CN110570343B - 一种基于自适应特征点提取的图像水印嵌入方法及装置 - Google Patents

Abstract

本发明实施例提供了一种基于自适应特征点提取的图像水印嵌入方法，所述方法包括：获取原始图像，并在原始图像中提取全局特征点；对所述原始图像进行攻击训练，以生成训练后的图像；利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个分割区域；计算所述分割区域的复杂度；在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值；在所述分割区域中提取局部特征点；对所述局部特征点以及所述全局特征点进行性自适应匹配，以确定最终的特征点；将水印嵌入到宿主图像中。本发明实施例提供的水印嵌入的方法，具有更好的鲁棒性。

Description

一种基于自适应特征点提取的图像水印嵌入方法及装置

技术领域

本发明属于数字水印技术领域，特别涉及一种基于自适应特征点提取的图像水印嵌入方法及装置。

背景技术

如今，数字媒体的拷贝可以很容易地复制、传输和分发，因此水印技术已经成为保护版权信息的有效途径。通过将水印信息嵌入到整个图像或指定的局部区域，可以将数字图像水印方案分为全局图像水印和局部图像水印。此外，数字图像水印方案还分为单水印和多重水印。

在基于特征提取的局部水印方案中，高稳定性的特征提取起着决定性的作用。但现有的特征提取方法大多是全局提取特征点，导致一些不必要的关键点。例如，检测到的特征点通常集中在特定的区域，而第二重要的特征点可能被忽略。

近年来，许多水印技术被提出。Chen等人首先提出了鲁棒水印的概念。他们提出了量化指标调制(Quantization Index Modulation，QIM)方法和扩频变换抖动调制(SpreadTransform Dither Modulation，STDM)方法进行水印嵌入与提取。STDM方法不对原始图像的某一系数进行量化，而是对得到的矢量进行投影变换，然后对数据进行抖动调制(DitherModulation，DM)。

发明内容

有鉴于此，本发明实施例提供了水印嵌入的方法以及装置。

本发明实施例提供一种基于自适应特征点提取的图像水印嵌入方法，包括：

获取原始图像，并在原始图像中提取全局特征点；

对所述原始图像进行攻击训练，以生成训练后的图像；

利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个分割区域；

计算所述分割区域的复杂度；

在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值；

在所述分割区域中提取局部特征点；

对所述局部特征点以及所述全局特征点进行性自适应匹配，以确定最终的特征点；

将水印嵌入到宿主图像中。

本发明实施例提供一种装置，所述设备包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述水印嵌入的方法。

本发明实施例提供的水印嵌入的方法、装置，具有更好的鲁棒性。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例提供的一种基于自适应特征点提取的图像水印嵌入方法一种流程示意图；

图2是本发明实施例提供的一种特征点提取的方法的一种流程示意图；

图3是本发明实施例提供的一种图像分割的状态示意图；

图4是本发明实施例提供的一种分割区域规则化的方法一种流程示意图；

图5是本发明实施例提供的一种特征点自适应匹配的方法一种流程示意图；

图6是本发明实施例提供的一种基于自适应特征点提取的图像水印嵌入方法的另一种流程示意图；

图7是本发明实施例提供的一种水印嵌入的示意图像；

图8是本发明实施例提供的一种基于自适应特征点提取的图像水印嵌入方法的另一种流程示意图。

具体实施方式

以下描述中，为了说明而不是为了限定，提出了诸如特定***结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的***、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

如图1所示，是本发明实施例提供的一种基于自适应特征点提取的图像水印嵌入方法的流程示意图。具体内容如下：

S110获取原始图像，并在原始图像中提取全局特征点。

图像是一种是指由图形等构成的平面媒体。具体的图像可以包括有点阵图和矢量图，例如BMP、JPG格式图像或者SWF、CDR、AI等格式图像等。

本发明实施例所述特征点，是指图像中具有一定特征的部分，是作为检测水印参考位置或方向或者是带有水印信息的部分。具体的可以是图像的边缘、辩焦点、文理区域等具有特征的部分。本发明实施例的全局特征点是基于图像全局提取的特征点。

