标志”src=

多媒体的发展
PDF
多媒体的发展/2020年/文章

研究文章|开放获取

体积 2020年 |文章的ID 7912690 | https://doi.org/10.1155/2020/7912690

Mahbuba女王,穆罕默德Shorif Uddin, ”数字图像水印技术通过混合方法的分析”,多媒体的发展, 卷。2020年, 文章的ID7912690, 12 页面, 2020年。 https://doi.org/10.1155/2020/7912690

数字图像水印技术通过混合方法的分析

Mahbuba女王1和 穆罕默德Shorif Uddin2

1Mawlana Bhashani科技大学,显示1902年,孟加拉国

2Jahangirnagar大学1342达卡,孟加拉国

学术编辑器:帕特里克闭目
收到了 2020年2月22日
修改后的 2020年6月21日
接受 2020年7月21日
发表 2020年8月06

文摘

数字图像水印是一个有吸引力的研究领域,因为它保护多媒体数据从未经授权的访问。设计一个高效和健壮的数字图像水印系统,无法感知之间的权衡,健壮性、容量,必须维护和安全。关于这个问题的各种研究已经被执行,以确保这些需求组合不同的领域,如空间和变换域。在本文中,我们提出了一个分析研究现有的混合数字图像水印方法。首先,我们给了一个标准框架,设计一个混合的方法,保证了水印的基本设计要求为各种应用程序。经过简短的文献综述,我们比较和分析了几种现有的混合方法的复杂性以表格形式。这些方法的局限性和应用程序也会高亮显示。最后,我们总结了现有的研究方法和结论的挑战给未来的研究方向。

1。介绍

多媒体技术正在改善。因此,很容易修改、复制、复制和分发数字图像通信通过本地网络和整个互联网低成本和立即交货质量退化。图像安全和隐私是多媒体革命很重要的问题。数字图像水印技术是一个重大进步,近年来对于识别版权所有者的所有权信息和提供多媒体安全。这种技术嵌入水印数据到一个多媒体产品(如文本、图像、音频和视频),后来从有水印的提取或检测产品维护产品(1]。因此,宿主数据被插入水印数据保护,不能被删除或被一个偷听者所取代。这项技术认证,确保内容完整性验证,抗干扰和生产受到高度保护的图像。封面(或主机)图像质量和美丽都是由一个不可见水印。近年来,各种方法提出了基于空间或变换域或两者兼而有之。空间域方法嵌入水印通过修改宿主图像的像素值。然而,在变换域,变换系数的修改。这些转换包括离散余弦变换(DCT)、离散傅里叶变换(DFT)和离散小波变换(DWT) [2]。混合法结合了任何两个或三个转换通过维护无法感知之间的一种权衡,健壮性、能力和安全性。然而,近年来,变换域算法的改进的性能引起了公众的关注,几乎取代了空间域算法。所有权广播监测、识别、指纹识别、内容认证、完整性验证和远程医疗安全是重要的和最新的数字图像水印的潜在应用。

本研究的贡献(我)我们现在目前的趋势的混合方法(2)我们确定的限制最先进的数字图像水印的混合方法(3)我们指出未来研究人员必须解决的挑战

在这个研究中,现有的混合域的数字图像水印方法进行了综述2。框架的混合方法是修改部分3。部分4包含混合的设计要求和分类方法。之后,本文以表格形式表示这些混合方法的比较研究。然后,本文列出了一些挑战和开放研究未来的研究人员必须解决的问题。最后一个部分总结了研究。

2。文献综述

近年来,许多混合数字图像水印方法已经发展为隐藏数据考虑增加鲁棒性、能力和安全的维护有水印的图像的视觉质量。摘要(3)提出了一个离散小波变换(DWT)和离散余弦变换(DCT)基于数字图像版权保护的数字水印技术。在这里,使用Arnold变换加密水印图像。系统计算的基于块的DCT DWT LL子带,它提供了更好的视觉质量图像的人眼。这里,水印嵌入到宿主图像的midfrequency DCT系数。该系统也健壮的各种攻击和执行比单一的基于dct方法。另一篇论文(4)结合了DWT和奇异值分解)健壮性和细微的显著改善。这里,两级(2 l) DWT应用于宿主图像,然后是水印嵌入的奇异值2 l DWT部分波段(HL / LH)。是欣但et al。5)提出了一个基于DWT-SVD混合水印技术。在这里,小波融合算法用于嵌入水印利用DWT和圣言。他们的系统是健壮的和提供更好的细微改进能力。提升小波变换(轻型)和DCT结合在一项研究中6),首先应用于轻型宿主图像。然后,水印嵌入到DCT的轻型部分波段选择。在这里,通过使用轻型原始宿主图像分解。本文不需要原始宿主图像中提取水印。简et al。7)提出了一个混合nonblind水印DWT和圣言”相结合的方法将数据嵌入到宿主图像。这里,宿主图像分解成四个部分波段(HH, HL、LH和LL),然后计算应用于部分波段。对角线与水印图像奇异值系数被修改。实验结果显示显著提高峰值信噪比(PSNR)值的有水印的图像。他们提出对JPEG压缩方法是健壮的,高斯噪声、缩放、过滤、裁剪和旋转。另一篇论文,提出了保护医疗数据的远程医疗应用程序(8]。转移医疗数据在网络上通过保持鲁棒性和安全性,本文使用了一种混合的方法,结合了DWT和DCT。这里的医疗宿主图像分为两个部分:nonregion感兴趣的(NROI)和感兴趣的区域(ROI)。多个水印图像嵌入到ROI,和文本水印是嵌入到NROI部分。这里,Rivest-Shamir-Adleman (RSA)算法应用于文本水印嵌入之前增强安全性。这种混合方法保存主机嵌入水印后图像的视觉质量没有任何退化。另一个混合的方法提出了基于DCT-DWT autothresholding。DCT应用于宿主图像DWT之前。算法采用最佳阈值选择最好的嵌入区域,确保更好的细微和高鲁棒性对缩放、剪切、旋转、喧哗,和压缩攻击(9]。另一个混合方法(10)结合了DWT和DCT域的保持鲁棒性和无法感知。本文选择DWT-DCT系数嵌入水印的基于人类视觉系统。这里,量化索引调制(QIM)应用于宿主图像的DWT-DCT系数改善性能的细微和鲁棒性。

