CN110738592A - 基于多尺度分解与插值扩展的大容量可逆图像水印算法 - Google Patents

基于多尺度分解与插值扩展的大容量可逆图像水印算法 Download PDF

Info

Publication number
CN110738592A
CN110738592A CN201910843582.2A CN201910843582A CN110738592A CN 110738592 A CN110738592 A CN 110738592A CN 201910843582 A CN201910843582 A CN 201910843582A CN 110738592 A CN110738592 A CN 110738592A
Authority
CN
China
Prior art keywords
image
watermark
value
pixel
blocks
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.)
Granted
Application number
CN201910843582.2A
Other languages
English (en)
Other versions
CN110738592B (zh
Inventor
张正伟
李芬芬
陈伯伦
肖绍章
金圣华
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.)
Huaiyin Institute of Technology
Original Assignee
Huaiyin Institute of Technology
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 Huaiyin Institute of Technology filed Critical Huaiyin Institute of Technology
Priority to CN201910843582.2A priority Critical patent/CN110738592B/zh
Publication of CN110738592A publication Critical patent/CN110738592A/zh
Application granted granted Critical
Publication of CN110738592B publication Critical patent/CN110738592B/zh
Active 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00—General purpose image data processing
    • G06T2201/005—Image watermarking
    • G06T2201/0203—Image watermarking whereby the image with embedded watermark is reverted to the original condition before embedding, e.g. lossless, distortion-free or invertible watermarking

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

本发明涉及图像处理技术领域，公开了一种基于多尺度分解与插值算法的大容量可逆图像水印算法，包括水印嵌入与水印提取两个部分，水印嵌入之前通过多尺度分解与插值扩展进一步增大水印嵌入的容量；通过广义差值扩展方法嵌入水印信息，并通过灰度溢出处理使溢出的对应图像像素点不产生像素值溢出，再进一步地的增大嵌入的容量，水印提取为水印嵌入的逆过程。与现有技术相比，本发明在嵌入等量水印信息时本发明保持良好的含水印图像视觉质量，具有更好的不可见性和有效载荷能力。