S120对所述原始图像进行攻击训练，以生成训练后的图像。

本发明实施例的攻击，也被定义为攻击链，例如包括Joint PhotographicExperts Group(JPEG)压缩，缩放和高斯滤波。由于不同的攻击对图像具有不同的影响，因此可以提取更高鲁棒性。

S130利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个分割区域。

Simple Linear Iterative Clustering(SLIC，简单线性迭代聚类算法)将图像分割成为具有相似纹理、颜色、亮度等特征的相邻像素构成的有一定视觉意义的不规则像素块。利用像素之间特征的相似性将像素分组,用少量的超像素代替大量的像素来表达图片特征。本发明实施例所述的若干分隔区域，具体的为包括至少两个分隔区域。

具体的如图3所示，是本发明实施例提供的一种图像经过SLIC分割之后，形成若干个分割区域。

一种具体的实施方案，对图像进行SLIC算法分割之后，会将所述训练后的图像分割成为若干个不规则的分割区域。可以进一步的，将所述若干个不规则的分割区域调整成为规则的分割区域，具体的，可以是也就是将每个不规则分割区域转换成其外接矩形。这样可以方便后续的计算，减少图像计算的复杂程度。

S140计算所述分割区域的复杂度。

所述分割区域的复杂度为：

其中，ENT_dir为所述第二分割区域的随机性，CON_dir衡量所述第二分割区域的局部变化，ENE_dir为所述第二分割区域的计算平方元素的总和，HOM_dir为所述第二分割区域的测量元素与对角线的接近程度，COR_dir为所述第二分割区域的指定像素对的联合概率发生，

其中GLCM_dir为所述分割区域的像素与相邻像素的灰度关系的矩阵，μ_x和σ_x表示GLCM_dir每列总和的平均值和标准差。

S150在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值。

具体的如图2所示，是本发明实施例提取特征点的流程示意图。

一种可选的实施方案，在所述分割区域的复杂度超过设定阈值的时候，调整线简单性迭代聚类算法，并对所述分割区域重新分割，直至所述分割区域的复杂度低于设定阈值。

另一种可选的实施方案，在所述分割区域的复杂度超过设定阈值的时候，对所述复杂度超过设定阈值分割区域进行进一步的分割以形成区域更小的区域，直至所有的分割区域的复杂度低于设定的阈值。

S160在所述分割区域中提取局部特征点。

在所述复杂度低于设定阈值的分割区域中提取图像的局部特征点，即提取表征所述分割区域特征的特征点。

S170对所述局部特征点以及所述全局特征点进行性自适应匹配，以确定最终的特征点。

具体的实施方案如下所述：

S510计算对应局部特征点和全局特征点的每两个特征点之间的欧几里德距离。

S520计算最接近的欧几里德距离与第二个最接近的欧几里得距离的比率。

S530如果所述最接近的欧几里德距离与第二个最接近的欧几里得距离的比率大于相应的设定的最大比值，则删除相应的局部特征点以及整体特征点。

计算属于局部特征点集和全局特征点集的每两个特征点之间的欧几里德距离；并使用计算最接近的欧几里德距离与第二个最接近的欧几里得距离的比率，表示为Dist。如果Dist大于相应的MaxRatio(最大比值)，则删除相应的局部特征点以及全局特征点。

其中，FP_AdtBlk_i,k表示要匹配的分割块中的i^th特征点的k^th维度的值；FP_AdtBlk_gb,k表示主图像中i^th特征点的k^th维度的值，N表示N维特征描述符。

进一步的，本发明实施例还可以自适应调整MaxRatio以产生适当的匹配结果。增加MaxRatio产生更多匹配，而减少它有助于模糊匹配。因此，可以根据每个局部块中所需特征点的数量自适应地调整MaxRatio。

S180将水印嵌入到宿主图像中。

使用自适应分割区域ASFE(Adaptive Segmentation-based FeatureExtraction)提取具有高鲁棒性和稳定性的特征点。具体的，可以根据上述基于复杂度来对图像进行分割的分割区域，即复杂度小于设定阈值的分割区域来提取特征点。

