CN111260533A - 融合图像块内和块间纹理规则特征的图像水印方法及系统 - Google Patents

Abstract

本公开公开了融合图像块内和块间纹理规则特征的图像水印方法及系统，包括对分块后的待嵌入图像进行DCT变换，提取DCT系数，组成待嵌入向量；基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到感知松弛向量；将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；将水印根据量化步长嵌入到待嵌入投影向量中，对DCT系数进行IDCT变换后得到嵌入水印后的图像。分别度量图像块内的纹理规则特征和图像块间的纹理规则特征，在保证图像的视觉质量的同时，提高水印算法的鲁棒性。

Description

融合图像块内和块间纹理规则特征的图像水印方法及系统

技术领域

本公开涉及数字图像内容安全保护技术领域，特别是涉及一种融合图像块内和块间纹理规则特征的图像水印方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

现今，科学技术日新月异，多媒体技术和计算机网络技术的飞速发展促进了网络数字多媒体技术及其应用的日益普及。5G网络的商用更加促进了数字信息的飞速传播，人们下载和上传数字多媒体信息更加方便、迅速。随着Lofter、像素蜜蜂、图虫和poco等图片分享类平台和APP的流行，越来越多的人喜欢将自己拍摄或处理的图像发布到网络上，进行分享与交流，这使得每个人的作品都可以得到展现。但与此同时，由于数字多媒体信息易于复制、易于修改和易于传播的特点，盗版、抄袭等行为日益严重，原创作者们难以维护自己的版权，维护自己的合法权益。因此，数字图像版权保护问题亟需解决。

数字水印可以将版权认证的水印信息不被察觉的嵌入到数字图像中，当侵权行为发生时，能够对其进行准确检测，实现对图像内容的版权保护和认证，可以有效遏制侵权行为的发生。

近年来，随着对人类视觉系统感知机制研究的不断深入，研究人员们提出了各种恰可识别误差(JND：Just Noticeable Difference)模型。模型用来计算人眼恰好可以观察到的图像失真的阈值，它可以有效地模拟视觉感知冗余信息，并应用于图像水印算法中，提高水印图像的视觉质量。目前，JND模型的研究可以包括空间域JND模型和像素域JND模型。由于大多数数字图像压缩方案都是在离散余弦变换(DCT：Discrete Cosine Transform)域中实现的，因此基于DCT域的JND模型应用领域更加广泛。

Watson首先提出了DCT域的JND模型，该模型由一个基本的灵敏度函数和分别基于亮度和对比度的两个掩蔽因子。M.Kim认为频率特性也是影响人视觉系统亮度适应性的主要因素。因此提出了一个由基本阈值、亮度自适应因子和对比度掩蔽因子三个因子的乘积组成的JND模型，该模型是一种基于DCT域的模型。Q.Li等人第一次将Watson视觉JND模型引用到图像水印算法中，用来计算每个DCT系数对应的松弛向量，即JND的阈值。Xu等人提出了一种基于图像块结构特性JND模型的鲁棒水印算法，根据方向特征和纹理特征对图像块进行分类，结合块的类型和人类视觉系统的敏感度来计算新的对比度掩蔽因子，从而得到频域的JND模型，将得到的JND模型应用于图像水印算法中，该算法具有良好的鲁棒性和保真度。

Watson视觉模型并不能很好地表征人类视觉特性，而且对于常见的FGA攻击不具有鲁棒性。Xu等人提出的基于结构规律性的数字水印算法中设计的视觉JND模型只考虑了图像块内的结构规律性特点，并不能很好的反映人类视觉系统的感知特性。在量化水印算法系统中，现有JND模型用于计算视觉冗余信息时存在两个局限性：一是传统的视觉JND模型无法满足水印算法的鲁棒性要求，表现在：水印的嵌入改变了图像像素信息，也就造成了在水印嵌入端和提取端计算得到的视觉JND模型不一致的状况，因此在没有攻击的情况下，盲提取的水印信息仍然会出现提取错误；二是JND模型中针对图像纹理规则度对于视觉冗余的影响的评估不够精确，即在模型的计算中只考虑到图像块内的纹理规则特征，而没有考虑到图像块之间的相互影响，忽略了图像整体的纹理规则特征对于视觉冗余评估的影响，因此不能很好地估计真实的视觉感知冗余。

