CN106408503B - 面向数字作品分级权益管理的免疫图像数字水印方法 - Google Patents

Abstract

本发明属于信息技术领域，涉及一种面向数字作品分级权益管理的免疫图像数字水印方法，包括水印嵌入及分级质量锁控处理、分级权益管理与保护两大部分，其中，水印嵌入及分级质量锁控处理由水印嵌入和分级质量锁控过程构成，水印嵌入包括水印预处理、版权水印嵌入和权益水印嵌入及其质量锁控，水印嵌入后再对各层级图像质量进行分级锁控；分级权益管理与保护由密钥分配与权益分配构成。本发明能够实现分级使用权益和版权权益保护的同时，进行相关权益的有效分离，使其彼此没有重叠，有效阻止依据相邻像素相似性的攻击，并进而使其成为授权方式下的一种权益管理方式，具有高度安全性，为数字社区内安全共享数字图像作品提供了强有力的技术支持。

Description

面向数字作品分级权益管理的免疫图像数字水印方法

技术领域

本发明属于信息技术领域，涉及一种数字图像数字水印方法，具体是一种面向数字作品分级权益管理的免疫图像数字水印方法。

背景技术

一般而言，数字水印保护数字图像相关权益方法可以分为两大类：一是通过将数字水印信息嵌入到数字图像可以实现对图像版权权益保护的功能，即所谓鲁棒水印的方法；二是将水印信息与图像本身内容相关并且嵌入到图像容易被破坏的区域，可以用来保护图像内容的完整性，即脆弱水印方法。其基本假设前提是水印的不可见性，亦即嵌入水印之后，图像质量未受明显影响(人类视觉无法觉察)。

数字图像保护的困难在于，对于鲁棒水印方法而言，攻击者常常利用图像质量较好的特点，通过压缩、剪切、旋转、仿射变换等攻击方法抑制其中水印信息或者使提取的水印信息与原水印信息失去同步而无法复原，从而达到将他人作品变为自己作品的改变权益所属性质的目的；对于脆弱水印而言，只能对图像内容是否受影响(或被修改)做检测，无法对版权信息做任何保护。

目前，颇具吸引力的改进思路则是所谓免疫水印方法，其基本想法是：通过嵌入水印控制图像的重要信息，使其公开发布的图像质量很差(与原图像相比差异较大)，只有授权用户才能通过其密钥恢复图像信息得到高质量的图像。在未得到授权情形下，任何对图像的外加操作都只能导致图像关键信息的丢失而无法恢复原高质量图像，从而具备“免疫性”。现有免疫水印的典型算法如下：(1)对图像做二级小波分解，将低尺度的近似图像分量划分为重要区域(IA)，并将水印按照IA’＝IA(1+αW)关系嵌入在该区域；(2)计算水印嵌入前后IA的差异，称之为补偿矩阵SRC，将其加密后记为SSRC；(3)将原图像二级小波分解的二级对角高频分量划分为不重要区域(UIA)，并把SSRC保存在UIA区域。显然，任何攻击都将导致SSRC信息的丢失，从而使得无法复原IA，使得水印具有天然的“免疫”特征。但是，现有的免疫水印方法具有以下不足之处：(1)仅限于使用权益保护，只能实施相应的使用权益保护，无法保护作品的原创版权，因为一旦用户获得授权密钥，将图像恢复成原图像后，水印即被完全清除，无法保护其版权。(2)仅限于一次性权益保护，无法实施分级保护管理。(3)两个关键因素导致其安全性不高：(a)其水印嵌入公式乃基于一种线性关系，攻击者可以根据相邻像素的相关性估计得出α的值，破解IA’；(b)实验表明水印嵌入深度α值的可控范围较小，一般来说，为确保嵌入水印后的图像能够较好恢复，α不宜超过0.3，因而容易受到猜测攻击。

发明内容

本发明的目的是提供一种面向数字作品分级权益管理的免疫图像数字水印方法，该方法沿袭现有免疫水印的“免疫”思路，充分利用小波多级分解中各级子图图像质量的层级特性，面向综合版权保护以及多级使用权益保护等方面的市场应用需求对图像恢复质量的锁控方法进行创新设计，提出安全性高且具有分级权益管理等全新功能的免疫水印分级权益保护方法，安全性高、嵌入深度可以任意调节、能够保护版权并具有分级图像质量控制能力。

为达到以上目的，本发明在现有方法的基础上做了如下改进，即1)设某数字图像作品I有n-1级分级使用权益，则对原图像做n级小波分解，其第n级低尺度近似分量与水平、垂直和对角各方向高频分量分别记为A_n，H_n，V_n及D_n；在A_n内采用既有非盲数字水印技术嵌入版权信息得到其版权信息是作品的最高权益，需要原数字图像I和相关密钥一起才能从中提取或检测得到；由H_n,V_n,D_n一起经小波重构变换得嵌入版权信息后的第n-1级小波近似分量将视为既有方法中的IA区域，并在此区域嵌入使用权益水印W₁得到根据相应的权益密钥，可以通过估计的近似值得到第1级质量等级权益；将D_n-1视为既有方法中的UIA区域，并在此区域嵌入对应于的补偿矩阵的加密矩阵SSRC_n-1得到由此可以依据相关密钥解码得到第2级质量等级使用权益；由H_n-1，V_n-1，一起经小波重构变换得到而由H_n-1，V_n-1，D_n-1一起重构得到加密将与嵌入鲁棒水印后重构得到的A_n-2之间的差异得到其补偿矩阵的加密矩阵SSRC_n-2，将其嵌入到D_n-2得到由此可以依据其权益密钥解码恢复第3级质量图像以此类推，重复上述过程以完成其它各级权益的图像质量锁控。2)使用权益水印的嵌入公式由原线性关系改为现在的非线性关系，并通过密钥设置其可控性，使得在未知密钥的前提下无法依据相似性关系破解IA’。3)通过数据标准化过程扩展嵌入深度α值取值范围，使得猜测攻击成为不可能。4)撇开补偿矩阵SRC，则必须通过授权密钥控制改变IA与IA’的关系属性，才能近似估计嵌入深度α值，并实现较高图像质量的近似恢复；更高质量图像恢复必须通过授权密钥解密SSRC得到SRC来实现；不同层级之间图像质量有明显差异。

