CN104680473A - 基于机器学习的彩色图像水印嵌入及检测方法 - Google Patents

Abstract

本发明公开了一基于机器学习的彩色图像水印嵌入及检测方法，首先利用基于矩的图像归一化技术将载体图像映射到几何不变空间内，并结合不变质心理论在归一化彩色图像中确定重要区域；然后对G分量归一化图像重要区域进行非下采样Contourlet变换，并根据G分量视觉掩蔽模型，自适应确定嵌入强度，使得图像水印嵌入在低频区域内，保证了嵌入的水印具有很好的透明性和极大的鲁棒性；水印检测时，利用了彩色图像分量间的高度相关性，选取稳定的特征向量训练SVR模型，进而利用SVR训练模型提取数字水印信息。

Description

基于机器学习的彩色图像水印嵌入及检测方法

技术领域

本发明属于多媒体信息安全中信息隐藏与数字水印技术领域，尤其是一种不仅具有较好的不可感知性，而且对常规信号处理（中值滤波、边缘锐化、叠加噪声和JPEG压缩等）和去同步攻击（旋转、平移、缩放、剪切、翻转等）均具有较好的鲁棒性的基于机器学习的彩色图像水印嵌入及检测方法。

背景技术

数字水印（Digital Watermarking）作为传统加密方法的有效补充手段，是一种可以在开放网络环境下保护版权和认证来源及完整性的新技术，近年来已引起人们高度重视，并已成为国际学术界研究的一个热点。所谓数字图像水印，就是将具有特定意义的标记（水印），利用数据嵌入的方法隐藏在数字图像产品中，用以证明创作者对其作品的所有权，并作为鉴定、起诉非法侵权的依据，同时通过对水印的检测和分析保证数字信息的完整可靠性，从而成为知识产权保护和数字多媒体防伪的有效手段。

所谓去同步攻击，并非指该种攻击能够从含水印图像中去除水印信息，而是指其能够破坏数字水印分量的同步（即改变水印嵌入位置），从而导致检测器找不到有效水印。去同步攻击包括全局仿射变换（即旋转、缩放、平移）和一般性去同步攻击（剪切、尺度变换、行列去除等）。近年来，人们主要采用三种措施设计抗去同步攻击的图像水印方案，分别为构造几何不变量、隐藏模版、利用原始图像重要特征。

近年来，抗去同步攻击数字图像水印嵌入及检测方法研究取得了很大进展，但现有绝大多数图像水印嵌入算法都是针对灰度图像的，直接用于彩色载体图像的数字水印算法较少。即使原始载体是彩色图像，大部分方法也只是通过提取其亮度信息或使用单色通道信息嵌入数字水印。也就说，现有算法未能很好体现和保留不同色彩分量在整个颜色空间内的特定联系，因而必然影响数字水印的鲁棒性和不可感知性。

发明内容

本发明针对现有图像水印方法存在的上述问题，提供一种不仅具有较好的不可感知性，而且对常规信号处理（中值滤波、边缘锐化、叠加噪声和JPEG压缩等）和去同步攻击（旋转、平移、缩放、剪切、翻转等）均具有较好的鲁棒性的基于机器学习的彩色图像水印嵌入及检测方法。

本发明的技术解决方案是：一种基于机器学习的彩色图像水印嵌入方法，其特征在于依次按照如下步骤进行：

步骤1：利用基于矩的图像归一化技术将原始彩色图像F映射到几何不变空间内，分别对彩色图像各分量进行归一化处理，以得到归一化彩色图像；

步骤2：结合不变质心理论在归一化彩色图像中确定重要区域，提取重要区域 ；

步骤3：根据视觉掩蔽模型，自适应确定嵌入强度，将数字水印嵌入到非下采样Contourlet变换的低频区域内, 得到含水印彩色图像。

所述步骤1如下：

步骤11：分别提取原始彩色图像的RGB三个分量；

步骤12：对R分量进行灰度图像归一化处理；

步骤13：计算出R分量归一化图像的质心，根据不变质心定义，将其作为G分量及B分量归一化图像的质心，分别对G分量及B分量进行灰度图像归一化处理；

步骤14：结合RGB三个分量的归一化图像，得到归一化彩色图像。

所述步骤2如下：

步骤21：利用高斯滤波器对归一化彩色图像进行平滑处理，以消除噪声干扰；

步骤22：根据不变质心定义，计算出R分量归一化图像特征区域的质心，并将其作为归一化图像的不变质心初值；

步骤23：根据不变质心定义，计算出以为圆心、为半径的圆形区域的不变质心；

步骤24：若，则转步骤25；否则，令，并转步骤23；

步骤25：即为R分量归一化图像的不变质心；

步骤26：以R分量归一化图像的不变质心为中心点，选取大小为的矩形区域作为R分量归一化图像的重要区域；

同理，分别提取G分量及B分量归一化图像的重要区域，得到归一化彩色图像的重要区域。

所述步骤3如下：

步骤31：对G分量归一化图像的重要区域实施3级非下采样Contourlet变换，选取低频区域A作为数字水印嵌入区，相应的得到了非下采样Contourlet变换的低频系数；

