一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法
【专利摘要】本发明提供了一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法，该水印嵌入方法通过获取原始图像的低频子带、获取初始特征点集合、获取候选特征点集合、获取候选特征区域集合、计算选特征区域关联矩阵、计算候选关联权值向量、获取筛选特征区域集合、获取圆形特征区域集合、得到特征图像、得到密钥图像和获取密钥信息的步骤，克服了现有鲁棒可逆水印方法的缺陷，改善了含水印图像的视觉质量，提高了水印嵌入容量，增强了水印抵抗复杂攻击的鲁棒性，提升了水印的安全性，提高了鲁棒可逆图像水印方法的综合性能。
【专利说明】—种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法
【技术领域】
[0001]本发明属于多媒体信息安全领域，涉及一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法，可用于网络环境中数字图像的内容认证、版权保护。
【背景技术】
[0002]数字图像作为国家基础设施建设的支撑性成果之一，在国民经济、国防建设中占有十分重要的地位和广泛的应用。随着计算机技术与数码成像设备的发展与普及，数字图像的安全保护已成为多媒体信息安全领域亟待解决的重要问题之一。近年来，数字水印技术通过在宿主图像中嵌入水印的方式为这一问题的解决提供了有效途径，然而传统方法在水印嵌入过程中常常会对宿主图像造成不可逆失真。即使这些失真难以被人眼察觉，但却影响了它在医学影像、法庭证据、电子票据、军事及遥感图像等领域的实际应用。因此，可逆水印技术应运而生，它利用人类感知与数字图像自身冗余，通过可逆数字嵌入的方式将水印隐藏到宿主图像中，在水印提取之后能(近)无损地恢复宿主图像内容，确保其后续应用(如病变检测、分类、目标识别)不受影响。而且，通过对水印的分析，该技术能够确定版权所有者、认证图像内容以及跟踪侵权行为，从而为数字图像安全保护提供有力的技术支撑。同时，由于实际应用中数字图像往往会受到有损压缩、噪声干扰的影响，嵌入的水印又需要具有抵抗攻击的鲁棒性。这种水印方案称为鲁棒可逆水印，它以其特有的优势引起了国内外研究者们的广泛关注。
[0003]根据水印嵌入模型的不同，现有的鲁棒可逆图像水印方法可以分为三类。
[0004]第一类是基于直方图旋转的方法，该方法是基于Patchwork理论，利用数字图像相邻像素间的相关性生成质心向量，并沿不同方向旋转质心向量来嵌入水印，见文献“De Vleeschouwer C，Delaigle J, and Macq B.Circular interpretation of bijectivetransformationsin lossless watermarking for media asset management.1EEE Trans.Multimedia, 5(1):97-105, 2003”。该方法虽然对联合图像专家组JPEG压缩具有鲁棒性，但由于水印图像存在严重的“椒盐”噪声，
[0005]显著降低了含水印图像的视觉质量。
[0006]第二类是基于直方图分布约束的方法，见文献“Zou D K, Shi Y Q，Ni Z C，and Suff.A sem1-fragile lossless digital watermarking scheme based on integer wavelettransform.1EEE Trans.Circuits and Systems for Video Technology, 16(10):1294-1300，2006”和“Ni Z C, Shi Y Q, Ansari N, Su ff, Sun Q B, and Lin X.Robust lossless imagedata hiding designed for sem1-fragile image authentication.1EEE Trans.Circuitsand Systems for Video Technology, 18 (4): 497-509，2008”。此类方法根据数字图像的直方图分布，有规则地修改图像的统计特性来实现水印嵌入与提取。与基于直方图旋转的方法相比，该类方法克服了含水印图像的“椒盐”噪声，提高了水印图像的视觉质量，但却存在容量低、可逆性与鲁棒性不稳定的缺陷。