发明内容

为了解决上述问题，本公开提出了一种融合图像块内和块间纹理规则特征的图像水印方法及系统，综合考虑图像块内的纹理规则特征分布和图像间的特征相似性，分别度量图像块内的纹理规则特征和图像块间的纹理规则特征，在水印嵌入和提取过程，计算得到的JND阈值用于定义图像块内载体系数对应的松弛向量，根据该松弛向量和嵌入强度计算自适应量化步长，实现水印信息的嵌入，在保证图像的视觉质量的同时，进一步提高水印算法的鲁棒性。

为了实现上述目的，本公开采用如下技术方案：

第一方面，本公开提供一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，包括：

对分块后的待嵌入图像进行DCT变换，提取DCT系数，组成待嵌入向量；

基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的感知松弛向量；

将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；

将水印根据量化步长嵌入到待嵌入投影向量中，对嵌入水印后的DCT系数进行IDCT变换后得到嵌入水印后的图像。

作为可能的一些实现方式，采用图像块的AC系数表示块内纹理规则特征T_intra，即：

T_AC＝∑AC(i，j)，

其中，

表示归一化算子，ξ取值为0.474，(i，j)表示AC的坐标，分别为(0，1)、(1，0)、(1，1)。

作为可能的一些实现方式，根据阈值VA_th将图像块分为显著块和非显著块，将任一显著块与其最近显著块之间的最小距离组成最小距离集合；

采用L×L的窗函数计算图像块间的纹理规则特征，L为最小距离集合的均值；

以当前块为中心计算L×L范围内与当前块的显著值相似的块的数量，并以此计算块间纹理规则特征T_inter，即：

其中，n为L×L范围内与当前块的显著值相似的块的数量，κ和η取值为0.15和1.5，c为一个确保分式有意义的足够小的常数，p为L×L范围内与当前块的显著值相似的块的数量所占的比例。

作为可能的一些实现方式，阈值VA_th的计算过程包括：

采用VA_l和VA_h两个阈值，分别计算显著值大于VA_l和VA_h的图像块的数量，当显著值大于VA_l的图像块的数量大于显著值大于VA_h的图像块的数量的β倍时，VA_th的值为VA_l，否则为VA_h，

阈值VA_th的计算公式如下：

其中，T_l和T_h分别指在视觉显著图中显著值分别大于VA_l和VA_h的块的数量。

作为可能的一些实现方式，纹理规则度调制因子FT_RF计算公式为：

F_TRF＝T_intra·exp^-1{[T_intra-T_inter]}

其中，T_inter为块间纹理规则特征，T_intra为块内纹理规则特征。

作为可能的一些实现方式，嵌入公式如下所示：

y＝x+(Q(x_τ，Δ，m，d_m)-x_τ)m∈{0，1}，

量化函数Q(·)定义为：

Δ＝ρ·x_τ，

其中，x为待嵌入向量，x_τ为待嵌入投影向量，Δ和d_m分别代表量化步长和抖动信号，s_τ为感知松弛投影向量，ρ为嵌入强度。

第二方面，本公开提供一种融合图像块内和块间纹理规则特征的图像水印提取方法，包括：

对分块后的水印图像进行DCT变换，提取DCT系数，组成待提取向量；

基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的松弛向量；

将待提取向量和松弛向量映射到给定投影向量上，分别获得待提取投影向量和松弛投影向量，通过松弛投影向量和嵌入强度得到量化步长；

采用抖动调制检测器根据量化步长提取水印。

第三方面，本公开提供一种融合图像块内和块间纹理规则特征的图像水印系统，包括：

图像预处理模块，被配置为对分块后的待嵌入图像或水印图像进行DCT变换，提取DCT系数，组成待嵌入向量；

JND模型构建模块，被配置为基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的感知松弛向量；

映射模块，被配置为将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；

嵌入或提取模块，被配置为将水印根据量化步长嵌入到待嵌入投影向量中，对嵌入水印后的DCT系数进行IDCT变换后得到嵌入水印后的图像；或采用抖动调制检测器根据量化步长提取水印。

第四方面，本公开提供一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种融合图像块内和块间纹理规则特征的图像水印嵌入方法或一种融合图像块内和块间纹理规则特征的图像水印提取方法所述的步骤。

第五方面，本公开提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种融合图像块内和块间纹理规则特征的图像水印嵌入方法或一种融合图像块内和块间纹理规则特征的图像水印提取方法所述的步骤。