Description

基于多尺度分解与插值扩展的大容量可逆图像水印算法
技术领域
本发明涉及图像处理技术领域，特别涉及一种基于多尺度分解与插值扩展的大容量可逆图像水印算法。
背景技术
可逆图像水印是指在确保原始图像视觉质量的前提下，将水印嵌入到原始图像当中，且当水印在被提取之后，原始图像可无损恢复。可逆图像水印和传统数字图像水印相比，其对水印嵌入方面提出了更高的要求，也使得其在司法、军事、医疗等对图像真实性和完整性要求较高的领域，具有更加广泛的研究和应用价值。可逆图像水印算法研究的基本目标之一是以较小的失真来取得最大的有效信息嵌入量。
现有技术中基于相邻像素对差值扩展的大容量可逆水印算法已经受到越来越多的关注。由于其有较大的嵌入容量和较好的视觉质量，且算法复杂度低便于实现。为此，国内外学者提出了很多基于差值扩展的改进嵌入算法。
本申请人于2019年08月28日提交的申请号为201910792706.9的可逆图像水印算法是基于改进差值扩展的大容量可逆图像水印算法，其通过推导，得出通过广义差值扩展法进行水印嵌入前后像素均值不变致使其前后平滑度值不变，便于水印提取；而且使用改进的灰度溢出处理方法，保证一定视觉质量的前提下，可以进行多次水印嵌入，扩大水印嵌入的容量；通过差值量化算法嵌入辅助信息，具有较好的不可感知性；水印提出后可以恢复出原始图像，并且提取的水印与原始水印的相似度高，误差较小。但是也存在一些缺点，将原始图像划分为4×4情况下，在嵌入容量和降低图像失真度方面还有很大的改进空间，在嵌入同等容量的信息情况下视觉质量有待提升。
发明内容
发明目的：针对现有技术中存在的视觉质量与嵌入容量低的问题，本发明提供一种基于多尺度分解与插值扩展的大容量可逆图像水印算法，在嵌入容量一定的情况下，嵌入水印的图像视觉质量大大得到提升，并且提取出水印后能完全恢复出原始图像，实现了算法可逆。
技术方案：本发明提供了一种基于多尺度分解与插值扩展的大容量可逆图像水印算法，包括水印嵌入和水印提取两部分，所述水印嵌入包括如下步骤：
S1对水印W作猫脸置乱变换得到W'，并对W'将其转变为一维二进制序列；
S2对M×N大小的原图像I进行多尺度分解，将其划分为互不重叠图像同质块与非同质块，并按照从左到右、从上到下顺序分别对分解得到的同质块和非同质块进行排序；
S3按序对排序后获得的所有同质块中像素点值进行插值扩展，获得新的图像块；
S4对S3中新的图像块通过广义差值扩展算法进行水印嵌入，水印嵌入前后图像块像素均值不变；
S5对S4中嵌入信息后超出图像灰度值范围的像素点在原始图像同样尺寸的二值图像中进行标注，生成溢出定位图；
S6对S5中已标识溢出的像素点进行灰度溢出处理使其不产生像素值溢出，以便再次利用广义差值扩展算法进行水印嵌入；
S7对S5中生成的溢出定位图进行压缩并连同水印嵌入量和水印猫脸置乱次数信息构成辅助信息；
S8对S2中非同质块，选取后k块非同质块，对选择的每个非同质块中每个像素利用差值量化的方法嵌入辅助信息，并保存选取的子块数k，生成含嵌入辅助信息非同质图像块A2；
S9对S4与S6中生成的含水印同质块，去除S3中通过插值扩展插入的均值像素点，生成水印嵌入后的图像块A1；
S10合并S8中A2与S9中A1，生成含水印图像I'；
所述水印提取包括如下步骤：
A1根据S2中原始图像I多尺度分解信息，以此来对含水印图像I'进行多尺度分解；
A2对分解后各子块Ip'，按照从上到下、从左到右分别对同质块和非同质块进行排序，其中0≤p≤n，n为含水印图像I经分解后得到的子块总数；
A3对选取非同质块序列中后k块子块通过逆差值量化方法提取辅助信息；
A4根据A3提取出的辅助信息，并利用逆广义差值扩展算法从排序好的同质块中提取出水印；
A5对A4中提取的水印通过猫脸反置乱恢复出水印信息W；
A6对A3与A4中提取出水印信息后恢复出的同质块和非同质块按序结合在一起得到恢复出的原始图像A。
进一步地，所述S2与A1中的多尺度分解包括：
1.1)将一个方形图像划分为4个等尺寸的方形块；
1.2)对步骤1.1中4个方形块判别是否满足同质性准则，如果当前块满足，则保持不变，否则继续分解为4个方形块，并判定是否满足准则，所述分解准则可表示为：
|Pi-Pave|＞(gl-1)×γ
其中，Pi和Pave分别代表方形块中的任一像素的灰度值和平均像素灰度值，gl代表像素的灰度级数，γ为一个值域为[0,1]的小数；
1.3)循环步骤1.1)与步骤1.2)，直至最小块尺寸为4×4；
1.4)将每块图像块转换成二进制形式，并对其进行编码；
1.5)对步骤1.4)中图像子块进行排序，并按排序结果依次记录每一块的尺度信息，从而构成原始图像I的分解信息q，使用Huffman编码进一步减小图像分解信息的长度，表示为Huf(q)。
进一步地，所述S3中插值扩展包括：
2.1)按行对图像子块中的相邻像素点值通过求平均获得其插值；
2.2)再按列对图2步骤2.1)中的相邻像素点值通过求平均获得其插值。
进一步地，所述S1中改进猫脸置乱变换方法为：
Figure BDA0002194478930000031
其中，(x′，y′)为原始像素变换后的坐标，(x，y)是原始图像各像素坐标，M为图像大小，c、d为随机生成的置乱次数。
进一步地，S6中灰度溢出处理，具体操作为：
若通过广义差值扩展后生成的像素值为正溢出b，则变换后的像素点像素值为：255-|b-255|；
若通过广义差值扩展后生成的像素值为负溢出b'，则变换后的像素点像素值为：0-|b'-0|。
进一步地，所述S8中差值量化方法嵌入辅助信息包括如下步骤：
3.1)计算所述S2中平滑度值排序序列中后k块图像块中每个子块的像素均值：
