文摘

针对鲁棒性的问题,可见性和透明度的现有的可见水印技术很难达到一个平衡,提出了一种自适应可见水印嵌入方法。首先,宿主图像的显著区域检测到基于superpixel检测。其次,平坦的地区相对较低的复杂性是选为嵌入区域非突地区的主持人形象。然后,水印强度自适应地计算了考虑灰色分布和嵌入的图像纹理复杂地区。最后,可见水印图像自适应地嵌入到宿主图像和轻微的调整最小可觉差(算法)系数。实验结果表明,我们提出的方法提高了可见水印技术的鲁棒性,大大减少了恶意删除可见水印图像的风险。与此同时,一个好的平衡可见水印图像的可见性和透明度,高安全性的优点和理想的视觉效果。

1。介绍

可见水印技术在许多领域有着重要的应用,如内容保护(1,2),版权标识(3)、文档安全(4,5),和广告(6]。在过去的二十年里,有大量的可见水印算法具有不同特性的技术。这些技术可以分为三类7]:永久8- - - - - -11),可移动(12- - - - - -14),和可逆的可见水印(15- - - - - -20.]。永久的可见水印,嵌入的水印图像永久保留在水印图像,甚至所有者不能完全消除它。然而,在可移动的和可逆的可见水印技术,嵌入可见水印图像可以被授权人使用正确的密钥。此外,可逆技术可以完全移除可见水印图像和还原原始宿主图像数据没有损失。无论类型,可见水印技术必须满足三个要求21]:鲁棒性、可见性和透明度。鲁棒性意味着它未经授权的人很难移除可见水印图像恶意或无意通过传统的图像处理方法,从而有能力抵抗各种破坏性的攻击。此外,可见水印图像具有一定的知名度后嵌入到宿主图像,它允许简单和清晰的识别宿主图像的所有权。最后,可见水印图像有它突出或最大的透明度,观察者可以轻易识别宿主图像的细节。在现有的算法,这三个需求是矛盾的;然而,有必要实现它们之间的平衡。

如今,许多学者做了很多研究如何有效地去除水印图像的可见水印图像(22- - - - - -30.]。一些除可见水印算法需要知道提前可见水印图像的精确位置,和相应的删除策略设计结合可见水印图像本身的特点(22,23]。删除水印图像的另一种方法是基于传统的图像修复方法(24- - - - - -26),它主要使用周围的信息填充相对应的地区黑色像素有水印的图像。因此,只有通过了解丢失的图像中像素的具体位置可见水印图像可以成功地从有水印的图像中删除。裴和曾27)提出将宿主图像的水印图像通过使用独立分量分析(ICA)。然而,这种方法需要用户手动标记水印区域,这是耗时的。很明显,它不能处理大型水印领域和批量自动删除可见水印图像。实现批量删除可见水印图像,Dekel et al。28)提出一个方法来自动估计水印图像和恢复主机图像精度高。然而,这种方法有一个基本前提;,当所有可见水印图像嵌入在许多不同的宿主图像以同样的方式,一个有效的模型可见水印图像的去除可以建立。当可见水印图像添加到不同的立场不同的图像从不同角度,现有算法不能很好地工作。

因此,为了提高可见水印的鲁棒性计划批处理攻击,有必要研究自适应可见水印嵌入区域的选择策略。此外,可见水印图像的可见性和透明度也应该全面考虑获得一个更自然的图像融合效果。

剩下的纸是组织如下。相关的介绍第二节。第三节介绍了嵌入可见水印图像的计划细节。第四节显示实验结果以及与之前的作品。最后,第五节本文总结道。

2。相关的工作

当嵌入可见水印图像的位置变化与宿主图像的内容自适应可见水印的现有批处理方法不能准确定位有水印的区域,不能有效消除可见水印图像。为此,Qi et al。29日]提出一种改进的可见水印嵌入方案基于人类视觉系统(HVS)和感兴趣的区域(ROI)的选择。这种方法常常发现相对平滑区域根据宿主图像的复杂性在高调或低调图像区域,而这些区域通常在宿主图像包含的关键对象。因此,可见水印图像经常占据了突出的区域和阻塞宿主图像的重要对象,通常会产生不良的视觉效果。

