文摘
我们提出了一个利用contourlet变换图像自适应水印方法。首先,我们选择了高能图像块作为水印嵌入空间通过分割原始图像分成不重叠的部分,设计了一种水印嵌入强度系数利用人类视觉特点的模型。实现乘法水印嵌入参数的动态适应性,水印嵌入强度因子之间的关系,通过实验开发有水印的图像质量和峰值信噪比(PSNR)和结构相似度指数测量(SSIM),分别。其次,检测水印信息,广义高斯分布(GGD)已经被用来contourlet系数模型。此外,选择块的位置,水印嵌入因子,和水印的大小作为边信息水印解码。最后,8图像进行了实验,结果证明提出的水印方法的有效性。具体地说,我们时具有良好的细微和强鲁棒性数字水印方法对高斯噪声、JPEG压缩、缩放、旋转、中值滤波、高斯滤波攻击。
1。介绍
数字多媒体传输和共享变得更加方便与网络的迅速发展。然而,这样的现象会导致安全问题,如认证、版权保护和指纹(1- - - - - -7]。数字水印可以作为一种有效的方法来解决这些问题。一般来说,在水印的过程中,一些有用的信息(例如,水印数据)是嵌入到原始信号同时确保其质量。此外,鲁棒性和细微在数字图像水印的主要因素。许多图像水印算法已经在文献中提出的。嵌入方法的基础上,大多数算法可分为三大类,即添加剂、量化,multiplication-based水印算法。
additive-embedding水印方法,水印信息是直接添加到宿主图像系数或相同大小的图像块。一般来说,系数可以从一些常见的变换,获得包括离散小波变换(DWT)、离散余弦变换(DCT)和傅里叶变换。additive-embedding水印嵌入水印信息的最重要的频域图像感知,这是类似于通信系统中的扩频通信的想法。考克斯等人。8)首先设计了一种数字水印方法基于扩频的想法,嵌入的水印数据的重要感知宿主信号的变换系数采用扩频原理。考克斯的扩频水印算法已经被认为是一种具有代表性的方法。唯一的不足是,数字水印算法在检测水印信息时需要原始图像的参与,表明这不是一个盲水印算法。随后,程et al。9)提出了一个加水印的方法,检测到水印利用广义高斯分布(GGD)。实验表明,该分布可以有效地控制水印的检测错误概率。刘等人。10测试信号变成DCT域。此外,当地的最优检测模型,导出了适用于任何主机信号进行假设检验分析在这一领域。尽管这些方法(9,10)可以有效地检测水印信息,参数估计过程是复杂的。为了解决这个问题,Kwitt et al。11)提出了一种轻量级加水印盲最优检测器;预计在抵制水印失调是有用的。Zhang et al。12)提出了一个戒备森严的添加剂水印算法利用回转器变换和矩阵分解。该算法是采用的一个关键创新一个不变的整数小波变换,将图像小波系数转换为整数,因此提高水印的性能。
quantization-based水印方法,主要过程是将水印数据嵌入到宿主信号通过设计相应的量化器。检测到水印数据根据图像的量化间隔变换系数中提取水印。许多水印方法近年来量化方案已经提出。陈等人提出了一种数字水印方法量化索引调制(QIM)计划;它是最具代表性的量化水印算法基于边缘信息编码(13]。QIM高容量的特点,实现盲检测和简单。然而,QIM水印有两个主要缺点。首先,它是敏感的振幅缩放攻击;第二,它不是强大的攻击。研究人员提出了相应的改进方法来解决这些问题。在视图的敏感性QIM缩放攻击的水印方法,研究人员主要改进它按照量化步长。解决矛盾的量化嵌入端和接收端之间的步骤,以及量化步骤的适应性问题,提出了几种水印方法,例如rational抖动调制(14)和自适应QIM (15]。此外,对增益增强QIM水印的鲁棒性攻击,量化水印(16),样品projection-based量子化(17),P-norm ratio-based量子化(18),角量化(19),复杂的小波域l1规范量化(20.),和随机projection-based量子化方法(21)提出了一个接一个。这些量化水印方法的主要目的在于使水印算法获得比例不变性或增加攻击,水印具有较强的鲁棒性性能在抵抗压缩、过滤和获得攻击。然而,这些量化方法在去同步化攻击的性能仍然是不够的。为了进一步提高量化水印的鲁棒性,一些研究者设计了相应的量化水印算法相结合就明显的失真(算法)模型,图像纹理复杂度,和纹理方向特性,比如纹理方向量子化(22基于扩展算法[的],对量化23,24),和混合调制量化使用奇异值分解(25]。这些量化方法结合图像特征;他们可以保留图像水印嵌入后取向特性和减少图像失真。然而,这些方法通常容易受到噪声攻击。
