CN113034335B - 水印嵌入方法、系统及含水印图像的水印提取方法、系统 - Google Patents

水印嵌入方法、系统及含水印图像的水印提取方法、系统 Download PDF

Info

Publication number
CN113034335B
CN113034335B CN202110332997.0A CN202110332997A CN113034335B CN 113034335 B CN113034335 B CN 113034335B CN 202110332997 A CN202110332997 A CN 202110332997A CN 113034335 B CN113034335 B CN 113034335B
Authority
CN
China
Prior art keywords
watermark
image
block
sub
image 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.)
Active
Application number
CN202110332997.0A
Other languages
English (en)
Other versions
CN113034335A (zh
Inventor
杨帆
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.)
Individual
Original Assignee
Individual
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 Individual filed Critical Individual
Priority to CN202110332997.0A priority Critical patent/CN113034335B/zh
Publication of CN113034335A publication Critical patent/CN113034335A/zh
Application granted granted Critical
Publication of CN113034335B publication Critical patent/CN113034335B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
    • G06F17/148—Wavelet transforms
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-based segmentation
    • 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
    • G06T2201/0061—Embedding of the watermark in each block of the image, e.g. segmented watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20021—Dividing image into blocks, subimages or windows

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Software Systems (AREA)
  • Databases & Information Systems (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Algebra (AREA)
  • Computational Linguistics (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明提供一种水印嵌入方法、系统及含水印图像的水印提取方法、系统，属于数字水印技术领域，对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；选择标准差最小的子图像块作为最终水印嵌入系数块；将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。本发明基于轮廓波变换和级联神经网络，具有良好的不可见性和鲁棒性；利用轮廓波变换算法，提高了水印的不可见性；采用级联神经网络用于数字水印提取，保证了学习的效果和速度，提高水印识别的准确率。

