《联合全局与局部纹理特征的数字水印算法研究.docx》由会员分享，可在线阅读，更多相关《联合全局与局部纹理特征的数字水印算法研究.docx（79页珍藏版）》请在taowenge.com淘文阁网|工程机械CAD图纸|机械工程制图|CAD装配图下载|SolidWorks_CaTia_CAD_UG_PROE_设计图分享下载上搜索。
1、目录摘要1ABSTRACT3第一章 绪论61.1论文研究的背景及意义61.2 数字水印方法71.3 相关知识介绍101.3.1 恰可识别失真阈值模型101.3.2图像纹理分析111.3.3 视觉显著性121.4 论文的主要内容和结构15第二章 基于量化的鲁棒数字水印方法172.1 量化索引调制（QIM）172.2 扩展变换抖动调制水印算法（STDM）182.3 基于感知模型的STDM算法182.4 视觉JND模型202.4.1 Watson模型202.4.2 基于方向规律性的JND模型222.4.3 基于结构规律性的JND模型252.4 本章小结27第三章 无参考的图像纹理规律性度量方法283
2、.1 纹理相似度得分283.2 空间分布属性303.3 提出的基于任意尺寸视觉显著图的无参考纹理规律性度量333.4 实验结果353.5 本章小结37第四章 融合纹理规则信息的数字水印方法384.1 对比度敏感函数384.2 亮度自适应因子394.3 纹理规则度调制因子404.3.1 图像块内纹理规则特征404.3.2 图像块间的纹理规则特征424.3.3 图像纹理规则度调制因子454.3.4 基于融合纹理规则度的JND模型454.4 提出的融合纹理规则度的鲁棒图像水印方法464.5 实验结果与分析484.5.1 结构相似度484.5.2 融合纹理规律度的感知JND模型评估484.5.3 基于
3、不同视觉JND模型的STDM算法评估504.5.4 融合纹理规则度的鲁棒水印算法评估564.6 提出的水印算法的应用604.7 本章小结61第五章 总结与展望635.1工作总结635.2研究展望65参考文献66致谢75联合全局与局部纹理特征的数字水印算法研究摘要随着5G时代的到来和各类图像分享平台以及APP的兴起，数字图像的传播更加快速和便捷，与此同时，盗版的成本也随之降低。数字水印作为一种防止盗版的手段，越来越受到研究者的重视。数字水印技术是指将版权等水印信息嵌入到数字图像等载体中，在嵌入数字水印后，图像的视觉质量不会发生变化。在发生侵权行为时，可以通过检测水印信息达到维护版权的目的。为了提
4、高水印算法的保真度和鲁棒性，研究者们将恰可识别失真阈值（Just Noticeable Difference，JND）模型引用到了数字水印算法设计中。但是传统的JND模型在模拟人类感知特性时没有考虑到纹理规则特征对于人类视觉系统的掩蔽作用。因此不能对真实的视觉冗余进行有效估计。本文充分考虑到了人类视觉系统对图像纹理特征的感知特性，将纹理特征因子作为JND模型的调制因子，并将所提视觉JND模型应用于数字水印算法。图像的纹理特征是指图像中所包含元素的重复和排列顺序，能够反映图像或者图像中事物的表面特征。图像的纹理特征不是某个像素点的特征，而是在某个区域内所有像素所得到的特征，其具有较强的抗干扰能力
5、和旋转不变性。传统的纹理规律性的度量方法大多是在像素域和光谱域中直接进行计算，没有考虑到人类的感知特性。本文在基于人类视觉特性的基础上提出了纹理规律性度量方法，并解决了显著图与图像尺寸不匹配时纹理的规律性度量问题。论文主要的研究成果有：1、 为解决视觉显著图与原图像尺寸不同时图像纹理规律性度量问题，本文提出了一种基于任意尺寸视觉显著图的图像纹理规律性度量方法。通过分析视觉显著图中每个区域内纹理规律性得到区域规律性得分，进而得到整幅图像的纹理规律度量。经过实验证明所提方法能够较好地反映整幅图像的纹理规律程度。2、 针对在水印处理中人类视觉系统对图像纹理规则度的敏感特性，本文提出了一种基于块的纹理
6、规则度的计算方法，并将其作为因子构成JND模型。该因子作为组成JND模型的重要元素，令提出的JND模型不仅具有更强的鲁棒性，而且能够更加有效地描述人眼的视觉特性。3、 为提高数字水印算法的鲁棒性和不可见性，将提出的视觉JND模型应用在图像数字水印算法中得到联合全局与局部纹理特征的数字水印算法。实验表明该方法能够更加准确地分析人眼的视觉冗余，在维持图像保真度的前提下，提高水印的鲁棒性。关键词：数字水印，视觉恰可识别失真阈值模型，纹理规则度，视觉显著性，图像纹理分析分类号：TP309.7Research on Digital Watermarking Algorithm Combining Glo