对于彩色图像水印,另一种方法是提出了基于奇异值分解和混合变换(DCT沃尔什11]。这种方法使用低频系数嵌入水印,而不是的中频DCT变换系数。实验结果显示了重要的该方法的鲁棒性与噪音,直方图均衡化,压缩和裁剪攻击。获得医学图像,另一种方法结合了DWT, DCT,圣言会提高系统的鲁棒性(12]。在这里,一个看不见的水印图像嵌入到医学图像。第三级(3 l) DWT应用于医学宿主图像。在这里,DWT系数的高频部分波段的医学使用宿主图像。然后,DCT和圣言会转换应用于宿主图像。系统确保更好的细微和改进的健壮性与噪声(高斯和满头花白的噪音),维纳滤波器,平均滤波器、中值滤波器。轻型、DCT和奇异值分解结合在另一个计划13),使用边缘检测为选择最佳的区域嵌入水印。粒子群优化(PSO)算法被用来保持鲁棒性和细微之间的权衡。实验结果表明,该系统是可靠的各种攻击,也保留了图像质量。提出了一种频率域的混合DCT-SVD-based方法在文献[14),以确保更多的能力。鲁棒水印技术使用Arnold变换形成组织水印标志。首先,二维(2 d) DCT应用于宿主图像,然后计算水印标志。选择不同的权重根据降低奇异值最小化宿主图像的失真。为保护版权信息,两种变换域方法离散傅里叶变换(DFT)和DCT (15]。起初,DFT应用于宿主图像。无法感知的实现是通过使用DFT的大小。然后,DCT应用于这DFT宿主图像的大小,提高了系统的鲁棒性。水印加密使用Arnold变换在嵌入之前,水印是嵌入到宿主图像的中间DCT系数。该方法表明,没有视觉宿主图像和水印图像之间的区别。系统显示改进的健壮性与不同类型的攻击。在另一项研究[16起初,不同级别的DWT应用于宿主图像,然后DCT应用于它。然后,传播变换QIM用于实现水印的嵌入。方法显示显著改善的鲁棒性和对现有方法无法感知。结合DCT和DWT-based健壮的彩色图像水印方法提出了另一项研究[17]。起初,RGB宿主图像分为三个组件(红、蓝、绿),然后DCT和DWT应用于图像。Arnold变换加密灰度水印图像。加密的水印分为更小的部分,以及每一部分的DCT系数计算。之后,每个DCT系数水印是嵌入到彩色宿主图像DWT部分波段。实验表明,对调整有水印的图像是健壮的,噪音增加,旋转,过滤和JPEG压缩攻击。此外,系统显示了比其他方法更好的细微。盲目和nonblind水印技术提出了内外使用水印技术,分别是(18]。在这里,一个二进制水印图像嵌入到宿主图像通过使用内部DWT的帮助下内心的方案。然后,结果内部有水印图像嵌入到外部主机图像利用DWT和圣言。水印提取是反向的方式完成的。这个提议系统对高斯噪声是健壮的,满头花白噪声、泊松噪声,散斑噪声、旋转和JPEG压缩。除了空间和变换域算法相结合的理念,目前的趋势是将它们与各种机器学习和人工神经网络算法对提高性能。这些算法是用来找出最有效的嵌入函数。2020年,一个图像水印,提出了基于矩阵分解与Q学习的强化学习模型(19]。这里,Q学习是用来找出适当的主机块嵌入通过试验和错误的方法。它有一个更好的结果比随机嵌入细微和鲁棒性。但是,这里并没有提供对各种攻击性能。另一篇文章提出使用遗传算法的支持向量机(20.]。选择这里,重要区域的模糊熵,然后突出低频区域计算从这些重要区域的支持向量回归模型显著地增加鲁棒性比传统的方法。水印比例因子基因algorithm-an(强度)计算的优化算法。优化算法,如遗传算法、特定的群优化,蚁群优化和萤火虫算法,通常用于找到合适的嵌入函数或合适的块嵌入(21- - - - - -23]。现在的神经网络比其他机器学习算法变得越来越流行。不断提出了神经网络与DWT (SNN)有更少的时间复杂性,并提取问题是作为一个优化问题,解决了SNN [24]。很多作品都基于神经网络完成然后结合contourlet变换,峰度系数和YCbCr空间除了已知的频率域DCT和DWT (24- - - - - -26]。

3所示。框架的混合的数字图像水印方法

数字水印技术是改变多媒体数据的方式将信息添加到主机媒体保护其版权信息(27]。首先,系统需要宿主图像,嵌入的水印图像嵌入算法和密钥的帮助。然后,系统会有水印的图像并将其发送的通信通道。最后,系统提取水印图像通过使用水印提取算法和密钥。图1显示了上述过程。


图1
水印嵌入和提取。

数字水印可以通过空间或变换或混合域。空间域技术不提供高鲁棒性攻击或任何操作(28]。有关这个问题,变换域技术多媒体安全(引起了公众的关注29日]。然而,由于变换域方法的有效载荷能力有限,近年来混合域方法是首选(30.]。在混合动力领域的方法中,两个或两个以上的图像转换用于水印。这些混合域方法变换域方法的扩展版本(31日]。这些方法提供更多的细微和高鲁棒性的多媒体数据,主要用于多媒体安全与版权保护。

混合数字图像水印方法接受主持人形象和适用于两个或两个以上的变换域方法(DCT, DFT、DWT和计算。这个过程称为杂交。任何轻量级加密水印图像加密方法,然后加密水印图像分为n块。之后,基于块的加密水印图像嵌入到宿主图像。在这里,n——嵌入宿主图像随机选择的n块的加密的水印。然后,应用逆变换,有水印的图像终于获得。水印提取是反向的方式完成的。图2显示了混合的水印嵌入方法的框架。