与现有技术相比，本公开的有益效果为：

本公开中提出一个适用于量化水印系统的视觉JND模型，与传统的JND模型相比，提出的视觉JND模型不仅更具有鲁棒性，还能更加有效地描述人类视觉特性。为更好地模拟人类视觉特性。

在提出的视觉JND模型中，将纹理规则度因子作为一个重要的调制因子来计算每个图像块的JND阈值。与Xu等人提出的JND模型相比，提出的视觉JND模型中加入人类视觉系统的主观特性且考虑到了块间的纹理规则特性，能够更加准确地分析人眼的视觉冗余，因此所提模型更适用与量化水印系统。

附图说明

构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。

图1为本公开水印嵌入方法的原理示意框图；

图2为本公开水印提取方法的原理示意框图；

图3为加入块间纹理规则特征前后JND模型之间的SSIM比较；

图4为本发明针对高斯噪声攻击的与其他JND模型仿真对比实验；

图5为本发明针对JPEG压缩攻击的与其他JND模型仿真对比实验；

图6为本发明针对图像倍增攻击的与其他JND模型仿真对比实验；

图7为本发明针对高斯噪声攻击的与其他STDM模型仿真对比实验；

图8为本发明针对JPEG压缩攻击的与其他STDM模型仿真对比实验；

图9为本发明针对图像倍增攻击的与其他STDM模型仿真对比实验。

具体实施方式：

下面结合附图与实施例对本公开做进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

实施例1

本公开中提出一种融合图像块内/块间纹理规则度的视觉JND模型，该模型作为对比敏感度函数、亮度自适应和对纹理规则度的联合效应模型。对于固定大小为8×8的DCT块，所提视觉JND模型的定义式：

JND＝J_base·F_LA·F_TRF

上式中，J_base是对比敏感度函数，F_LA和F_TRF分别是亮度自适应因子和纹理规则度因子。

(一)、基于对比度敏感函数的基本阈值

人类视觉系统具有带通特性，并且对在DCT域中沿水平和垂直方向加入噪声比在空间域沿对角线方向加入噪声更敏感。对比度敏感函数描述了空间频率对人类视觉系统灵敏度的影响，并且在空间域中对比度敏感函数具有带通特性。基本阈值反映了空间对比度敏感函数，并且仅是空间频率的变量，因此，基本阈值能够测量每个空间频率ω_ij的JND值。

考虑到对比度敏感函数的空间频率效应、倾斜效应和空间求和效应，基本阈值J_base计算为：

其中ζ表示空间求和效应，其值根据经验设为0.25；n表示DCT块在图像中的位置；A(w_i，j)表示空间对比度敏感函数；R_max和R_min分别表示最大灰度级和最小灰度级(即255和0)所对应的亮度R表示灰度级数，在大部分的图像系统中R＝256；

和

是DCT归一化因子，其计算公式如下

因子

表示倾斜效应，并且r根据经验设为0.6；

表示相应DCT分量的倾斜角；

因为人类视觉系统对水平频率分量和垂直频率分量(iorj＝0)比对对角频率分量(i＝j)更加敏感，方向角

的计算公式如下：

(二)、亮度自适应因子

人类视觉系统对不同的背景亮度具有不同的敏感度，即可见性阈值在黑暗或者明亮的区域较高，而在中间的灰色区域的值较低。

通过将伽马校正公式亮度自适应因素结合起来，亮度自适应调制因子的计算公式如下：

其中，e_v是N×N的DCT块的平均强度。

(三)、纹理规则度调制因子

本公开提出一项新的调制因子，该因子主要由块内的纹理规则特征和块间的纹理规则特征两个特征组成；该因子考虑了块内和块间两个纹理规则特征，能够更好地反映纹理规则性对视觉掩蔽效果的影响。

a)块内纹理规则特征

由于人类视觉系统的特征，与具有低纹理规则性的区域相比，人类对具有高纹理规则性的区域更敏感。在每个8×8的DCT块中AC系数包括详细的频率信息，现有研究表明交流系数可以表示图像块的纹理信息。

在一个DCT块中，大部分能量都包含在该块的左上角的前几个低频系数中，DCT块右下角的交流系数等于或接近于零，并且在编码量化过程中被忽略，对DCT块中的AC系数进行Zig-zag扫描排序。

