CN111325651A - 基于感知jnd模型的量化水印方法和装置 - Google Patents
基于感知jnd模型的量化水印方法和装置 Download PDFInfo
- Publication number
- CN111325651A CN111325651A CN201811533587.7A CN201811533587A CN111325651A CN 111325651 A CN111325651 A CN 111325651A CN 201811533587 A CN201811533587 A CN 201811533587A CN 111325651 A CN111325651 A CN 111325651A
- Authority
- CN
- China
- Prior art keywords
- block
- vector
- dct
- perception
- jnd
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 230000008447 perception Effects 0.000 title claims abstract description 52
- 238000013139 quantization Methods 0.000 claims abstract description 69
- 230000000873 masking effect Effects 0.000 claims abstract description 66
- 230000035945 sensitivity Effects 0.000 claims abstract description 40
- 230000006870 function Effects 0.000 claims abstract description 35
- 230000008569 process Effects 0.000 claims abstract description 15
- 230000006978 adaptation Effects 0.000 claims abstract description 14
- 230000002301 combined effect Effects 0.000 claims abstract description 12
- 238000004364 calculation method Methods 0.000 claims description 38
- 230000001788 irregular Effects 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 7
- 238000000638 solvent extraction Methods 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 3
- 241000282414 Homo sapiens Species 0.000 abstract description 22
- 230000000007 visual effect Effects 0.000 abstract description 21
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004438 eyesight Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
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
- G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
-
- 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
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/70—Reducing energy consumption in communication networks in wireless communication networks
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明实施例提供一种基于感知JND模型的量化水印方法和装置。所述方法包括水印嵌入的步骤以及水印提取的步骤，在所述水印嵌入和水印提取的过程中，所述方法包括：通过感知JND模型计算松弛向量；根据所述松弛向量调制量化步长；所述感知JND模型为：Tjnd(n,i,j)＝TB·FLA·FM，其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子。本发明实施例提出的感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型，通过将感知JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
Description
技术领域
本发明实施例涉及数字图像内容安全技术领域，尤其涉及一种基于感知JND模型的量化水印方法和装置。
背景技术
在量化水印系统中，视觉JND(Just noticeable difference，最小可觉差)模型的应用可以大幅度的提高水印图像的视觉质量。但是现有JND模型用于计算视觉冗余信息时存在两个局限性：一是JND模型与水印框架出现不匹配现象，即水印嵌入往往会改变图像信息，也就造成了在水印嵌入端和提取端得到的JND模型不一致(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模型中针对对比度掩蔽效应的评估不全面，即在模型的计算中没有分析图像的结构特征，因此不能很好地估计真实的视觉感知冗余。