图2
框架的混合的数字图像水印嵌入方法。

4所示。设计要求和分类的混合图像水印

数字图像水印技术数据嵌入到图像以这样一种方式,这样的数据不能被轻易移除或销毁。有效的水印,存在一些设计要求。此外,混合水印可以通过结合不同的变换域方法。本节讨论设计要求和混合数字图像水印的分类方法。

4.1。混合数字图像水印的设计要求

由于互联网和多媒体,很容易复制、传送、分发数字图像时传播在互联网上或个人网络。因此,为了防止未经授权的访问,数字图像水印将信息添加到主机媒体。因此,系统应该有效。必须满足一些要求设计高效的混合数字图像水印方法。其他要求,四个基本需求无法感知,健壮性、能力和安全性。这些需求是描绘在图3。


图3
混合数字图像水印的基本要求。

细微的一个重要需求的混合数字图像水印方法评价水印系统的性能。这意味着没有视觉区别宿主图像和水印图像。他们甚至在退化,人眼感知无法区分在亮度和对比度27,32]。鲁棒性水印图像的要求仍然可以检测到有水印的图像后一直受到一些常见的图像处理操作。这些操作包括扫描、打印、缩放、翻译、空间滤波、旋转,颜色映射和有损压缩27]。鲁棒性可以分为健壮、脆弱和semifragile。有效载荷能力评估的嵌入信息宿主图像基于宿主图像的大小。但是,插入更多的水印比特宿主图像是一项艰巨的任务,取决于实际应用(33]。指纹安全是一个重要的设计要求,数字内容版权保护,数据验证和跟踪。安全是证实了与各种加密方法加密水印图像。这些包括Arnold变换,chaos-based方法,DCT和物流使用地图的方法。这些方法确保安全性和保密性的水印图像34]。

4.2。数字图像水印的分类的混合方法

基于工作领域,数字图像水印可分为空间,变换,或混合域。空间域方法包括最低有效位(LSB),中间位(ISB),或拼接的算法。另一方面,变换或频域方法包括DCT、DFT, DWT,圣言。混合域方法中包含两个或两个以上的变换域算法。这些包括DCT和DFT、DCT和DWT, DCT和圣言,DFT和DWT, DFT和圣言,DWT和圣言,结合DCT, DFT和DWT和其他人。数字图像水印的分类如图4。