本公开通过对人类视觉系统显著机制的分析，加入人眼对于图像的主观反应机制，使用视觉显著图来提取块间的纹理规则特征，结合通过DCT系数提取的块内的纹理规则特征，更加有效描述了图像纹理规则特征在视觉的掩蔽现象中的影响。

本公开使用每个DCT块AC系数来表示块内纹理规则特征：

其中

表示归一化算子，ξ一般情况下取值为0.474，并且T_AC＝∑AC(i，j)，

其中(i，j)表示AC的坐标，分别为(0，1)、(1，0)、(1，1)。

b)块间纹理规则特征

为了能够更准确地反映图像块的纹理规则特征，不仅需要考虑块内的规则特征，还需要考虑块之间的相互作用。当人眼观察图像时，它首先聚焦在具有高度纹理规则度的区域上。因此，具有高纹理规则度的区域具有较高的视觉显著值。

为了获得块间纹理规则特征，首先使用Wan等人方法在DCT域计算得到图像的视觉显著图，并建立视觉显著直方图。当纹理相似时，视觉显着值也相似，且具有高纹理规则度的块在视觉显著图上具有局部最大值l_max。

为了计算块间的纹理规则度，首先关注视觉显著图中的局部最大值对应的图像块，但是在显著值相对小时，可以忽略一些局部最大值。

为了解决这个问题，本公开中选择一个阈值VA_th，当图像块的显著值大于阈值时该图像块定义为显著块，反之定义为非显著块。

在确定VA_th时，本公开采用了VA_l和VA_h两个阈值，分别计算显著值大于VA_l和VA_h的图像块的数量，当显著值大于VA_l的图像块的数量大于显著值大于VA_h的图像块的数量的β倍时，VA_th的值为VA_l，否则为VA_h。阈值的计算公式如下所示：

其中T_l和T_h分别指在视觉显著图中显著值分别大于VA_l和VA_h的块的数量；VA_l、VA_h和β一般分别设为0.45、0.55和2。

根据VA_th，将块分为显著块和非显著块，显著值大于VA_th的块为显著块，其余为非显著块；对于每一个显著块b_i，其与最近的显著块之间的距离为l_i计算如下：

l_i＝min(b_i-b_j)，1≤i，j≤N且i≠j

其中，N表示显著值大于VA_th的块的数量。

将所有显著块的最小距离组成最小距离集合D，如下：

D＝{l_i，1≤i≤N}

本公开中使用L×L的窗函数来计算块间的纹理规则特征，边长L为集合D的均值，其计算如下：

L＝mean(D)

以当前块为中心计算L×L范围内与当前块的显著值相似块的数量n，并用该比例计算的块间纹理规则特征T_inter：

其中n₁为L×L范围内与当前块的显著值相似的块的数量，κ和η一般情况下取值为0.15和1.5，c为一个确保分式有意义的足够小的常数。

c)纹理规则度因子

当图像块内的纹理特征因子越大时，纹理越复杂，纹理规则度越低，人类视觉系统对其越不敏感，但是，当图像块间的纹理特征因子越大时，块的纹理规则度越高，人类视觉系统对其越敏感。

因此，综合考虑块内和块间的纹理规则因素，提出了纹理规则度调制因子F_TRF：

F_TRF＝T_intra·exp^-1{[T_intra-T_inter]}

其中

和

一般分别取值为0.7和0.4。

将提出的视觉JND模型应用于量化水印方案，由两部分组成：水印嵌入步骤和水印提取步骤。以Barbara图像为例，水印的嵌入和提取步骤如下：

水印嵌入步骤如图1所示

1、首先将Barbara图像划分为8×8的块，然后对每个块进行DCT变换；将每个块中的DCT系数按之字形扫描的顺序形成DCT系数序列，从DCT序列中选择部分系数组成待嵌入向量x；