的可见水印图像的可见性和透明度,一些学者已经提出了很多自适应嵌入可见水印图像的方法(30.- - - - - -33]。在[30.),宿主图像的亮度和纹理特征在频域DCT实现动态嵌入可见水印的提取。在[31日动态),可见水印嵌入根据DCT算法中系数的频域。然而,有水印的可见区域的社区特性并不认为是水印嵌入的过程中。可见水印的水印强度也需要根据不同的图像特征自适应地改变。在[32),作者指出,有必要根据亮度,动态调整嵌入强度对比,纹理复杂性,宿主图像和其他相关的特性。在[33),宿主图像的视觉突出矩阵计算第一,和嵌入强度的强度成正比的显著可见有水印的地区。然而,该方法的计算复杂度相对较高。

3所示。该方法

在大多数的视觉场景,人类视觉系统图像中可以看到任何地区,但重要的感兴趣的区域只占一小部分,叫做凸区域(34]。因此,可见水印图像不应该掩盖突出对象在宿主图像;否则,它将会影响到宿主图像本身的价值。本文突出的区域是首先发现的。然后,选择最合适的地区非突可见水印嵌入。最后,水印强度自适应可见水印的计算。

3.1。显著区域检测

首先,一个图像分割成一系列superpixels。然后,所有图像的角点提取,图像分为内在和外在部分根据角点分布。接下来,在每个superpixel所有像素的平均分数计算,视为superpixel的分数。最后,所有superpixel分数归一化的范围 ,并形成一个完整的视觉显著图。具体过程如下。

3.1.1。Superpixel分割

因为有很多冗余信息在一个图像,k聚类方法则用于段所有像素与近距离和相似的颜色成许多superpixel地区。所有像素的平均颜色值的CIELAB空间记录每个superpixel superpixel的颜色,这是标记为 :

假设一个图像分割nsuperpixels作为 。对于任何两个给定superpixels和 ,通常会有一个以上的路径连接它们。每条路径的长度是每两个相邻的距离之和superpixels。它计算最短路径来 ;例如, ,和它的长度是记录 :

3.1.2。图像区域分割

因为有很多图像中轮廓线,轮廓线的不同分布形式拐点,交集点,和其他特征点,统一称为角点。毕竟角点是公认的,最小的多边形可以构造包含它们。Superpixels位于多边形给予更大的权重,而那些在多边形外吗被赋予较小的权重。

3.1.3。计算每个Superpixel的卓越成绩

对于一个给定的superpixel形象,卓越的分数计算如下。步骤1。计算比例因子的见以下方程: 在哪里从superpixel最短路径的长度是来 。步骤2。superpixel的首次得分是计算 在哪里 和代表之间的距离的平方的总和和所有其他superpixels;也就是说, 步骤3。最后的视觉显著成绩superpixel计算见以下方程:

所有superpixels的卓越成绩得到方程(7),然后所有像素的分数也可以获得。所有分数归一化的范围[0,255]获得原始图像的显著区域。例如,对于宿主图像如图1(一),相应的显著区域提取,如图1 (b)。进一步的关键是得到最终的显著区域,如图1 (c),白色区域的视觉突出的地区,和黑色区域是视觉非突区域。