图4
数字图像水印的分类。

5。混合数字图像水印方法的比较研究

一些性能指标确定水印系统的整体性能。因此,本节讨论的性能评价指标。然后,它强调了先进的混合方法的实验结果表1和2。然后,这些混合的复杂性分析方法如表所示3和4。突出显示在表的局限性和相关应用程序5。
计划 对细微 对鲁棒性 为了安全 封面图片大小、类型和颜色 水印图像的大小,类型和颜色 容量(比特)
DWT-DCT [3] DWT + DCT DWT + DCT Arnold变换 512×512,莉娜图像,灰度 32×32,灰度 - - - - - -
DWT-SVD [4] DWT +圣言 DWT +圣言 加密算法 512×512,莉娜图像,灰度 256×256,灰度 - - - - - -
DWT-SVD [5] DWT-SVD和小波融合算法 DWT-SVD和小波融合算法 - - - - - - 256×256,摄影师图像,灰度 原始水印256×256,标志形象和二次水印256×256,莉娜形象(灰度) - - - - - -
LWT-DCT [6] 轻型+ DCT 轻型+ DCT - - - - - - 256×256,莉娜形象,彩色图像 64×64,山魈,灰度 - - - - - -
DWT-SVD [7] 圣言会 DWT - - - - - - 512×512,Goldhill图像,灰度图像 256×256,标志形象,二进制图像 - - - - - -
DWT-DCT [8] DWT + DCT DWT + DCT RSA算法 512×512,医学图像,灰度图像 健康中心标志和电子顺磁共振数据,灰度 - - - - - -
DCT-DWT [9] DCT-DWT和autothresholding DCT-DWT和autothresholding - - - - - - 512×512,辣椒,RGB彩色图像 27×100、文本图像,白色背景和黑色数字策划 2700位
DWT-DCT [10] DWT-DCT和QIM DWT-DCT和QIM Arnold变换 512×512,自然图像,灰度图像 64×64,标志,图像的二值化图像 1/64位/像素
SVD-DCT [11] 圣言会和沃尔什DCT混合变换 圣言会和沃尔什DCT混合变换 - - - - - - 256×256×3个字节,自然形象,彩色位图图像 128×128×3个字节,自然形象,彩色位图图像 - - - - - -
DWT-DCT-SVD [12] DWT-DCT和圣言 DWT-DCT和圣言 - - - - - - 512×512,腹部,灰度 512×512,女孩的脸,灰度 - - - - - -
LWT-DCT-SVD [13] LWT-DCT-SVD和PSO算法 LWT-DCT-SVD和PSO算法 - - - - - - 512×512,自然图像,灰度图像 32×32岁的标志,二进制图像 - - - - - -
DCT-SVD [14] DCT +圣言 DCT +圣言 Arnold变换 512×512,自然图像,灰度图像 64×64,莉娜(徽标图像),灰度图像 262144年
DFT-DCT [15] DFT系数的大小 DCT DFT系数的大小 Arnold变换 512×512,自然纹理图像,灰度 19×52和64×64,二进制标志,灰度 988 (Lena图片)
DWT-DCT [16] DWT-DCT和OMP重建 DWT-DCT和OMP重建 - - - - - - 256×256,丽娜,灰度 32×32岁的标志形象,二进制 - - - - - -
DCT-DWT [17] DCT + DWT DCT + DWT Arnold变换 1024×1024×3、自然图像RGB 96×96,自然图像,灰度 - - - - - -
DWT-SVD [18] DWT +圣言 DWT +圣言 - - - - - - 512×512(包括内在和外在形象),自然图像的颜色 50×20,文本图像,二进制图像 - - - - - -
表1
摘要先进的混合方法。
计划 测试图像 无法感知以PSNR (dB)(没有任何变形有水印的图片)
DWT-DCT [3] 丽娜 37.7160
DWT-SVD [4] 丽娜 109.84
DWT-SVD [5] 摄影师 64.3155
LWT-DCT [6] 丽娜 46.7629
DWT-DCT [8] 进行核磁共振成像的大脑 52.743550(增益系数,k= 0.02)
DCT-DWT [9] 辣椒 42.74
DWT-DCT-SVD [12] 腹部 57.80((增益系数,k= 0.1)
LWT-DCT-SVD [13] 丽娜 46.5085
DCT-SVD [14] 芭芭拉 62.74
DFT-DCT [15] 山魈和D9 61.28(山魈),58.97 (D9形象)
DCT-DWT [17] 狒狒 > 35
表2
评估的性能有水印的图像。
计划 测试图像 直方图均衡化 高斯噪声 满头花白的噪音 LPGF JPEG压缩(QF) JPEG 2000 (CR) 裁剪(%) 旋转(°)
DWT-DCT [3] 丽娜 - - - - - - - - - - - - - - - - - - - - - - - - SSIM = 0.9839 (QF = 50%) - - - - - - SSIM = 0.9495 (25%) - - - - - -
DWT-SVD [4] 丽娜 数控= 1.0 数控= 1.0(比例因子= 0.99) 数控= 1.0(比例因子= 0.99) - - - - - - 数控= 0.7593 - - - - - - - - - - - - - - - - - -
DWT-SVD [5] 摄影师 - - - - - - PSNR值= 20.4017(比例因子= 0.01) - - - - - - - - - - - - - - - - - - - - - - - - PSNR值= 7.8166 - - - - - -
DWT-SVD [7] Goldhill PSNR值= 17.545(比例因子,μ= 5) PSNR值= 30.000(比例因子,μ= 5) PSNR值= 12.364(比例因子,μ= 5) PSNR值= 29.794(比例因子,μ= 5) PSNR值= 8.356(比例因子,μ= 5) - - - - - - PSNR值= 13.047(比例因子,μ= 5) PSNR值= 11.430(200)(比例因子,μ= 5)
DWT-DCT [8] 进行核磁共振成像的大脑 数控= 0.7498 数控= 0.9487 (μ= 0,var = 0.00001) 数控= 0.9850(噪声级= 0.001) 数控= 0.7779 数控= 1.0000 (QF = 65) - - - - - - 数控= 0.6963 数控= 0.6981 (0.01°)
DCT-DWT [9] 辣椒 数控= 0.9739 数控= 0.9413(噪音水平= 10%) - - - - - - 数控= 0.9926 (QF = 100) - - - - - - 数控= 0.9594 (154×154) 数控= 0.9886 (75°)
DWT-DCT [10] 丽娜 - - - - - - 数量= 5.67 (var = 0.001) 数量= 14.44(强度= 1%) 数量= 0.04 (3×3) 数量= 0.02 (QF = 80) 数量= 0.01 (CR = 2) 数量= 11.99 (25%) 数量= 13.94 (45°)
SVD-DCT [11] 的脸 美= 25.449 美= 0.068 - - - - - - - - - - - - 美= 1.346 (QF = 100) - - - - - - 美= 11.462(在角落种植32×32) - - - - - -
DWT-DCT-SVD [12] 腹部 - - - - - - 数控= 0.9999(0.8比例因子μ= 0,var = 0.01) 数控= 0.9999 0.8比例因子(密度= 0.01) - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