[0007]第三类方法是基于广义统计量直方图与聚类的方法，见文献“An L L, GaoX B，Yuan Y，and Tao D C.Robust lossless data hiding using clustering andstatistical quantity histogram.Neurocomputing，77 (I): 1-11，2012，，和“Li X L，Tao DC，Deng C and Li J.Robust reversible watermarking via clustering and enhancedpixel-wise masking.1EEE Transactions on Image Processing，21 (8): 3598-3611，2012，，。该类方法基于广义统计量直方图平移与聚类算法实现了水印的无损嵌入与鲁棒提取，增强了水印抗攻击的鲁棒性。虽然该类方法与前两类方法相比，提升了水印抵抗JPEG压缩与加性高斯噪声的鲁棒性，但其抵抗复杂攻击的鲁棒性欠缺，而且在容量、不可感知性及鲁棒性三方面的综合性能有待进一步提高。
【发明内容】
[0008]本发明目的是增强目前数字图像水印技术对于复杂攻击的鲁棒性的抵抗性能，提高鲁棒可逆水印方法在容量、不可感知性及鲁棒性三方面的综合性能，提供一种基于特征区域几何优化的鲁棒可逆水印嵌入和提取方法。
[0009]为达上述目的，本发明技术方案是:一种基于特征区域几何优化的鲁棒可逆水印嵌入方法，包括如下步骤: [0010]I)、获取原始图像的低频子带:对原始图像I进行三级提升小波变换，得到其第三级小波分解尺度下的低频子带R3，a ；
[0011]2)、获取初始特征点集合:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3，a中提取仿射不变特征点，得到初始特征点集合A:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3，a中提取仿射不变特征点，得到初始特征点集合A =(Ai, i = l,2,…mj ,其中Ai表示第i个特征点,初始特征点集合A的五个属性包括特征点
的横坐标特征点的纵坐标為特征点的强度 <，特征点的特征尺度岑，特征点椭圆参数4*、4*与為c ’ mi表示初始特征点的个数；
[0012]3)、获取候选特征点集合:选取初始特征点集合A中满足特征尺度向量ξ要求的中间尺度特征点，得到候选特征点集合B:将初始特征点集合A中每个特征点的特征尺度
与特征尺度向量ξ = [I1, I2]进行比较，选取满足条件的中间尺度特征点，得到候选特征点集合B = (Bi, i = l,2, ---1ii2I,其中m2表示候选特征点的个数；
[0013]4)、获取候选特征区域集合:利用候选特征点集合B中的每个特征点，分别构造其仿射协变特征区域，得到候选特征区域集合S:对候选特征点集合B中的每个特征点Bi，利用公式
[0014]K [、..():'.4 ^r1-V - B: ){y - B: ), B: (y - B: ):、<1
[0015]构造其仿射协变特征区域，得到候选特征区域集合S =味，i = 1，2，…m2}，其中X与y分别表示低频子带R3，a中任意满足上述不等式约束的元素横坐标与纵坐标，焉1表示
特征点Bi的横坐标，表示特征点Bi的纵坐标,B':'、β!: 1J 表示特征点Bi椭圆参数；
[0016]5)、计算候选特征区域关联矩阵:根据候选特征区域集合S，计算候选特征区域关联矩阵P ；
[0017]6)、计算候选关联权值向量:利用候选特征区域关联矩阵P，计算候选关联权值向量L ；
[0018]7)、获取筛选特征区域集合:从候选关联权值向量L中查找出最大权值的位置索引k，更新候选特征区域关联矩阵P和候选关联权值向量L，得到筛选特征区域集合H ；
[0019]8)、获取圆形特征区域集合:对筛选特征区域集合H进行归一化处理，得到圆形特征区域集合Q = (Qi, i = l,2,…m3}, m3表示筛选特征区域的个数；
[0020]9)、得到特征图像:利用圆形特征区域集合Q对低频子带R3，a进行系数置零化处理，得到特征图像C ;
[0021]10)、得到密钥图像:将灰度水印图像W和特征图像C进行按位异或运算，得到密钥图像D ；
[0022]11)、获取密钥信息:利用可逆元胞自动机对密钥图像D与特征尺度向量ξ进行加密得到密钥信息G。
[0023]上述步骤5)具体包括以下子步骤:
[0024]5.1)计算候选特征区域集合S中每个候选特征区域Si对应特征点的二阶矩阵Gi,i = 1，2，...m2:
【权利要求】