Figure BDA0002194478930000032
式中，m、n分别为所划分图像块的行和列大小，x1,x2,…,xm×n为图像块中所含像素点；
3.2)提取步骤3.1)中每个图像块的最大像素值与最小像素值，利用差值量化方法进行辅助信息嵌入。
进一步地，所述步骤3.2)中差值量化方法包括：
1.1)利用最小像素值和均值进行比较嵌入辅助信息，其公式为：
其中，a表示待嵌入像素点值，
Figure BDA0002194478930000042
表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余；
1.2)最大像素值和均值进行比较嵌入辅助信息，其公式为：
Figure BDA0002194478930000043
其中，a表示待嵌入像素点值，
Figure BDA0002194478930000044
表示所嵌入像素点所在图像块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
进一步地，所述A3中差值量化方法提取辅助信息，在辅助信息提取时，其辅助提取信息顺序和所述S8中辅助信息嵌入顺序相反，即设在嵌入辅助信息时，先利用最小像素值来嵌入辅助信息，再利用最大像素值来嵌入辅助信息，则在提取辅助信息时，先利用最大像素值来提取辅助信息，再利用最小像素值来提取辅助信息，可保持图像块中最小像素值和最大像素值与像素块平均值之间的奇偶关系在辅助信息嵌入前后保持一致，即：
Figure BDA0002194478930000045
其中，a表示待嵌入像素点值，
Figure BDA0002194478930000046
表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
有益效果：
1.本发明对传统的多尺度分解方法进行改进，传统多尺度分解属于固定尺寸分块方法，而本发明采用的多尺度分解属于不定尺寸的图像划分，其分解得到的图像块中的像素具有高同质性。
2.本发明通过对多尺度分解算法下的图像块进行插值扩展算法，按行、按列对图像子块中的相邻像素点值通过求平均获得其插值，增加了像素点的嵌入值，扩大了水印嵌入与水印提取的容量，图像视觉质量大大提升，具有更好的不可见性和有效载荷能力。
3.本发明经过推导可以得出一组像素经过广义差值扩展法后其组内的像素均值不变，所以在水印嵌入后各像素块的平滑度值不变，利用其不变性可以标识信息嵌入位置，替代占据大量空间的位置标志图。
4.本发明使用灰度溢出处理方法，对通过广义差值扩展算法产生溢出的像素点进行处理，使其像素值不溢出，本处理方法在保证一定视觉质量的前提下，可以进行多次水印嵌入，扩大的水印嵌入的容量。
5.本发明算法与传统的水印嵌入、水印提出相比，保持良好的视觉质量的同时，具有较好的不可感知性，其有效荷载能力较高，在水印提出后可以完整的恢复出原始图像，并且提取的水印与原始水印的相似度极高，误差较小。
附图说明
图1为本发明水印嵌入流程图；
图2为本发明水印提取与图像恢复流程图；
图3为本发明算法中使用的试验图，其中a为Lena图，b为Barbara图，c为Baboon图，d为Pepper图；
图4为本发明中试验使用的水印图像；
图5为本发明试验图Lena图像的多尺度分解实例；
图6为图5中经改进的多尺度分解后生成的分块图；
图7为本发明中经过插值扩展算法后按行广义差值扩展算法嵌入水印流程图；
图8为本发明中经过插值扩展算法后按列广义差值扩展算法嵌入水印流程图
图9为本发明算法中灰度溢出处理方法的流程图；
图10为本发明算法实验视觉效果对比图。
具体实施方式
下面结合附图对本发明进行详细的介绍。
本发明公开了一种基于多尺度分解与插值扩展的大容量可逆图像水印算法，主要包括水印嵌入与水印提取两部分，下面分别对其进行详细描述：
水印嵌入步骤：
步骤S1对水印W作猫脸置乱变换得到W'，并对W'将其转变为一维二进制序列。
传统猫脸Arnold置乱变换矩阵比较简单，在遭受恶意攻击时容易被攻击者解密从而还原出原始水印，保密性和鲁棒性都不够强。为增强数字图像水印系统的抗攻击鲁棒性和安全性，本文对传统Arnold置乱变换进行了改进，改进后的置乱方法如下：
Figure BDA0002194478930000061
其中(x′，y′)为原始像素变换后的坐标，(x,y)是原始图像各像素坐标，M为图像大小，c、d为置乱次数。Arnold置乱变换是一一映射的，每次变换的变换参数c、d都是随机生成的。
步骤S2对M×N大小的原图像I进行多尺度分解，将其划分为互不重叠图像同质块与非同质块，并按照从左到右、从上到下顺序分别对分解得到的同质块和非同质块进行排序。
将一幅图像从整体到局部进行多尺度划分，得到不同尺度的图像子块。分割方法见附图5，从左到右分别为第1至第3尺度的分割。图像分割尺度为设定的最大尺度。传统多尺度分解属于固定尺寸分块方法，需对多尺度分解进行了改进。改进了的图像多尺度分解是将一个方形图像划分为4个等尺寸的方形块，然后对4个方形块判别是否满足同质性准则。如果当前块满足，则保持不变，否则继续分解为4个方形块，并判定是否满足准则，直到所有的方块满足给定的准则为止，其分解准则可表示为：
|Pi-Pave|＞(gl-1)×γ (2)
其中，Pi和Pave分别代表方形块中的任一像素的灰度值和平均像素灰度值，gl代表像素的灰度级数，γ为一个值域为[0,1]的小数。