发明内容
针对现有技术问题，本发明实施例提供一种基于感知JND模型的量化水印方法和装置。
第一方面，本发明实施例提供一种基于感知JND模型的量化水印方法，所述方法包括水印嵌入的步骤以及水印提取的步骤，在所述水印嵌入和水印提取的过程中，所述方法包括：
通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
根据所述松弛向量调制量化步长。
第二方面，本发明实施例提供一种基于感知JND模型的量化水印装置，所述装置包括：
计算单元，用于在所述水印嵌入和水印提取的过程中，通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
调制单元，用于根据所述松弛向量调制量化步长。
第三方面，本发明实施例还提供一种电子设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现上述第一方面提供的方法。
第四方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述第一方面提供的方法。
本发明实施例提出的感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型，通过将感知JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的基于感知JND模型的量化水印方法的流程示意图；
图2为本发明一实施例提供的水印嵌入方法的流程示意图；
图3为本发明一实施例提供的水印提取方法的流程示意图；
图4为本发明一实施例提供的基于感知JND模型的量化水印装置的结构示意图；
图5为本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1示出了本发明实施例提供的一种基于感知JND模型的量化水印方法的流程示意图。
本发明实施例提供的量化水印方法包括水印嵌入的步骤以及水印提取的步骤，如图1所示，在所述水印嵌入和水印提取的过程中，所述方法具体包括以下步骤：
S11、通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子。
JND模型采用DCT(DCT for Discrete Cosine Transform，离散余弦变换)系数中的AC系数，其中AC0,1和AC1,0(下标表征DCT系数块中行列索引位置)可以有效表征图像块的边缘强度，而且用于计算边缘像素密度的AC系数不参与水印信息的嵌入过程，因此JND计算模型可以忽视水印信息量化嵌入带来的影响，从而保证了JND模型的鲁棒性。
本发明实施例提出的感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型。将方向特征作为重要因素之一分析对比度掩蔽效应，同时考虑对比敏感度函数和亮度自适应效应得到了鲁棒的感知JND模型，能够在避免出现不匹配现象的同时能够有效地模拟人类视觉特性。
S12、根据所述松弛向量调制量化步长。
本发明实施例将感知JND模型应用于量化水印算法中调制量化步长，能够有效地利用人眼的视觉冗余自适应地计算出水印信息嵌入所需的量化步长，可以实现更好的速率-失真-鲁棒性之间的权衡。
本发明实施例通过将感知结构属性的JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
在上述实施例的基础上，所述对比度掩蔽因子的计算过程包括：
计算块在水平方向、垂直方向以及对角方向的能量，判断块内是否具有主导方向，将块分为规则块和不规则块；
具体地，在感知JND模型中，通过分析图像块的结构特征和采用鲁棒纹理复杂度的计算方式来评估对比度掩蔽效应。
AC系数可以反映块内不同方向的结构规律性，选取不同AC系数分别衡量沿水平、垂直和对角方向的能量，基于结构属性有效地将规则块和不规则块进行区分。
计算块在水平方向、垂直方向以及对角方向的边缘密度，根据所述边缘密度将块分为平滑块和纹理块；
具体地，为了避免受水印嵌入影响JND模型中边缘密度的计算，并且能够更精确地衡量边缘密度，提出了一种用AC系数分别衡量块内沿水平、垂直和对角方向上的纹理复杂度，基于块的纹理复杂度的块分类方法，有效地将规则纹理块与具有高纹理复杂度的区域分开。
将块进行进一步分类为平滑块、规则纹理块和不规则纹理块，计算不同类型的块的对比度掩蔽因子。
具体地，通过结构特征和计算边缘像素密度，结合两种块分类方法建立了精确有效的对比度掩蔽估计模型。
在上述实施例的基础上，所述计算块在水平方向、垂直方向以及对角方向的能量，判断块内是否具有主导方向，将块分为规则块和不规则块包括：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量沿水平、垂直和对角方向的能量，则水平能量的表达式为：Ehor(x,y)＝|AC0,1(x,y)|；
垂直能量的表达式为：Ever(x,y)＝|AC1,0(x,y)|；
对角能量的表达式为：Edia(x,y)＝|AC1,1(x,y)|；
根据块的水平能量、垂直能量和对角能量中的最大值Emax和中值Emed的比值判断块内是否具有主导方向，比值Er的表达式为：
其中，ε为常数，ε＝(0.03×L)2，L是图像的灰度级；
当Er≥阈值T1且Emax<Emed，或者Er<阈值T1时，当前块属于不规则块；否则，最大值Emax所对应的方向为主导方向，当前块属于规则块。
具体地，AC系数可以反映块内不同方向的结构规律性，选取AC系数AC0,1，AC1,0和AC1,1分别衡量沿水平、垂直和对角方向的能量。