2、根据提出的视觉JND模型获得感知松弛向量s；

3、将待嵌入向量x和感知松弛向量s映射到给定投影向量τ(可以作为秘钥)上获得投影向量x_τ和s_τ；通过s_τ和嵌入强度ρ得到量化步长Δ；

Δ＝p·x_τ

4、将水印信息m嵌入到投影向量x_τ中，将修改后的DCT系数进行IDCT变换的得到嵌入水印后的图像。

嵌入公式如下所示：

y＝x+(Q(x_τ，Δ，m，d_m)-x_τ)m∈{0，1}

其中量化函数Q(·)定义为：

其中Δ和d_m分别代表量化步长和抖动信号。

水印提取步骤如图2所示：

1、用与水印嵌入过程的步骤1相同的方式处理已嵌水印的水印图像，获得向量x′；

2、利用提出的视觉JND模型获得松弛向量s′；

3、将向量x′和松弛向量s′映射到给定的投影向量u,分别获得投影向量x′_τ和s′_τ，用s′_u和嵌入强度计算量化步长Δ′；

4、用抖动调制检测器提取水印m′，提取公式如下：

(四)实验结果

为评估融合图像块内/块间纹理规则度视觉JND模型，从USC-SIP图像数据库中选出的28幅标准图像作为测试图像，将加入块间纹理规则特征之前的JND模型与加入块间纹理规则特征之后的JND模型进行对比，结果如图3所示，加入块间纹理规则特征之后的JND模型的SSIM值更低。

在保持相同的视觉质量的前提下，加入块间纹理规则特征之后的JND模型能够在DCT系数中加入更多的噪声，说明融合图像块内/块间纹理规则度视觉JND模型能够更加准确地计算视觉冗余。

为进一步评估本公开的性能，在同样的水印算法下，将本公开与其他JND模型进行对比，结果如图4、图5和图6所示，分别是水印图像受到高斯噪声攻击、JPEG压缩和图像倍增攻击后的误码率。

从图中可以看出，当受到不同攻击时，本公开的误码率是最低的。因此，可以看出本公开的鲁棒性更优越。

为进一步评估本公开的鲁棒性，将其与其他水印算法进行比较，结果如图7、图8和图9所示，可以看出在受到不同攻击时，本公开的误码率最低。综合来看，本公开具有更加有效的算法鲁棒性能。

本公开的关键点是介绍了图像纹理规则度调制因子的计算方法，其中利用DCT块的交流系数提取块内的纹理规则特征和利用人类视觉系统的视觉显著性来提取图像块间的纹理规则特征，并在此基础上提出了适应量化水印算法系统的视觉JND模型，并发明了融合图像块内/块间纹理规则度的数字水印方法。

本公开中提出一个适用于量化水印系统的视觉JND模型，与传统的JND模型相比，本公开中提出了一个融合图像块内/块间纹理规则度的调制因子，该因子作为组成JND模型的重要元素，不仅可以令提出的JND模型具有更强的鲁棒性，而且能够更加有效地描述人眼的视觉特性。人类视觉系统的视觉显著机制是指面对一个场景时，人类自动地对感兴趣区域进行处理而选择性地忽略不感兴趣区域。通过这一机制人类视觉系统可以高效地处理大量视觉信息。

目前，许多研究结果表明图像的不同区域受到人类视觉系统的关注度不同。人类视觉系统对纹理规则度高的区域更加敏感，关注度更高，且当图像的纹理相似时，其表现出来的视觉显著性也相似，具有高纹理规则度的区域在视觉上的显著值是局部最大值。

因此在计算JND模型时，应该考虑到人类视觉显著性的影响。视觉认知研究表明，人类视觉系统能够自适应地将对图像中存在纹理规则的视觉内容来进行感知和理解，同时，人类视觉系统对不同纹理规则视觉内容呈现不同的敏感特性，保证计算的视觉JND模型能够更加准确有效地模仿人类视觉特性。因此，本公开提出的视觉JND模型能够更加准确地计算视觉冗余，

实施例2

本公开提供一种融合图像块内和块间纹理规则特征的图像水印系统，包括：

图像预处理模块，被配置为对分块后的待嵌入图像或水印图像进行DCT变换，提取DCT系数，组成待嵌入向量；

JND模型构建模块，被配置为基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的感知松弛向量；

映射模块，被配置为将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；

嵌入或提取模块，被配置为将水印根据量化步长嵌入到待嵌入投影向量中，对嵌入水印后的DCT系数进行IDCT变换后得到嵌入水印后的图像；或采用抖动调制检测器根据量化步长提取水印。

实施例3

本公开提供一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种融合图像块内和块间纹理规则特征的图像水印嵌入方法或一种融合图像块内和块间纹理规则特征的图像水印提取方法所述的步骤。

实施例4

本公开提供一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种融合图像块内和块间纹理规则特征的图像水印嵌入方法或一种融合图像块内和块间纹理规则特征的图像水印提取方法所述的步骤。