Description

水印嵌入方法、系统及含水印图像的水印提取方法、系统
技术领域
本发明涉及数字水印技术领域，具体涉及一种基于图像变换和级联神经网络结合的水印嵌入方法、系统及含水印图像的水印提取方法、系统。
背景技术
伴随着数字技术、网络媒体技术的不断发展，媒体信息数字化、网络化的特点成为信息存取的依据，从而有助于信息快捷的收发，但由于数字信息存储、复制、传播较为容易，容易产生多媒体信息安全、知识产权等问题，该问题已经成为社会关注的一个热点。
加密技术作为保护信息安全的重要方法，是一种将明文转换成不可读的密文并在信道中传输的技术，加密技术也是以前应用最多的传统技术。传统的加密技术虽然能够保证在传输过程中信息的安全性，但是其无法保证信息不被非法复制和传播，当信息传输到用户那里时，无法保证信息的安全性。
数字水印技术主要采用数字信息加密算法，能够将作品归属人的信息和图片很好的加入其中，从而能够实现版权保护和私密传播，杜绝多媒体信息被盗用。
发明内容
本发明的目的在于提供一种基于轮廓波变换和级联神经网络相结合、提高了水印信息的反破解性能的水印嵌入方法、系统及含水印图像的水印提取方法、系统，以解决上述背景技术中存在的至少一项技术问题。
为了实现上述目的，本发明采取了如下技术方案：
第一方面，本发明提供一种水印嵌入方法，包括：
对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
选择标准差最小的子图像块作为最终的水印嵌入系数块；
将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。
优选的，对每个图像块进行多级轮廓波分解，以二叉树结构为参考进行结构的分解，如果对水印进行置乱变换后，水印位置上的数字为“1”，则表示其对应的图像块位置需要嵌入水印信息，如果为“0”，则代表该位置不需嵌入水印。
优选的，利用生成函数PN＝G(k2)生成随机噪声，其中，G表示随机噪声序列生成算法，k2表示随机噪声序列顺序，嵌入水印信息的保密密钥。
优选的，计算子图像块的标准差包括：
计算子图像块的标准差，得到/>如下式所示：
其中，表示对原宿主图片进行分块处理后的第i行、第j列的低频系数图像块再次分块处理后的第p行、第q列子图像块；h表示子图像块的大小，/>表示对分块图像所求均值，/>表示子图像块/>标准差，s表示子图分块的宽，t表示子图分块的高。
优选的，随机噪声PN的嵌入算法为：
其中，表示最终需要嵌入的子图像块，σ表示水印嵌入的强度系数，W′(i,j)表示需要嵌入水印的第i行、第j列的图像块。
第二方面，本发明提供一种基于如上所述的水印嵌入方法的水印嵌入系统，包括：
变换模块，用于对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
第一分块处理模块，用于对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
第一分解模块，用于对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
第一选择模块，用于选择标准差最小的子图像块作为最终的水印嵌入系数块；
嵌入模块，用于将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。
第三方面，本发明提供一种含水印图像的水印提取方法，用于对根据如上所述的水印嵌入方法得到的含水印图像进行水印提取，包括：
对含水印图像进行分块，得到水印图像块；
对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
选择标准差最小的水印子图像块作为最终的水印提取系数块；
提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图。
根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
优选的，统计嵌入的随机噪声和轮廓波变换后的图像块之间的关联，获得低频系数矩阵，将低频系数矩阵作为训练样本训练RBF和离散的Hopfield级联神经网络得到所述训练好的检测模型。
优选的，判断是否存在数字水印包括，检测方式为：
若存在输出结果为“1”，则在对应的水印提取系数块的像素坐标上记为“1”，反之，如果输出结果为“0”，则对应坐标位置上记为“0”。
第四方面，本发明提供一种基于如上所述的含水印图像的水印提取方法的含水印图像的水印提取系统，包括：
第二分块处理模块，用于对含水印图像进行分块，得到水印图像块；
第二分解模块，用于对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
第二选择模块，用于选择标准差最小的水印子图像块作为最终的水印提取系数块；
检测模块，用于提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图。
恢复模块，用于根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
本发明有益效果：基于轮廓波变换和级联神经网络，具有良好的不可见性和鲁棒性；利用轮廓波变换算法，提高了水印的不可见性；不需要原图采用级联神经网络用于数字水印提取，保证了学习的效果和速度，提高水印识别的准确率。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅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为本发明实施例所述的水印嵌入系统的功能原理框图。
图2为本发明实施例所述的水印嵌入方法流程示意图。
图3为本发实施例所述的含水印图像的水印提取系统的功能原理框图。
图4为本发实施例所述的含水印图像的水印提取方法流程示意图。
图5为本发明实施例所述的不同变换域算法下不同嵌入强度下的峰值信噪比对比示意图。
图6为本发明实施例所述的不同攻击下提取水印后的图像与原图对比的归一化系数对比示意图。