通过比较块的水平能量、垂直能量和对角能量获得块的方向能量的最大值和中值，以确定块内是否具有主导方向。
比值Er的计算公式中，ε是小的常数，为避免分母为零而设置的。
基于结构属性的块分类方法包括：
比值Er未超过阈值T1，这表示当前块没有主导方向。若比值Er超过阈值T1，但主导方向的能量值低于当前块的平均方向能量值，这表明当前块几乎没有方向信息。以上两种情况所述，当前块属于不规则块类型。除此之外的情况，最大值Emax所对应的方向为主导方向，当前块属于规则块。
在实验中，阈值T1设置的经验值2。
在上述实施例的基础上，所述计算块在水平方向、垂直方向以及对角方向的边缘密度，根据所述边缘密度将块分为平滑块和纹理块包括：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量水平、垂直和对角方向上的块的纹理复杂度；
块的边缘强度的计算公式为：
SAC(x,y)＝|AC0,1(x,y)|+|AC1,0(x,y)|+|AC1,1(x,y)|
所述边缘密度的计算公式为：
其中，
D＝|uedge-uEDGE|2；
参数η以步长为0.02，从0.01变化至0.81，当D获得最小值时，对应的η为最优值；
当uEDGE<阈值T2时，当前块为平滑块；否则，当前块为纹理块；
具体地，常用的Canny算子检测边缘像素密度的计算方式如下：
其中，Edgei,j是边缘图中的边缘值(0是非边缘，1是边缘)，N是DCT块的尺寸。
为了更精确地计算对比度因子并避免出现不匹配现象，我们选择AC系数AC0,1，AC1,0和AC1,1分别衡量水平、垂直和对角方向上的块的纹理复杂度。块的新边缘强度定义为：
SAC(x,y)＝|AC0,1(x,y)|+|AC1,0(x,y)|+|AC1,1(x,y)|
其中，(x,y)表示块的位置，新的边缘密度uEDGE定义为：
为使uEDGE的值更接近由Canny算子计算得到的uedge,通过进行实验获得最优参数值η：
其中，设定参数η以步长为0.02从0.01变化至0.81，当D获得最小值时，表明uEDGE的值最接近由Canny算子计算得到的uedge，此时对应的参数η有最优值。
若uEDGE小于阈值T2，表明当前块具有较低纹理复杂度，则当前块为平滑块，否则当前块为纹理块。
在实验中，阈值T2设置的经验值0.19。
在上述实施例的基础上，所述将块进行进一步分类，计算不同类型的块的对比度掩蔽因子包括：
若当前块是平滑块，则当前块为平滑块；若当前块是纹理块并且是规则块，则当前块属于规则纹理块；若当前块是纹理块并且是不规则块，则当前块属于不规则纹理块；
以水平方向为主导方向的块的掩蔽因子的计算公式为：
以垂直方向为主导方向的块的掩蔽因子的计算公式为：
以对角方向为主导方向的块的掩蔽因子的计算公式为：
每种块类型的对比度掩蔽因子的计算公式为：
其中，i和j是DCT块的索引，
是设置的步长。
具体地，最终，结合两种块分类方法对DCT块进行分类：若当前块是平滑块，则当前块为平滑块；若当前块是纹理块和规则块，则当前块属于有序纹理块；若当前块是纹理块和不规则块，则当前块属于无序纹理块。通过分析结构特征和计算边缘像素密度，可以将块分成三种类型：平滑块、规则纹理块、不规则纹理块。
对于对比度掩蔽效应，人眼对于不同类型的块类型具有不同的敏感性。HVS(HumanVisual System，人类视觉系统)对平滑区域比对规则纹理区域更敏感，对不规则纹理区域最不敏感。对比度掩蔽值也随HVS的灵敏度而变化。因此，为了反映对比度掩蔽效应的多样性。分别计算出水平、垂直和对角方向为主导方向的块的掩蔽因子，最终，通过结合人类视觉对于空间频率的敏感度，计算每种块类型的对比度掩蔽因子。
在上述实施例的基础上，所述对比敏感度函数TB的计算公式为：
其中，(i,j)对应DCT块内的位置，φi和φj表示DCT归一化因子，表达式为：
wi,j为相关DCT分量的空间频率，表达式为：
其中：θh为像素的水平角度，θv为像素的垂直角度。
具体地，JND模型提供了更精确的空间敏感度函数。
在上述实施例的基础上，所述亮度自适应因子FLA的计算公式为：
其中，up是DCT块的平均像素强度。
具体地，亮度掩蔽阈值通常取决于局部图像区域的背景亮度：在背景亮度较亮或较暗的区域，亮度掩蔽因子较大，而中等亮度区域对应的因子较小。
在上述实施例的基础上，所述通过感知JND模型计算松弛向量包括：
松弛向量s的计算公式为：
s＝TB·FLA·FM
其中，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
所述根据所述松弛向量调制量化步长包括：
计算松弛向量s在给定投影向量u上的投影su，所述量化步长等于su与嵌入强度的乘积。
具体地，将所提模型应用于量化水印方案中调制量化步长，
本发明实施例将感知JND模型应用于量化水印算法中调制量化步长，能够有效地利用人眼的视觉冗余自适应地计算出水印信息嵌入所需的量化步长，量化步长等于松弛向量在投影向量上的投影与嵌入强度的乘积，能够准确地估计人类视觉冗余。
在上述实施例的基础上，所述水印嵌入的步骤包括：
将载体图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x；
通过感知JND模型产生松弛向量s，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u上产生投影xu和su；
根据量化步长将一位水印信息m嵌入到主向量投影中，主向量投影的DCT系数发生变动，所述量化步长等于su与嵌入强度的乘积；
将变动后的DCT系数进行IDCT变换得到嵌入水印的图像。
图2示出了本发明实施例提供的水印嵌入方法的流程示意图。
如图2所示，水印嵌入具体包括以下步骤：