该准则为当方形块中的任一像素的灰度值与平均像素灰度值差的绝对值大于(gl-1)×γ时，方块需要继续划分。从分块方法来看，其属于不定尺寸的图像划分，其分解得到的图像块中的像素具有高同质性。在本发明算法中规定划分的最小块尺寸为4×4，以附图5中的划分图片来看，参见附图6，附图6为Lena图像经改进的多尺度分解后生成的分块图。
通过多尺度分解后的每个图像块的大小为22+n×22+n，n∈{0，1，2...，7}，可将每块的尺寸信息转化为二进制形式。对分解得到的各子块按分块尺寸大小进行编码，如表1所示：
表1多尺度分解后图像块的尺度编码
Figure BDA0002194478930000062
对通过多尺度分解后得到的图像子块进行排序(从上到下，从左到右)，并按排序结果依次记录每一块的尺度信息，从而构成原始图像的分解信息q，可以使用Huffman编码进一步减小图像分解信息的长度，表示为Huf(q)。
为了算法的安全性，将参数Huf(q)的长度和编码表以密钥方式发送给接收方。
步骤S3按序对排序后获得的所有同质块中像素点值进行插值扩展，获得新的图像块。
本发明所划分的最小同质块设定为4×4，则对于大小为512×512的原始图像而言，所划分出的同质块大小可能为4×4，8×8，16×16，……，256×256。
在此，以4×4大小的图像块为例来分析通过插值扩展算法来对图像子块内容进行扩展。
假设原始图像中某同质子块中的像素值如下表所示：
80 76 84 78
78 82 78 84
76 80 80 82
80 82 78 80
按行对上述图像子块中的相邻像素点值通过求平均获得其插值，具体如下表所示。
80 78 76 80 84 81 78
78 80 82 80 78 81 84
76 78 80 80 80 81 82
80 81 82 80 78 79 80
再按列对上述相邻像素点值通过求平均获得其插值，具体如下表所示。
80 78 76 80 84 81 78
79 79 79 80 81 81 81
78 80 82 80 78 81 84
77 79 81 80 79 81 83
76 78 80 80 80 81 82
78 79 81 80 79 80 81
80 81 82 80 78 79 80
所以4×4的图像块经过插值扩展算法变为7×7的图像块。
步骤S4对S3中新的图像块通过广义差值扩展算法进行水印嵌入，水印嵌入前后图像块像素均值不变。
本发明算法中使用的广义差值扩展法：
广义差值扩展法选取相邻的多个像素点来进行处理，可用来嵌入更多的水印信息，本文采用此方法来对选取的原始图像像素块进行信息嵌入。
假设X＝(x0，x1，x2，x3，…，xn-1)是一组像素值，则广义整数变换的正变换为：
Figure BDA0002194478930000081
d1＝x1-x0
d2＝x2-x0
Figure BDA0002194478930000082
dn-1＝xn-1-x0
对于一组像素插值d1，d2，…，dn-1，可分别使用d′i＝2×di+b隐藏1比特位水印信息b，其中d′i为嵌入水印后的像素对差值，要求该水印嵌入过程不会引起图像像素值的溢出问题。相应的反变换为：
Figure BDA0002194478930000083
x′1＝x'0+d′1
x'2＝x'0+d'2
x'n-1＝x'0+d'n-1
通过广义差值扩展算法生成的一组像素值X′＝(x′0，x′1，x′2，x3，...，x′n-1)，则其组内像素的均值为：
Figure BDA0002194478930000085
Figure BDA0002194478930000086
Figure BDA0002194478930000091
Figure BDA0002194478930000092
经推导计算
Figure BDA0002194478930000093
由此可知一组像素经广义差值扩展变换后其组内均值不变。
本发明中先按行对图像子块中的相邻像素点值通过求平均获得其插值，即步骤S3，将其插值和其左右两个像素值构成一组用于嵌入水印的像素组，再利用广义差值扩展算法进行嵌入。若原始相邻两像素点值为(a，b)，则其平均值为
Figure BDA0002194478930000094
构成的嵌入像素组为
Figure BDA0002194478930000095
Figure BDA0002194478930000096
在通过广义差值扩展算法在进行水印嵌入时，可以嵌入2位的水印信息，假设为0，1。在具体进行嵌入时，变换待嵌入像素组中像素点的位置，将
Figure BDA0002194478930000097
认作x0，a认作x1，b认作x2。
则
Figure BDA0002194478930000098
Figure BDA0002194478930000099
Figure BDA00021944789300000910
Figure BDA00021944789300000911
Figure BDA00021944789300000913
去除x0'，保留x1'和x2'作为新的生成含水印像素点。由x1'和x2'获得其均值为
Figure BDA00021944789300000914
也就是
所以，对于已经通过S3中插值扩展算法生成的同质块，先按行顺序依次选取3个像素点，如附图7所示，利用上述所示广义差值扩展算法来嵌入水印，即第一步选取图7中的横向前3个像素点(80,78,76)来嵌入水印；第二步再选择图7中的(76,80,84)来嵌入水印，以此类推；接着再按列顺序依次选取3个像素点，如附图8所示，利用上述所示广义差值扩展算法来嵌入水印，其与按行嵌入步骤相同。
步骤S5对S4中嵌入信息后超出图像灰度值范围的像素点在原始图像同样尺寸的二值图像中进行标注，有溢出在相应位置标注1，没有溢出在相应位置标注0，即生成了溢出定位图。