7、bal and Local Texture FeaturesAbstractWith the advent of 5G and the rise of various image sharing platforms and APPs, the spread of digital images is faster and more convenient, and at the same time the cost of piracy is also reduced. As a means to prevent piracy, digital watermarking has received i
8、ncreasing attention from researchers. Digital watermarking technology refers to embedding watermark information such as copyright into digital image and other carriers. After the digital watermark is embedded, the visual quality of the image will not change. In the event of infringement, copyright p
9、rotection can be achieved by detecting watermark information. In order to improve the fidelity and robustness of watermarking algorithms, researchers have introduced Just Noticeable Difference (JND) models to digital watermarking algorithms. However, the traditional JND model does not consider the m
10、asking effect of texture regular features on the human visual system when simulating human perception characteristics. Therefore, it is impossible to estimate the true visual redundancy well. This paper fully considers the human visual systems perception of image texture features, uses texture featu
11、re factors as modulation factors of the JND model, and applies the proposed visual JND model to digital watermarking algorithms.The texture feature of an image refers to the repetition and arrangement order of the elements contained in the image, which can reflect the surface features of the image o
12、r things in the image. The texture feature of an image is not a feature of a certain pixel, but a feature obtained by all pixels in a certain area, which has strong anti-interference ability and rotation invariance. Most of the traditional texture regularity measurement methods are directly calculat
13、ed in the pixel domain and the spectral domain, without considering human perception characteristics. This paper proposes a method for measuring the texture regularity based on human visual characteristics, and solves the problem of measuring the texture regularity when the saliency map does not mat