LWT-DCT-SVD [13] 丽娜 PSNR值= 45.01206 PSNR值= 43.96941 (μ= 0,var = 0.001) PSNR值= 44.05564(密度= 0.02) PSNR值= 44.88039 (3×3) PSNR值= 43.86933 (QF = 70%) - - - - - - PSNR值= 44.97377 (25%) PSNR值= 44.82333 (5°)
DCT-SVD [14] 芭芭拉 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 数控= 0.9952 数控= 0.9952
DFT-DCT [15] D9 SSIM = 0.9995、数控= 1.0 (SSIM = 0.9928,数控= 0.9947μ= 0,var = 0.0005) SSIM = 0.9997,数控= 1.0 (μ= 0,var = 0.0001) (SSIM = 0.9996,数控= 0.9984σ= 0.6,9×9) SSIM = 0.9997,数控= 1.0 (QF = 90) SSIM = 0.9002,数控= 0.9003 (CR = 10) SSIM = 1.0、数控= 1.0 (50%) - - - - - -
DWT-DCT [16] 丽娜 - - - - - - 数量= 0.0869 (0.0008) 数量= 0.0615 (0.005) 数量= 0.0869 (3×3,0.9) 数量= 0.1660 (QF = 20) - - - - - - - - - - - - - - - - - -
DCT-DWT [17] 狒狒 - - - - - - 数控= 0.9982(为比例因子= 80) 数控= 0.9530(为比例因子= 80) - - - - - - 数控= 0.9994(为比例因子= 80) - - - - - - - - - - - - 数控= 0.8669(为比例因子= 80)
DWT-SVD [18] 胡椒 - - - - - - 数控= 0.9438 数控= 0.9139 - - - - - - 数控= 1.0000 - - - - - - - - - - - - 数控= 1.0000 (90°)
表3
SSIM PSNR,误码率、美和数控值在1型攻击。
计划 测试图像 锐化 模糊 平均滤波器(AF) 中值滤波器(MF) 调整/缩放 泊松噪声(PN) 高斯白噪声(GWN) 散斑噪声(SN)
DWT-DCT [3] 丽娜 - - - - - - - - - - - - - - - - - - SSIM = 0.9777 SSIM = 0.9798 - - - - - - SSIM = 0.9558 (μ= 0,var = 0.01) - - - - - -
DWT-SVD [4] 丽娜 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 数控= 1.0(比例因子= 0.8)
DWT-SVD [5] 摄影师 - - - - - - - - - - - - PSNR值= 20.6928 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - -
DWT-SVD [7] Goldhill - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - PSNR值= 30.000(比例因子,μ= 5) - - - - - -
DWT-DCT [10] 丽娜 - - - - - - - - - - - - - - - - - - 数量= 4.45 (3×3) 数量= 1.09(比例25%) - - - - - - - - - - - - - - - - - -
DWT-DCT-SVD [12] 腹部 - - - - - - - - - - - - 数控= 0.9940 (5×5) 数控= 0.9995 (3×3) - - - - - - - - - - - - - - - - - - 数控= 0.9996(密度= 0.08)
LWT-DCT-SVD [13] 丽娜 PSNR值= 45.00733 - - - - - - PSNR值= 43.74854 (3×3) PSNR值= 44.06895 (3×3) PSNR值= 44.43792 (512 - 256 - 512) PSNR值= 44.23103 - - - - - - PSNR值= 43.78754 (μ= 0,var = 0.04
DCT-SVD [14] 芭芭拉 - - - - - - - - - - - - - - - - - - 数控= 0.8812 - - - - - - - - - - - - - - - - - - - - - - - -
DCT-DWT [17] 狒狒 数控= 0.9292(为比例因子= 80) 数控= 0.9663(80年为比例因子) 数控= 0.9715(80年为比例因子) 数控= 0.9988(80年为比例因子) 数控= 0.9589(80年为比例因子) 数控= 0.9589(80年为比例因子) 数控= 0.9982(80年为比例因子) 数控= 0.8770(80年为比例因子)
DWT-SVD [18] 胡椒 - - - - - - - - - - - - - - - - - - - - - - - - - - - - - - 数控= 1.0000 - - - - - - 数控= 0.9346
表4
PSNR、SSIM和数控值在2型攻击。
计划 限制 应用程序
DWT-DCT [3] 对他那么健壮,SPN, LPGF, JPEG 2000年,旋转,锐化,模糊,房颤,PN,锡、打印/扫描攻击,联合攻击 版权保护
DWT-SVD [4] 少对LPGF健壮,JPEG 2000,裁剪,旋转,锐化,模糊,房颤,MF,调整,PN, GWN,打印/扫描攻击,攻击 - - - - - -
DWT-SVD [5] 少了,没有强劲的反对,他SPN LPGF, JPEG压缩,JPEG 2000年,旋转,锐化,模糊,调整,PN, GWN,锡、打印/扫描攻击,联合攻击 - - - - - -
DWT-SVD [7] 针对JPEG 2000不健壮,锐化,模糊,调整,PN, SN,打印/扫描攻击,攻击 版权保护和多媒体安全
DWT-DCT [8] 没有健壮的锐化,模糊,房颤,MF,调整,PN, GWN,锡、打印/扫描攻击,联合攻击 远程医疗安全
DCT-DWT [9] 没有健壮的锐化,模糊,房颤,MF, PN, GWN,锡、打印/扫描攻击,联合攻击 数字图像的安全
DWT-DCT [10] 对房颤不健壮,PN, GWN锡、打印/扫描攻击,攻击,和去同步化攻击 - - - - - -
SVD-DCT [11] 对SPN不健壮,LPGF JPEG 2000年,旋转,锐化,模糊,房颤,GWN, PN,锡、打印/扫描攻击,联合攻击 版权保护
DWT-DCT-SVD [12] 对他不健壮,LPGF、JPEG压缩JPEG 2000年,旋转,剪裁,锐化,模糊,调整,PN, GWN,打印/扫描攻击,攻击 医学图像的安全
LWT-DCT-SVD [13] 少对JPEG 2000健壮,打印/扫描攻击,去同步化攻击,联合攻击 多媒体安全
DCT-SVD [14] 少对GN健壮,LPGF,直方图均衡化,JPEG压缩,JPEG 2000年,锐化,模糊,调整,PN, GWN,去同步化攻击,攻击 医学科学和国防应用程序
DFT-DCT Arnold变换(15] 少对旋转健壮,锐化,模糊,房颤,MF,维纳滤波器、打印/扫描攻击,调整,PN, GWN,锡、失调,联合攻击 版权保护
DWT-DCT [16] 对他那么健壮,JPEG 2000、旋转、锐化,模糊,房颤,MF,维纳滤波器、打印/扫描攻击,调整,PN, GWN,锡、失调,联合攻击 多媒体安全与版权保护
DCT-DWT [17] 对他不健壮,LPGF JPEG 2000年,种植,维纳滤波器、打印/扫描攻击,失调,联合攻击 版权保护
DWT-SVD [18] 对他不健壮,LPGF JPEG 2000年,种植,锐化,模糊,房颤,MF,调整,GWN,维纳滤波器、打印/扫描攻击,失调,联合攻击 版权保护
表5
各种混合方法的局限性和应用。
5.1。性能评价指标

