基于模糊分類的魯棒圖像水印檢測方法
【專利摘要】本發(fā)明公開了一種基于模糊分類的魯棒圖像水印檢測方法，該方法在含水印圖像校正的過程中，提取待檢測圖像經(jīng)外接圓下PHT分解后的8個外接圓下PHT矩（低7階），并令其作為訓(xùn)練特征，結(jié)合模糊支持向量機理論，對樣本進(jìn)行訓(xùn)練，得出訓(xùn)練模型，從而進(jìn)行幾何校正，由于模糊向量機FSVM具有很好的學(xué)習(xí)能力并且PHT分解所得的矩有著高度的精確性，所以在不同攻擊下水印信息均能被正確提取出來，從而提高了水印的魯棒性，且該方法具有計算簡單、抽取水印時無需原始載體等特點，增強了其用于數(shù)字圖像作品版權(quán)保護(hù)的實用性。
【專利說明】基于模糊分類的魯棒圖像水印檢測方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于多媒體信息安全中信息隱藏與數(shù)字水印【技術(shù)領(lǐng)域】，尤其是一種不僅具 有較好的不可感知性，而且對常規(guī)信號處理（中值濾波、邊緣銳化、疊加噪聲和JPEG壓縮等） 和去同步攻擊(旋轉(zhuǎn)、平移、縮放、剪切、翻轉(zhuǎn)等）均具有較好的魯棒性的基于模糊分類的魯 棒圖像水印檢測方法。

【背景技術(shù)】
[0002] 數(shù)字水印（DigitalWatermarking)作為傳統(tǒng)加密方法的有效補充手段，是一種 可以在開放網(wǎng)絡(luò)環(huán)境下保護(hù)版權(quán)和認(rèn)證來源及完整性的新技術(shù)，近年來已引起人們高度重 視，并已成為國際學(xué)術(shù)界研究的一個熱點。所謂數(shù)字圖像水印，就是將具有特定意義的標(biāo)記 (水印)，利用數(shù)據(jù)嵌入的方法隱藏在數(shù)字圖像產(chǎn)品中，用以證明創(chuàng)作者對其作品的所有權(quán)， 并作為鑒定、起訴非法侵權(quán)的依據(jù)，同時通過對水印的檢測和分析保證數(shù)字信息的完整可 靠性，從而成為知識產(chǎn)權(quán)保護(hù)和數(shù)字多媒體防偽的有效手段。
[0003] 所謂去同步攻擊，并非指該種攻擊能夠從含水印圖像中去除水印信息，而是指其 能夠破壞數(shù)字水印分量的同步（即改變水印嵌入位置)，從而導(dǎo)致檢測器找不到有效水印。 近年來，已陸續(xù)提出了一系列數(shù)字圖像水印檢測方法，但遺憾的是，現(xiàn)有數(shù)字圖像水印檢測 方法主要將注意力集中在對抗常規(guī)信號處理(如有損壓縮、低通濾波、噪聲干擾等）的研究 上，而對諸如旋轉(zhuǎn)、縮放、平移、行列去除、剪切、等幾何攻擊的抵抗效果不好。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明針對現(xiàn)有技術(shù)所存在的上技術(shù)問題，提供一種不僅具有較好的不可感知 性，而且對常規(guī)信號處理（中值濾波、邊緣銳化、疊加噪聲和JPEG壓縮等）和去同步攻擊(旋 轉(zhuǎn)、平移、縮放、剪切、翻轉(zhuǎn)等）均具有較好的魯棒性的基于機器學(xué)習(xí)的彩色圖像水印嵌入及 檢測方法。