S810选择宿主图像颜色空间的Luma分量。

S820将特征区域定位到Luma分量中特征点的位置。

S830利用平稳小波变换确定特征区域的近似系数。

S840将水印嵌入所述近似系数区域。

选择宿主图像的YCbCr颜色空间的Luma分量。然后，根据提取的特征点，将特征区域定位于亮度分量中。之后，将SWT(Stationary Wavelet Transform，平稳小波变换)应用到每个特征区域。因为它的移位不变性和对攻击的高鲁棒性，选择相应的近似系数区域用于水印的嵌入。

如图6所示，在S-STDM(扩频变换抖动调制，Singular Value Decomposition-based Spread Transform Dither Modulation,)中,首先将奇异值分解(Singular ValueDecomposition，SVD)应用于分解的近似系数。SVD具有良好的隐蔽性和抗几何攻击性。这有助于提高后续水印的鲁棒性。通过SVD获取对角矩阵中的对角线元素后,我们使用S_STDM对获得的矢量执行投影变换，然后对投影数据执行DM。这个方法可以提高鲁棒性。

图6显示了S-STDM的过程,它利用DM量化器将水印消息调制到向量中。在图6中,U(AC)与V(AC)表示正交矩阵，使用公式(1)从近似系数分解。然后使用公式(2)选取S(AC)的对角线元素β作为水印载体，如图6所示。然后使用公式(3)将β投影到扩展向量α上，从而生成ξ。利用公式式(4)中的DM量化器对水印位进行调制后，利用公式(5)可生成水印系数。

AC＝U(AC)S(AC)V^*(AC)    (1)

其中U(AC)和V(AC)的分别为左奇异向量和右奇异向量。V^*(AC)是共轭转置。

ξ＝β^Tα＝[s₁ s₂...s_n]α    (3)

其中DM表示量化步骤,Wm_i表示要嵌入的相应水印位，QS表示量化步长。

本发明实施例的还公开了一种水印提取的方法，具体包括如下内容：

水印提取过程是嵌入的反向过程。将ASFE应用于接收图像以提取特征点，同时提取接收图像的YCbCr颜色空间的Luma分量。根据提取的特征点将特征区域定位在Luma分量中。通过在每个特征区域采用SWT，我们从相应的近似系数AC'中提取水印。使用提出的S-STDM,水印将相应地被提取。

在S-STDM的提取过程中，与嵌入过程类似，首先对近似系数进行SVD处理，然后利用公式(10)从分解后的对角矩阵中选取对角线元素β，进行水印信息提取。

在检测过程中,使用公式(3)，β被投影到投影向量α上,以得到ξ。然后分别使用DM量化器调制水印位0和1以获取DM₀和DM₁。最后，根据ξ与DM₀或DM₁之间的距离，利用公式(6)估计接收图像中包含的水印位Wm_i。

特征提取方法ASFE，其中包含了基于复杂度的自适应分割(Complexity-basedAdaptive Segmentation,CAS)算法以及使用Speeded Up Robust Features(SURF)提取特征点。ASFE能够在整个图像中均匀提取特征点。从而不会导致一些不必要的关键点。在提取局部特征区域后，考虑其平移不变性，利用平稳小波变换(Stationary WaveletTransform，SWT)将每个局部区域分解为近似系数和细节系数。接着，利用所提出的基于奇异值分解的扩频变换抖动调制(Singular Value Decomposition-based SpreadTransform Dither Modulation,S-STDM)方法将水印信息嵌入到奇异值分解(SingularValue Decomposition，SVD)的对角矩阵中的对角元素中。在水印嵌入后，采用逆奇异值分解(Inverse Singular Value Decomposition，ISVD)和逆平稳小波变换(InverseStationary Wavelet Transform，ISWT)对水印图像进行重构。本方案提出的S-STDM在提取局部特征区域后嵌入水印信息，具有更好的鲁棒性。

本发明实施例还提供了一种电子装置，包括处理器；用于存储处理器可执行指令的存储器；其中，所述处理器被配置为执行上述所述的任一方法。

在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。

本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。

在本发明所提供的实施例中，应该理解到，所揭露的装置/终端设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/终端设备实施例仅仅是示意性的，例如，所述模块或单元的划分，为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。