14、ch the image size.The main research results of the paper are:1. In order to solve the problem of measuring the texture regularity of the image when the size of the visual saliency map is different from the original image, a method of measuring the texture regularity of the image based on the salienc
15、y map of any size is proposed. By analyzing the texture regularity in each area of the visual saliency map, the regional regularity score is obtained, and then the texture regularity measure of the entire image is obtained. The experiment proves that the proposed method can reflect the texture regul
16、arity of the whole image well.2. Aiming at the sensitivity of the human visual system to the texture regularity of images in watermark processing, this paper proposes a block-based calculation method of texture regularity and uses it as a factor to form a JND model. As an important element of the JN
17、D model, this factor not only makes the proposed JND model more robust, but also enables the JND model to describe the visual characteristics of human eyes more effectively.3. In order to improve the robustness and invisibility of the digital watermarking algorithm, the proposed visual JND model is
18、applied to the image digital watermarking algorithm to obtain a digital watermarking algorithm combining global and local texture features. Experiments show that this method can more accurately analyze the visual redundancy of the human eye and improve the robustness of the watermark while maintaini
19、ng the fidelity of the image.Keywords: Digital Watermarking, Visual JND Model, Texture Regularity, Visual Saliency, Image Texture Analysis CLC Number: TP309.776第一章 绪论1.1论文研究的背景及意义现今，科学技术日新月异，多媒体技术和计算机网络技术的飞速发展促进了网络数字多媒体技术及其应用的日益普及。5G网络的商用更加促进了数字信息的飞速传播，人们下载和上传数字多媒体信息更加方便、迅速。随着Lofter、像素蜜蜂、图虫和poco等图片分
20、享类平台和APP的流行，越来越多的人喜欢将自己拍摄或处理的图像发布到网络上，进行分享与交流，这使得每个人的作品都可以得到展现。但与此同时，由于数字多媒体信息易于复制、易于修改和易于传播的特点，盗版、抄袭等行为日益严重，原创作者们难以维护自己的版权，维护自己的合法权益。因此，数字图像版权保护问题亟需解决。运用信息隐藏技术将版权信息嵌入到数字多媒体中，当侵权行为发生时，能够对其进行准确检测，可以有效遏制侵权行为的发生。信息隐藏技术包括数字水印技术、隐写和可逆信息隐藏技术。其中数字水印技术应用最为广泛。数字水印技术就是利用数字多媒体的信息冗余将其他的信息嵌入到多媒体内容中，从而实现版权保护的隐秘通信