3.2。自适应嵌入地区的选择

接下来,宿主图像的非突区域均匀划分为子块 根据可见水印图像的大小。基于纹理复杂性和每个图像块的灰度分布特征,选择相对平滑的图像块作为水印嵌入区域。

3.2.1之上。图像纹理复杂的计算

它可以得出的结论是,图像的边缘密度是一个重要因素影响图像的纹理复杂性。因此,它决定了结构复杂性通过计算图像的密度边界。具体的计算步骤如下:步骤1:获取宿主图像的梯度特性图。为了消除噪声的干扰,通过高斯滤波对主持人形象吗 ;然后梯度特性图通过拉普拉斯变换得到: 步骤2:获得图像的边界特征。使用binarize大津方法获得一个图像只有两个灰色0到255的水平,然后执行一个形态学关闭操作获得 : 在这里,是对图像进行形态学关闭操作。在这个时候,大量的宿主图像保存在的边界特征 。步骤3:计算结构的复杂性。

子块的边界密度在宿主图像H,即结构的复杂性 ,计算如下: 在哪里是像素的数量位于边界提取的在 , 的大小是 ,和 。在实际应用程序中,它集 。

3.2.2。图像灰度值的分布特征

可见水印嵌入可以通过修改执行宿主图像的像素值在空间域。一般来说,在暗色调区域的灰度值区间[0,127],像素值应适当增加。在明亮的色调区域的灰度值区间 ,像素值需要适当降低。可见水印图像的可见性时可以保证修改的幅度很大。以确保整体可见水印的视觉效果,我们建议的方法试图选择中间色调的像素值区间范围 ,在哪里可以设置为 。接下来,我们将讨论的计算子块的灰度值分布特征 。

平均灰度所有的子块中的像素计算如下: 在哪里是宿主图像的像素值点吗和灰度值分布特性的子块是计算遵循:

3.2.3。平滑区域选择

在获得边界密度和灰度值分布特性每个子块的使用方程(10)和(12),特征值的可以通过下面的方程:

特征值每个子块的按顺序计算,所有特征值是按升序排序。图像区域对应于最小的特征值是最后的可见水印嵌入区域。在本文中,它减少了并增加达到减少的目的 。其中,当值越小,可见水印可以成功地避免了图像纹理复杂度高的地区。当价值较大,选择的可见水印嵌入区域将会远离高调和低调地区在宿主图像,从而使有水印的图像达到一个相对理想的视觉效果。

3.3。自适应可见水印嵌入

在本文中,可见水印图像嵌入到宿主图像如下: 在哪里 宿主图像的像素值, 是有水印的像素值,自适应水印强度。自适应计算水印强度从附近的图像特征区域的水印像素,每个像素的可见水印图像嵌入到相应的图像块B的大小 在宿主图像像素;也就是说,每个像素根据相同的水印强度调整在方程(14)。为了确保可见水印图像的可见性,算法中模型用于调整水印嵌入后每个像素的灰度值。一般的水印嵌入图如图2。

3.3.1。自适应水印强度的计算

可见水印的嵌入强度自适应变化的图像嵌入区域的复杂性。至于像素可见水印图像 ,相应的水印嵌入区域在宿主图像由四个像素 。然后水印强度的具体计算过程如下。步骤1。计算图像纹理复杂度。 和8嵌入区域社区构成的区域与的大小 像素。通过方程(10),边界密度在的可以获得;然后纹理复杂性的地区可以表达的 ;也就是说, 步骤2。计算像素值的变化幅度在嵌入地区。强度变化的像素值嵌入可见水印图像的面积 ,可以被计量的像素的梯度值。在嵌入区域 ,这四个像素是根据灰度值按升序排序,和平均灰度值两个较小的像素和平均灰度值分别计算两个较大的像素。的计算如下: 在那里, 。如方程所示(16),在区域像素值变化平稳,的价值接近 ,和 约等于 ,对应于一个更大的 。同样的,当像素值在该地区的急剧变化,之间的区别和很大,和分母的方程(16)将相应增加将相应减少。步骤3。计算最终的水印嵌入强度。

可见水印的嵌入强度计算

它可以看到从方程(17),在宿主图像的平坦区域,如果很小,大,水印嵌入强度相对较小。相反,在宿主图像的区域复杂的纹理,又大又很小,和水印嵌入强度相对比较大。所有γ嵌入区域中的值计算归一化的间隔 。