步骤32：在大小为的滑动窗口内将低频区域A分成低频系数块，利用密钥，并根据G分量视觉掩蔽值，在低频区域A中选取不重合的个位置作为水印信号的嵌入位置，其中，前一部分个低频系数块用于水印嵌入，后一部分个低频系数块用于水印提取的SVR训练；

步骤33：在G分量归一化图像的重要区域内，修改所选取的个低频系数块B _k 内的低频系数，以完成水印信息嵌入，所采用的嵌入规则为：

其中，和分别为修改前后低频系数块B _k 内的低频系数，V _k 为低频系数块B _k 内的低频系数均值，为水印的嵌入强度；

步骤34：根据G分量视觉掩蔽模型，自适应调节水印的嵌入强度，所采用的调节策略为：

其中，M _F 为最终的HVS模型，为权值，取值在0.4到0.5之间，用来校正扭曲，M _L 为亮度模型，M _T 为纹理模型，为G分量归一化图像的重要区域，为边缘检测操作，扩张的边缘处理，M _E 为边缘模型，为滤波器；

步骤35：含水印彩色图像的获得，用修改后的非下采样Contourlet变换的低频系数代替原低频系数并进行逆非下采样Contourlet变换，以得到含有水印的归一化重要区域；结合原归一化图像区域的非重要部分，以获得含水印归一化特征区域；进行预失真补偿以获得含水印G分量图像；利用含水印G分量图像及原R分量、B分量图像，即可得到含水印彩色图像。

与上述嵌入方法相对应的检测方法如下：

步骤41：利用基于矩的图像归一化技术，对待检测彩色图像为进行归一化处理，以得到相应的归一化彩色图像；

步骤42：结合区域不变质心理论，从归一化彩色图像中提取出重要区域；

步骤43：分别对R分量及G分量的归一化重要区域实施3级非下采样Contourlet变换，并选取对应的低频区域和；

步骤44：在大小为的滑动窗口内将低频区域和分成低频系数块和 ，利用与嵌入过程相同的密钥，分别在低频区域和中选取不重合的个低频系数块，其中，个低频系数块和 用于SVR训练，个低频系数块和用于数字水印的提取；

步骤45：设低频系数块内低频系数的均值为 ，设低频系数块内低频系数的均值为 ，将作为训练特征值，而将作为训练目标值，于是可以定义出如下向量集：

进行训练学习（训练时要选择合适的核函数），即可获得SVR训练模型；

步骤46：设低频系数块内低频系数的均值为 ，将作为训练特征，利用已获得的SVR训练模型进行数据预测，可以获得相应的输出向量值 ，通过比较与输出向量值的大小提取数字水印，提取方法为

所述为低频系数块内低频系数的均值；

步骤47：对二进制序列进行升维处理，并进行逆置乱解密，即得到所提取的二值图像水印。

本发明结合彩色图像颜色分量之间的高度相关性，提出了一种基于机器学***移、缩放、剪切、翻转等）均具有较好的鲁棒性。此外本发明还具有计算简单、容易实现、抽取水印时无需原始载体图像等特点，大大增强了其用于数字图像作品版权保护的实用性。