以上仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。

上述虽然结合附图对本公开的具体实施方式进行了描述，但并非对本公开保护范围的限制，所属领域技术人员应该明白，在本公开的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本公开的保护范围以内。

Claims (10)

1.一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，包括：

对分块后的待嵌入图像进行DCT变换，提取DCT系数，组成待嵌入向量；

基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的感知松弛向量；

将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；

将水印根据量化步长嵌入到待嵌入投影向量中，对嵌入水印后的DCT系数进行IDCT变换后得到嵌入水印后的图像。

2.如权利要求1所述的一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，采用图像块的AC系数表示块内纹理规则特征T_intra，即：

T_AC＝∑AC(i，j)，

其中，

表示归一化算子，ξ取值为0.474，(i，j)表示AC的坐标，分别为(0，1)、(1，0)、(1，1)。

3.如权利要求1所述的一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，

根据阈值VA_th将图像块分为显著块和非显著块，将任一显著块与其最近显著块之间的最小距离组成最小距离集合；

采用L×L的窗函数计算图像块间的纹理规则特征，L为最小距离集合的均值；

以当前块为中心计算L×L范围内与当前块的显著值相似的块的数量，并以此计算块间纹理规则特征T_inter，即：

其中，n为L×L范围内与当前块的显著值相似的块的数量，κ和η取值为0.15和1.5，c为一个确保分式有意义的足够小的常数，p为L×L范围内与当前块的显著值相似的块的数量所占的比例。

4.如权利要求3所述的一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，阈值VA_th的计算过程包括：

采用VA_l和VA_h两个阈值，分别计算显著值大于VA_l和VA_h的图像块的数量，当显著值大于VA_l的图像块的数量大于显著值大于VA_h的图像块的数量的β倍时，VA_th的值为VA_l，否则为VA_h，

阈值VA_th的计算公式如下：

其中，T_l和T_h分别指在视觉显著图中显著值分别大于VA_l和VA_h的块的数量。

5.如权利要求1所述的一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，纹理规则度调制因子F_TRF计算公式为：

F_TRF＝T_intra·exp^-1{[T_intra-T_inter]}

其中，T_inter为块间纹理规则特征，T_intra为块内纹理规则特征。

6.如权利要求1所述的一种融合图像块内和块间纹理规则特征的图像水印嵌入方法，其特征在于，嵌入公式如下所示：

y＝x+(Q(x_τ，Δ，m，d_m)-x_τ)m∈{0，1}，

量化函数Q(·)定义为：

Δ＝ρ·x_τ，

其中，x为待嵌入向量，x_τ为待嵌入投影向量，Δ和d_m分别代表量化步长和抖动信号，s_τ为感知松弛投影向量，ρ为嵌入强度。

7.一种融合图像块内和块间纹理规则特征的图像水印提取方法，其特征在于，包括：

对分块后的水印图像进行DCT变换，提取DCT系数，组成待提取向量；

基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的松弛向量；

将待提取向量和松弛向量映射到给定投影向量上，分别获得待提取投影向量和松弛投影向量，通过松弛投影向量和嵌入强度得到量化步长；

采用抖动调制检测器根据量化步长提取水印。

8.一种融合图像块内和块间纹理规则特征的图像水印系统，其特征在于，包括：

图像预处理模块，被配置为对分块后的待嵌入图像或水印图像进行DCT变换，提取DCT系数，组成待嵌入向量；

JND模型构建模块，被配置为基于图像块内和块间的纹理规则特征，得到纹理规则度调制因子，以此构建JND模型，计算JND基本阈值得到DCT系数对应的感知松弛向量；

映射模块，被配置为将待嵌入向量和感知松弛向量映射到给定投影向量上，分别获得待嵌入投影向量和感知松弛投影向量，通过感知松弛投影向量和嵌入强度得到量化步长；

嵌入或提取模块，被配置为将水印根据量化步长嵌入到待嵌入投影向量中，对嵌入水印后的DCT系数进行IDCT变换后得到嵌入水印后的图像；或采用抖动调制检测器根据量化步长提取水印。

9.一种电子设备，其特征是，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-6任一项方法所述的步骤或权利要求7方法所述的步骤。

10.一种计算机可读存储介质，其特征是，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-6任一项方法所述的步骤或权利要求7方法所述的步骤。

Images