因此，其效果是，(1)密钥未知时安全性很高，像素之间缺乏可依的相似关系(因无需遵守水印嵌入的不可觉察性原则)，也无法实施常规攻击，真正具备“免疫”性；(2)版权水印嵌入在最低尺度IA区域，对其任何攻击例如近似估计、水印覆盖及几何形变等只能降低最终图像质量，导致结果图像不可用，从而进一步确保该不可见水印的鲁棒性；(3)具有多级多种权益保护特点，不仅能够实现版权保护，而且使用权益也能具有分级性；(4)密钥管理简单方便，因为每一级的权限仅仅用于对应级的图像恢复，且在没有对应补偿矩阵信息的前提下也无法得到更高图像质量，从而具备图像数字作品分级权益保护的能力。

本发明所采用的技术方案：

一种面向数字作品分级权益管理的免疫图像数字水印方法，包括水印嵌入及分级质量锁控处理、分级权益管理与保护两大部分，其具体过程如下：

第一部分：水印嵌入及分级质量锁控处理

该部分由水印嵌入和分级质量锁控两个关键过程构成，

一、水印嵌入

水印嵌入过程包括水印预处理、版权水印嵌入和权益水印嵌入及其质量锁控。

1、水印预处理：水印包括版权水印和权益水印两种，分别标记为W_b、W₁，二者均为含有版权特征或权益特征且像素值取0与1两种数值的二值图像。为了提高水印信息的保密性，采用现有常规方法(如Arnold变换、幻方变换等)对其进行置乱或加密处理，这里预处理系采用相应置乱方法将上述水印信息转化为密文，相应的参数作为密钥保存以备后用。最后，将其二值形式按以下公式由0,1变换为-1,1，即：对于水印矩阵第i行第j列元素W(i,j)。

2、版权水印嵌入：给定原始图像I，版权水印W_b，嵌入深度alpha，质量分级参数为n。具体水印嵌入过程如下。

(ⅰ)n级小波分解：根据现有小波分解理论，选择某种小波基(例如Haar小波，db4小波等)做n级小波分解，其中第n级低尺度近似分量以及水平方向、垂直方向和对角方向的高频分量分别记为A_n，H_n，V_n及D_n；原始图像I转化为尺度不等的系数矩阵集合{A_n,H_n,V_n,D_n,H_n-1,V_n-1,D_n-1,…,H_i,V_i,D_i,…,H₁,V₁,D₁}，由此可得其中A_n。

(ⅱ)版权水印嵌入：对A_n采用现有非盲水印的方法按以下公式嵌入版权水印W_b，得到含水印分量矩阵即：

其中，alpha是版权水印嵌入深度，其大小一般需要根据不可见性与鲁棒性综合确定，这里根据实验结果，推荐选用0.01～0.05之间值。此外，所用鲁棒水印的嵌入算法根据应用要求还可以采用频域方法以及其它可以能够抗击几何攻击、组合攻击等的方法，具体可查看相关文献。

(ⅲ)n级小波重构：根据现有小波重构理论，由H_n,V_n,D_n重构得由H_n-1,V_n-1,D_n-1可以重构…；由A₁’,H₁,V₁,D₁可以重构得到含有版权水印的图像

3、权益水印嵌入及其质量锁控：给定含版权水印图像权益水印W₁，嵌入深度α₁(取值范围为(0,1])，密钥种子key1。具体嵌入及其质量锁控过程详细说明如下。

(ⅰ)伪随机矩阵的准备。依据密钥种子key1采用既有伪随机序列生成算法得到行列大小与A_n-1相等的伪随机矩阵β₁；分别计算权益水印W1的行列奇偶校验和Ch与Cl，并将其尾部填充0使其长度大小与key1相同，将三者逐位做XOR运算的结果作为新密钥种子得到另一行列大小与A_n-1相等的伪随机矩阵random。

(ⅱ)权益水印嵌入。将A_n-1视为IA区域，按以下公式嵌入其权益水印W₁得嵌入水印后的

(ⅲ)图像质量锁控：对于权益水印所在的子图A_n-1，其质量锁控方法有些特殊，分以下三个步骤处理：

步骤1：计算补偿矩阵：SRC_n-1(i,j)＝A_n-1(i,j)-A'_n-1(i,j)

其中，A_n-1与A'_n-1分别是嵌入权益水印前后的第n-1级小波分解低尺度分量子图矩阵。

步骤2：将权益水印W₁嵌入到SRC_n-1内，得到：

SRC'_n-1(i,j)＝SRC_n-1(i,j)-β₁(i,j)×W₁(i,j)

其中，W₁为权益水印；β₁为上述嵌入权益水印时采用的伪随机矩阵。

步骤3：依据加密密钥K(ID)对上述矩阵加密，得到：

SSRC_n-1＝EN(SRC'_n-1,K(ID))