步骤一：将Lena图像(载体图像)分成大小为8×8的块并进行DCT变换。然后通过zigzag扫描得到一个DCT系数的序列。序列中的一部分系数(第四个，第六到十个和第十三个系数)组成主向量x。
步骤二：由本发明所提的感知JND模型产生感知松弛向量s。
步骤三：将主向量x和感知松弛向量s映射到给定投影向量u(可以作为密钥)上产生投影xu和su。量化步长Δ可以由投影su和嵌入强度得到。
步骤四：将一位水印信息m嵌入到主向量投影中，然后将修改后的DCT系数进行IDCT(反离散余弦变换)变换得到加水印的图像。嵌入的计算方式如下：
y＝x+[Q(xu,Δ,m,δ)-xu]·u,m∈{0,1}
其中，量化函数Q(·)被定义为：
其中，δ是信息位m对应的抖动信号。
在上述实施例的基础上，所述水印提取的步骤包括：
将水印图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x′；
通过感知JND模型产生松弛向量s′，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u′上，产生投影xu′和su′；
根据量化步长从主向量投影中提取水印信息m′，得到水印图像，所述量化步长等于su′与嵌入强度的乘积。
图3示出了本发明实施例提供的水印提取方法的流程示意图。
如图3所示，水印提取具体包括以下步骤：
步骤一：将水印图像分成大小为8×8的块并进行DCT变换。然后通过zigzag扫描得到一个DCT系数的序列。序列中的一部分系数(第四个，第六到十个和第十三个系数)组成主向量x′。
步骤二：由所提的感知JND模型产生感知松弛向量s′。
步骤三：将主向量x′和感知松弛向量s′映射到给定投影向量u(可以作为密钥)上产生投影xu′和su′。量化步长Δ可以由投影su′和嵌入强度得到。
步骤四：通过抖动调制检测器提取水印信息m′，提取的计算方式如下：
本发明实施例将所提的感知结构属性的JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
图4示出了本发明实施例提供的一种基于感知JND模型的量化水印装置的结构示意图。
如图4所示，本发明实施例提供的基于感知JND模型的量化水印装置包括计算单元11以及调制单元12，其中：
所述计算单元11，用于在所述水印嵌入和水印提取的过程中，通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
JND模型采用DCT系数中的AC系数，其中AC0,1和AC1,0(下标表征DCT系数块中行列索引位置)可以有效表征图像块的边缘强度，而且用于计算边缘像素密度的AC系数不参与水印信息的嵌入过程，因此JND计算模型可以忽视水印信息量化嵌入带来的影响，从而保证了JND模型的鲁棒性。
本发明实施例提出的感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型。将方向特征作为重要因素之一分析对比度掩蔽效应，同时考虑对比敏感度函数和亮度自适应效应得到了鲁棒的感知JND模型，能够在避免出现不匹配现象的同时能够有效地模拟人类视觉特性。
所述调制单元12，用于根据所述松弛向量调制量化步长。
本发明实施例将感知JND模型应用于量化水印算法中调制量化步长，能够有效地利用人眼的视觉冗余自适应地计算出水印信息嵌入所需的量化步长，可以实现更好的速率-失真-鲁棒性之间的权衡。
本发明实施例通过将感知结构属性的JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
在上述实施例的基础上，所述计算单元11包括：对比敏感度函数计算模块、亮度自适应因子计算模块以及对比度掩蔽因子计算模块。
所述比度掩蔽因子计算模块包括：第一分类子模块、第二分类子模块、第三分类子模块以及计算子模块。
所述第一分类子模块，用于计算块在水平方向、垂直方向以及对角方向的能量，判断块内是否具有主导方向，将块分为规则块和不规则块；
具体地，在感知JND模型中，通过分析图像块的结构特征和采用鲁棒纹理复杂度的计算方式来评估对比度掩蔽效应。
AC系数可以反映块内不同方向的结构规律性，选取不同AC系数分别衡量沿水平、垂直和对角方向的能量，基于结构属性有效地将规则块和不规则块进行区分。
分类过程如下：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量沿水平、垂直和对角方向的能量，则水平能量的表达式为：Ehor(x,y)＝|AC0,1(x,y)|；
垂直能量的表达式为：Ever(x,y)＝|AC1,0(x,y)|；
对角能量的表达式为：Edia(x,y)＝|AC1,1(x,y)|；
根据块的水平能量、垂直能量和对角能量中的最大值Emax和中值Emed的比值判断块内是否具有主导方向，比值Er的表达式为：
其中，ε为常数，ε＝(0.03×L)2，L是图像的灰度级；
当Er≥阈值T1且Emax<Emed，或者Er<阈值T1时，当前块属于不规则块；否则，最大值Emax所对应的方向为主导方向，当前块属于规则块。
具体地，AC系数可以反映块内不同方向的结构规律性，选取AC系数AC0,1，AC1,0和AC1,1分别衡量沿水平、垂直和对角方向的能量。
通过比较块的水平能量、垂直能量和对角能量获得块的方向能量的最大值和中值，以确定块内是否具有主导方向。
比值Er的计算公式中，ε是小的常数，为避免分母为零而设置的。
比值Er未超过阈值T1，这表示当前块没有主导方向。若比值Er超过阈值T1，但主导方向的能量值低于当前块的平均方向能量值，这表明当前块几乎没有方向信息。以上两种情况所述，当前块属于不规则块类型。除此之外的情况，最大值Emax所对应的方向为主导方向，当前块属于规则块。
在实验中，阈值T1设置的经验值2。
所述第二分类子模块，用于计算块在水平方向、垂直方向以及对角方向的边缘密度，根据所述边缘密度将块分为平滑块和纹理块；