具体实施方式

本发明的嵌入方法包括以下步骤：

步骤1：利用基于矩的图像归一化技术将原始彩色载体图像F映射到几何不变空间内，分别对彩色图像各分量进行归一化处理，以得到相应的归一化彩色图像,该步骤如下：

步骤11：分别提取原始彩色图像的RGB三个分量；

步骤12：对R分量进行灰度图像归一化处理；

步骤13：计算出R分量归一化图像的质心，根据不变质心定义，将其作为G分量及B分量归一化图像的质心，分别对G分量及B分量进行灰度图像归一化处理；

步骤14：结合RGB三个分量的归一化图像，得到相应的归一化彩色图像。

步骤2：结合不变质心理论在归一化彩色图像中确定重要区域，提取重要区域,该步骤：

步骤21：利用高斯滤波器对归一化彩色图像进行平滑处理，以消除噪声干扰；

步骤22：根据不变质心定义，计算出R分量归一化图像特征区域的质心，并将其作为归一化图像的不变质心初值；

步骤23：根据不变质心定义，计算出以为圆心、为半径的圆形区域的不变质心；

步骤24：若，则转步骤25；否则，令，并转步骤23；

步骤25：为R分量归一化图像的不变质心；

步骤26：以R分量归一化图像的不变质心为中心点，选取大小为的矩形区域作为R分量归一化图像的重要区域；

同理，分别提取G分量及B分量归一化图像的重要区域，得到相应的归一化彩色图像的重要区域。

步骤3：根据视觉掩蔽模型，自适应确定嵌入强度，将数字水印嵌入到非下采样Contourlet变换的低频区域内，该步骤如下：

步骤31：水印嵌入位置的选取。

在大小为的滑动窗口内将低频区域A分成低频系数块。利用密钥，并根据G分量视觉掩蔽值，在低频区域A中选取不重合的个位置作为水印信号的嵌入位置。其中，前一部分个低频系数块用于水印嵌入，后一部分个低频系数块用于水印提取的SVR训练；

步骤32：数字水印的嵌入。

在G分量归一化图像的重要区域内，修改所选取的个低频系数块B _k 内的低频系数，以完成水印信息嵌入，所采用的嵌入规则为：

其中，和分别为修改前后低频系数块B _k 内的低频系数，V _k 为低频系数块B _k 内的低频系数均值，为水印的嵌入强度。本发明根据G分量视觉掩蔽模型，自适应调节水印的嵌入强度。所采用的调节策略为：

其中，M _F 为最终的HVS模型，为权值，取值在0.4到0.5之间，用来校正扭曲。M _L 为亮度模型，M _T 为纹理模型。为G分量归一化图像的重要区域，为边缘检测操作，扩张的边缘处理，M _E 为边缘模型，为滤波器。

步骤33：含水印彩色图像的获得，包括以下步骤：

步骤331：用修改后的非下采样Contourlet变换的低频系数代替原低频系数并进行逆非下采样Contourlet变换，以得到含有水印的归一化重要区域；

步骤332：结合原归一化图像区域的非重要部分，以获得含水印归一化特征区域；

步骤333：进行预失真补偿以获得含水印G分量图像，其目的在于降低归一化操作对载体图像造成的失真，即提高数字水印的透明性。具体操作为：计算原始归一化图像与含水印归一化图像间的差值（图像）；对差值（图像）做逆归一化操作，得到逆差值（图像）；将逆差值（图像）直接叠加于原始图像上，即可得到含水印G分量图像。

步骤334：利用含水印G分量图像及原R分量、B分量图像，即可得到含水印彩色图像。

与上述嵌入方法向对应的彩色图像水印检测步骤如下：

步骤41：利用基于矩的图像归一化技术，对待检测彩色图像进行归一化处理，以得到相应的归一化彩色图像；

步骤42：结合区域不变质心理论，从归一化彩色图像中提取出重要区域；

步骤43：分别对R分量及G分量的归一化图像重要区域实施3级非下采样Contourlet变换，并选取对应的低频区域和；

步骤44：在大小为的滑动窗口内将低频区域和分成低频系数块和 。利用与嵌入过程相同的密钥，分别在低频区域和中选取不重合的个低频系数块。其中，个低频系数块和 用于SVR训练，个低频系数块和

用于数字水印的提取；

步骤45：SVR训练。

设低频系数块内低频系数的均值为 。设低频系数块内低频系数的均值为 。

将作为训练特征值，而将作为训练目标值，于是可以定义出如下向量集：

进行训练学习（训练时要选择合适的核函数），即可获得SVR训练模型；

步骤46：数据预测与水印提取。

步骤461：设低频系数块内低频系数的均值为 。本发明将作为训练特征；

步骤462：利用已获得的SVR训练模型进行数据预测，可以获得相应的输出向量值 ；

步骤463：通过比较 (为低频系数块内低频系数的均值)与输出向量值的大小提取数字水印，提取方法为

步骤47：对二进制序列进行升维处理，并进行逆置乱解密，即得到所提取的二值图像水印。

Claims (5)

1.一种基于机器学习的彩色图像水印嵌入方法，其特征在于依次按照如

下步骤进行：

步骤1：利用基于矩的图像归一化技术将原始彩色图像F映射到几何不变空间内，分别对彩色图像各分量进行归一化处理，以得到归一化彩色图像；

步骤2：结合不变质心理论在归一化彩色图像中确定重要区域，提取重要区域                                               ；