步骤S6对S5中已标识溢出的像素点进行灰度溢出处理使其不产生像素值溢出，以便再次利用广义差值扩展算法进行水印嵌入。
若通过广义差值扩展后生成的像素值为正溢出b，则变换后的像素点像素值为：255-|b-255|；
若通过广义差值扩展后生成的像素值为负溢出b'，则变换后的像素点像素值为：0-|b'-0|。
例如，若通过差值扩展后生成的像素值为266，则新的图像像素值为：244，具体的灰度溢出处理流程图参见附图9。
266-255＝11
255-11＝244
假设原始图像被划分为2×2子块(此处只是举例表示本灰度溢出处理方法，本实施方式中规定划分的最小块尺寸为4×4，经过插值扩展后为7×7，原理与划分为2×2相同，划分为4×4的话每个图像子块含有16个像素点，难以举例表示，顾举例2×2子块表示。)，若其中一子块像素值为(244，254，250，248)，则通过广义差值扩展嵌入算法嵌入的水印信息为3位。若嵌入的水印信息为(1，1，1)，则经过一次广义差值变换处理后，生成的图像子块的像素值为(239，260，252，248)。这时图像子块中的第二个像素点值产生溢出，需对其进行溢出处理，以便更好地进行水印嵌入。
经逆差变换后，图像子块的像素值为(239，250，252，248)，该变换后的子块再经广义差值变换嵌入水印信息(1，1，1)后生成的新子块像素值为(230，253，257，249)，该子块经广义差值扩展后产生溢出，经逆差变换后，生成的子块像素值为(230，253，253，249)。
通过此处理后所生成的像素点值作为对应像素点在嵌入水印后生成的新像素点值，通过分析发现对图像视觉质量影响较小，以此可以进行第二次甚至多次水印嵌入。
步骤S7压缩S5生成的溢出定位图，将其与水印嵌入量和水印置乱次数c、d等信息构成待嵌入辅助信息。
步骤S8对S2中非同质块排序，选取后k块子块，对选择的每个非同质块中每个像素利用差值量化的方法实现辅助信息的嵌入，并保存选取的子块数k，生成含嵌入辅助信息非同质图像块A2。
STEP7.1：计算非同质块排序序列中后k块子块中每个子块的像素均值。
Figure BDA0002194478930000111
式(3)中，m、n分别为所划分子块的行和列大小。x1,x2,…,xm×n为子块中所含像素点。
STEP7.2：提取每个子块中最大像素值和最小像素值，利用差值量化进行辅助信息嵌入。
(1)利用最小像素值和均值进行比较嵌入辅助信息：
式(4)中，a表示待嵌入像素点值，
Figure BDA0002194478930000113
表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
(2)最大像素值和均值进行比较嵌入辅助信息：
Figure BDA0002194478930000114
步骤S9对S4与S6中生成的嵌入水印的同质块，去除S3中通过插值扩展插入的均值像素点，生成水印嵌入后的图像块A1。
步骤S9合并S8中A2和S9中A1，生成含水印图像I'。
下面再对水印提取作详细描述：
假设对原始图像I中任一像素对(a,b)，嵌入的水印信息为0，1，在通过前述广义差值扩展算法嵌入水印信息后生成的像素对值为(x1'，x2')。
Figure BDA0002194478930000115
Figure BDA0002194478930000121
Figure BDA0002194478930000122
由
Figure BDA0002194478930000123
所以在通过插值扩展和差值扩展算法在嵌入一位水印信息时，若嵌入水印信息为1时，则得到的新的差值为奇数值。同理，若嵌入的水印信息为0时，则得到的新的差值为偶数值。通过此方法，当我们恢复原始图像I时，若水印图像中像素对(a，b)其差值若为奇数，则代表嵌入的水印信息为1，否则为0。通过此方法就可以提取出水印信息，所以水印提取包括如下步骤：
步骤A1接收方通过密钥方式从发送方接收到原始图像I多尺度分解信息，即步骤S2中的多尺度分解信息，以此来对含水印图像I'进行多尺度分解，具体多尺度分解步骤参见上述步骤S2。
步骤A2对分解后各子块Ip'，按照从上到下、从左到右分别对同质块和非同质块进行排序，其中0≤p≤n，n为含水印图像I经分解后得到的子块总数。
步骤A3对选取非同质块序列中后k块子块通过逆差值量化方法提取辅助信息。
通过差值量化方法提取辅助信息，在信息提取时其提取信息顺序和嵌入顺序相反。假设在辅助信息嵌入时，在每个图像块中，先利用最小像素值来嵌入辅助信息，再利用最大像素值来嵌入辅助信息。为了保持图像块中最小像素值和最大像素值与像素块平均值之间的奇偶关系在辅助信息嵌入前后保持一致，则在提取辅助信息时，先利用最大像素值来提取辅助信息，再利用最小像素值来提取辅助信息。
其中，a表示待嵌入像素点值，表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
步骤A4根据A3提取出的辅助信息，并利用逆广义差值扩展算法从排序好的同质块中提取出水印。
步骤A5对A4中提取的水印通过猫脸反置乱恢复出水印信息W。
步骤A6对A3与A4中提取出水印信息后恢复出的同质块和非同质块按序结合在一起得到恢复出的原始图像A。
利用本发明算法，与相关对比算法相比，有如下效果：