其中：EN()为现有典型对称加密算法，如标准AES、DES算法等，可据安全性要求选用；密钥K(ID)可以由***根据用户注册ID作为种子自动生成。

(ⅳ)数据标准化。选用min-max标准化方法对上述得到的A'_n-1和SSRC_n-1做标准化处理，具体也分以下三个步骤来完成。

步骤一：计算：

其中：min()为取最小值函数，max()为取最大值函数，P1为结构化***数据变量，用于保存和SSRC_n-1原先的幅值范围以便后续做权益管理操作时提取相关信息之用。

步骤二：计算标准幅值范围。根据理论分析及实验，推荐按下式计算。

对于小波第k级子图分量，可取A_mxk＝255×2^k，A_mnk＝S_mxk＝40×2^k，S_mnk＝-40×2^k。

步骤三：根据下列标准化变换式，可得：

(ⅴ)小波重构复原。将上述计算得到的标准化结果SSRC^* _n-1作为替换原D_n-1，再由A^* _n-1，H_n-1,V_n-1,一起通过小波变换重构得到

需要强调的是，标准化过程得到的结构化***变量P1最后作为权益密钥之一记录到数据库中保存。

二、分级质量锁控

水印嵌入后，还需要对A_n-k(k>2)等各层级图像质量进行分级锁控，具体按如下四个步骤处理：

步骤1：计算补偿矩阵：将D_n-k分量矩阵视为UIA区域，则第k级补偿矩阵数据SRC_n-k由以下公式获得：

SRC_n-k(i,j)＝A_n-k(i,j)-A'_n-k(i,j)

其中：A_n-k为未嵌入权益水印的原始第n-k级小波分解低尺度子图分量，为由第n-k+1级小波分解嵌入水印后各个分量即H_n-k+1，V_n-k+1，的重构值。

步骤2：加密补偿矩阵：依据加密密钥K(ID)对上述矩阵加密，得到：

SSRC_n-k＝EN(SRC,K(ID))

其中：EN()为现有典型对称加密算法，如标准AES、DES算法等，可据安全性实际要求选用；密钥K(ID)可以由***根据用户注册ID作为种子自动生成。

步骤3：标准化处理：

(ⅰ)计算：

其中：min()为取最小值函数，max()为取最大值函数，Pk为结构化***数据变量，用于保存和SSRC_n-k原先的幅值范围以便后续做权益管理操作时提取相关信息之用。

(ⅱ)对于小波第k级子图分量，可取A_mxk＝255×2^k，A_mnk＝S_mxk＝40×2^k，S_mnk＝-40×2^k。

(ⅲ)对和按下式进行数据标准化处理，可得：

步骤4：小波重构。最后，将SSRC^* _n-k作为替换原D_n-k，再由A^* _n-k，H_n-k,V_n-k,一起通过小波变换重构

重复以上步骤1～4，直到所有各级权益质量分级锁控处理完毕。如此，最终由A*₁,H₁,V₁,D*₁可以重构得到公开免疫图像需要强调的是，标准化过程得到的结构化***变量Pk(k＝1,2,…,n-1)最后作为权益密钥之一记录到数据库中保存。此外，上述权益水印嵌入的所在层级也是可选的，例如，第n-k+1级。这时仅需要将该级的处理过程与原第n-1级的处理过程对调即可。

第二部分：分级权益管理与保护

权益管理与保护本质上就是密钥的管理与保护，在分级权益管理与保护设计上由以下密钥分配与权益分配两个环节构成。

一、密钥分配

根据不同权益需求，将相应密钥分为相对独立的四类：

A、一类权益密钥：{SRC加解密密钥K(ID)、幅值范围P1、水印置乱密钥}

凭此密钥可以提取出完整的使用权益水印信息，适合不需要查看作品，而仅仅只是查看使用权益水印信息以检测图像是否受到攻击，或由此判定相应图像使用者的信用情况(一般是网站管理人员)，但无法获取使用权益水印信息以外的任何其它信息。

B、二类权益密钥：{SRC加解密密钥K(ID)、幅值范围P1、伪随机矩阵β₁种子密钥key1}

凭此密钥可以通过近似算法恢复出来一个较高质量的数字作品适合普通对图像质量要求不严格的用户或场合。此密钥通过估算近似的原始α₁值，根据嵌入公式进行反嵌入处理来获取近似恢复图像。

C、三类权益密钥：{SRC加解密密钥K(ID)、幅值范围Pk}

凭此密钥可以提取出相应层级图像完整的补偿矩阵，因此可以恢复出相应等级的图像质量，其最高等级可达到几乎等同于嵌入版权水印后的原作品图像质量，适合对数字作品要求较严格的用户和场合。

D、四类权益密钥：{版权水印密钥}

凭此密钥可以结合原图像以及版权水印，证实作品的原创者，但无法由此获取任何使用权益的相关信息。

二、权益分配

依据上述四类密钥可以合理分配相应的权益，具体实现方法分别详述如下。

①针对第一类密钥所有者，有权查看水印信息。由以下5个步骤完成：

步骤1：将公开免疫图像进行n级小波分解，得第n-1级子图分量A_n-1，H_n-₁,V_n-1，D_n-1。从而有如下计算公式：

步骤2：据密钥P1，按下式进行反标准化处理得到SSRC_n-1：

其中min()为取最小值函数，max()为取最大值函数。即为由密钥P1中提取的原嵌入水印后SSRC幅值范围。

步骤3：根据SRC加解密密钥K(ID)可得补偿矩阵

SRC'_n-1＝DE(SSRC_n-1,K(ID))