步骤3：根据视觉掩蔽模型，自适应确定嵌入强度，将数字水印嵌入到非下采样Contourlet变换的低频区域内, 得到含水印彩色图像。

2.根据权利要求1所述的基于机器学习的彩色图像水印嵌入方法，其特征

在于所述步骤1如下：

步骤11：分别提取原始彩色图像的RGB三个分量；

步骤12：对R分量进行灰度图像归一化处理；

步骤13：计算出R分量归一化图像的质心，根据不变质心定义，将其作为G分量及B分量归一化图像的质心，分别对G分量及B分量进行灰度图像归一化处理；

步骤14：结合RGB三个分量的归一化图像，得到归一化彩色图像。

3.根据权利要求2所述的基于机器学习的彩色图像水印嵌入方法，其特征在于所述步骤2如下：

步骤21：利用高斯滤波器对归一化彩色图像进行平滑处理，以消除噪声干扰；

步骤22：根据不变质心定义，计算出R分量归一化图像特征区域的质心，并将其作为归一化图像的不变质心初值；

步骤23：根据不变质心定义，计算出以为圆心、r为半径的圆形区域的不变质心；

步骤24：若，则转步骤25；否则，令，并转步骤23；

步骤25：即为R分量归一化图像的不变质心；

步骤26：以R分量归一化图像的不变质心为中心点，选取大小为S1×S2的矩形区域作为R分量归一化图像的重要区域；

同理，分别提取G分量及B分量归一化图像的重要区域，得到归一化彩色图像的重要区域。

4.根据权利要求3所述的基于机器学习的彩色图像水印嵌入方法，其特征在于所述步骤3如下：

步骤31：对G分量归一化图像的重要区域实施3级非下采样Contourlet变换，选取低频区域A作为数字水印嵌入区，相应的得到了非下采样Contourlet变换的低频系数；

步骤32：在大小为2×2的滑动窗口内将低频区域A分成低频系数块，利用密钥K ₁ ，并根据G分量视觉掩蔽值，在低频区域A中选取不重合的P×Q+H个位置作为水印信号的嵌入位置，其中，前一部分P×Q个低频系数块用于水印嵌入，后一部分H个低频系数块用于水印提取的SVR训练；

步骤33：在G分量归一化图像的重要区域内，修改所选取的P×Q个低频系数块B _k 内的低频系数，以完成水印信息嵌入，所采用的嵌入规则为：

其中，和分别为修改前后低频系数块B _k 内的低频系数，V _k 为低频系数块B _k 内的低频系数均值，△为水印的嵌入强度；

步骤34：根据G分量视觉掩蔽模型，自适应调节水印的嵌入强度△，所采用的调节策略为：

其中，M _F 为最终的HVS模型，P为权值，取值在0.4到0.5之间，用来校正扭曲，M _L 为亮度模型，M _T 为纹理模型，为为G分量归一化图像的重要区域，为边缘检测操作，扩张的边缘处理，M _E 为边缘模型，为滤波器；

步骤35：含水印彩色图像的获得，用修改后的非下采样Contourlet变换的低频系数代替原低频系数并进行逆非下采样Contourlet变换，以得到含有水印的归一化重要区域；结合原归一化图像区域的非重要部分，以获得含水印归一化特征区域；进行预失真补偿以获得含水印G分量图像；利用含水印G分量图像及原R分量、B分量图像，即可得到含水印彩色图像。

5.一种与权利要求1、2、3或4所述的基于机器学习的彩色图像水印嵌入

方法相对应的检测方法，其特征在于按如下步骤进行：

步骤41：利用基于矩的图像归一化技术，对待检测彩色图像为进行归一化处理，以得到相应的归一化彩色图像；

步骤42：结合区域不变质心理论，从归一化彩色图像中提取出重要区域；

步骤43：分别对R分量及G分量的归一化重要区域实施3级非下采样Contourlet变换，并选取对应的低频区域和；

步骤44：在大小为2×2的滑动窗口内将低频区域和分成低频系数块和 ，利用与嵌入过程相同的密钥K ₁ ，分别在低频区域和中选取不重合的P×Q+H个低频系数块，其中，H个低频系数块和 用于SVR训练，P×Q个低频系数块和用于数字水印的提取；

步骤45：设低频系数块内低频系数的均值为 ，设低频系数块内低频系数的均值为 ，将作为训练特征值，而将作为训练目标值，于是可以定义出如下向量集：

进行训练学习，即可获得SVR训练模型；

步骤46：设低频系数块内低频系数的均值为 ，将作为训练特征，利用已获得的SVR训练模型进行数据预测，可以获得相应的输出向量值 ，通过比较与输出向量值的大小提取数字水印，提取方法为

所述为低频系数块内低频系数的均值；

步骤47：对二进制序列进行升维处理，并进行逆置乱解密，即得到所提取的二值图像水印。