质量意识到一个基于图像的对象,这质量是衡量一些性能评估指标,可视为基准评估性能的工具。这些包括峰值信噪比(PSNR),均方误差(MSE),误比特率(BER),平均绝对误差(MAE),归一化相关(NC),欧几里得距离(ED)、结构相似度指数(SSIM),功能相似索引方法(FSIM),图像保真度(如果),和相关的质量(CQ)。PSNR值越多,越多的质量形象。一个有效的系统,最好是PSNR > 30 dB,数控= 1.0,SSIM = 1。

5.2。各种方案的实验结果

近年来,各种混合方法已经发展为提高鲁棒性,无法感知,和安全,以及提高嵌入容量。然而,这部分保持关注先进的混合方法的总结表1和2。表1包括计划、技术用于细微、健壮性、安全性要求、大小、类型、和颜色的图像和水印图像,并嵌入容量。表2包括计划、测试图像,无法感知以PSNR (dB)没有任何的变形有水印的图像。

5.3。混合数字图像水印方法的复杂度分析

有水印的图像经过一个通信信道,攻击常见的信号处理操作或攻击。本节分析了各种混合方法的复杂性的帮助下表3和4。表3包括计划和测试图像和评估PSNR, SSIM,方方面面,美,和数控值在1型攻击,包括直方图均衡化(他),高斯噪声(GN),满头花白噪声(SPN),高斯低通滤波(LPGF)、JPEG压缩、JPEG 2000年,裁剪和旋转。表4包括计划和测试图像和评估PSNR, SSIM,和数控值2型攻击,包括磨下,模糊,平均滤波器(AF),中值滤波器(MF),调整/缩放、泊松噪声(PN),高斯白噪声(GWN)和散斑噪声(SN)。这里,QF =品质因数,CR =压缩比,μ=的意思是,和var =方差。

5.4。局限性和应用各种混合数字图像水印方法

从上面的总结,结果表明,混合域数字图像水印方法更加健壮和提供更好的细微与高安全性。然而,他们有一些局限性。他们不能抵抗联合攻击他+ GN,他+ SPN, GN + JPEG压缩,SPN + JPEG压缩,LPGF + SPN。这些混合的方法可以适用于多媒体安全、远程医疗安全、数字图像安全,和版权保护。图5强调了混合数字图像水印方法的关联的应用程序。


图5
混合数字图像水印的应用方法。

的局限性和应用各种先进的混合数字图像水印方法总结在表5。

6。混合的数字图像水印方法的挑战

现有的混合数字图像水印方法对旋转与其说是健壮的,锐化,模糊,均值滤波(AF)、泊松噪声(PN),散斑噪声(SN),和打印/扫描攻击。同时,他们也并不健壮的联合攻击,就像他+ GN,他+ SPN, GN + JPEG压缩,SPN + JPEG压缩,LPGF + SPN。这些技术增加计算复杂度较高(时间和空间)。同时,他们不能实现高性能细微之间有一个权衡,健壮性、安全性和能力。此外,这种技术的安全是一个巨大的挑战。然而,最近的诱导物联网(物联网)和blockchain-based认证提供更好的安全性。物联网设备使用轻量级加密算法增强安全性,而计算机使用复杂的加密算法。此外,物联网有限的存储和需要较少的计算复杂性的需求(35]。另一方面,blockchain-based身份验证是一个分散的方法。一个区块链包含数字信息块相连,密码学。该区块链技术存储主机的签名图像区块链。因此,宿主图像由攻击者不能修改。定位被篡改区域和宿主图像的真实性,签名可以从区块链中恢复。在这种情况下,该区块链技术保护主人的签名图片100%反对任何操作(36]。我们已经强调了下面的这些技术。

检查药品的真实性在物联网环境中,提出了一种方法使用NFC或近场通信(37]。方法保证会话密钥安全用ROR (real-or-random)模型,从计算和沟通成本的角度是有效的。提出了一种基于内容的图像检索(CBIR)方法没有访问云服务器信息(38]。在这里,图像是由提取特征向量。安全再保护特征向量(资讯)算法。为确保安全的现有设备,blockchain-based获得相互的身份验证(称为BSeIn)方法,提出了确保隐私和安全(39]。LBRAPS轻量级blockchain-based RFID认证协议,为供应链设计的5 g移动环境。该方法获得了各种攻击(40]。此外,一个新的身份验证方法与cloud-assisted cyber-physical系统(CPS)设计在文献[41]。在这里,外部用户可以访问云服务器的信息。云服务器身份验证方案可以安全通信的数据云服务器和智能电表。该方法保证了系统的安全。最近,Wazid et al。42]提出了LAM-CIoT(轻量级基于云计算的物联网环境中的身份验证机制)机制,授权用户可以远程访问物联网数据。该方法使用加密哈希函数和按位异或操作和显示更好的安全实验。

6.1。开放研究问题(长期愿景)

目前的趋势的图像认证是基于频率或变换域,而一些基于空间域。但是,现在研究趋势与人工智能集成。因此,一些新的研究问题越来越开放。他们有如下:(我)声音身份验证。这是最终的图像认证以及声音的渴望。技术需要集成的水印(文本)直接的声音。首先,语音文本转换完成,然后将插入的文本封面图片。它将比传统的更安全的身份验证的额外的步骤声音文本,因为它发现在自然语言处理中的应用。(2)生物特征身份验证。非常有效的无形的生物认证系统要求在今天的数字世界,在医学领域有巨大的应用,电子商务和银行系统。(3)社会身份验证。目前,假账户可以在社交媒体上看到它危害社会。各种犯罪,虚假新闻和谣言传播规模越来越通过这些假资料。所以,停止这些不必要的活动重点是需要特殊的研究。(iv)图像认证与云外包。本研究将导致保护隐私的图像认证系统。图像认证是一个昂贵的操作,当我们考虑一个大的图像数据库。所以,图像数据库应该被加密,然后再把它寄到云上。区块链技术可以集成在这里更好的安全性。这是一个具有挑战性的问题发现的原始水印加密封面图片在接收机端为未来的研究人员和一个开放的问题。

7所示。结论和未来的发展方向

图像是多媒体数据的一个重要组成部分。图像认证由于互联网流量是一个具有挑战性的任务。由于多媒体数据的互动交流和物联网技术的广泛使用,信息很容易被复制。随着图像数据的安全,有必要确保细微,健壮性和增强的数据嵌入容量。混合数字图像水印是一个重要的领域,以确保这些问题。然而,我们的调查发现,现有的混合方法需要改进,以确保这些问题。此外,我们指出,最近的诱导物联网(物联网)和blockchain-based认证提供更好的安全性。因此,得到改进的健壮性和高图像数据安全以及更好的细微和嵌入容量,未来的研究人员必须结合机器学习和人工神经网络算法在混合变换域。