利用本发明算法与方法一算法(本申请人于2019年08月28日提交的申请号为201910792706.9的一种改进差值扩展的大容量可逆图像水印算法)、方法二算法(oan-Catalin Dragoi,Dinu Coltuc.Adaptive Pairing Reversible Watermarking.IEEETransactions on Image Processing,2016,25(5):2420-2422)对生成的含水印图像进行PSNR和SSIM比较，具体对比结果如表2所示：
表2 PSNR和SSIM比较
Figure BDA0002194478930000131
该发明算法针对4幅原始图像(Lena图，Barbara图，Baboon图，Pepper图)嵌入水印信息后，其PSNR值最可高达59.35dB，相比方法一算法、方法二算法具有更好的不可见性，而且本发明算法相对于方法二算法具有更高的SSIM。从表1可以看出，在嵌入相同量的水印信息，本发明算法要比方法一算法有更好的PSNR和SSIM值，这也说明了本发明提出的算法具有更好的视觉质量。具体视觉效果以及水印提取效果见附图10。
从附图10中观测发现，人眼感觉不到水印图像中水印信息的存在。含水印图像视觉效果较好，其相应的PSNR值说明对不同类型图像本发明算法具有较好的不可感知性，平均PSNR值高达58.42dB。
下表3为本发明算法在有效载荷容量、SSIM和PSNR方面的性能与其他相关算法的对比结果：
表3本发明算法在有效载荷容量、SSIM和PSNR方面的性能
Figure BDA0002194478930000141
表中10,30,70,90and 100％是指待嵌入水印容量占最大嵌入容量的比重。在嵌入最大嵌入容量的10,30,70,90and 100％时，利用PSNR来评估含水印图像的视觉质量。从上表3，不难看出，本发明在有效载荷能力方面要优于方法二和方法三(Zahra Pakdaman,Saeid Saryazdi,Hossein Nezamabadi-pour.A prediction based reversible imagewatermarking in Hadamard domain.Multimedia Tools andApplications,2017,76(6):8517-8545.)算法，同时具有良好的SSIM和PSNR值。这里给出的结果表明，本发明增加了水印嵌入的容量，而且增加了有效载荷能力，同时仍保持良好的含水印图像视觉质量。
下表4为本发明算法与其他几个图像处理水印算法的性能比较：
表4水印算法性能比较
Figure BDA0002194478930000142
Figure BDA0002194478930000151
表4所示为3种算法计算出的PSNR值、原始图像与提取水印之后恢复的图像的SSIM值以及原始水印与提取水印的SSIM值的实验结果对比。可以看出，本发明算法得到的含水印图像的PSNR值较高，尤其是比方法四(Arsalan M,Malik S A,Khan A.Intelligentreversible watermarking in integer wavelet domain for medical images.Journalof Systems and Software,2014,85(4):883-894.)高很多；而且在水印提出之后可以完整地恢复出原始图像，并且提取的水印与原始水印的相似度极高，误差很小，较方法五(Al-Osamah O M,Bee E K.Two-dimensional difference expansion(2D-DE)scheme with acharacteristics-based threshold.Signal Processing,2015,93(1):154-162.)和方法六(Lei B Y,Tan E L,Chen S P,et al.Reversible watermarking scheme for medicalimage based on differential evolution[J].Expert Systems withApplications,2016,41(7):3178-3188.)有了明显的提高。
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，包括水印嵌入和水印提取两部分，所述水印嵌入包括如下步骤：
S1对水印W作猫脸置乱变换得到W'，并对W'将其转变为一维二进制序列；
S2对M×N大小的原图像I进行多尺度分解，将其划分为互不重叠图像同质块与非同质块，并按照从左到右、从上到下顺序分别对分解得到的同质块和非同质块进行排序；
S3按序对排序后获得的所有同质块中像素点值进行插值扩展，获得新的图像块；
S4对S3中新的图像块利用广义差值扩展算法进行水印嵌入，水印嵌入前后图像块像素均值不变；
S5对S4中嵌入信息后超出图像灰度值范围的像素点在原始图像同样尺寸的二值图像中进行标注，生成溢出定位图；
S6对S5中已标识溢出的像素点进行灰度溢出处理使其不产生像素值溢出，以便再次利用广义差值扩展算法进行水印嵌入；
S7对S5中生成的溢出定位图进行压缩并连同水印嵌入量和水印猫脸置乱次数信息构成辅助信息；
S8对S2中非同质块，选取后k块非同质块，对选择的每个非同质块中每个像素利用差值量化的方法嵌入辅助信息，并保存选取的子块数k，生成含嵌入辅助信息非同质图像块A2；
S9对S4与S6中生成的含水印同质块，去除S3中通过插值扩展插入的均值像素点，生成水印嵌入后的图像块A1；
S10合并S8中A2与S9中A1，生成含水印图像I'；
所述水印提取包括如下步骤：
A1根据S2中原始图像I多尺度分解信息，以此来对含水印图像I'进行多尺度分解；
A2对分解后各子块Ip'，按照从上到下、从左到右分别对同质块和非同质块进行排序，其中0≤p≤n，n为含水印图像I经分解后得到的子块总数；