具体实施方式
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
实施例1
如图1所示，本发明实施例1提供一种水印嵌入系统，该系统包括：
变换模块，用于对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
第一分块处理模块，用于对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
第一分解模块，用于对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
第一选择模块，用于选择标准差最小的子图像块作为最终的水印嵌入系数块；
嵌入模块，用于将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。
如图2所示，在本实施例1中，利用上述的水印嵌入系统实现了一种水印嵌入方法，该方法包括：
对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
选择标准差最小的子图像块作为最终的水印嵌入系数块；
将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。
在本实施例1中，对每个图像块进行多级轮廓波分解，以二叉树结构为参考进行结构的分解，如果对水印进行置乱变换后，水印位置上的数字为“1”，则表示其对应的图像块位置需要嵌入水印信息，如果为“0”，则代表该位置不需嵌入水印。
利用生成函数PN＝G(k2)生成随机噪声，其中，G表示随机噪声序列生成算法，k2表示随机噪声序列顺序，嵌入水印信息的保密密钥。
计算子图像块的标准差包括：
计算子图像块的标准差，得到/>如下式所示：
其中，表示对原宿主图片进行分块处理后的第i行、第j列的低频系数图像块再次分块处理后的第p行、第q列子图像块；h表示子图像块的大小，/>表示对分块图像所求均值，/>表示子图像块/>标准差，s表示子图分块的宽，t表示子图分块的高。
随机噪声PN的嵌入算法为：
其中，表示最终需要嵌入的子图像块，σ表示水印嵌入的强度系数，W′(i,j)表示需要嵌入水印的第i行、第j列的图像块。
实施例2
如图3所示，本发明实施例2提供一种含水印图像的水印提取系统，该系统用于提取使用实施例1所述的水印嵌入方法得到的含水印图像的水印信息。
该系统包括：
第二分块处理模块，用于对含水印图像进行分块，得到水印图像块；
第二分解模块，用于对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
第二选择模块，用于选择标准差最小的水印子图像块作为最终的水印提取系数块；
检测模块，用于提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图。
恢复模块，用于根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
如图4所示，利用如上所述的含水印图像的水印提取系统，实现了一种含水印图像的水印提取方法，用于对如实施例1所述的水印嵌入方法得到的含水印图像进行水印提取，该方法包括：
对含水印图像进行分块，得到水印图像块；
对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
选择标准差最小的水印子图像块作为最终的水印提取系数块；
提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图。
根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
在本实施例2中，统计嵌入的随机噪声和轮廓波变换后的图像块之间的关联，获得低频系数矩阵，将低频系数矩阵作为训练样本训练RBF和离散的Hopfield级联神经网络得到所述训练好的检测模型。
在本实施例2中，判断是否存在数字水印包括，检测方式为：
若存在输出结果为“1”，则在对应的水印提取系数块的像素坐标上记为“1”，反之，如果输出结果为“0”，则对应坐标位置上记为“0”。
实施例3
本实施例3根据数字水印技术运用中所遇到的困难，结合数字水印的特点，提出了基于轮廓波变换和级联神经网络的算法，该算法结合了轮廓波变换，以及RBF神经网络和Hopfield神经网络结合的级联神经网络，实现了基于轮廓波变换和级联神经网络相结合的数字水印技术。
轮廓波变换法不仅包含了离散小波变换在多分辨率时频分析特征的优点，而且还弥补了离散小波变换不能在空间频率定位和方向异性方面捕捉更多边缘信息的缺点。
本实施例3中，使用的嵌入水印信息为随机的噪声序列(Pseudo random Noise，PN)，PN的嵌入能够确保信息的安全性和稳定性。在嵌入水印过程之中，第一步先生成一组噪声数据并记录，再将其按一定规律插入数字水印信息之中。由于生成的噪声序列的密钥K仅有嵌入水印者可知，这样就可以提升数字水印的反破解性能，根据其具体点位上的像素值来决定嵌入的具体信息。整个基于轮廓波变换和RBF以及离散的Hopfield级联神经网络相结合的水印嵌入算法流程如图2所示。
在本实施例3中，基于轮廓波变换和RBF和离散的Hopfield级联神经网络相结合的水印嵌入算法的嵌入流程如下所示：
Step1：首先获取需要嵌入的二值水印W，大小为n*n，然后对其进行一定次数的Arnold变换得到水印W′，次数记为k1，该数据也可以作为数字水印的加密信息。
Step2：设原图片信息I的分辨率为M*M，继而对原图进行n*n的分块处理，其中Iij(0≤i≤n-1,0≤j≤n-1)，因此，可以知道每个图像子块的大小为M/n*M/n，所有的图像分块和经过Arnold变换后的数字水印信息具有一一对应的关系，如果对水印进行置乱变换后，水印位置上的数字为“1”，则表示其对应的子图像块位置需要嵌入了水印信息，如果值为“0”，则代表该位置就不嵌入水印。