具体地，为了避免受水印嵌入影响JND模型中边缘密度的计算，并且能够更精确地衡量边缘密度，提出了一种用AC系数分别衡量块内沿水平、垂直和对角方向上的纹理复杂度，基于块的纹理复杂度的块分类方法，有效地将规则纹理块与具有高纹理复杂度的区域分开。
分类过程如下：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量水平、垂直和对角方向上的块的纹理复杂度；
块的边缘强度的计算公式为：
SAC(x,y)＝|AC0,1(x,y)|+|AC1,0(x,y)|+|AC1,1(x,y)|
所述边缘密度的计算公式为：
其中，
D＝|uedge-uEDGE|2；
参数η以步长为0.02，从0.01变化至0.81，当D获得最小值时，对应的η为最优值；
当uEDGE<阈值T2时，当前块为平滑块；否则，当前块为纹理块；
具体地，常用的Canny算子检测边缘像素密度的计算方式如下：
其中，Edgei,j是边缘图中的边缘值(0是非边缘，1是边缘)，N是DCT块的尺寸。
为了更精确地计算对比度因子并避免出现不匹配现象，我们选择AC系数AC0,1，AC1,0和AC1,1分别衡量水平、垂直和对角方向上的块的纹理复杂度。块的新边缘强度定义为：
SAC(x,y)＝|AC0,1(x,y)|+|AC1,0(x,y)|+|AC1,1(x,y)|
其中，(x,y)表示块的位置，新的边缘密度uEDGE定义为：
为使uEDGE的值更接近由Canny算子计算得到的uedge,通过进行实验获得最优参数值η：
其中，设定参数η以步长为0.02从0.01变化至0.81，当D获得最小值时，表明uEDGE的值最接近由Canny算子计算得到的uedge，此时对应的参数η有最优值。
若uEDGE小于阈值T2，表明当前块具有较低纹理复杂度，则当前块为平滑块，否则当前块为纹理块。
在实验中，阈值T2设置的经验值0.19。
所述第三分类子模块，用于将块进行进一步分类为平滑块、规则纹理块和不规则纹理块；
具体地，若当前块是平滑块，则当前块为平滑块；若当前块是纹理块并且是规则块，则当前块属于规则纹理块；若当前块是纹理块并且是不规则块，则当前块属于不规则纹理块。
通过结构特征和计算边缘像素密度，最终结合两种块分类方法对DCT块进行分类：若当前块是平滑块，则当前块为平滑块；若当前块是纹理块和规则块，则当前块属于有序纹理块；若当前块是纹理块和不规则块，则当前块属于无序纹理块。通过分析结构特征和计算边缘像素密度，可以将块分成三种类型：平滑块、规则纹理块、不规则纹理块。
所述计算子模块，用于计算不同类型的块的对比度掩蔽因子。
计算过程如下：
以水平方向为主导方向的块的掩蔽因子的计算公式为：
以垂直方向为主导方向的块的掩蔽因子的计算公式为：
以对角方向为主导方向的块的掩蔽因子的计算公式为：
每种块类型的对比度掩蔽因子的计算公式为：
其中，i和j是DCT块的索引，
是设置的步长。
具体地，对于对比度掩蔽效应，人眼对于不同类型的块类型具有不同的敏感性。HVS(Human Visual System，人类视觉系统)对平滑区域比对规则纹理区域更敏感，对不规则纹理区域最不敏感。对比度掩蔽值也随HVS的灵敏度而变化。因此，为了反映对比度掩蔽效应的多样性。分别计算出水平、垂直和对角方向为主导方向的块的掩蔽因子，最终，通过结合人类视觉对于空间频率的敏感度，计算每种块类型的对比度掩蔽因子。
在上述实施例的基础上，对比敏感度函数计算模块的计算过程如下：
所述对比敏感度函数TB的计算公式为：
其中，(i,j)对应DCT块内的位置，φi和φj表示DCT归一化因子，表达式为：
wi,j为相关DCT分量的空间频率，表达式为：
其中：θh为像素的水平角度，θv为像素的垂直角度。
具体地，JND模型提供了更精确的空间敏感度函数。
在上述实施例的基础上，亮度自适应因子计算模块的计算过程如下：
所述亮度自适应因子FLA的计算公式为：
其中，up是DCT块的平均像素强度。
具体地，亮度掩蔽阈值通常取决于局部图像区域的背景亮度：在背景亮度较亮或较暗的区域，亮度掩蔽因子较大，而中等亮度区域对应的因子较小。
在上述实施例的基础上，松弛向量s的计算公式为：
s＝TB·FLA·FM
其中，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
在上述实施例的基础上，所述调制单元12，用于计算松弛向量s在给定投影向量u上的投影su，所述量化步长等于su与嵌入强度的乘积。
具体地，将所提模型应用于量化水印方案中调制量化步长，
本发明实施例将感知JND模型应用于量化水印算法中调制量化步长，能够有效地利用人眼的视觉冗余自适应地计算出水印信息嵌入所需的量化步长，量化步长等于松弛向量在投影向量上的投影与嵌入强度的乘积，能够准确地估计人类视觉冗余。
在上述实施例的基础上，所述装置还包括水印嵌入单元和水印提取单元。
水印嵌入过程如下：
将载体图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x；
通过感知JND模型产生松弛向量s，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u上产生投影xu和su；
根据量化步长将一位水印信息m嵌入到主向量投影中，主向量投影的DCT系数发生变动，所述量化步长等于su与嵌入强度的乘积；
将变动后的DCT系数进行IDCT变换得到嵌入水印的图像。
水印提取过程如下：
将水印图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x′；
通过感知JND模型产生松弛向量s′，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u′上，产生投影xu′和su′；