21、的技术。数字水印是不可删除的，可以不被察觉的嵌入到载体多媒体数据中的数字代码，并且通常包含有关数据的来源、状态或目的地的信息。尽管没有直接用于版权保护，但它至少可以帮助识别多媒体数据的来源和目的地，并且作为“最后一道防线”，可以在发生侵犯版权的情况时采取适当的后续行动。数字水印不仅可也用于版权保护，还有其他的许多应用，比如可以通过使用脆弱的水印对数据进行身份验证1。数字水印的载体可以是各种多媒体，例如数字图像、音频、视频等。数字水印技术具有鲁棒性、不可见性和嵌入容量三个基本特征。其中鲁棒性是指嵌入水印后的载体多媒体在受到各种攻击后，仍能够无损地的提取出水印信息。不可见性是指当载体多媒体嵌入水印
22、之后，不会造成大的失真，仅凭人眼无法察觉到变化。嵌入容量是指在载体多媒体中能够嵌入水印最大的比特数，能够嵌入的信息越多，嵌入能力越强6466。这篇文章中我们采用数字图像作为载体嵌入水印。嵌入前的原始图像我们称为载体图像，嵌入后的图像称为水印图像。近年来水印技术得到了飞速的发展，各种各样的水印技术层出不穷，对数字水印技术的要求也越来越高，从最简单的仅仅要求数据的嵌入到要求强鲁棒性和高保真度。水印的鲁棒性和保真度是一对成反比的评价标准，现代的数字水印技术都是在两者之间取得平衡，在保证图像保真度的前提下，尽量增强水印的鲁棒性。量化水印算法是一种经典的水印算法，其主要是将数字水印与量化器相结合，对载体
23、图像进行量化，以嵌入水印，该算法很好的在鲁棒性和保真度之间取得了平衡。但是在量化过程中，图像中的各个区域一般采用相同的量化器，这样就会使得在不同区域产生的失真是相同的，但是人类视觉系统对不同区域失真的敏感程度是不同的。因此将人类视觉机制引入水印算法，根据人眼对不同区域的敏感度对量化器进行相应的调整，使水印更加不可察觉，将是水印算法的研究重点之一。1.2 数字水印方法数字图像水印的概念分别在1990年23和1993年左右45独立的出现。Tirkel 等人发明了“water mark”一词，后来水印逐渐演变为“watermark”。数字水印算法最初的方法中是通过直接修改载体图像像素值的方法嵌入水印
24、。Schyndel等人6在国际会议上首次提出了一种基于空间域的数字水印方法，此算法是用水印序列的每一位去置换载体图像像素值的最后一位，从而将水印序列嵌入到载体图像中。因为只改变了载体图像像素值的最后一位，像素值的最大改变量为“1”，因此即使图像的像素值发生了变化，但是这种改变是人眼无法察觉的。这种算法具有不可见性强，处理方法简便，水印容量大等优点。基于空间域水印算法的优点，许多优秀的水印算法相继被提出，例如Tian算法7、Patchwork算法8和直方图算法7。但是空间域的数字水印算法鲁棒性差，因为空间域的水印算法没有考虑到载体信息内部的关联性，只是将每位水印信息相对独立的嵌入到每个像素之中。
25、当嵌入水印后的图像受到攻击时，像素值可能会发生变化，嵌入在像素中的水印信息也可能会随之发生变化，难以准确无误的提取出水印信息。因此研究者们开始考虑在变换域中进行水印的嵌入。Cox等人最早在1996年提出在变换域中嵌入水印信息9，该算法是通过块的DCT变换将图像信息由空间域变换到频率域，然后通过图像的中频交流分量来判断是否能够嵌入水印。若满足条件，将水印信息嵌入到载体图像的交流分量中。在提取数字水印时，对水印图像进行相同的DCT变换，然后根据相应的判断条件找到包含数字水印信息的交流分量，通过比较该交流分量与原载体图像中相同位置的交流分量的差判断数字水印的值，最后提取出水印信息。该算法通过改变交流
26、（AC）分量来影响整个块的颜色信息，水印信息不容易因为某个像素值的变化而受到影响，从而提高了水印的鲁棒性。但是该算法要求原始载体图像参与数字水印的提取，无法实现盲提取。根据Cox等人的算法，研究者们相继提出了许多基于DCT域的水印算法。这些算法在水印的提取过程中不再需要原始的载体图像，能够实现水印的盲提取。量化水印算法是一类经典的水印嵌入算法，其中扩展变换抖动调制（Spread Transform Dither Modulation，STDM）算法在基于量化的水印算法中具有重要作用。Chen 和 Wornell 第一次提出了STDM算法10。STDM算法是通过使用抖动量化器来调制载波矢量沿给定
27、随机方向的投影，来实现水印信息的嵌入。近年来，为了能够更有效的提高水印算法的鲁棒性，许多研究人员将人类视觉系统的感应机制引入到了数字水印算法当中，使得数字水印算法能够利用视觉冗余来自适应的调节水印嵌入的强度。Watson模型第一次被应用于STDM算法中，以计算每个DCT系数所对应的松弛向量，这个系数被称为恰可识别误差（Just Noticeable Difference，JND）11。Wan等人为了解决由于将视觉JND模型引入水印系统而造成的不匹配问题，提出了一种鲁棒的JND模型13。该模型中使用了两个新的参数来测量亮度自适应因子和对比度掩蔽因子。该方法对水印嵌入和攻击所引起的变化不敏感，因此