Step3：图像中的每一个子块Iij都要进行L级轮廓波分解，以二叉树结构为参考进行结构的分解，因此，经过子块在经过轮廓波分解变换后大小全都是M/2Ln*M/2Ln，更多的信息是包含在低频信息部分的，能量也更为集中，更加方便恢复原始图像，即使图像失真也可以尽可能的保留信息，所以数字水印嵌入低频部分能够得到更好的水印鲁棒性，在本文中使用的水印嵌入块是分解得到的低频系数子块coefij。
Step4：将上一个步骤中选择的低频系数子块再次进行分块，平均分成m*m块，每个的大小为h，这就得到再一次分块后的系数块其中0≤p≤m-1，
0≤q≤m-1。最后计算系数块的标准差，得到/>如下式所示：
选择其中一块标准差最小的子块作为最终的水印嵌入系数块。
Step5：利用生成函数PN＝G(k2)生成随机噪声，其中G为随机噪声序列生成算法，k2为保密密钥key，则PN的嵌入算法用如下公式表示：
公式中，最终需要嵌入的系数块；
σ：PN嵌入入水印的强度系数；
W′(i,j)：需要嵌入水印的图像块。
Step6：因为流程本身的可逆性，全部的图片块均完成插入后，仅需对输出图像信息展开拟轮廓波变换即可恢复原图。
在本实施例3中，提出了数字水印的检测和提取，算其本质上就是上述一种水印嵌入算法的逆算法，其中，检测算法的目的是确定识别到的图像水印的存在，提取算法是提取检测到的水印进行算法提取和验证等系列操作。
如图4所示，基于轮廓波变换和RBF和离散的Hopfield级联神经网络相结合的水印嵌入算法、水印提取详细流程如下所示：
Step1：首先对嵌入水印的图片进行分块，每块都进行轮廓变换。具体步骤和水印嵌入步骤的Step2-Step5是一样的，得到最终系数块，判断该最终系数块是否含有嵌入水印。
Step2：提取经过嵌入过程的图像信息中的噪声秘钥PN，并以此来对最终系数块展开检验，判断是否有数字水印存在。检测方式如下：
Step3：统计插入噪声和轮廓波变换后的输出系数块之间的关联，获得关系矩阵(即低频系数矩阵)，并将其作为级联神经网络的训练样本。新得到的低频系数矩阵与其嵌入的随机噪声类型将作为训练样本输入到级联神经网络进行训练，得到检测模型。
Step4：将检测数据导入到检测样本输入到之前已经训练好的RBF和离散的Hopfield级联的级联神经网络(即检测模型)之中，并且对块中数字水印的嵌入状况进行判定。
若存在输出结果为“1”，则在输出系数块的像素坐标上记为“1”，反之，如果输出结果为“0”，则对应坐标位置上记为“0”，重复持续这一判定过程，直至完成所有系数块的检测，得到最终的无序二值图。
Step5：最后可以根据Arnold置乱变换具有的周期性，恢复得到无序的二值图，即可得到之前插入的数字水印信息。
RBF神经网络和离散的Hopfield神经网络组成的级联神经网络可以看成一个神经网络，但是，级联神经网络的学习能力会比单个的RBF神经网络强，而且误差小，使识别正确度增加。
评估验证实验：
本实施例3中，数字水印评估主要从两个方面进行，即不可见性和鲁棒性。用峰值信噪比(PSNR值)来评价水印的不可见性，用归一化相关系数(NC值)评价水印的鲁棒性。
首先进行嵌入实验，按照水印嵌入算法流程对图像进行处理，当嵌入强度δ＝10时，嵌入水印的图像和原图无异。
实施例3中，选取了离散傅里叶变换(DFT)、离散余弦变换(DCT)以及离散小波变换(DWT)在不同嵌入强度下进行对比，实验结果如图5所示。图5中，每一种变换最左侧的灰色柱状条表示嵌入强度为10，中间的灰色柱状条表示嵌入强度为20，最右侧的灰色柱状条表示嵌入强度为30。
实验得知嵌入强度直接影响嵌入水印的不可见性，并且随着嵌入强度的提升PSNR值也出现一定程度的减小，说明了基于轮廓波算法嵌入的水印拥有较好的不可见性。
进行水印提取实验，为了验证更加全面的算法性能，这里对已经嵌入水印的图像加入攻击，从而检验在受到攻击的情况下，分别得出相应的NC值，用来说明该算法抵抗不同攻击形式的能力。
分别采用缩放、噪声、压缩、滤波和剪切作为干扰源，并且分别比较不同攻击下提取水印后的图像与原图对比的归一化系数(NC值)，得到受到不同强度噪声干扰下的水印提取结果。选取了轮廓波算法(CT)和向量机(SVR)以及概率神经网络(PNN)结合的提取算法进行对比，实验结果如图6所示。
图6中，对应横坐标上每一种处理方式(包括缩小2倍、放大2倍、压缩90％、剪切中间1/9、校验0.01、高斯0.01、算数滤波3×3)，最左边的灰色柱状条表示轮廓波算法结合人工神经网络的NC值，左边第二个灰色柱状条表示轮廓波算法的NC值，中间灰色柱状条表示向量机的NC值，左边第4个灰色柱状条表示概率神经网络的NC值，最右边的灰色柱状条表示RBF的NC值。
在面对不同攻击时，本实施例提出的水印提取算法表现比较稳定，对比基于轮廓波变换的提取算法，因为仅仅只用了轮廓波变换，所以受到攻击后提取水印的NC值比较小。在面对算数滤波攻击时，本实施例提出的水印提取算法表现不如轮廓波变换和概率神经网络结合的算法，但是在面对其他攻击时都优于其他算法。说明该算法具有很强的鲁棒性。
综上所述，本发明实施例所述的基于图像变换和级联神经网络结合的水印嵌入方法、系统及含水印图像的水印提取方法、系统，数字水印可以很好保证图像的安全性，促使非法用户无法解密。利用轮廓波变换算法优秀的图像拆解能力，在全局范围内进行最优值的搜索，结合轮廓波变换在分块认证上的优势，将其用于水印嵌入，提高了水印的不可见性；采用将级联神经网络用于数字水印提取，利用级联神经网络进行了自适应学习速率的设计，通过不同的梯度值直接计算学习速率，同时保证了学习的效果和速度。联神经网络的加入，能够提高水印识别的准确率，当利用神经网络进行水印提取时，不需要原图。通过实验验证，基于轮廓波变换和级联神经网络的数字水印算法具有良好的不可见性和鲁棒性。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述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，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。