其中：DE()为前述对称密码算法如AES、DES等的解密算法。

步骤4：按下式计算权益水印密文数据。

步骤5：依据水印置乱密钥，做逆变换处理得到权益水印明文。

对于这类密钥拥有者，通过查看或检测水印的完整性亦可判断公开图像是否被破坏，并由此获取相应用户的信用操作数据。

②第二类密钥所有者，相对第一类密钥集而言，缺少水印置乱密钥，但多了伪随机矩阵β₁种子密钥key1，因此有权获得水印密文以及较高质量的近似图像具体由以下5个步骤完成：

步骤1：重复第一类密钥拥有者的步骤1～4，获得权益水印密文

步骤2：由密钥P₁提取嵌入水印后A_n-1的幅值范围，依下式进行反标准化处理得到

其中：min()为取最小值函数，max()为取最大值函数。A_mn1，A_mx1即为由密钥P₁提取的嵌入水印后A_n-1的幅值范围。

步骤3：由伪随机矩阵β₁密钥key1，根据以下公式计算α₁近似值。具体过程如下：

1)相邻像素对：在中依取值相反即分别为1和-1的条件按照先水平后垂直的扫描次序寻找相邻像素对，其行列坐标分别记作(i,j)和(ii,jj)。

2)若记abs()为求绝对值的函数，则可按下列公式估算α'值：

3)估算α'₁值：重复步骤1)、2)，直到遍历区域所有相邻像素对，对所有符合要求的α'求平均值即α₁的近似值，记作α'₁。

步骤4：根据以下公式得到恢复近似图像A_n-1，

步骤5：将含有补偿矩阵的D_n-1区域数据置零，由更新后的A_n-1，H_n-1,V_n-1,D_n-1重构A_n-2,得到近似恢复图。后者可以通过几何缩放变换得到与原图同样大小的近似恢复图。

③针对第三类密钥所有者，有权获得相应层级的高质量恢复图像具体步骤如下。

(a).根据公开图像小波分解得到的A^* _n-k，按照下式计算得到

其中min()为取最小值函数，max()为取最大值函数。即为由密钥Pk提取的原A_n-k嵌入水印后的幅值范围。

(b).根据公开图像小波分解得到的SSRC^* _n-k，按照下式计算得到SSRC_n-k：

其中min()为取最小值函数，max()为取最大值函数。即为由密钥Pk中提取的原SSRC幅值范围。

(c).根据SRC加解密密钥K(ID)可得补偿矩阵SRC_n-k。

SRC_n-k＝DE(SSRC_n-k,K(ID))

其中：DE()为前述对称密码算法如AES、DES等的解密算法。

(d).根据补偿矩阵恢复图像

A_n-k(i,j)＝SRC_n-k(i,j)+A'_n-k(i,j)

(e).将含有补偿矩阵的D_n-k区域数据置零，由更新后的A_n-k，H_n-k,V_n-k,

D_n-k可以重构得到第k+1级精确恢复图像A_n-k-1。

④第四类密钥拥有者，有权检测或查看版权水印，(此处可采用任何既有已公开发表的非盲鲁棒水印算法完成其水印嵌入与检测处理，不影响本发明的完整性，但具体效果可能会因实施者专业知识有所差异)，具体步骤如下：

1)分别将公开图像I’和原图像I做n级小波分解，得到与A_n。

2)依据现有非盲鲁棒水印算法中其版权水印嵌入的公式及其相应的解密算法求出版权水印的估计值

3)将W_b和按图像方式显示并加以对比，可以看出两者相似性，并由此证实版权权益所属；也可按既有水印检测方式来确认，例如计算两者相似度，两者相关系数，等等，均可达到同一目的。

需要说明的是，以上密钥权益分配相对独立。实际应用中相应密钥分配可以根据上述四类进行组合扩展，相应权益也随而扩展，其权益获取处理过程也需要根据上述过程进行组合扩展。例如，由第一类与第二类密钥组合而成的新密钥类，其权益分配处理过程可由分别执行与第一类密钥和第二类密钥对应的权益分配过程组合而成。

与现有技术相比，本发明的显著的创新性与先进性在于：

1、能够实现分级使用权益和版权权益的同时保护，以及相关权益的有效分离，使其彼此没有重叠，便于权益分配与管理。

2、能有效阻止依据相邻像素相似性的攻击，并进而使其成为授权方式下的一种权益管理方式。

3、具有高度安全性：通过增加非线性因子及数据标准化处理，一方面防止因数据改变前后的线性关系导致“相似性攻击”，另一方面则不仅防止数据溢出确保数据的完整性，而且还同时扩展了相关嵌入参数的赋值范围，使攻击者在没有相关密钥或只有部分密钥的情况下无法猜测或近似估计原始数据，从而使得“免疫性”真正落到实处，而不只是一个概念。

附图说明

图1为做为载体的原始lena数字图像；

图2为二值水印图像“海南大学”；

图3为二值水印图像“数字水印”；

图4为图2进行Arnold置乱变换后图像；

图5为图3进行Arnold置乱变换后图像；

图6为lena图像嵌入版权水印后的图像；

图7为嵌入权益水印后的公开免疫图像；

图8为通过图7得到的近似恢复图像；

图9为通过图7得到的精确恢复图像；

图10a为通过图7提取的二值权益水印图像；

图10b为在图8中提取的二值版权水印；

图10c为在图9中提取的二值版权水印；

图11为没有任何密钥的情况下近似恢复的图像；

图12为没有任何密钥的情况下精确恢复的图像；

图13为没有任何密钥的情况下提取的权益水印；

图14为只有一类密钥的情况下近似恢复的图像；

图15为只有一类密钥的情况下精确恢复的图像；

图16为只有二类密钥的情况下精确恢复的图像；

图17为只有二类密钥的情况下提取的权益水印；

图18为只有三类密钥的情况下近似恢复的图像；

图19为只有三类密钥的情况下提取的权益水印；

图20为lena图像在不同嵌入深度下的恢复图像的PSNR曲线对比图；

图21为lena图像在不同嵌入深度下提取的权益水印MSE质量曲线图；

图22为在不同嵌入深度下的恢复图像提取的版权水印MSE质量曲线图；

具体实施方式

下面结合实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。下列实施例中未注明具体条件的实验方法,通常按照常规条件,或按照制造厂商所建议的条件。