1.一种基于特征区域几何优化的鲁棒可逆水印嵌入方法，其特征在于，包括如下步骤: 1)、获取原始图像的低频子带:对原始图像I进行三级提升小波变换，得到其第三级小波分解尺度下的低频子带R3，a; 2)、获取初始特征点集合:利用多尺度Harris特征检测算子Harris-Affine在低频子带rU中提取仿射不变特征点，得到初始特征点集合A:利用多尺度Harris特征检测算子Harris-Affine在低频子带R3，a中提取仿射不变特征点，得到初始特征点集合A = (Ai, i=I, 2，…mj ,其中Ai表示第i个特征点,初始特征点集合A的五个属性包括特征点的横ΨΜ ?，特征点的纵坐标」特征点的强度」.特征点的特征尺度」.特征点椭圆参数.: ?与4、IH1表示初始特征点的个数； 3)、获取候选特征点集合:选取初始特征点集合A中满足特征尺度向量ξ要求的中间尺度特征点，得到候选特征点集合B:将初始特征点集合A中每个特征点的特征尺度4*’与特征尺度向量ξ = [L，I2]进行比较，选取满足A条件的中间尺度特征点，得到候选特征点集合B = (Bi, i = l,2, ---1ii2I,其中m2表示候选特征点的个数； 4)、获取候选特征区域集合:利用候选特征点集合B中的每个特征点，分别构造其仿射协变特征区域，得到候选特征区域集合S:对候选特征点集合B中的每个特征点Bi,利用公式
2.如权利要求1所述的鲁棒可逆水印嵌入方法，其特征在于，所述步骤5)具体包括以下子步骤:`5.1)计算候选特征区域集合S中每个候选特征区域Si对应特征点的二阶矩阵Gi, i =
3.如权利要求1所述的鲁棒可逆水印嵌入方法，其特征在于，所述步骤6)的具体过程是:利用候选特征区域关联矩阵P，计算候选关联权值向量L，其第i个候选特征点的关联权值计算规则如下:
4.如权利要求1所述的鲁棒可逆水印嵌入方法，其特征在于，所述步骤7)具体包括以下步骤: `7.1)从候选关联权值向量L中查找出最大权值的位置索引k，利用如下公式更新候选特征区域关联矩阵P和候选关联权值向量L ；
5.如权利要求1所述的鲁棒可逆水印嵌入方法，其特征在于，步骤11)的具体过程是: .11.1)依次将密钥图像D中每个灰度值转换成8位二进制序列，其中密钥图像D中第(i，j)位置的灰度值D(i，j)所转换成的二进制序列表示为
6.如权利要求1至5中任一权利要求所述的鲁棒可逆水印嵌入方法，其特征在于，还包括步骤12)、将密钥信息G注册到知识产权信息数据库中。
7.一种基于特征区域几何优化的鲁棒可逆水印提取方法，其特征在于，包括如下步骤: a)、利用可逆元胞自动机对密钥信息G进行解密，得到密钥图像D与特征尺度向量ξ； b)、将待检测图像GAMMA进行三级提升小波变换，得到其第三级小波分解尺度下的低频子带 R' 3,a: 将大小为MXN的原始图像I'进行三级提升小波变换，得到一组小波分解子带序列R' = {R, t，a，R' t，h，R' t，v，R' t，d}，其中，整数t为分解尺度，I≤t≤3，R' t，a为第t级小波分解尺度下的低频子带，V t，h为第t级小波分解尺度下的水平子带，R' t，v为第t级小波分解尺度下的垂直子带，Ri t；d为第t级小波分解尺度下的对角子带，从子带序列R'中选择大小为
8.如权利要求7所述的鲁棒可逆水印提取方法，其特征在于，步骤a)包括以下子步骤: al)将密钥信息G和共享特征向量作为可逆元胞自动机的初始状态，利用可逆元胞自动机解密方法对其进行解密，得到密钥图像二进制序列Db和特征尺度向量二进制序列W，其中可逆元胞自动机规则为41R，迭代次数为10。 a2)从特征尺度向量二进制序列Ib,中首先提取出第I到第8位二进制值
9.如权利要求7所述的鲁棒可逆水印提取方法，其特征在于，步骤f )包括以下子步骤: fl)计算候选特征区域集合S'中每个候选特征区域Si'对应特征点的二阶矩矩阵
10.如权利要求7所述的鲁棒可逆水印提取方法，其特征在于，所述步骤g)的具体过程是:利用候选特征区域关联矩阵P,，计算候选关联权值向量L,，其第i个候选特征点的关联权值计算规则如下:
11.如权利要求7所述的鲁棒可逆水印提取方法，其特征在于，所述步骤h)包括以下子步骤: hi)从候选关联权值向量L'中查找出最大权值的位置索引k'，利用如下公式更新候选特征区域关联矩阵P,和候选义.联权伯1.'；
【文档编号】G06T1/00GK103927709SQ201410102739
【公开日】2014年7月16日 申请日期:2014年3月19日 优先权日:2014年3月19日
【发明者】安玲玲, 尹广学, 吴卿, 高新波, 万波, 王泉 申请人:西安电子科技大学昆山创新研究院, 西安电子科技大学