Claims (8)

1.一种水印嵌入方法，其特征在于，包括：
对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
选择标准差最小的子图像块作为最终的水印嵌入系数块；
将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入；
计算子图像块的标准差包括：
计算子图像块的标准差，得到/>，如下式所示：
；
其中，表示对原宿主图片进行分块处理后的第/>行、第/>列的低频系数图像块再次分块处理后的第/>行、第/>列子图像块；/>表示子图像块的大小，/>表示对分块图像所求均值，/>表示子图像块/>标准差，/>表示子图分块的宽，/>表示子图分块的高；
随机噪声的嵌入算法为：
；
其中，表示最终需要嵌入的子图像块，/>表示水印嵌入的强度系数，/>表示需要嵌入水印的第/>行、第/>列的图像块。
2.根据权利要求1所述的水印嵌入方法，其特征在于，对每个图像块进行多级轮廓波分解，以二叉树结构为参考进行结构的分解，如果对水印进行置乱变换后，水印位置上的数字为“1”，则表示其对应的图像块位置需要嵌入水印信息，如果为“0”，则代表该位置不需嵌入水印。
3.根据权利要求1所述的水印嵌入方法，其特征在于，利用生成函数生成随机噪声，其中，/>表示随机噪声序列生成算法，/>表示随机噪声序列顺序，嵌入水印信息的保密密钥。
4.一种基于如权利要求1-3任一项所述的水印嵌入方法的水印嵌入系统，其特征在于，包括：
变换模块，用于对需要嵌入的二值水印进行一定次数的置乱变换，得到水印信息；
第一分块处理模块，用于对原宿主图片进行分块处理，分块处理后得到的所有图像块与置乱变换后的水印信息一一对应；
第一分解模块，用于对所有的图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到子图像块；
第一选择模块，用于选择标准差最小的子图像块作为最终的水印嵌入系数块；
嵌入模块，用于将生成的随机噪声序列插入水印嵌入系数块，完成水印嵌入。
5.一种含水印图像的水印提取方法，用于对根据权利要求1-3任一项所述的水印嵌入方法得到的含水印图像进行水印提取，其特征在于，包括：
对含水印图像进行分块，得到水印图像块；
对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
选择标准差最小的水印子图像块作为最终的水印提取系数块；
提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图；
根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
6.根据权利要求5所述的含水印图像的水印提取方法，其特征在于，统计嵌入的随机噪声和轮廓波变换后的图像块之间的关联，获得低频系数矩阵，将低频系数矩阵作为训练样本训练RBF和离散的Hopfield级联神经网络得到所述训练好的检测模型。
7.根据权利要求6所述的含水印图像的水印提取方法，其特征在于，判断是否存在数字水印包括，检测方式为：
；
若存在输出结果为“1”，则在对应的水印提取系数块的像素坐标上记为“1”，反之，如果输出结果为“0”，则对应坐标位置上记为“0”。
8.一种基于如权利要求5-7任一项所述的含水印图像的水印提取方法的含水印图像的水印提取系统，其特征在于，包括：
第二分块处理模块，用于对含水印图像进行分块，得到水印图像块；
第二分解模块，用于对所有的水印图像块进行轮廓波分解，选择其中的低频系数图像块再次分块处理，得到水印子图像块；
第二选择模块，用于选择标准差最小的水印子图像块作为最终的水印提取系数块；
检测模块，用于提取随机噪声，将最终水印提取系数块输入训练好的检测模型中，判断是否存在数字水印，直至完成所有系数块的检测，得到无序二值图；
恢复模块，用于根据置乱变换的周期性，恢复得到的无序二值图，得到含水印图像中嵌入的水印信息。
CN202110332997.0A 2021-03-29 2021-03-29 水印嵌入方法、系统及含水印图像的水印提取方法、系统 Active CN113034335B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110332997.0A CN113034335B (zh) 2021-03-29 2021-03-29 水印嵌入方法、系统及含水印图像的水印提取方法、系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110332997.0A CN113034335B (zh) 2021-03-29 2021-03-29 水印嵌入方法、系统及含水印图像的水印提取方法、系统