理论分析：

假设某数字作品Lena，如图1所示，版权水印为二值文字图像“海南大学”，如图2所示，某级使用权益水印为二值文字图像“数字水印”，如图3所示，对水印图像做Arnold置乱变换可以得到置乱或加密后的水印图像，分别如图4、图5所示。则按照上述方法嵌入版权水印后的图像，如图6所示；继续嵌入使用权益水印后得到公开免疫水印图像，如图7所示。

(1)水印鲁棒性高：一方面，由于小波分解中某层级图像质量主要由该层级重要区域IA的信息决定，因此，各个层级图像质量的改变，理论上不会相互影响。经实验测试发现，多种水印分级嵌入，不会影响上一级水印的提取与检测，如图10a、10b、10c所示，不仅本级水印图像可以正常提取，其上一级版权水印也能正常提取，充分说明了这种水印嵌入方式具有一定的独立性，未发现有明显的相互影响。另一方面，常见水印攻击方法如压缩、加噪或几何变换等都是以丢失或破坏图像内容为代价，必然导致图像质量下降，而这与发现更多图像内容信息的攻击目的在本质上相背离，因此，具有很高的鲁棒性。

(2)清晰的分级性：图像质量恢复依赖相应类别的密钥。本发明方法通过密钥控制水印嵌入关系的非线性特征，并且通过标准化处理大大扩展了其中非线性特征的取值范围，从而能够有效地抑制基于“相似性”的线性攻击，确保只有拥有相应类别密钥，才能拥有相应层级的图像质量。这些不同层级图像质量具有明显的层次感。例如，附图图8和图9分别为具有二类密钥和三类密钥得到的近似恢复图像(1级图像)和精确恢复图像(2级图像)；图20为不同嵌入深度下这两种图像等级的质量曲线(峰值信噪比PSNR与嵌入深度alpha的变化关系图)，可以看到明显的等级性。

(3)安全性高：无论向上还是向下，任何试图跨级获取相应信息的努力都有较高难度。大量实验表明，缺乏相应密钥的条件下，任何通过猜测或逼近的攻击，都难以得到所期望的结果。附图图11～图19列举了一些试图跨级恢复图像或者提取相应水印信息的结果。事实上，由于采用非线性随机矩阵作为控制参数，并且改变幅值范围无限制(因为免疫水印没有不可见性的约束)，因此，某级权益拥有者难以依据已知信息去推测由其它密钥控制的随机值，具有很高的安全性。

(4)新的潜在功能：水印查看权益有望为权益管理的角色控制与信用评价机制提供新的安全协议设计途径。本发明方法提供的水印查看权益是独立于使用权益而设置的，第1、2级使用权益拥有者可以获得该水印的密文，但难以得到水印的明文内容。因此，是否试图通过权益水印的密文形态改变图像内容而不改变水印信息本身是判定图像被修改的嫌疑对象的重要依据，换言之，水印查看以及相应层级图像质量能够作为使用者信用等级的有效凭据之一，有望在某些应用场合下为权益管理的角色控制与信用评价机制提供新的安全协议设计途径。

(5)权益管理灵活性强：既有权益保护大体从保护原创者版权出发，而且赋予原创者最高权益，这种观点已经不能适应当前开放的市场需求。本发明将版权与使用权益分离，使得原创者拥有版权，使用者拥有使用权，两者完全分离，互不干扰，具有超强的权益管理灵活性。由前述各类密钥拥有者的权益处理步骤，可以清晰看到，版权所有者必须具有版权水印、版权水印密钥、原始图像，如此方可证实其版权，而尽管能够由此得到小波分解各级分量精确数据，由于缺少相应密钥，版权所有者仍然无法据此获得各级使用者所拥有的权益信息包括使用权益水印及相关密钥等。对于使用者而言，高一级的使用者虽然所得图像质量更优质，但是，无法估计或猜测得到下级使用者的权益信息包括使用权益水印及相关密钥等。即使同一层级，拥有密钥类型不同，权益也不同，例如一类密钥所有者能够查看该级使用水印，检测其完整性，二类和三类密钥所有者只能得到相应层级质量图像，无法获得使用水印明文信息，这种权益有效分离无重叠的方式，给权益管理与分配带来极大的便利性。

综上所述，借助小波变换对图像多尺度分解的功能可以获得多层级质量的图像，而通过多重水印嵌入过程的非线性因子的密钥控制以及标准化处理则进一步为权益分配与管理提供了极其宽广的参数选择范围，由此构建了所有者与使用者各自享有其所属的权益，为数字社区内安全共享数字图像作品时其不同种类不同层级权益管理与分配的灵活处理提供了强有力的技术支持。

实施例

下面以数字图象处理中常用的lena图像(见图1)为例进一步说明具体的实施结果。版权鲁棒水印选取黑底白字二值图像“海南大学”(见图2),分级权益免疫水印选取黑底白字二值图像“数字水印”(图3)。分别将两幅二值水印进行Arnold置乱变换(具体方法可参看相关文献)，如图4和图5。