A3对选取非同质块序列中后k块子块通过逆差值量化方法提取辅助信息；
A4根据A3提取出的辅助信息，并利用逆广义差值扩展算法从排序好的同质块中提取出水印；
A5对A4中提取的水印通过猫脸反置乱恢复出水印信息W；
A6对A3与A4中提取出水印信息后恢复出的同质块和非同质块按序结合在一起得到恢复出的原始图像A。
2.根据权利要求1所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述S2与A1中的多尺度分解包括：
1.1)将一个方形图像划分为4个等尺寸的方形块；
1.2)对步骤1.1中4个方形块判别是否满足同质性准则，如果当前块满足，则保持不变，否则继续分解为4个方形块，并判定是否满足准则，所述分解准则可表示为：
|Pi-Pave|＞(gl-1)×γ
其中，Pi和Pave分别代表方形块中的任一像素的灰度值和平均像素灰度值，gl代表像素的灰度级数，γ为一个值域为[0,1]的小数；
1.3)循环步骤1.1)与步骤1.2)，直至最小块尺寸为4×4；
1.4)将每块图像块转换成二进制形式，并对其进行编码；
1.5)对步骤1.4)中图像子块进行排序，并按排序结果依次记录每一块的尺度信息，从而构成原始图像I的分解信息q，使用Huffman编码进一步减小图像分解信息的长度，表示为Huf(q)。
3.根据权利要求1所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述S3中插值扩展包括：
2.1)按行对图像子块中的相邻像素点值通过求平均获得其插值；
2.2)再按列对图2步骤2.1)中的相邻像素点值通过求平均获得其插值。
4.根据权利要求1所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述S1中改进猫脸置乱变换方法为：
Figure FDA0002194478920000021
其中，(x′，y′)为原始像素变换后的坐标，(x，y)是原始图像各像素坐标，M为图像大小，c、d为随机生成的置乱次数。
5.根据权利要求1所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，S6中灰度溢出处理，具体操作为：
若通过广义差值扩展后生成的像素值为正溢出b，则变换后的像素点像素值为：255-|b-255|；
若通过广义差值扩展后生成的像素值为负溢出b'，则变换后的像素点像素值为：0-|b'-0|。
6.根据权利要求1所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述S8中差值量化方法嵌入辅助信息包括如下步骤：
3.1)计算所述S2中平滑度值排序序列中后k块图像块中每个子块的像素均值：
Figure FDA0002194478920000031
式中，m、n分别为所划分图像块的行和列大小，x1,x2,…,xm×n为图像块中所含像素点；
3.2)提取步骤3.1)中每个图像块的最大像素值与最小像素值，利用差值量化方法进行辅助信息嵌入。
7.根据权利要求6所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述步骤3.2)中差值量化方法包括：
1.1)利用最小像素值和均值进行比较嵌入辅助信息，其公式为：
Figure FDA0002194478920000032
其中，a表示待嵌入像素点值，
Figure FDA0002194478920000033
表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余；
1.2)最大像素值和均值进行比较嵌入辅助信息，其公式为：
Figure FDA0002194478920000041
其中，a表示待嵌入像素点值，
Figure FDA0002194478920000042
表示所嵌入像素点所在图像块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
8.根据权利要求7所述的基于多尺度分解与插值扩展的大容量可逆图像水印算法，其特征在于，所述A3中差值量化方法提取辅助信息，在辅助信息提取时，其辅助提取信息顺序和所述S8中辅助信息嵌入顺序相反，即设在嵌入辅助信息时，先利用最小像素值来嵌入辅助信息，再利用最大像素值来嵌入辅助信息，则在提取辅助信息时，先利用最大像素值来提取辅助信息，再利用最小像素值来提取辅助信息，可保持图像块中最小像素值和最大像素值与像素块平均值之间的奇偶关系在辅助信息嵌入前后保持一致，即：
其中，a表示待嵌入像素点值，表示所嵌入像素点所在子块像素点的平均值，w表示嵌入的二进制水印信息，％表示求余。
CN201910843582.2A 2019-09-06 2019-09-06 基于多尺度分解与插值扩展的大容量可逆图像水印算法 Active CN110738592B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910843582.2A CN110738592B (zh) 2019-09-06 2019-09-06 基于多尺度分解与插值扩展的大容量可逆图像水印算法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910843582.2A CN110738592B (zh) 2019-09-06 2019-09-06 基于多尺度分解与插值扩展的大容量可逆图像水印算法