3.3.2。可视水印图像嵌入

主持人的形象用RGB色彩空间,可见水印图像嵌入的具体步骤如下:步骤1。首先,宿主图像从RGB颜色空间转换为YUV颜色空间,可见水印是嵌入在亮度组件 。步骤2。为组件,算法中掩蔽矩阵计算。步骤3。为每个像素在 ,嵌入过程在该地区主机的图像如下:(1)当 ,所有的像素值保持不变。(2)当 ,有水印的像素 , ,计算了方程(14)。步骤4。有水印的像素值进行调整。

对于任何在 ,的变化范围水印嵌入前后的像素值的计算: (1)如果 ,在哪里 ,是一个固定的常数和掩蔽矩阵的值是在点 ,结果表明,有水印的像素值的变量得到方程(14)太小,水印嵌入后的像素值重新计算在以下方式: (2)如果 ,然后 。

到目前为止,可见水印的嵌入过程完成。

例如,标志形象图3(一个)嵌入到宿主图像图吗1(一)有水印的图像如图3 (b),在那里

4所示。实验结果和讨论

4.1。嵌入地区的比较选择

在[33),宿主图像的视觉特点矩阵计算通过使用ITTI视觉模型,和最低的地区视觉特点被选中作为可见水印嵌入区域。在[29日),计算每一块图像的平均灰度值并选择该地区嵌入区域符合下列条件:(1)的平均灰度值图像块大大不同于127年年基调。(2)在该地区有尽可能多的像素的灰度值不等于平均灰度值。在这个实验中,有24个图片选为宿主图像从柯达图像集。首先,所有宿主图像的大小比例到800年800像素,二进制可见水印图像的大小比例到120年120像素。因此,有水印的区域的大小设置为240240像素。自适应可见水印嵌入区域选择的影响给出了使用方法(29日,33),我们建议的方法,分别如图4。

在图4,至于形象kodim14,方法(33),我们建议的方法绕过关键对象,如船和船上的人。然而,该方法在29日)不避免船。但纹理区域的复杂性(33)和高灰度接近中间的语气,这扰乱视觉视觉不可避免。在[kodim17形象,33),该地区被检测到雕像的脸和球凸区域,有水印的区域重叠区域的衣服。该方法在29日),我们建议的方法绕过雕像,和该地区的位置由我们的方法是比较理想的选择。至于kodim22形象,最重要的区域应该占用的面积的房子。在[29日),有水印的地区冲突的面积的房子,虽然方法(33),我们的方法都成功地避免了房子。相比之下,所选地区我们的方法更合适,背景是相对平坦的,有水印的图像的视觉效果更自然。相反,该方法在33)选择草原所占据的区域可见水印,和背景图像的纹理反映了可见水印图像的可见性。

此外,如前所述,无论是基于ICA或传统的图像修复方法,嵌入区域的位置信息是需要删除的可见水印图像有水印的图像。在该方法嵌入可见水印自适应地选择的地区,这在一定程度上可以抵御除水印攻击,特别是对于可见水印图像的批量删除。因此,该方法除视觉水印攻击具有很好的鲁棒性。

总之,在33],ITTI视觉模型用于检测宿主图像中感兴趣的区域,但宿主图像的灰度分布和纹理复杂度不考虑而选择水印嵌入区域。因此,当宿主图像的纹理细节复杂或重要地区广泛分布的、感兴趣的区域检测的准确性较低的模型。在[29日),它只使用宿主图像的灰度分布特性,不考虑宿主图像的纹理复杂性,选择区域通常掩盖了重要的对象。显著区域检测的基础上,结合灰色分布和纹理背景图像的复杂性,我们的方法可以自适应地选择嵌入区域可见水印,可有效克服现有方法的缺陷。