具体的实验操作环境为操作***windows7，仿真实验软件为matlab7.0。

其后的图像质量评判标准为图像处理中常用的PSNR即峰值信噪比(一般认为PSNR在30dB以上的图像质量就很不错了)，二值水印质量的评判标准为MSE即均方误差(数值越小则与原水印差异越少，最佳为0即完全无差异)。

小波分解根据这里的实际情况进行3级小波分解，并在3级分解的A3区域嵌入非盲鲁棒版权水印，根据公式(1)An’＝An(1+alpha*Wb)，其中alpha定为0.05；嵌入后重构得到含印图像(图6)，此时水印是不可见的。

然后在第2级低尺度分量A2数据内嵌入权益水印，嵌入比例为α₁＝0.35,β₁取值范围在(-0.5,0.5),random取值范围在(20,40)。根据嵌入公式(2)

嵌入权益水印。同时获取补偿矩阵SRC，对补偿矩阵进行混淆加密；对A2’数据及补偿矩阵数据进行数据标准化，由于是在2级小波分解区域，将A2区域数据限制在(160,1200),将补偿矩阵数据限制在(-160,160)；然后将标准化的补偿矩阵嵌入D2区域。此时重构图像得到公开的免疫图像图7(PSNR＝18.187209dB)。

分别根据相应密钥信息，可以得到第1级权益质量图像即近似恢复图像(图8)和第2级权益质量图像即精确恢复图像(图9)，相应的使用权益水印(图10a)，以及分别由这些不同质量图像内提取的版权水印(图10b和图10c)。获得的不同权益质量图像及其权益水印的质量信息见表1：

表1

近似图像PSNR(dB)	精确恢复图像PSNR(dB)	提取的权益水印MSE
			27.225007	35.058299	0.000024

类似地，由这些图像中提取的版权水印质量信息见表2：

表2

近似图像中提取的鲁棒水印MSE	精确恢复图像中提取的鲁棒水印MSE
		0.0999	0.0608

可见，近似恢复图像与精确恢复图像层级清晰，版权水印与权益水印(见图10b，图10c)主体内容可辨，符合应用需求预期。

接着测试本方法的安全性，即在没有密钥或密钥不足时试图获得高清图片。

①完全没有任何密钥

在没有任何密钥的情况下，既无法获得补偿矩阵，也无法近似估计A’。此时，攻击者可根据公开图片信息猜测密钥信息，或者随机生成密钥来恢复。这里采用随机生成密钥来破解，得到第1级恢复图像(图11)、第2级恢复图像(图12)以及提取的权益水印(图13)。具体测试结果见表3：

表3

第1级图像PSNR(dB)	第2级图像PSNR(dB)	提取的权益水印MSE
			17.360450	10.038057	MSE＝0.367798

可见，无论第1级抑或第2级图像，其质量都远低于预期：20dB不到！

②只拥有一类权益密钥(仅查看水印)

当只有一类密钥时，只能提取查看权益水印信息。由于已知两个密钥，可以考虑猜测A’原始范围信息，同时根据嵌入公式遍历所有α₁值(实验测试发现，α₁相差在0.01之间的结果近似一致，故约有100个不同值)，并且通过估计其中随机数取值范围取均值来破解。此时得到的第1级图像(图14)、第2级图像(图15)其质量都远低于相应授权用户所能得到图像质量。具体实验数据见表4：

表4

第1级图像PSNR(dB)	第2级图像PSNR(dB)	提取的权益水印MSE
			20.389306	13.749797	MSE＝0.000024

可见，此时通过补偿矩阵得到的结果还不如近似估计的结果，猜测所得第2级图像质量远低于第1级图像质量：13.75<<20.39。

③只拥有二类权益密钥(近似恢复)

当只有二类密钥时，能够得到近似恢复图像。但破解补偿矩阵只能通过猜测其中随机数密钥信息，使其接近真实值，从而得到的补偿矩阵必然是具有误差的。另一方面，因为没有水印置乱密钥，提取的水印密文也难以转化为可以分辨的密文状态。由此得到的第2级图像如图16所示，提取的权益水印图像如图17所示。具体实验所得数据见表5：

表5

第1级图像PSNR(dB)	第2级图像PSNR(dB)	提取的权益水印MSE
			26.575199	14.434025	MSE＝0.367432

由于14.43<<26.57，可见，不当破解得到的结果与真实值相差颇大。

④只拥有三类权益密钥(精确恢复)

拥有此类密钥可以获取完整的补偿矩阵信息，所以可以通过补偿矩阵得到接近原载体图像的质量等级。试图得到第1级图像，需要猜测α₁，以及随机矩阵random的值，由此所得结果如图18所示。此时，尽管可得权益水印密文，但猜测其置乱密钥得到的结果如图19所示。具体实验结果数据见表6：

表6

第1级图像PSNR(dB)	第2级图像PSNR(dB)	提取的权益水印MSE
			22.853052	35.058299	MSE＝0.367432

比较非法估计的结果与依据密钥恢复的结果，有：22.85dB<26.575dB。可见，缺乏相关密钥必然导致结果图像质量的下降。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (2)

1.一种面向数字作品分级权益管理的免疫图像数字水印方法，其特征在于，包括水印嵌入及分级质量锁控处理、分级权益管理与保护两大部分，其具体过程如下：

第一部分：水印嵌入及分级质量锁控处理

该部分由水印嵌入和分级质量锁控两个关键过程构成，

一、水印嵌入

水印嵌入过程包括水印预处理、版权水印嵌入和权益水印嵌入及其质量锁控；

1)、水印预处理：水印包括版权水印和权益水印两种，分别标记为W_b、W₁，二者均为含有版权特征或权益特征且像素值取0与1两种数值的二值图像；采用相应置乱方法将上述水印信息转化为密文，相应的参数作为密钥保存以备后用，将其二值形式按以下公式由0,1变换为-1,1，即：对于水印矩阵第i行第j列元素W(i,j)；