Publications (2)

Publication Number Publication Date
CN110738592A true CN110738592A (zh) 2020-01-31
CN110738592B CN110738592B (zh) 2020-08-25

Family

ID=69267493

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910843582.2A Active CN110738592B (zh) 2019-09-06 2019-09-06 基于多尺度分解与插值扩展的大容量可逆图像水印算法

Country Status (1)

Country Link
CN (1) CN110738592B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205445A (zh) * 2021-04-16 2021-08-03 北京大学 一种基于数据压缩的可逆明水印方法和装置
CN114399419A (zh) * 2021-12-16 2022-04-26 淮阴工学院 基于预测误差扩展的可逆图像水印算法
CN114663268A (zh) * 2022-02-25 2022-06-24 淮阴工学院 基于改进位平面分解和差值扩展的可逆图像水印算法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129660A (zh) * 2011-03-24 2011-07-20 浙江工商大学 一种基于栅格地图特征的小波域零水印方法
CN103501400A (zh) * 2013-10-16 2014-01-08 广西师范大学 基于抛物线插值图像的可逆信息隐藏方法
CN104268824A (zh) * 2014-09-19 2015-01-07 柳州师范高等专科学校 用于医学图像认证和医患信息隐藏的自适应可逆水印方法
CN106611400A (zh) * 2016-05-31 2017-05-03 四川用联信息技术有限公司 一种密文图像的可逆水印算法
CN109191360A (zh) * 2018-08-17 2019-01-11 河南工业大学 基于置乱加密二维码的sar图像数字水印生成与解析方法及装置
CN110097490A (zh) * 2019-04-26 2019-08-06 上海理工大学 基于IWT-Schur的感兴趣区域可逆水印嵌入及提取方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129660A (zh) * 2011-03-24 2011-07-20 浙江工商大学 一种基于栅格地图特征的小波域零水印方法
CN103501400A (zh) * 2013-10-16 2014-01-08 广西师范大学 基于抛物线插值图像的可逆信息隐藏方法
CN104268824A (zh) * 2014-09-19 2015-01-07 柳州师范高等专科学校 用于医学图像认证和医患信息隐藏的自适应可逆水印方法
CN106611400A (zh) * 2016-05-31 2017-05-03 四川用联信息技术有限公司 一种密文图像的可逆水印算法
CN109191360A (zh) * 2018-08-17 2019-01-11 河南工业大学 基于置乱加密二维码的sar图像数字水印生成与解析方法及装置
CN110097490A (zh) * 2019-04-26 2019-08-06 上海理工大学 基于IWT-Schur的感兴趣区域可逆水印嵌入及提取方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
ZHENGWEI ZHANG ET AL.: "An improved reversible image watermarking algorithm based on difference expansion", 《INTERNATIONAL JOURNAL OF DISTRIBUTED SENSOR NETWORKS》 *
ZHENGWEI ZHANG ET AL.: "Self-recovery reversible image watermarking algorithm", 《PLOS ONE》 *
张正伟等: "基于位平面分解的可逆图像水印算法", 《江苏大学学报（自然科学版）》 *
张正伟等: "基于多尺度分解与预测误差扩展的可逆图像水印算法", 《计算机科学》 *

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113205445A (zh) * 2021-04-16 2021-08-03 北京大学 一种基于数据压缩的可逆明水印方法和装置
CN113205445B (zh) * 2021-04-16 2023-10-17 北京大学 一种基于数据压缩的可逆明水印方法和装置
CN114399419A (zh) * 2021-12-16 2022-04-26 淮阴工学院 基于预测误差扩展的可逆图像水印算法
CN114399419B (zh) * 2021-12-16 2024-03-26 淮阴工学院 基于预测误差扩展的可逆图像水印算法
CN114663268A (zh) * 2022-02-25 2022-06-24 淮阴工学院 基于改进位平面分解和差值扩展的可逆图像水印算法

Also Published As

Publication number Publication date
CN110738592B (zh) 2020-08-25

Similar Documents

Publication Publication Date Title
Ernawan et al. A robust image watermarking technique with an optimal DCT-psychovisual threshold
CN110490790B (zh) 一种改进差值扩展的大容量可逆图像水印算法
Zhang Reversible data hiding with optimal value transfer
CN110738592B (zh) 基于多尺度分解与插值扩展的大容量可逆图像水印算法
CN110910299B (zh) 一种基于整数小波变换的自适应可逆信息隐藏方法
CN111898136A (zh) 一种基于预测误差值排序的高保真可逆信息隐藏方法和装置
Sheisi et al. Steganography: Dct coefficient replacement method and compare with JSteg algorithm
CN114663268B (zh) 基于改进位平面分解和差值扩展的可逆图像水印算法
CN114037593B (zh) 基于逆向直方图平移的可逆图像水印算法
CN101833745B (zh) 一种数字图像的多个二值水印嵌入及提取检测方法
Garg et al. Optimized color image watermarking through watermark strength optimization using particle swarm optimization technique
CN115908095A (zh) 一种基于分层注意力特征融合的鲁棒图像水印方法及系统
CN109754358B (zh) 一种基于显著性检测和轮廓波变换的图像水印方法与系统
Shi et al. A Blind Watermarking Technique for Color Image based on SVD with Circulation.
Roy et al. A perceptual hash based blind-watermarking scheme for image authentication
Lin et al. A reversible data hiding scheme for block truncation compressions based on histogram modification
Gulve et al. An image steganography algorithm with five pixel pair differencing and gray code conversion
Alias et al. Multiple watermarking technique using optimal threshold
Saneie et al. Introducing a new method of robust digital image watermarking against cropping and salt & pepper noise using Sudoku
Shih et al. Intelligent watermarking for high-capacity low-distortion data embedding
Khorrami et al. A svd-chaos digital image watermarking scheme based on multiple chaotic system
Ernawan et al. A blind watermarking technique based on DCT psychovisual threshold for a robust copyright protection
Benyoussef et al. Blind invisible watermarking technique in DT-CWT domain using visual cryptography
Amita et al. Reversible data hiding in absolute moment block truncation coding compressed images using adaptive multilevel histogram shifting technique
Wang et al. Review on digital image watermarking based on singular value decomposition

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
EE01 Entry into force of recordation of patent licensing contract
EE01 Entry into force of recordation of patent licensing contract

Application publication date: 20200131

Assignee: Jiangsu Huaming Guoan Technology Co.,Ltd.

Assignor: HUAIYIN INSTITUTE OF TECHNOLOGY

Contract record no.: X2021980012434

Denomination of invention: Large capacity reversible image watermarking algorithm based on multi-scale decomposition and interpolation expansion

Granted publication date: 20200825

License type: Common License

Record date: 20211116