根据量化步长从主向量投影中提取水印信息m′，得到水印图像，所述量化步长等于su′与嵌入强度的乘积。
本发明实施例将所提的感知结构属性的JND模型应用于量化水印方案，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
本发明实施例还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如图1的方法。
图5示出了本发明一实施例提供的电子设备的结构示意图。
如图5所示，本发明实施例提供的电子设备包括存储器21、处理器22、总线23以及存储在存储器21上并可在处理器22上运行的计算机程序。其中，所述存储器21、处理器22通过所述总线23完成相互间的通信。
所述处理器22用于调用所述存储器21中的程序指令，以执行所述程序时实现如图1的方法。
例如，所述处理器执行所述程序时实现如下方法：
通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
根据所述松弛向量调制量化步长。
本发明实施例提供的电子设备，将感知结构属性的JND模型应用于量化水印方案，感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
本发明实施例还提供一种非暂态计算机可读存储介质，所述存储介质上存储有计算机程序，所述程序被处理器执行时实现如图1的步骤。
例如，所述处理器执行所述程序时实现如下方法：
通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
根据所述松弛向量调制量化步长。
本发明实施例提供的非暂态计算机可读存储介质，将感知结构属性的JND模型应用于量化水印方案，感知JND模型为对比敏感度函数，亮度自适应和对比度掩蔽的联合效应模型，能够准确地估计人类视觉冗余，具有统一保真度的条件下，更具鲁棒性。
本发明一实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：
通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
根据所述松弛向量调制量化步长。
本发明实施例中的功能模块可以通过硬件处理器(hardware processor)来实现相关功能模块，本发明实施例不再赘述。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于感知JND模型的量化水印方法，所述方法包括水印嵌入的步骤以及水印提取的步骤，其特征在于，在所述水印嵌入和水印提取的过程中，所述方法包括：
通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
根据所述松弛向量调制量化步长。
2.根据权利要求1所述的方法，其特征在于，计算所述对比度掩蔽因子包括：
计算块在水平方向、垂直方向以及对角方向的能量，判断块内是否具有主导方向，将块分为规则块和不规则块；
计算块在水平方向、垂直方向以及对角方向的边缘密度，根据所述边缘密度将块分为平滑块和纹理块；
将块进行进一步分类为平滑块、规则纹理块和不规则纹理块，计算不同类型的块的对比度掩蔽因子。
3.根据权利要求2所述的方法，其特征在于，
所述计算块在水平方向、垂直方向以及对角方向的能量，判断块内是否具有主导方向，将块分为规则块和不规则块包括：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量沿水平、垂直和对角方向的能量，则水平能量的表达式为：Ehor(x,y)＝|AC0,1(x,y)|；
垂直能量的表达式为：Ever(x,y)＝|AC1,0(x,y)|；
对角能量的表达式为：Edia(x,y)＝|AC1,1(x,y)|；
根据块的水平能量、垂直能量和对角能量中的最大值Emax和中值Emed的比值判断块内是否具有主导方向，比值Er的表达式为：
其中，ε为常数，ε＝(0.03×L)2，L是图像的灰度级；
当Er≥阈值T1且Emax<Emed，或者Er<阈值T1时，当前块属于不规则块；否则，最大值Emax所对应的方向为主导方向，当前块属于规则块；
所述计算块在水平方向、垂直方向以及对角方向的边缘密度，根据所述边缘密度将块分为平滑块和纹理块包括：
选取AC系数AC0,1，AC1,0和AC1,1分别衡量水平、垂直和对角方向上的块的纹理复杂度；
块的边缘强度的计算公式为：
SAC(x,y)＝|AC0,1(x,y)|+|AC1,0(x,y)|+|AC1,1(x,y)|
所述边缘密度的计算公式为：
其中，
D＝|uedge-uEDGE|2
参数η以步长为0.02，从0.01变化至0.81，当D获得最小值时，对应的η为最优值；
当uEDGE<阈值T2时，当前块为平滑块；否则，当前块为纹理块；
所述将块进行进一步分类，计算不同类型的块的对比度掩蔽因子包括：
若当前块是平滑块，则当前块为平滑块；若当前块是纹理块并且是规则块，则当前块属于规则纹理块；若当前块是纹理块并且是不规则块，则当前块属于不规则纹理块；
以水平方向为主导方向的块的掩蔽因子的计算公式为：
以垂直方向为主导方向的块的掩蔽因子的计算公式为：
以对角方向为主导方向的块的掩蔽因子的计算公式为：
每种块类型的对比度掩蔽因子的计算公式为：
其中，i和j是DCT块的索引，
是设置的步长。
4.根据权利要求1所述的方法，其特征在于，所述对比敏感度函数TB的计算公式为：
其中，(i,j)对应DCT块内的位置，φi和φj表示DCT归一化因子，表达式为：
wi,j为相关DCT分量的空间频率，表达式为：
其中：θh为像素的水平角度，θv为像素的垂直角度。
5.根据权利要求1所述的方法，其特征在于，所述亮度自适应因子FLA的计算公式为：
其中，up是DCT块的平均像素强度。