2)、版权水印嵌入：给定原始图像I，版权水印W_b，嵌入深度alpha，质量分级参数为n，具体水印嵌入过程如下：

(ⅰ)n级小波分解：选择小波基，做n级小波分解，其中第n级低尺度近似分量及其水平方向、垂直方向和对角方向的高频分量分别记为A_n，H_n，V_n及D_n；原始图像I转化为尺度不等的系数矩阵集合{A_n,H_n，V_n,D_n,H_n-1,V_n-1,D_n-1,…,H_i,V_i,D_i,…,H₁,V₁,D₁}，由此可得其中A_n；

(ⅱ)版权水印嵌入：对A_n采用非盲水印的方法按以下公式嵌入版权水印W_b，得到含水印分量矩阵A′_n，即：

A′_n＝A_n(1+alpha*W_b)

其中，alpha是版权水印嵌入深度；

(ⅲ)n级小波重构：根据小波重构理论，由A′_n，H_n，V_n,D_n重构得A′_n-1；由A′_n-1,H_n-1,V_n-1,D_n-1可以重构A′_n-2；…；由A′₁,H₁,V₁,D₁可以重构得到含有版权水印的图像I′；

3)、权益水印嵌入及其质量锁控：给定含版权水印图像I′，权益水印W₁，嵌入深度α₁，密钥种子key1，其中α₁的取值范围为(0,1]，具体嵌入及其质量锁控过程如下：

(ⅰ)伪随机矩阵的准备：依据密钥种子key1采用伪随机序列生成算法得到行列大小与A_n-1相等的伪随机矩阵β₁；分别计算权益水印W₁的行列奇偶校验和Ch与Cl，并将其尾部填充0使其长度大小与key1相同，将三者逐位做XOR运算的结果作为新密钥种子得到另一行列大小与A_n-1相等的伪随机矩阵random；

(ⅱ)权益水印嵌入：将A_n-1视为IA区域，按以下公式嵌入其权益水印W₁得嵌入水印后的A′_n-1：

(ⅲ)图像质量锁控：对于权益水印所在的子图A_n-1，其质量锁控分以下三个步骤处理：

步骤1：计算补偿矩阵：SRC_n-1(i,j)＝A_n-1(i,j)-A'_n-1(i,j)

其中，A_n-1与A′_n-1分别是嵌入权益水印前后的第n-1级小波分解低尺度分量子图矩阵；

步骤2：将权益水印W₁嵌入到SRC_n-1内，得到：

SRC'_n-1(i,j)＝SRC_n-1(i,j)-β₁(i,j)×W₁(i,j)

其中，W₁为权益水印；β₁为上述嵌入权益水印时采用的伪随机矩阵；

步骤3：依据加密密钥K(ID)对上述矩阵加密，得到：

SSRC_n-1＝EN(SRC'_n-1,K(ID))

其中：EN()为典型对称加密算法，密钥K(ID)由***根据用户注册ID作为种子自动生成；

(ⅳ)数据标准化：对上述得到的A′_n-1和SSRC_n-1做min-max标准化处理，具体也分以下三个步骤来完成：

步骤一：计算：A'_mx1＝max(A′_n-1)；A'_mn1＝min(A′_n-1)

S'_mx1＝max(SSRC_n-1)；S'_mn1＝min(SSRC_n-1)

P1＝{A'_mn1,A'_mx1,S'_mn1,S'_mx1}

其中：min()为取最小值函数，max()为取最大值函数，P1为本级结构化***数据变量；

步骤二：根据理论分析及实验，标准幅值范围按下式计算：

对于小波第n-k级子图分量，可取A_mxk＝255×2^k，A_mnk＝S_mxk＝40×2^k，S_mnk＝-40×2^k；

步骤三：根据下列标准化变换式，可得：

(ⅴ)小波重构复原：将上述计算得到的标准化结果SSRC^* _n-1作为替换原D_n-1，再由A^* _n-1，H_n-1,V_n-1,一起通过小波重构得到A'_n-2；

将标准化过程得到的结构化***变量P1最后作为权益密钥之一记录到数据库中保存；

二、分级质量锁控

水印嵌入后，需要对各层级图像质量进行分级锁控，具体按如下四个步骤处理：

步骤1：计算补偿矩阵：将D_n-k分量矩阵视为UIA区域，则第n-k级补偿矩阵数据SRC_n-k由以下公式获得：

SRC_n-k(i,j)＝A_n-k(i,j)-A'_n-k(i,j)

其中：A_n-k为未嵌入权益水印的原始第n-k级小波分解低尺度子图分量，A'_n-k为由第n-k+1级小波分解嵌入水印后各个分量即A'_n-k+1，H_n-k+1，V_n-k+1，D'_n-k+1的重构值；

步骤2：加密补偿矩阵：依据加密密钥K(ID)对上述矩阵加密，得到：

SSRC_n-k＝EN(SRC_n-k,K(ID))

其中：EN()为典型对称加密算法；密钥K(ID)由***根据用户注册ID作为种子自动生成；

步骤3：标准化处理：

(ⅰ)计算：A'_mxk＝max(A'_n-k)；A'_mnk＝min(A'_n-k)

S'_mxk＝max(SSRC_n-k)；S'_mnk＝min(SSRC_n-k)

