barbara图像;(f)含水印Mandrill图像。
图2为本发明实施例多元BKF分布拟合结果图。
本发明实施例FSVR训练模型几何参数预测对比结果如下表。
对比文献:Wang C,Wang X,Zhang C,et al.Geometric correction based colorimage watermarking using fuzzy least squares support vector machine andBessel K form distribution.Signal Processing,2017,134:197-208.
图3为本发明实施例不可见性与水印容量关系结果图。
图4为本发明实施例鲁棒性测试结果图。
Claims (1)
1.一种基于多元BKF参数校正的NSST域鲁棒图像水印方法,其特征在于按如下步骤进行:
约定:F表示原始图像,大小为X×Y;w表示水印图像,大小为P×Q;Bk为低频子带块,K为块的总数;Qm表示抖动量化;bk(i,j)表示每个Bk中的系数;b'k(i,j)表示含水印系数;Δ为量化步长,Pk(i,j)表示投影向量;α为形状参数;∑为对称的正定矩阵;F′表示待检测含水印图像,大小为Qk为训练样本图像集合;C为输入向量;sk,θk,为几何变换参数;s*,θ*,为几何变换的预测值;为含水印低频子带块;为每个中的系数;为校正后的含水印图像;ExtMessage表示提取的一位水印;W*(i,j)表示最终提取的水印;
a.初始设置
获取原始图像F并初始化变量;
b.水印嵌入
b.1将F进行NSST二级分解,分解参数为[2 2],得到低频子带并进行不重叠分块:
b.2利用扩展抖动调制量化方法进行水印嵌入:
b'k(i,j)=bk(i,j)+(Qm(bk(i,j)Pk(i,j),Δ)-bk(i,j)Pk(i,j))Pk(i,j)
b.3将b'k(i,j)与高频子带合并实行NSST重构获得F′;
c.多元BKF参数校正
c.1获得Qk(k=1,2,...,K),对Qk进行二级NSST分解,得到尺度一和尺度二的第三方向子带系数;
c.2使用矩估计法计算NSST域子带系数的多元BKF的参数∑;
c.3使用最大期望EM估计法计算NSST域子带系数的参数α;
c.5计算待检测含水印图像F′的NSST域尺度一和尺度二第三方向子带系数的多元BKF统计参数,得到的2个参数(α*,Σ*)作为FSVR的输入向量C={α*,Σ*};
d.水印提取
d.1将校正后的含水印图像F进行NSST二级分解,分解参数为[2 2],得到含水印低频子带并进行不重叠分块:
d.2采用最小距离检查方法进行水印的提取,提取过程表示为:
d.3按照水印图像对应位置,对ExtMessage进行择多选取,即可得到最终提取出的水印图像
W*={ExtMessage*(i,j)}(i=1,2,...,P-1;J=1,2,...,Q-1)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607450.1A CN109727178B (zh) | 2018-12-27 | 2018-12-27 | 基于多元bkf参数校正的nsst域鲁棒图像水印方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811607450.1A CN109727178B (zh) | 2018-12-27 | 2018-12-27 | 基于多元bkf参数校正的nsst域鲁棒图像水印方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109727178A CN109727178A (zh) | 2019-05-07 |
CN109727178B true CN109727178B (zh) | 2023-05-09 |
Family
ID=66297299
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811607450.1A Active CN109727178B (zh) | 2018-12-27 | 2018-12-27 | 基于多元bkf参数校正的nsst域鲁棒图像水印方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109727178B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002013138A1 (en) * | 2000-08-03 | 2002-02-14 | Digital Copyright Technologies Ag | Method for adaptive digital watermarking robust against geometric transforms |
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 |
CN107945097A (zh) * | 2017-12-18 | 2018-04-20 | 辽宁师范大学 | 基于联合统计模型校正的鲁棒图像水印方法 |
-
2018
- 2018-12-27 CN CN201811607450.1A patent/CN109727178B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2002013138A1 (en) * | 2000-08-03 | 2002-02-14 | Digital Copyright Technologies Ag | Method for adaptive digital watermarking robust against geometric transforms |
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 |
CN107945097A (zh) * | 2017-12-18 | 2018-04-20 | 辽宁师范大学 | 基于联合统计模型校正的鲁棒图像水印方法 |
Non-Patent Citations (1)
Title |
---|
李建忠.抗几何攻击的鲁棒计算全息零水印算法.光电工程.2010,第37卷(第8期),全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN109727178A (zh) | 2019-05-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kaur et al. | A Survey on different techniques of steganography | |
Ramanjaneyulu et al. | Wavelet-based oblivious image watermarking scheme using genetic algorithm | |
CN107945097B (zh) | 基于联合统计模型校正的鲁棒图像水印方法 | |
Malonia et al. | Digital image watermarking using discrete wavelet transform and arithmetic progression technique | |
Song et al. | 2D Gabor filters-based steganalysis of content-adaptive JPEG steganography | |
Mehta et al. | An adaptive framework to image watermarking based on the twin support vector regression and genetic algorithm in lifting wavelet transform domain | |
Rasti et al. | Colour image watermarking based on wavelet and QR decomposition | |
Yang et al. | A geometric correction based robust color image watermarking scheme using quaternion exponent moments | |
Shanmugam et al. | Performance analysis of 2 level DWT-SVD based non blind and blind video watermarking using range conversion method | |
Lalitha et al. | Performance analysis of DCT and DWT audio watermarking based on SVD | |
CN109727178B (zh) | 基于多元bkf参数校正的nsst域鲁棒图像水印方法 | |
CN111028850A (zh) | 一种音频水印的嵌入方法和提取方法 | |
Progonov | Performance of statistical stegdetectors in case of small number of stego images in training set | |
Chopra et al. | Analysis of frequency domain watermarking techniques in presence of geometric and simple attacks | |
CN108053360B (zh) | 基于多相关hmt模型的数字图像水印检测方法 | |
Li et al. | A study on image digital watermarking based on wavelet transform | |
Bansal et al. | Performance evaluation of steganography tools using SVM and NPR tool | |
Song et al. | Entropy feature based on 2D Gabor wavelets for JPEG steganalysis | |
CN111340675A (zh) | 一种基于稀疏表示的彩色图案水印嵌入和提取方法 | |
Mahmoud et al. | Convolution Neural Network with Dual Tree Complex Wavelet Transform Preprocessor for Universal Image Steganalysis | |
Mallet et al. | Statistical correlation as a forensic feature to mitigate the cover-source mismatch | |
Bhardwaj et al. | A robust watermarking scheme using lifting wavelet transform and singular value decomposition | |
Dhar et al. | Color image watermarking based on radon transform and jordan decomposition | |
Gupta et al. | Secured blind image watermarking using entropy technique in DCT domain | |
Sudha et al. | FPGA implementation of DTCWT and PCA based watermarking technique |
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 |