6.根据权利要求1所述的方法，其特征在于，所述通过感知JND模型计算松弛向量包括：
松弛向量s的计算公式为：
s＝TB·FLA·FM
其中，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
所述根据所述松弛向量调制量化步长包括：
计算松弛向量s在给定投影向量u上的投影su，所述量化步长等于su与嵌入强度的乘积。
7.根据权利要求1所述的方法，其特征在于，所述水印嵌入的步骤包括：
将载体图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x；
通过感知JND模型产生松弛向量s，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u上产生投影xu和su；
根据量化步长将一位水印信息m嵌入到主向量投影中，主向量投影的DCT系数发生变动，所述量化步长等于su与嵌入强度的乘积；
将变动后的DCT系数进行IDCT变换得到嵌入水印的图像；
所述水印提取的步骤包括：
将水印图像进行分块并进行DCT变换；
对DCT变换后的块进行Z型扫描，得到一个DCT系数的序列，所述序列的指定系数组成主向量x′；
通过感知JND模型产生松弛向量s′，所述感知JND模型为基于对比敏感度函数、亮度自适应因子以及对比度掩蔽因子的联合效应模型；
将主向量x和松弛向量s映射到给定投影向量u′上，产生投影xu′和su′；
根据量化步长从主向量投影中提取水印信息m′，得到水印图像，所述量化步长等于su′与嵌入强度的乘积。
8.一种基于感知JND模型的量化水印装置，其特征在于，所述装置包括：
计算单元，用于在所述水印嵌入和水印提取的过程中，通过感知JND模型计算松弛向量，所述感知JND模型为：
Tjnd(n,i,j)＝TB·FLA·FM
其中，n为DCT块的索引，(i,j)对应DCT块内的位置，TB为对比敏感度函数，FLA为是亮度自适应因子，FM为对比度掩蔽因子；
调制单元，用于根据所述松弛向量调制量化步长。
9.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述基于感知JND模型的量化水印方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于感知JND模型的量化水印方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533587.7A CN111325651B (zh) | 2018-12-14 | 2018-12-14 | 基于感知jnd模型的量化水印方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811533587.7A CN111325651B (zh) | 2018-12-14 | 2018-12-14 | 基于感知jnd模型的量化水印方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111325651A true CN111325651A (zh) | 2020-06-23 |
| CN111325651B CN111325651B (zh) | 2023-09-05 |
Family
ID=71172328
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811533587.7A Active CN111325651B (zh) | 2018-12-14 | 2018-12-14 | 基于感知jnd模型的量化水印方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111325651B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112866820A (zh) * | 2020-12-31 | 2021-05-28 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102905130A (zh) * | 2012-09-29 | 2013-01-30 | 浙江大学 | 基于视觉感知的多分辨率jnd模型建构方法 |
| CN103247018A (zh) * | 2013-05-20 | 2013-08-14 | 山东大学 | 基于对数域视觉模型的扩展变换抖动调制水印方法 |
| CN104766269A (zh) * | 2015-04-16 | 2015-07-08 | 山东大学 | 基于jnd亮度模型的扩展变换抖动调制水印方法 |
-
2018
- 2018-12-14 CN CN201811533587.7A patent/CN111325651B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102905130A (zh) * | 2012-09-29 | 2013-01-30 | 浙江大学 | 基于视觉感知的多分辨率jnd模型建构方法 |
| CN103247018A (zh) * | 2013-05-20 | 2013-08-14 | 山东大学 | 基于对数域视觉模型的扩展变换抖动调制水印方法 |
| CN104766269A (zh) * | 2015-04-16 | 2015-07-08 | 山东大学 | 基于jnd亮度模型的扩展变换抖动调制水印方法 |
Non-Patent Citations (3)
| Title |
|---|
| WENBO WAN等: "Hybrid JND model-guided watermarking method for screen content images" * |