乘法embedding-based水印方法的性能类似于量化水印方法。乘法水印算法通常是结合人类视觉感知模型,并嵌入强度系数随原始信号的强度。此外,一个好的细微之间的权衡和乘法可以实现鲁棒性水印算法。Akhaee et al。26)开发了一个图像水印方法基于“扩展”战略通过沃森熵视觉掩蔽。水印数据嵌入到图像块与高熵来提高水印的不可见性。该算法对高斯滤波是健壮的,高斯噪声、缩放攻击。然而,图像的熵值块嵌入水印后的变化;这一发现不一致的熵图像块嵌入水印,从而减少水印同步攻击的鲁棒性。随后,Akhaee et al。27)提出了一个scaling-based图像水印方法与contourlet变换在嘈杂的环境中。实验证明,水印的鲁棒性方法是好的。然而,该算法具有较高的复杂性。不同于沃森熵视觉掩蔽,Khalilian et al。28)提出了一种乘法水印算法利用视觉特点的模型。他们设计了一种自适应嵌入因子结合视觉特点和纹理掩蔽。一方面,嵌入因子应该增加图像的显著区域的距离。另一方面,水印嵌入强度应该更大地区丰富的纹理。这种方法提高了水印的鲁棒性,对一些常见的图像处理攻击。然而,水印的性能方面仍需加强抵制antidesynchronization攻击。此外,一些视觉引起水印方法已经在过去的几年里。例如,Bhowmik et al。29日嵌入式高强度和低威力水印视觉显著的和无关紧要的区域,分别从而提高水印的性能。埃尔南德斯等人。30.)提出了一种视频水印算法,充分利用视频的时空特征和感知冗余最小化的视频。因此,无法感知与鲁棒性之间的权衡方法取得的。Yadav et al。31日)开发了一个图像水印算法通过使用一种自适应嵌入因子,只用图像方差信息来计算水印嵌入的因素。然而,这种方法的性能弱时抵抗旋转攻击。
受文献[28),一个图像水印算法是基于视觉特点开发的模型在contourlet变换域。我们工作的主要贡献总结如下:(1)一种自适应水印嵌入强度系数与视觉显著模型,利用它可以实现一个好的水印的鲁棒性和细微之间的权衡。(2)水印信息嵌入到contourlet系数高的能量,可以提高水印的细微。
本文的其余部分组织如下。的信仰概念contourlet变换是介绍部分2。部分3介绍了提出的水印嵌入和检测方法。部分4实验结果显示提出的水印和比较的结果与其他水印方法。最后,总结了结论部分5。
2。简要介绍Contourlet变换
2005年,et al。32)提出了一个“真实”的2 d表示图像,即contourlet变换。它捕获图像的分割圆锥曲线通过使用不同的子带尺度和频率,具有方向性和各向异性,从而使contourlet变换来获得一个“稀疏的表示。因此,contourlet变换稀疏表示的特征空间和方向分辨率。在contourlet变换、多尺度和定向分析分别执行。首先,图像转化为一个粗糙的版本加一组带通图像的拉普拉斯算子的金字塔(LP)方法。第二,每个LP带通图像分解成许多部分波段与2 d梅花形过滤和关键的二次抽样。因此,contourlet变换可以将图像分解成多向部分波段多尺度。图1演示了一个图的contourlet变换。此外,我们利用contourlet工具箱分解“辣椒”的形象(32]。图2显示了应用contourlet变换的结果“辣椒”的形象。图清晰地显示contourlet变换可以将“辣椒”图像分解成多向部分波段。
3所示。水印嵌入和解码
在本节中,人物3表明该水印嵌入和水印检测过程。如图3,我们在contourlet系数中嵌入水印数据具有高能源在我们的实现中。此外,我们利用视觉显著模型来构造水印嵌入强度系数;因此,水印的不可见性和鲁棒性之间的平衡可以达到优雅与水印嵌入强度因子。在水印检测阶段,我们与GGD模型contourlet系数检测水印由于contourlet的非高斯特性系数。
(一)
(b)
3.1。提出了水印嵌入
提出了水印嵌入的过程在图3(一个)可以归纳如下:步骤1:我们段宿主图像 块,并选择第一个图像块具有较高的能量。能量计算的平方和的图像的像素块的绝对值。因此,块的能量(28可以计算) ,在哪里 表示图像块的大小和 代表图像块的位置。一般来说,一个更大的图像的能量块的价值意味着这个图像区域包含更重要系数,应该被视为一个重要的图像块与其他相比图像块。因此,为了提高水印的鲁棒性,水印嵌入到图像块具有较高的能量。第二步:然后,我们分解每个选定的图像块用两级contourlet变换。因此,我们将水印数据嵌入到低频子带的系数。主机contourlet系数向量表示 ,和有水印的contourlet系数向量表示 。假设水印 与n组件和 ;水印嵌入过程可以表示如下: 在哪里表示嵌入强度因子和其价值是计算部分3.2。步骤3:对每个图像块重复步骤2。步骤4:两级逆contourlet变换的水印图像执行部分波段,并结合部分波段的图像,不嵌入水印信息,获得整个有水印的图像。