4.2。的比较可见水印嵌入

在[29日),它使用HVS视觉效果的因素(”)的自适应修改宿主图像的像素值来产生一个更好的融合效果可见水印图像和主机之间的形象。在[35),可见水印嵌入通过使用动态像素值映射的方法(DPVM)。可见水印嵌入的视觉效果,我们建议的方法是方法相比29日,35]。可见水印图像的主观效果如图所示5和客观的视觉效果指数参数如下。

4.2.1。准备峰值信噪比( )

是用来衡量图像的失真或噪音水平。它通常是用来客观地评价图像的退化程度。越大两个图像之间的值,图像的退化程度越低,图像质量越高。考虑到原始图像与的大小 像素和有水印的图像 ,峰值信噪比的定义是 在哪里均方误差图像之间的均方误差,定义为

4.2.2。结构相似度(SSIM)

由三个对比模块:亮度,对比度,和结构。主持人的形象和有水印的图像相比,图像亮度的比较结果如下:

图像对比度的比较结果如下:

图像结构的比较结果如下:

结构相似度的定义如下:

在实际应用程序中, , ,和SSIM可以表示为 在哪里宿主图像的平均灰度值吗 , 水印图像的平均灰度值吗 , 的方差 , 的方差 ,和是两个图像的灰度方差。结构相似的范围从0到1;当这两个图片是相同的,结构相似度是1。

4.2.3。它突出

在[7),一个标准的检测使用突然有水印的图像的视觉效果有水印的图片。的原始图像H和有水印的图像 ,规范化(均方知觉错误)值点 计算如下: 在哪里 点的灰度值吗 有水印的图片, 点的灰度值吗 在宿主图像, 宿主图像的算法中矩阵的值是在哪里 ,和的计算方法计算如下:

整个图像的唐突的平均表示所有像素的值。它可以看到从方程(27)越大价值的水印图像,更明显的唐突嵌入可见水印图像,并越有水印的图像的视觉效果。

有水印的图像的视觉质量评价效果如图5是在表1。

从图可以看出5和表1可见水印图像的可见性和透明度是矛盾的。在[35计算),可见水印强度利用的总体特性有水印的地区,但忽略了特征信息在本地域中。水印图像获得最强的可见性,如列(b)所示的图5,但获得的水印图像最糟糕的唐突和最大价值。由于强烈的可见性,水印图像与原宿主图像相似性最低,和相应的值是最低。的基础上确保可见水印图像的可见性,进一步增加透明度的水印图像,每个像素周围的纹理和颜色特征要修改被认为是在这两种方法在29日和我们的方法。然而,相比之下,29日),该方法是基于宿主图像的连续灰色梯度,并介绍了算法中值以确保透明度的水印图像。此外,与原始宿主图像相比,我们提出的方法生成的水印图像的失真,所以它具有最高的相似点。

5。结论

提高鲁棒性、可见性和透明度的可见水印技术,提出了一种自适应可见水印嵌入方法。首先,宿主图像的显著区域检测到基于superpixel检测。一方面,可见水印图像可以避免的关键对象在宿主图像和不损害宿主图像本身的价值。另一方面,嵌入可见水印图像的区域将改变宿主图像的内容,增加了困难的恶意删除可见水印,特别是能有效地抵御攻击的批处理自动删除。然后,在主人的非突区域图像,选择相对较低复杂性平面面积的嵌入区域,因为宿主图像的细节纹理复杂度高会影响可见水印图像的可见性。最后,考虑到算法中系数、灰度分布和结构复杂性的嵌入区域,水印嵌入强度自适应计算,理想的可见水印图像的透明度。总之,该方法实现了很好的平衡在健壮性、可见性和透明度。然而,如何进一步提高可见水印算法的安全性值得进一步的研究。

数据可用性

软件代码和数据用于支持本研究的发现可以从相应的作者。

的利益冲突

所有作者声明没有利益冲突有关的出版。

确认

这项工作是由国家支持中国号合同下的研发项目。2018 yfb0803702。