28、该方案比之前的基于JND模型的水印算法具有更强的鲁棒性，并且保真度更高。Xu等人提出了一种新的基于方向规律性的视觉JND模型12，该模型将方向特征作为视觉内容分析的基本要素之一。Xu等人在DCT域对图像块进行处理，用块的（AC）系数判断块的方向特征和纹理特征，然后根据方向特征和纹理特征对块进行分类。在得到块的分类后，结合块的类型和人类视觉系统的敏感度来计算对比度掩蔽因子，最后将计算出的对比度掩蔽因子与亮度掩蔽因子和对比度敏感因子结合计算载体块的JND。该算法具有良好的鲁棒性和保真度，但是这些水印算法都仅仅计算的块内的影响因子，并没有考虑到块与块之间的影响因素。Wang等人考虑到了块之间的方向的
29、一致性。他们通过每个DCT块中的AC系数提取块的方向特征，然后通过计算当前块与周围块的方向的一致性来计算相邻块之间的影响47。但是Wang等人只是简单的计算块的方向之间的影响，而没有考虑人类视觉系统的感知特性。人眼在观察图像时，对不同纹理规则度区域的敏感度不同。视觉认知研究表明，人类视觉系统能够自适应的从看到的图像中提取出视觉规律来进行内容的感知和理解15，并且对具有明显统计规律特性的内容要比对没有规律的内容更容易理解16。换句话说，就是人类视觉对有规律的视觉内容比对没有规律的视觉内容更加敏感。因此，在构造JND模型时要考虑到图像的纹理规则度对于人类感知的影响作用。 1.3 相关知识介绍1.3
30、.1 恰可识别失真阈值模型基于人类视觉系统的感应机制，研究人员们提出了一种恰可识别误差（JND）模型。JND模型用来计算人眼恰好可以观察到的图像失真的阈值65，它可以有效地模拟感知冗余，用于计算STDM算法中的量化步长。Watson 首先提出了DCT域的JND模型，该模型由一个基本的灵敏度函数和分别基于亮度和对比度的两个掩蔽因子1144。Kim认为频率特性也是影响人视觉系统亮度适应性的主要因素。因此，他提出了一个由基本阈值、亮度自适应因子和对比度掩蔽因子三个因子的乘积组成的JND模型，该模型是一种基于DCT域的模型4546。Xu等人第一次将Watson 模型引用到STDM算法中，用来计算每个D
31、CT系数对应的松弛向量，即JND12。Wan等人提出了一种鲁棒JND模型，模型中使用了两个新参数来测量亮度自适应因子和对比度掩蔽因子13。Wan等人提出了种新的基于方向规律的视觉JND模型，该模型将载体图像的方向特征作为视觉内容分析的基本要素之一14。Wan等人利用每个图像块的方向特征向量和频率纹理特征能量对DCT块进行分类，然后将块的类型与人类视觉系统的敏感度来估算每个块的对比度掩蔽因子14。然而这些JND模型都只考虑了每个块内部的特征，而没有考虑块与块之间的相互影响，存在一定的不准确性。1.3.2图像纹理分析纹理几乎存在我们身边的任何事物中。无论是天然物体还是人造物体中都有纹理的存在，如树
32、叶，花草和水波纹都是自然纹理，瓷砖、地毯和印花织物等都属于人造纹理。这些对象中的每个都具有一个空间重复的视觉特性，这些视觉特性可以表征特定对象并帮助我们对其进行识别、分类和分割。这种重复的像素强度或颜色构成了视觉纹理。纹理分析是许多应用程序的核心，如基于内容的图像检索17、织物上的缺陷检测18和纹理合成19。对于图像纹理规律性的度量可以作为高级特征描述符，以加快纹理分类并减少基于内容的图像检索程序中的搜索空间。近几年来研究者们提出了许多量化纹理规律性度量的方法。Haralick等人提出了从灰度共生矩阵中计算常规纹理的空间周期性的度量方法20。Liu等人采用均匀随机场的二维分解来提取纹理的周期性
33、、随机和方向分量21。Atto等人用小波包系数的经验分布和模型分布之间的Kolmogrov随机参数表示观测到的纹理的随机性22。上述方法都没有考虑到人类的感知特性，直接在像素域或光谱域进行计算。因此，Srenivas Varadarajan等人提出了一种基于视觉显著性的非参考纹理规律度量的方法23，通过测试实验建立了眼动数据库并对一些视觉显著模型进行评估以获得最适合的视觉显著模型，即GBVS模型。GBVS模型是在像素域计算视觉显著图的视觉显著模型，其输出图像的尺寸与原图像完全相同。然后使用通过GBVS模型得到的视觉显著图来评估整幅图像的纹理的感知规律性。该度量方法通过使用反应人眼视觉显著性的显
34、著图对整幅图像感知纹理规律性进行量化。1.3.3 视觉显著性人类视觉系统的视觉显著机制就像一个选择器，只选择与正在进行的活动有关的或者感兴趣的区域或者内容，而忽略掉其他内容。近年来人类视觉系统的显著机制在计算机视觉领域得到了广泛应用。在计算机领域，视觉显著性的输出结果是一张视觉显著图，视觉显著图是对人类视觉显著性模拟，图中每个像素值的大小代表了对应位置会受到关注的概率的大小。根据视觉显著图可以粗略地将区域划分为显著区域和非显著区域，即受关注的区域和容易忽略的区域。通过这一机制人眼可以高效地处理大量视觉信息24。目前，许多研究结果表明图像的不同区域受到人类视觉系统的关注度不同，并且出现了大量的显