Pk＝{A'_mnk,A'_mxk,S'_mnk,S'_mxk}

其中：min()为取最小值函数，max()为取最大值函数，Pk为结构化***数据变量；

(ⅱ)对于小波第n-k级子图分量，可取A_mxk＝255×2^k，A_mnk＝S_mxk＝40×2^k，S_mnk＝-40×2^k；

(ⅲ)对A'_n-k和SSRC_n-k按下式进行数据标准化处理，可得：

步骤4：小波重构：将所得SSRC^* _n-k作为替换原D_n-k，再由A^* _n-k，H_n-k,V_n-k,一起通过小波变换重构得A'_n-k-1；

重复以上步骤1～4，直到所有各级权益质量分级锁控处理完毕；如此，最终由H₁,V₁,可以重构得到公开免疫图像I″；

最后，将标准化过程得到的结构化***变量Pk作为权益密钥之一记录到数据库中保存，其中k＝1,2,…,n-1；

第二部分：分级权益管理与保护

分级权益管理与保护由以下密钥分配与权益分配两个环节构成；

一、密钥分配

根据不同权益需求，将相应密钥分为相对独立的四类：

A、一类权益密钥：{密钥K(ID)、幅值范围P1、水印置乱密钥}

B、二类权益密钥：{密钥K(ID)、幅值范围P1、伪随机矩阵β₁种子密钥key1}

C、三类权益密钥：{密钥K(ID)、幅值范围Pk}

D、四类权益密钥：{版权水印密钥}

二、权益分配

依据上述四类密钥可以合理分配相应的权益，具体实现方法如下：

①针对第一类密钥所有者，有权查看水印信息，由以下五个步骤完成：

步骤1：将公开免疫图像I″进行n级小波分解，得第n-1级子图分量A_n-1，H_n-1,V_n-1，D_n-1，从而有如下计算公式：

步骤2：据密钥P1，按下式进行反标准化处理得到SSRC_n-1：

其中min()为取最小值函数，max()为取最大值函数；(S'_mn1,S'_mx1)即为由密钥P1中提取的原嵌入水印后SSRC幅值范围；

步骤3：根据密钥K(ID)可得补偿矩阵SRC'_n-1：

SRC'_n-1＝DE(SSRC_n-1,K(ID))

其中：DE()为前述对称加密算法的解密算法；

步骤4：按下式计算权益水印密文数据：

步骤5：依据水印置乱密钥，做逆变换处理得到权益水印明文；

②第二类密钥所有者，有权获得水印密文以及较高质量的近似图像A'_n-1，具体由以下五个步骤完成：

步骤1：重复第一类密钥拥有者的步骤1～4，获得权益水印密文W′₁，

步骤2：由密钥P1提取嵌入水印后A_n-1的幅值范围，依下式进行反标准化处理得到A'_n-1：

其中：min()为取最小值函数，max()为取最大值函数，A'_mn1,A'_mx1即为由密钥P1提取的嵌入水印后A_n-1的幅值范围；

步骤3：由伪随机矩阵β₁密钥key1，根据以下公式计算α₁近似值，具体过程如下：

1)相邻像素对：在A'_n-1中依W′₁取值相反即分别为1和-1的条件按照先水平后垂直的扫描次序寻找相邻像素对，其行列坐标分别记作(i,j)和(ii,jj)；

2)若记abs()为求绝对值的函数，则可按下列公式估算α'值：

式中α'的取值范围为0＜α′＜1；

3)估算α'₁值：重复步骤1)、2)，直到遍历A'_n-1区域所有相邻像素对，对所有符合要求的α'求平均值即α₁的近似值，记作α'₁；

步骤4：根据以下公式得到恢复近似图像A_n-1：

步骤5：将含有补偿矩阵的D_n-1区域数据置零，由更新后的A_n-1，H_n-1,V_n-1,D_n-1重构A_n-2,得到近似恢复图；

③针对第三类密钥所有者，有权获得相应层级的高质量恢复图像A'_n-k+1，具体步骤如下：

(a).根据公开图像小波分解得到的A^* _n-k，按照下式计算得到A'_n-k：

其中min()为取最小值函数，max()为取最大值函数；(A'_mnk,A'_mxk)即为由密钥Pk提取的原A_n-k嵌入水印后的幅值范围；

(b).根据公开图像小波分解得到的SSRC^* _n-k，按照下式计算得到SSRC_n-k：

其中min()为取最小值函数，max()为取最大值函数；(S'_mnk,S'_mxk)即为由密钥Pk中提取的原SSRC幅值范围；

(c).根据密钥K(ID)可得补偿矩阵SRC_n-k：

SRC_n-k＝DE(SSRC_n-k,K(ID))

其中：DE()为前述对称加密算法的解密算法；

(d).根据补偿矩阵恢复图像：

A_n-k(i,j)＝SRC_n-k(i,j)+A'_n-k(i,j)

(e).将含有补偿矩阵的D_n-k区域数据置零，由更新后的A_n-k，H_n-k,V_n-k,D_n-k可以重构得到第n-(k+1)级精确恢复图像A_n-k-1；

④第四类密钥拥有者，有权检测或查看版权水印，具体步骤如下：

1)分别将公开图像I″和原图像I做n级小波分解，得到A′_n和A_n；

2)依据前述非盲鲁棒水印算法中其版权水印嵌入的公式及其相应的解密算法求出版权水印的估计值W′_b；

3)将W_b和W′_b按图像方式显示并加以对比，并由此证实版权权益所属；或按现有水印检测方式来确认。

2.根据权利要求1所述的方法，其特征在于：第一部分的版权水印嵌入中，版权水印嵌入深度即alpha的取值在0.01～0.05之间。