Publications (2)

Publication Number Publication Date
CN113034335A CN113034335A (zh) 2021-06-25
CN113034335B true CN113034335B (zh) 2024-01-05

Family

ID=76452702

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110332997.0A Active CN113034335B (zh) 2021-03-29 2021-03-29 水印嵌入方法、系统及含水印图像的水印提取方法、系统

Country Status (1)

Country Link
CN (1) CN113034335B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003087554A (ja) * 2001-09-10 2003-03-20 Takayuki Sasaki 電子透かし入り画像の生成工法
CN108596823A (zh) * 2018-04-28 2018-09-28 苏州大学 一种基于稀疏变换的数字盲水印的嵌入和提取方法
CN111127291A (zh) * 2019-12-30 2020-05-08 山东师范大学 基于空频域jnd转换的图像水印嵌入、提取方法及系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103533343B (zh) * 2013-09-29 2015-05-20 宁波大学 一种基于数字水印的立体图像质量客观评价方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2003087554A (ja) * 2001-09-10 2003-03-20 Takayuki Sasaki 電子透かし入り画像の生成工法
CN108596823A (zh) * 2018-04-28 2018-09-28 苏州大学 一种基于稀疏变换的数字盲水印的嵌入和提取方法
CN111127291A (zh) * 2019-12-30 2020-05-08 山东师范大学 基于空频域jnd转换的图像水印嵌入、提取方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
一种基于神经网络和小波变换的盲水印算法;燕丹丹;张正兰;张明;;现代计算机(专业版)(05);全文 *

Also Published As

Publication number Publication date
CN113034335A (zh) 2021-06-25

Similar Documents

Publication Publication Date Title
CN110084733B (zh) 文本图像水印的嵌入方法及系统、提取方法及系统
CN107240061B (zh) 一种基于动态bp神经网络的水印嵌入、提取方法与装置
CN101489133B (zh) 一种抗几何攻击的实时视频水印方法
Ma et al. Local geometric distortions resilient watermarking scheme based on symmetry
CN111984942B (zh) 基于极复指数变换和残差神经网络的鲁棒视频零水印方法
Hadmi et al. Perceptual image hashing
MaungMaung et al. A protection method of trained CNN model with a secret key from unauthorized access
Tzeng et al. An asymmetric subspace watermarking method for copyright protection
Su Color image watermarking: algorithms and technologies
CN104766263A (zh) 基于四元数Legendre矩校正的彩色图像水印嵌入及检测方法
Rahardi et al. A Blind Robust Image Watermarking on Selected DCT Coefficients for Copyright Protection
Wang et al. A blind watermarking algorithm based on specific component quantization in DHT domain
CN113034335B (zh) 水印嵌入方法、系统及含水印图像的水印提取方法、系统
CN115272039A (zh) 一种基于gan的水印攻击方法及系统、数字水印嵌入方法
Min et al. A watermark-conditioned diffusion model for ip protection
Essaidani et al. Asynchronous Invariant Digital Image Watermarking in Radon Field for Resistant Encrypted Watermark.
Ito et al. Access control of semantic segmentation models using encrypted feature maps
Ma et al. Unified High-binding Watermark for Unconditional Image Generation Models
Liu et al. BiFPro: A Bidirectional Facial-data Protection Framework against DeepFake
Shakeri et al. A robust zero-watermark copyright protection scheme based on DWT and image normalization
Liao et al. A novel digital image watermarking approach based on image blocks similarity
Xin et al. A semi-fragile digital watermarking algorithm based on integer wavelet matrix norm quantization for medical images
Dewan et al. GLCM and PCA algorithm based watermarking scheme
Juvvanapudi et al. Hybrid Encryption-based Color Image Watermarking using Improved GWO with LSB
Belkacem et al. A masking model of hvs for image watermaking in the dct domain

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