数据可用性

没有可用的数据。

的利益冲突

作者宣称没有利益冲突。

作者的贡献

M.B.整个论文研究和起草;M.S.U.发起这个概念,监督研究手稿和调整。

引用

  1. p . Morasso“空间控制臂运动”,大脑研究实验,42卷,第227 - 223页,1981年。视图:出版商的网站|谷歌学术搜索
  2. m . Kawato y Uno, r·铃木“最优轨迹的形成和控制人类multijoint手臂运动,”生物控制论卷,61年,第101 - 89页,1989年。视图:出版商的网站|谷歌学术搜索
  3. l·p·冯·l·b·郑,p .曹”ADWT-DCT盲水印算法进行版权保护,”学报》3日IEEE计算机科学和信息技术国际会议(ICCSIT)成都,页455 - 458年,中国,2010年7月。视图:出版商的网站|谷歌学术搜索
  4. x周、j . Ma和w·杜”播种:基于混合DWT-SVD获得图像水印”传感器网络安全技术国际会议和隐私通信系统(SNS & pc)南岗区,页197 - 200年,中国,2013年5月。视图:出版商的网站|谷歌学术搜索
  5. 大肠工作流管理。阿提亚是欣但,n . El-Fishaw g和f Abd El-Samii C11。混合数字图像水印技术进行数据隐藏,”30国家无线电科学会议227年,页220 -开罗,埃及,2013年4月。视图:出版商的网站|谷歌学术搜索
  6. 答:桶和y登”,基于轻型和DCT数字图像水印方案,“国际工程和技术杂志》上5卷,第277 - 272页,2013年。视图:出版商的网站|谷歌学术搜索
  7. o .简、大肠Elbaşi和h . g .İlk”混合非盲水印基于DWT,圣言。”应用研究和技术杂志》上,12卷,不。4、750 - 761年,2014页。视图:出版商的网站|谷歌学术搜索
  8. a·沙玛,a·k·辛格和s . p . Ghrera”获得医学图像的混合鲁棒水印技术,”Procedia计算机科学卷,70年,第784 - 778页,2015年。视图:出版商的网站|谷歌学术搜索
  9. n . A . A . s . Al-maweri w·A·w·Adnan A·拉赫曼Ramli k . Samsudin和s . m . s . Ahmad”混合的数字图像水印算法基于DCT-DWT auto-thresholding,”安全性和通信网络,8卷,不。18日,第4395 - 4373页,2015年。视图:出版商的网站|谷歌学术搜索
  10. 胡锦涛和L.-Y H.-T。。许,“集体在DWT-DCT域自适应盲图像水印嵌入强度由质量量度,”多媒体工具和应用程序,卷76,不。5,6575 - 6594年,2017页。视图:出版商的网站|谷歌学术搜索
  11. 美国Natu、p . Natu和t . Sarode”改善与奇异值分解和混合动力强劲的数字图像水印变换,”《智能通信和计算技术国际会议(国际)斋浦尔,页177 - 181年,印度,2017年12月。视图:出版商的网站|谷歌学术搜索
  12. Assini, A .巴蒂尼A .巴蒂尼k .萨菲A萨赫勒地区,和A .巴格达,”一个健壮的混合水印技术保护医学图像,”国际智能工程和系统杂志》上,11卷,不。3、169 - 176年,2018页。视图:出版商的网站|谷歌学术搜索
  13. t·t·Takore p·r·库马尔,g . Lavanya井斜,“一个新的健壮和听不清图像水印方案基于混合变换算法,”智能系统和应用程序的国际期刊,10卷,不。11日,50 - 63年,2018页。视图:出版商的网站|谷歌学术搜索
  14. p . Jain和Ghanekar,“健壮的纹理图像,水印技术”学报第六届国际会议在智能计算和通信(ICSCC)Kurukshetra,页179 - 186年,印度,2018年12月。视图:出版商的网站|谷歌学术搜索
  15. m·哈米迪·m·e·Haziti h . Cherifi和m . e . Hassouni”混合盲基于DFT-DCT和阿诺德变换的鲁棒图像水印技术,”多媒体工具和应用程序,卷77,不。20日,第27214 - 27181页,2018年。视图:出版商的网站|谷歌学术搜索
  16. 李张y, y, y的太阳,“基于联合DWT-DCT和OMP重建、数字水印”电路、系统和信号处理,38卷,第5148 - 5135页,2019年。视图:出版商的网站|谷歌学术搜索
  17. A . k .阿和美国Ozturk”,一种新颖的混合基于DCT和DWT健壮水印算法对彩色图像,”多媒体工具和应用程序卷,78年,第17049 - 17027页,2019年。视图:出版商的网站|谷歌学术搜索
  18. d . g . Savakar和a . Ghuli”强大的无形的数字图像水印使用混合动力方案,“阿拉伯科学与工程》杂志上,44卷,不。4、3995 - 4008年,2019页。视图:出版商的网站|谷歌学术搜索
  19. m . Alizadeh h . Sajedi, b . Babaali“Q学习和矩阵分解,图像水印”《机器视觉和图像处理国际会议(MVIP)2020年2月,伊朗库姆。视图:出版商的网站|谷歌学术搜索
  20. r·梅塔、k·古普塔和a . k . Yadav,“一种自适应框架基于双子支持向量回归的图像水印和遗传算法在小波变换域,“多媒体工具和应用程序,卷79,不。25日至26日,第18678 - 18657页,2020年。视图:出版商的网站|谷歌学术搜索
  21. g . Dubey c·阿加瓦尔、美国Kumar和惠普辛格“使用布谷鸟搜索算法,图像水印方案”数据和信息科学的进步,网络和系统的课堂讲稿施普林格,卷。94年,新加坡,2020年。视图:谷歌学术搜索
  22. 郭y, B.-Z。李,n .高尔“优化盲图像水印方法基于萤火虫算法在DWT-QR变换域,“专业图像处理,11卷,不。6,406 - 415年,2017页。视图:出版商的网站|谷歌学术搜索