3.2。水印嵌入强度系数
算法中阈值已被广泛应用于图像处理领域。其价值往往是更高的图像纹理区域(33]。的基础上(33),图像纹理区域可以隐藏不被人眼感知的更多信息。因此,可以选择一个高价值的嵌入强度因素。文献[27)使用这个事实来开发一个图像水印算法。文献[34)表明,人类视觉系统倾向于关注图像的显著区域。因此,图像显著区域隐藏了更多的失真,嵌入强度因子可以增强。因此,计算嵌入强度系数,我们利用纹理掩蔽和视觉显著模型在这个研究。计算过程总结如下。
首先,我们使用一个两级contourlet变换分解宿主图像,得到低频子带,四次能带,八次能带最好从粗尺度规模(图2)。因此,我们计算每一块的方向子带的能量根据图像纹理掩蔽的财产。计算可以表示如下: 在哪里是我每个图像块的th方向子带的能量。每个图像块有12个二级分解后定向部分波段contourlet变换。假设表示十二个图像块的平均能量。增加平均能量时,相应的水印嵌入强度系数可能会增加。因此,根据(27),水印嵌入强度系数的高频部分可以写成: 在哪里 , ,和设置为1.025,0.02,和 ,分别。这些参数由实验模拟。在正确的方程(的一部分3), ,的参数1.025将大图能量 当指数函数就消失了。这个参数设置为1.025,我们的实验主要是因为它在使用时保持图像的细微高图像能量指数项时就消失了。相反,对于小图像的能量,我们设置参数到0.02。参数有一个重要的影响在水印嵌入强度系数的增加率;它的值被设置为主要是因为它可以实现很好的水印的鲁棒性和细微之间的权衡。因此,水印嵌入强度系数的参数设置主要是基于图像能量的大小。主要原因是嵌入水印信息的同时保持图像的细微水印。
然后,灵感来自[35),我们修改了嵌入强度系数,用通过应用视觉特点。假设代表每一块凸起的距离和表示所有图像块的最大特点距离。因此,水印嵌入强度因子可以表达的 。最后,修改后的水印嵌入强度系数可以表示如下:
3.3。水印解码
在本节中,我们由GGD模型contourlet系数。GGD模型的概率密度函数表示如下: 在哪里 ,和 分别表示均值和方差。γ函数是什么时候 ,和表示的形状参数。水印检测可以执行信号的检测和评价。假设检验可以得出如下,使用似然比测试(轻轨车): 在哪里和是零和替代假说。据统计信号处理方法,最大似然比率可以表示如下:
让 。然后,被积函数的替代品为 ;(8)可以改写如下:
一阶泰勒级数( )周围展开如下:
因此,(10)改写如下:
, 大约是零(11)。因此,方程(11)可以进一步表示如下:
因此, 。
的基础上分析,我们可以把最大似然比率结合水印嵌入(1)和GGD模型如下:
此外,方程(13)可以简单表示如下:
因此,我们可以把水印检测器如下:
接下来,我们可以计算水印检测阈值。的高斯分布特征水印检测器在虚假设条件下,其均值为零。因此,我们可以计算水印检测阈值如下: 在哪里表示水印检测阈值, 代表方差, 高斯分布的表示右尾概率。 代表了虚警概率。
一般来说,假警报是由于生成的存在中检测出水印信息unwatermarked形象。错过了报警的现象是水印检测器不检测水印信息有水印的图像。因此,接受者操作特征(ROC)曲线的水印可以如下。
假设表示水印的检测概率。因此,能代表错过报警概率。据统计假设和中心极限定理,分布的均值和方差的宿主图像和水印图像可以估计;他们被指示为 , 和 ,分别。作为一个结果,可以写成: 在哪里 , = 0, 。让 。
最后,中华民国关系可以定义如下:
4所示。实验结果
在这方面,来验证的有效性提出了水印方法,执行了几个实验,包括细微,水印的鲁棒性和性能检测。我们将提出的水印与其他相关水印方法。所有的实验都是电脑上执行4.0 GHz Intel Core i7处理器和16 G内存。仿真软件MATLAB R2018a运行在64位Windows 10。总之,仿真提供了设置表1。
4.1。无法感知测试