35、著性检测算法，大致可以分为两类：自下而上的检测方法和自上而下的检测方法。自下而上的检测主要用于检测非特定目标的显著性，并且主要检测图像的基本特征（如图像的纹理、亮度等特征）。大部分的检测方法都是利用图像的像素的对比度或者图像区域的对比度来计算图像的显著程度。根据用来计算对比度的图像区域的大小，可以将这些检测方法分为部分对比度计算方法和总体对比度计算方法。部分对比度计算方法是指通过计算图像中当前部分（像素或区域）与周围其他部分的对比度来计算图像的显著性。Itti等人提出了一种中心-外围模型，该模型将颜色、亮度以及不同尺度的方向相结合来进行显著性检测25。尽管这种方法能够检测出受关注度高的像素或区
36、域，但是计算结果不精确，经常会出现检测错误的情况。Ma等人提出了一种使用模糊生长来模拟人类视觉系统的方法，该方法利用部分对比度来衡量显著性26。Harel等提出的GBVS（Graph-Based Visual Saliency）视觉显著模型首先在特征通道得到激活图，然后通过突出显著性和与其他图相结合的的方式将激活图进行量化得到最终的视觉显著图27。由于这些检测方法只考虑了部分的对比度，只能检测出图像的高频区域，所以检测结果往往只能表示图像边缘和噪声的显著性，而不能检测出图像内部的显著性。与部分对比度计算方法不同，总体对比度计算方法通过计算整幅图像的对比度来计算图像的显著性。Shen等人提出了一
37、种利用低秩矩阵来计算图像视觉显著性的方法，该方法将图像的低级特征与高级特征相结合进行计算28。Imamoglu 等人在小波域进行多尺度特征的提取，并且通过使用图像总体的显著特征来调节部分的对比度29。Kim等人为将显著性高的区域与其他区域区分开，采用高位彩色空间的线性组合来表示不同部分的特征30。尽管总体对比计算方法已经取得了明显的进步，但是这些方法在获得图像的语义信息方面仍然有很大的欠缺。现今许多显著性区域的先验知识已经被广泛引用于显著性测试，以此来提高检测性能。先验知识主要包括中心先验3132，边界先验33，和对象位置的先验估计343536等。Han等人使用Itti模型作为先验模型，并应用
38、马尔科夫随机场模型将注意力的值和底层特征集成到一起，来进行显著性目标检测37。Wang等人利用了对象级建议（Object-level Proposals）和基于区域的卷积神经网络（Region-based Convolutional Neural Network，R-CNN）函数对图像进行显著性检测38。对象级建议主要用于有效减少显著目标检测的寻找空间。自上而下的显著性检测是一种任务驱动型的显著性检测方法，这种检测方法一般通过利用特定的先验知识高级信息来提取显著性特征。Judd等人的显著性监测模型是通过利用图像的一些高级信息来进行修炼得到的31。Borji等人结合了自下而上和自上而下两种检测方
39、法，利用得到的先验知识来计算图像的显著性39。Tong等人用得到的弱显著图作为训练集来训练支持向量机4041，然后通过支持向量机生成强显著图。由于深度学习的发展和高级特征提取技术的不断完善，研究者们越来越多的使用深度学习的方法来检测图像的显著性，并且在检测的准确性方面得到了极大的提高。Wang等人分别用两个独立的神经网络来得到图像的部分显著性和总体显著性，然后将训练得到的显著性结果进行加权计算来生成最终的视觉显著图42。但是该过程是在区域基础上建模的，可能会花费大量的时间。视觉显著性可以用来定义图像中的那些区域能够引起人类视觉系统更多的关注，因此视觉显著性可以用来测量具有不同关注度区域的JND
40、值。基于此，在DCT域已经提出了一些基于视觉显著性的JND的计算方法，这些算法仅使用诸如亮度和纹理等自下而上的图像特征。最近对显著性检测的研究表明同时使用自下而上和自上而下的特征的显著性模型能够实现整体显著性检测性能的显著提高。基于这种机制，Wan等人提出了一种新颖的两层视觉显著性诱导的JND算法，该算法包括从DCT块中提取的自下而上特征和自上而下的特征43。在这个模型中，图像的亮度和纹理特征用于计算自下而上的特征图，焦点的自上而下的特征用于指导最终的显著图的生成。并将其应用于JND模型的构建。1.4 论文的主要内容和结构图像的纹理对人类视觉系统具有掩蔽作用，人眼对不同纹理规则度的区域的敏感度
41、不同，本论文将纹理特征应用于JND模型，能够更加准确计算视觉冗余。图像的纹理特征抗干扰让能力强且具有旋转不变性，将图像的纹理特征引入JND模型能够有效提高模型的鲁棒性。数字图像在进行纹理规律性度量时只能使用与原图像尺寸相同的视觉显著图，但许多图像处理过程会将图像进行分块处理，图像分块后得到的视觉显著图的尺寸可能与原图像不同。因此，本论文对原图像与视觉显著图尺寸不匹配时，图像纹理规律性度量进行了研究。本论文的主要研究内容与贡献如下：（1）现有的纹理规则度计算方法要求视觉显著图的尺寸与原图像相同，然而许多图像处理过程会对图像进行分块，这样就会使视觉显著图的尺寸与原图像不匹配，因此本论文提出了基于任