[0005] 本發(fā)明的技術(shù)解決方案是：一種基于模糊分類的魯棒圖像水印檢測方法，其特征 在于按如下步驟進(jìn)行： 步驟1 :在原始圖像中嵌入水印，得到含水印圖像F; 步驟2 :對含水印圖像F進(jìn)行X-平移，Y-平移，旋轉(zhuǎn)和縮放操作，以操作后的圖像為訓(xùn) 練圖像構(gòu)造訓(xùn)練樣本集F:: , (A- = 0=l" =JT-l),對樣本集中每一訓(xùn)練圖像進(jìn)行外接圓下PHT 分解，并計算每一訓(xùn)練圖像8個外接圓下PHT矩(低7階)，得到反映相應(yīng)訓(xùn)練圖像特征的8 個特征向量，用相關(guān)信息系數(shù)=OA…=夂-1)表述每一訓(xùn)練圖像，得到訓(xùn)練 模型； 步驟3 :對待檢測圖像/進(jìn)行外接圓下PHT分解，并計算待檢測圖像/的8個外接圓下PHT矩(低7階)，得到反映待檢測圖像特征的8個特征向量； 步驟4 :利用訓(xùn)練模型對待檢測圖像I的特征向量進(jìn)行訓(xùn)練，得到一幾何變換參數(shù) ,利用該幾何變換參數(shù)^對待檢測圖像J進(jìn)行反變換，得到校正后的圖 像r; 步驟5 :從校正后的圖像，中提取水印。
[0006] 所述步驟1如下： 步驟11 :取尺寸為.Α?*ΛΤ的灰度圖像為載體圖像:對于載體圖像提取高8位平 面圖像； 步驟12:對所提取的高8位平面圖像進(jìn)行非下采樣shearlet變換，得到高頻子帶系數(shù) 和低頻子帶系數(shù)； 步驟13:利用HVS選取量化步長，利用量化方法將水印嵌入到步驟12中提取的低頻子 帶； 步驟14:根據(jù)非下采樣逆shearlet變換，將嵌入水印的低頻圖像與高頻圖像合并，得 到嵌入水印的高位平面圖像。
[0007] 所述步驟12如下： 步驟121:對得到的高8位平面圖像，進(jìn)行一級非下采樣shearlet變換，得到一個低頻 子帶ZowF(Xy)和四個方向高頻子帶； 步驟122:將得到的低頻子帶/σιι?χχ;>1)系數(shù)分成·^%1±夬，進(jìn)行分塊處理后，每個 小塊的大小為P*Q，得到分塊后的低頻子帶系數(shù)Λ。
[0008] 所述步驟13如下： 步驟131:把待修改非下采樣shearlet變換的低頻系數(shù)，根據(jù)量化步長和其相應(yīng)的一 個bit水印信息（1或0)量化為奇數(shù)或偶數(shù)以嵌入水印，水印嵌入公式如下：

【權(quán)利要求】
1. 一種基于模糊分類的魯棒圖像水印檢測方法，其特征在于按如下步驟進(jìn) 行： 步驟1 :在原始圖像中嵌入水印，得到含水印圖像F; 步驟2 :對含水印圖像F進(jìn)行X-平移，Y-平移，旋轉(zhuǎn)和縮放操作，以操作后的圖像為訓(xùn) 練圖像構(gòu)造訓(xùn)練樣本集,汸=0丄?:[-1),對樣本集中每一訓(xùn)練圖像進(jìn)行外接圓下PHT 分解，并計算每一訓(xùn)練圖像8個外接圓下PHT矩，得到反映相應(yīng)訓(xùn)練圖像特征的8個特征向 量，用相關(guān)信息系數(shù)rKAf, …A-1)表述每一訓(xùn)練圖像，得到訓(xùn)練模型； 步驟3 :對待檢測圖像/進(jìn)行外接圓下PHT分解，并計算待檢測圖像/的8個外接圓下PHT矩，得到反映待檢測圖像特征的8個特征向量； 步驟4 :利用訓(xùn)練模型對待檢測圖像J的特征向量進(jìn)行訓(xùn)練，得到一幾何變換參數(shù) ,利用該幾何變換參數(shù)對待檢測圖像/進(jìn)行反變換，得到校正后的圖 像r; 步驟5:從校正后的圖像r中提取水印。