所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、电载波信号、电信信号以及软件分发介质等。需要说明的是，所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读介质不包括是电载波信号和电信信号。

以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于自适应特征点提取的图像水印嵌入方法，其特征在于，包括：

获取原始图像，并在原始图像中提取全局特征点；

对所述原始图像进行攻击训练，以生成训练后的图像；

利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个分割区域；

计算所述分割区域的复杂度；

在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值；

在所述分割区域中提取局部特征点；

对所述局部特征点以及所述全局特征点进行性自适应匹配，以确定最终的特征点；

将水印嵌入到宿主图像中；

所述分割区域的复杂度为：

其中，ENT_dir为所述分割区域的随机性，CON_dir衡量所述分割区域的局部变化，ENE_dir为所述分割区域的计算平方元素的总和，HOM_dir为所述分割区域的测量元素与对角线的接近程度，COR_dir为所述分割区域的指定像素对的联合概率发生，

其中GLCM_dir为所述分割区域像素与相邻像素灰度关系的矩阵，μ_x和σ_x表示GLCM_dir每列总和的平均值和标准差。

2.如权利要求1所述的方法，其特征在于，所述利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个分割区域包括：

利用简单线性迭代聚类算法将所述训练后的图像分割成为若干个不规则的分割区域；

将所述若干个不规则的分割区域调整成为规则的分割区域。

3.如权利要求2所述的方法，其特征在于，所述将所述若干个不规则的分割区域调整成为规则的分割区域具体为：

将所述不规则的分割区域转化为其外接矩形的规则分割区域。

4.如权利要求1-3任一项所述的方法，其特征在于，所述在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值具体为：

在所述分割区域的复杂度超过设定阈值的时候，调整简单线性迭代聚类算法，并对所述训练后的图像重新分割，直至所述分割区域的复杂度低于设定阈值。

5.如权利要求1-3任一项所述的方法，其特征在于，所述在所述分割区域的复杂度超过设定阈值的时候，调整所述分割区域的大小，直至所述分割区域的复杂度低于设定阈值具体为：

在所述分割区域的复杂度超过设定阈值的时候，对所述复杂度超过设定阈值分割区域进行进一步的分割以形成区域更小的区域，直至所有的分割区域的复杂度低于设定的阈值。

6.如权利要求1-3任一项所述的方法，其特征在于，所述对所述局部特征点以及所述全局特征点进行性自适应匹配，以确定最终的特征点包括：

计算对应局部特征点和全局特征点的每两个特征点之间的欧几里德距离；

计算最接近的欧几里德距离与第二个最接近的欧几里得距离的比率；

如果所述最接近的欧几里德距离与第二个最接近的欧几里得距离的比率大于相应的设定的最大比值，则删除相应的局部特征点以及全局特征点。

7.如权利要求1-3任一项所述的方法，其特征在于，所述将水印嵌入到宿主图像中包括：

选择宿主图像颜色空间的Luma分量；

将特征区域定位到Luma分量中特征点的位置；

利用平稳小波变换确定特征区域的近似系数；

将水印嵌入所述近似系数区域。

8.如权利要求7所述的方法，其特征在于，所述方法还包括：

对所述近似系数AC进行奇异值分解，得到用于水印嵌入的区域S(AC)，其中AC＝U(AC)S(AC)V^*(AC)，U(AC)和V(AC)的分别为左奇异向量和右奇异向量，V^*(AC)是共轭转置；

提取S(AC)的对角线元素β作为水印载体，其中

将β投影到扩展向量α上，从而生成ξ，其中ξ＝β^Tα＝[s₁ s₂ ... s_n]α；

对水印进行调制，其中

DM表示量化步骤,Wm_i表示要嵌入的相应水印位，QS表示量化步长；

对调制后的系数进行相应的计算以生成嵌入水印后的系数，其中所述嵌入水印后的系数

。

9.一种电子装置，其特征在于，包括：

处理器；

用于存储处理器可执行指令的存储器；

其中，所述处理器被配置为执行权利要求1-8任一项所述的方法。

Images