  23. 中州。陈,H.-C。黄,学术界。赖,T.-Y。常”,一个图像水印方法基于人工鱼群算法,”诉讼的彩色图像水印的分析框架,页46-50,京都,日本,2020年3月。视图:出版商的网站|谷歌学术搜索
  24. m·f·齐米·m·a·Pourmina, a . h . Mazinan”分析为彩色图像水印框架通过神经网络的方法,”复杂和智能系统》第六卷,没有。1,第220 - 213页,2020。视图:出版商的网站|谷歌学术搜索
  25. m·f·齐米·m·a·Pourmina, a . h . Mazinan“新颖的基于神经网络的CT-NSCT水印框架基于峰度系数,”Sens成像,21卷,不。1,2020。视图:出版商的网站|谷歌学术搜索
  26. a . k . Yadav和r·梅塔,”当地耦合极端基于机器学习的图像水印中使用DCT YCbCr空间”人工智能程序友好的国际会议(AICAI),页527 - 532年,迪拜,阿联酋,2019年2月。视图:出版商的网站|谷歌学术搜索
  27. m·l·米勒,j·考克斯,j·a·布鲁姆j . Fridrich和t .石灰,数字水印和隐写术,摩根Kaufmann出版商、伯灵顿佛蒙特,美国,2008年。
  28. g . c . Langelaar i Setyawan, r . l . Lagendijk“水印数字图像和视频数据。先进的概述”,IEEE信号处理杂志,17卷,不。5,20-46,2000页。视图:出版商的网站|谷歌学术搜索
  29. r . m . Thanki和a . m . Kothari”数字水印:技术隐藏信息的艺术,“多媒体信息的智能分析,IGI全球,宾夕法尼亚州,美国,2016年。视图:谷歌学术搜索
  30. 塔迦尔f . n和v . k .斯利瓦斯塔瓦”,快速使用压缩传感水印算法和增强安全性和主成分及其性能分析的一组标准的攻击,“多媒体工具和应用程序,卷76,不。14日,第15219 - 15191页,2017年。视图:出版商的网站|谷歌学术搜索
  31. k·阿施施”,设计、实现和性能分析数字水印的视频,“JJT大学,于是,印度,2013年博士论文。视图:谷歌学术搜索
  32. d . Delannay和b . Macq秘密水印生成、广义二维循环模式”图像处理(2000年国际会议的猫。不。00 ch37101),卷2,页77 - 79,2000年9月,加拿大,温哥华。视图:出版商的网站|谷歌学术搜索
  33. h . t l . Chongmin j .穆罕默德Zain和a·n·阿布达拉,”鲁棒图像水印理论和技术:复习一下,”应用研究和技术杂志》上,12卷,不。1,第138 - 122页,2014。视图:出版商的网站|谷歌学术搜索
  34. n . a . Loani n . n . Hurrahi s . a . Parah j·w·李,j . a . Sheikhi和g . Mohiuddin泰铢,“安全、健壮的数字图像水印利用系数差分和混沌加密,“IEEE访问》第六卷,第19897 - 19876页,2018年。视图:出版商的网站|谷歌学术搜索
  35. t·杨·g·h·张,l .刘et al。”新功能的物联网验证方案:调查”第二届ACM国际研讨会上物联网的安全与隐私,页44-49,伦敦,英国,2019年11月。视图:出版商的网站|谷歌学术搜索
  36. r . a . Dobre r . o . Preda c . c .电脑和l . Pirnog“身份验证区块链上的JPEG图像,”诉讼国际会议控制、人工智能、机器人和优化(ICCAIRO),页211 - 215,布拉格,捷克共和国,2018年5月。视图:出版商的网站|谷歌学术搜索
  37. m . Wazid a . k . Das m·k·汗A.-D。Al-Ghaiheb:库马尔,a . v . Vasilakos”安全认证方案医药防伪系统在物联网环境下,“IEEE物联网,4卷,不。5,1634 - 1646年,2017页。视图:出版商的网站|谷歌学术搜索
  38. z夏:n ., a . v . Vasilakos x的太阳,“EPCBIR:一个高效和保护隐私在云计算中基于内容的图像检索方案,“信息科学卷,387年,第204 - 195页,2017年。视图:出版商的网站|谷歌学术搜索
  39. 林c, d .他x黄K.-K。雷蒙德Choo, a . v . Vasilakos“BSeIn: blockchain-based安全相互认证行业4.0,细粒度的访问控制系统”网络和计算机应用》杂志上卷。116年,42-52,2018页。视图:出版商的网站|谷歌学术搜索
  40. j·斯、a . k . Das和a . v . Vasilakos”为供应链设计安全的轻量级基于rfid blockchain-enabled认证协议在5 g移动计算环境中,“IEEE工业信息》16卷,第7093 - 7081页,2019年。视图:出版商的网站|谷歌学术搜索
  41. s . Challa a . k . Das p . Gope n . Kumar和a . v . Vasilakos f . Wu”身份验证的关键协议方案设计与分析cloud-assisted cyber-physical系统”未来一代计算机系统卷,108年,第1286 - 1267页,2020年。视图:出版商的网站|谷歌学术搜索
  42. m . Wazid a . k . Das k .维韦卡南达·巴特和a . v . Vasilakos”LAM-CIoT:轻量级的认证机制在基于云计算的物联网环境中,“网络和计算机应用》杂志上文章ID 102496卷,150年,2020年。视图:出版商的网站|谷歌学术搜索

版权©2020 Mahbuba女王和穆罕默德Shorif Uddin。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。

更多相关文章

PDF 下载引用 引用
下载其他格式更多的
ePub
XML
订单打印副本订单
的观点3986年
下载1107年
引用

相关文章

文章奖:2020年杰出的研究贡献,选择由我们的首席编辑。获奖的文章阅读。