2. 根據(jù)權(quán)利要求1所述的基于模糊分類的魯棒圖像水印檢測方法，其特征在于所述步 驟1如下： 步驟11 :取尺寸為的灰度圖像為載體圖像外對于載體圖像提取高8位平 面圖像； 步驟12 :對所提取的高8位平面圖像進(jìn)行非下采樣shearlet變換，得到高頻子帶系數(shù) 和低頻子帶系數(shù)； 步驟13 :利用HVS選取量化步長，利用量化方法將水印嵌入到步驟12中提取的低頻子 帶， 步驟14 :根據(jù)非下采樣逆shearlet變換，將嵌入水印的低頻圖像與高頻圖像合并，得 到嵌入水印的高位平面圖像。
3. 根據(jù)權(quán)利要求2所述的基于模糊分類的魯棒圖像水印檢測方法，其特征在于所述步 驟12如下： 步驟121 :對得到的高8位平面圖像，進(jìn)行一級非下采樣shearlet變換，得到一個低頻 子帶fcwFXu)和四個方向高頻子帶； 步驟122 :將得到的低頻子帶(系數(shù)分成塊，進(jìn)行分塊處理后，每個 小塊的大小為P*Q，得到分塊后的低頻子帶系數(shù)只。
4. 根據(jù)權(quán)利要求2所述的基于模糊分類的魯棒圖像水印檢測方法，其特征在于所述步 驟13如下： 步驟131 :把待修改非下采樣shearlet變換的低頻系數(shù)，根據(jù)量化步長和其相應(yīng)的一 個bit水印信息量化為奇數(shù)或偶數(shù)以嵌入水印，水印嵌入公式如下：
其中是原始低頻系數(shù)，ft是量化修改后的低頻系數(shù)，
為 舍入取整函數(shù)，mod為模運算函數(shù)，A為量化步長。
5. 根據(jù)權(quán)利要求3所述的基于模糊分類的魯棒圖像水印檢測方法，其特征在于所述步 驟2如下： 步驟21 :對樣本集中每一訓(xùn)練圖像進(jìn)行外接圓下PHT分解，其分解的過程為： 階數(shù)為/?，重復(fù)度為人且|?| = |!| =x的PCET定義為：
其中，卜f表示，的共軛復(fù)數(shù)，/；0%的表示極坐標(biāo)系下的原始圖像函數(shù)，基函數(shù) 的被分解為徑向多項式和角向多項式，如下
步驟22 :計算每一訓(xùn)練圖像的8個外接圓下PHT矩分別為：P(0, 1)，P(0, 2)，P(l，0)，P(l，1)，P(l，2)，P(2, 0)，P(2, 1)，P(2, 2)，得到反映相應(yīng)訓(xùn)練圖像特征的這8個特征向量； 步驟23 :利用步驟22中提取圖像的特征向量進(jìn)行約簡，得到訓(xùn)練樣本集，進(jìn)而訓(xùn)練出 FSVM模型為訓(xùn)練模型。
6. 根據(jù)權(quán)利要求5所述的基于模糊分類的魯棒圖像水印檢測方法，其特征 在于所述步驟5如下： 步驟51 :計算待檢測圖像的高位平面圖得到/ ; 步驟52 :對得到的高位平面圖像，進(jìn)行非下采樣Shearlet變換，得到一 個低頻子帶彳和若干個高頻子帶； 步驟53 :利用量化方法提取水印，利用HV選取量化步長，先根據(jù)水印提取公式按位提
【文檔編號】G06T1/00GK104484850SQ201410793176
【公開日】2015年4月1日 申請日期:2014年12月20日 優(yōu)先權(quán)日:2014年12月20日
【發(fā)明者】王向陽, 劉宇男, 牛盼盼 申請人:遼寧師范大學(xué)