42、意尺寸的视觉显著图的图像纹理规律性度量方法。通过该方法，可以在图像进行分块处理，其视觉显著图与原图像尺寸不相同的情况下对图像的纹理规律度进行度量。（2）本论文基于图像纹理规律性度量方法的基础上提出一个新的视觉JND模型，考虑到人类视觉系统对纹理规律性强的区域变化比对纹理规律性弱的区域变化更加敏感，本论文中考虑了一个基于图像纹理规则度的调制因子，该因子作为组成JND模型的重要特征因子，不仅使提出的JND模型能够更加有效的描述人眼的视觉特性，而且具有更强的鲁棒性。纹理规则度调制因子分为图像块内的纹理规则特征因子和图像块间的纹理规则特征因子，既考虑到了块内的影响因素，又考虑到了块与块之间的相互影响，
43、能够更加准确有效地模仿人类视觉特性。（3）本文基于提出的鲁棒视觉JND模型，提出一种新的鲁棒数字水印方法。在水印的嵌入和提取过程中，通过计算得到的JND阈值，得到图像块内载体系数对应的松弛向量，根据所求松弛向量计算自适应量化步长，实现水印的嵌入与提取。由于提出的视觉JND模型能够更加准确的计算视觉冗余并且具有更强的鲁棒性。因此提出的数字水印方法能够在保证图像视觉质量的基础上，进一步提高水印算法的鲁棒性。本论文主要研究了基于视觉显著性的无参考纹理规律性度量和融合纹理规则度的鲁棒图像水印方法两个方面，具体的章节安排如下：第一章， 介绍了研究的背景与意义，相关的工作、技术以及主要研究内容。第二章，
44、基于量化的鲁棒数字水印方法。详细介绍了抖动调制算法和扩展变换抖动调制水印算法的原理以及嵌入方法以及几个经典的JND模型。第三章， 介绍了无参考的图像纹理规律性得分以及提出了一种基于任意尺寸视觉显著图的纹理规律度量方法，实验结果表明该度量方法对于图像纹理规律性度量的准确性。第四章， 提出了融合纹理规则度调制因子的感知JND模型并将该模型应用到图像水印算法中，实验结果表明提出的水印方法保真度和鲁棒性。最后介绍了提出的水印方法的具体应用。第五章， 总结论文的主要研究工作，并对所提方法的不足进行分析，并展望未来的工作计划。第二章 基于量化的鲁棒数字水印方法2.1 量化索引调制（QIM）量化索引调制算法
45、（Quantization Index Modulation, QIM）是最初由Chen和Wornell提出来的一种嵌入水印的算法。量化指数调制算法是一种带有辅助信息的水印算法，其中，嵌入载体（如：图像、视频和音频）是用两组量化器进行量化。其中一组的编码为1位，另一组编码为0位。量化生成的晶格码具有非常高的容量和计算简单性。在嵌入水印时，量化器将值映射到最近的点上，这些点是一类预定义的不连续的点。标准的量化操作的步长为，被定义为 Qx,=roundx （2-1） 其中round表示将值四舍五入到最接近的整数。量化索引调制通过使用相关联的量化器对载体数据进行量化来嵌入水印，使用的量化器是基于要编
46、码的信息位的值来进行选择的。设量化步长为，N表示载体信号的x的长度（在每个样本中嵌入一位）。如果使用了抖动，我们选择在-2，2上均匀分布的伪随机序列dn,0。并且 dn,1=dn,0+2,dn,00. dn,0-2,dn,00. n=1,2,N. （2-2）dn,0和dn,1分别用来嵌入水印信息为“0”和“1”48。最终嵌入后的信号为 ynxn,mn=Qxn+dn,mn,-dn,mn （2-3）2.2 扩展变换抖动调制水印算法（STDM）扩展变换抖动调制（Spread Transform Dither Modulation，STDM）算法是量化索引调制的特例，已广泛应用于数字水印中。STDM在
47、抵抗重新量化和随机噪声攻击的鲁棒性方面具有良好的性能49。STDM算法通过使用抖动量化器来调制载波矢量沿给定随机方向投影，来实现水印信息的嵌入。在嵌入过程中，首先从原始数据信号中提取向量x并将其投影到随机方向向量u上，从而获得投影向量xu，然后使用传统的抖动调制（式2-4）根据水印信息m对其进行调制 y=x+QxTu,m,dm-xTu u,m0,1 （2-4）量化函数Q可以表示为： y= Qx,m,dm=roundx+dm-dm m0,1 （2-5）其中和dm分别代表量化步长和抖动信号。在提取过程中，将获得的水印信号向量y投影到投影方向向量u上来得到投影向量yu，最后用最小距离检测器来提取水印
48、信息m，计算公式如下： m=argminb0,1y-Qy,m,dm （2-6）为了避免量化过程中引入的噪声超过了人眼恰好无法识别的误差的阈值，将人类视觉系统的感知机制应用到水印嵌入过程中。2.3 基于感知模型的STDM算法Cox等人提出STDM-W（STDM Watson）水印算法，利用信号x的感知特性引入到STDM中，以减少水印嵌入时产生的失真。感知模型能够计算出人眼恰好无法识别的信号x的改变量，因此Cox等人引入了恰可识别失真（JND）作为“松弛向量”。Watson模型在DCT域计算每个88的块所对应的松弛向量，所以对于每一个所给的载体图像，信号x和块的DCT系数都可以用Watson模型计算出对应于每个DCT系数