| WENBO WAN等: "Improved spread transform dither modulation based on robust perceptual just noticeable distortion model" * |
| 颜小虎: "基于H.264和JND模型的视频水印研究" * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112866820A (zh) * | 2020-12-31 | 2021-05-28 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
| CN112866820B (zh) * | 2020-12-31 | 2022-03-08 | 宁波大学科学技术学院 | 基于jnd模型和t-qr的鲁棒hdr视频水印嵌入提取方法、系统及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111325651B (zh) | 2023-09-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Gu et al. | Multiscale natural scene statistical analysis for no-reference quality evaluation of DIBR-synthesized views | |
| JP7413400B2 (ja) | 肌質測定方法、肌質等級分類方法、肌質測定装置、電子機器及び記憶媒体 | |
| Liu et al. | Blind image quality assessment by relative gradient statistics and adaboosting neural network | |
| Zhang et al. | Visibility enhancement using an image filtering approach | |
| Wang et al. | A fast roughness-based approach to the assessment of 3D mesh visual quality | |
| Wan et al. | Hybrid JND model-guided watermarking method for screen content images | |
| CN108510496B (zh) | 基于图像dct域的svd分解的模糊检测方法 | |
| CN111709914B (zh) | 一种基于hvs特性的无参考图像质量评价方法 | |
| Niu et al. | Visual saliency’s modulatory effect on just noticeable distortion profile and its application in image watermarking | |
| JP2021531571A (ja) | 証明書画像抽出方法及び端末機器 | |
| Liu et al. | No-reference image quality assessment method based on visual parameters | |
| Li et al. | Orientation-aware saliency guided JND model for robust image watermarking | |
| Joshi et al. | Continuous wavelet transform based no-reference image quality assessment for blur and noise distortions | |
| CN115439804A (zh) | 一种用于高铁检修的监测方法以及装置 | |
| Wang et al. | Robust image watermarking via perceptual structural regularity-based JND model | |
| CN111325651B (zh) | 基于感知jnd模型的量化水印方法和装置 | |
| CN108257117B (zh) | 图像曝光度的评测方法及装置 | |
| JP2014056442A (ja) | 画質推定装置、画質推定方法および画質推定プログラム | |
| CN112700363A (zh) | 一种基于区域选择的自适应可视水印嵌入方法和装置 | |
| Dosselmann et al. | A formal assessment of the structural similarity index | |
| Lu et al. | Statistical modeling in the shearlet domain for blind image quality assessment | |
| CN116129195A (zh) | 图像质量评价装置、方法、电子设备和存储介质 | |
| Cai et al. | Blind quality assessment of gamut-mapped images via local and global statistical analysis | |
| CN111354048B (zh) | 一种面向相机获取图片的质量评价方法和装置 | |
| CN110245590B (zh) | 一种基于皮肤图像检测的产品推荐方法及系统 |
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 |