我们已经测试了8个标准图像,其中包括莉娜,芭芭拉,桥,船,伊莱恩,山魈,辣椒,和男人,证明该方法的不可见性;每个标准图像的大小是512512年。在我们的实现中,两级contourlet变换应用于分解每个图像块。设置为“Pivka过滤器。“图4只显示宿主图像和他们有水印的版本与16运用我们的方法16块和一个512位的水印容量由于有限的空间。图4表明,我们无法感知的方法是满意的。因此,找到原始图像之间的差异和他们有水印的版本是很困难的。
此外,嵌入强度因子可以适应和调整水印的能力进一步提高该方法的性能。嵌入式参数和水印图像质量之间的关系是通过实验,开发和结果在图所示5和6。性能主要是通过测量峰值信噪比(PSNR)和结构相似度指数测量(SSIM) [37]。如数据所示5和6水印嵌入强度系数增加时,PSNR和SSIM减少的值。嵌入强度系数的范围可以设置在0.005到0.025到平衡无法感知,水印的鲁棒性,水印容量。
4.2。健壮性测试
在本节中,评估提出了水印的鲁棒性,实验已经完成了一些常见的图像处理和几何攻击。这些攻击包括加性高斯白噪声、椒盐噪声、中值滤波、旋转、裁剪、翻转、缩放、JPEG压缩和高斯滤波攻击。此外,评估我们的水印方法的有效性,我们将它与其他相关的水印方法,包括方法(27,31日]和[38]。此外,鲁棒性性能是通过测量误比特率(BER)。
我们已经执行两个常见的JPEG压缩和高斯噪声攻击下的实验。结果如图7和8。在这部作品中,水印容量是512位。图7表明,我们的方法具有令人满意的鲁棒性在JPEG压缩攻击。同样,图8表明我们的水印方法具有良好的鲁棒性对高斯噪声的攻击。此外,表2和3显示我们的方法与其他方法的性能比较常见的图像处理下,几何,联合攻击。所有的水印方法,为了比较,使用相同的水印容量。所有方法的水印容量也在512位表2和3。
表2显示了仿真实验的结果下常见的图像处理攻击,涵盖高斯噪声和噪声方差,盐和胡椒噪音噪声方差为0.05,品质因数的JPEG压缩20%,高斯滤波窗口的大小3×3,和中值滤波窗口大小为5×5。表3显示了仿真实验的结果在几何攻击,包括旋转攻击10°角,振幅缩放攻击因子0.75,种植因素50%,与5°角的旋转组合攻击,比例系数为0.50。
如表所示2和3,该水印方法略比图像水印方法更好的性能。这一结果主要是由于以下因素的应用。首先,我们将水印信息嵌入到图像块与高能contourlet变换域。第二,水印嵌入强度系数是由利用视觉特点的模型和纹理掩蔽。因此,可以调整嵌入水印。因此,一个好的水印的不可见性和鲁棒性之间的平衡。最后,可以提高水印检测性能的GGD模型。
然而,该水印检测器依靠部分原始图像特征信息,如图像块的位置;因此,该算法成为semiblind。在随后的工作中,我们将设计一个盲水印方法。
4.3。水印的性能检测
使用GGD模型contourlet系数,进一步证明了检测性能,中华民国是用来衡量水印检测的性能根据方程(18截面)3.3。图9显示了结果,表明我们的方法的检测性能满意。主要原因是contourlet系数分布是高度非线性和GGD符合contourlet有效系数。
然而,拟议的水印方法执行弱时抵制其他的攻击,包括组合攻击振幅比例和JPEG压缩,盐和胡椒和高斯噪声,全局仿射变换和直方图均衡化的攻击。这些问题将被解决通过开发一个矩阵decomposition-based水印方法或深上优于水印算法在我们的未来的工作。
5。结论
我们已经开发出一个图像水印算法通过使用视觉特点在contourlet域模型。在水印嵌入,高能图像块选择水印的嵌入空间,和水印嵌入强度因子是利用利用纹理掩蔽和视觉显著。可以将水印嵌入到contourlet系数自适应地采用这一策略。对于水印解码,GGD模型是用来描述contourlet系数,与中华民国派生通过应用统计信号处理方法。最后,我们进行了实验,证明该方法。仿真结果表明,我们的水印方法满足细微和鲁棒性。在未来的工作中,一个新颖的水印检测方法将被设计使用深度学习或生成对抗网络方法。
数据可用性
八个标准灰度图像莉娜,芭芭拉,桥,船,伊莱恩,山魈,辣椒,和人作为宿主图像模拟,如图4在这篇文章中。结果本文完全是理论和分析。示威活动的主要步骤为每个结果显然是报道的文本和纸是完全一致,没有任何额外的数据的支持。
的利益冲突
作者宣称没有利益冲突。
确认
这项工作是由江西省自然科学基金(没有。20192 bab207013)。作者要感谢M.N.做教授提供的代码执行contourlet变换。