[發(fā)明專利]基于視覺模型的迭代自適應(yīng)量化索引調(diào)制水印方法

無效

• 申請?zhí)枺?/td>: 200810016321.5
• 申請日: 2008-05-16
• 公開（公告）號: CN101271568A
• 公開（公告）日: 2008-09-24
• 發(fā)明（設(shè)計）人: 劉琚;孫建德;孫興華;凌潔
• 申請（專利權(quán)）人: 山東大學(xué)
• 主分類號: G06T1/00
• 分類號: G06T1/00
• 代理公司: 濟南金迪知識產(chǎn)權(quán)代理有限公司
• 代理人: 許德山

技術(shù)領(lǐng)域

本發(fā)明涉及一種基于視覺模型的數(shù)字水印方法，屬于視頻、多媒體信號處理技術(shù)領(lǐng)域。

背景技術(shù)

隨著多媒體技術(shù)和網(wǎng)絡(luò)技術(shù)的飛速發(fā)展多媒體產(chǎn)品都可以越來越容易的被生產(chǎn)、獲得、復(fù)制和傳播，這在給人們的工作、學(xué)習(xí)和生活帶來了極大便利的同時，也出現(xiàn)了很多非授權(quán)的盜版和拷貝，造成了侵權(quán)，這就使得多媒體產(chǎn)品的版權(quán)問題成為了急需解決的問題。數(shù)字水印技術(shù)就是針對這個問題提出來的，它通過將能夠表明版權(quán)的信息嵌入到多媒體數(shù)據(jù)中，在接收方通過對于這些信息的提取和確認來達到版權(quán)保護等作用。

現(xiàn)在常用水印算法主要包括擴頻水印算法(SS)和量化索引調(diào)制(QIM)。SS算法的主要創(chuàng)新點在于提出將水印嵌入到載體的重要位置上，以提高水印的魯棒性，但該算法在盲檢測時性能較差，且嵌入的水印為1比特水印。Brian?Chen等最早提出了QIM算法，該算法具有魯棒性好，嵌入量大，算法復(fù)雜度小且可盲檢測等優(yōu)點，因此在數(shù)字水印中備受關(guān)注。但傳統(tǒng)的QIM算法是基于固定量化步長的，所以會導(dǎo)致在局部區(qū)域具有較差的不可見性，而且對于數(shù)值測度的變化極其敏感。Cox等提出了一種自適應(yīng)QIM算法，該算法基于自適應(yīng)量化步長，較傳統(tǒng)的QIM算法在相同可信度的前提下具有更高的魯棒性，或者說在相同的魯棒性下具有更好的可信度，并且采用改進的視覺模型使其算法對于數(shù)值測度的變化具有魯棒性。但是該算法存在著一個致命的弱點：由于量化步長是待量化系數(shù)的函數(shù)，因而在盲檢測時，量化步長是通過改變后的已量化系數(shù)計算的，這就造成嵌入時使用的量化步長與檢測時的量化步長不一致，從而導(dǎo)致該算法即使在沒有干擾的情況下也不能完整可靠地提取出水印。

發(fā)明內(nèi)容

本發(fā)明針對現(xiàn)有視頻水印算法存在的不足，提供一種量化步長具有自適應(yīng)性的、魯棒性更好的基于視覺模型的迭代自適應(yīng)量化索引調(diào)制(AQIM)水印方法。量化步長由Watson(沃特森)視覺模型來確定，通過迭代嵌入方法消除水印嵌入檢測由于量化步長的不一致性造成的水印提取錯誤。

本發(fā)明提供的基于視覺模型的迭代自適應(yīng)量化索引調(diào)制水印方法，包括以下步驟：

(1)對特定待量化值，通過Watson視覺模型來確定量化步長，量化步長隨著待量化值的不同而不同；

(2)采用量化步長，用量化索引調(diào)制(QIM)算法嵌入水印；

(3)嵌入水印過程中增加迭代嵌入過程，每個比特嵌入之后進行水印檢測，如果檢測嵌入失敗則再次嵌入，如果檢測嵌入成功則進入下一比特的嵌入。

所述量化步長等于Watson視覺模型中的掩蔽閾值再乘以加權(quán)因子，掩蔽閾值是針對8×8的塊離散余弦變換(DCT)系數(shù)計算的，包括一個敏感度表，兩個基于亮度和對比度掩蔽部分，通過調(diào)整該加權(quán)因子調(diào)整水印嵌入量。

嵌入水印所選取的嵌入域是基于8×8塊DCT變換的，水印嵌入到DCT變換得到的中低頻DCT系數(shù)，即待量化值。

嵌入水印采用糾錯碼進行編碼，每個8×8圖像塊中嵌入1比特水印。以進一步提高水印的魯棒性。

本發(fā)明通過Watson視覺模型來確定量化步長，量化步長具有自適應(yīng)性，通過迭代嵌入方法消除水印嵌入檢測由于量化步長的不一致性造成的水印提取錯誤，具有更好的魯棒性。該方法可以在保證水印不可見的條件下盡可能地增強水印的強度。水印嵌入過程中，通過Watson視覺模型來計算量化步長，該步長不同于傳統(tǒng)的量化索引調(diào)制，可以自適應(yīng)地隨著待量化值的大小而改變，并且通過迭代嵌入的方法來保證水印的檢測正確。

附圖說明

圖1是本發(fā)明的水印嵌入流程圖。

圖2是水印的檢測流程圖。

圖3是原始的載體圖像。

圖4是嵌入水印之后的圖像。

圖5是AQIM水印方案提取的水印。

圖6是迭代AQIM水印方案提取的水印。

圖7是迭代AQIM和AQIM兩種算法在高斯噪聲攻擊下的性能比較圖。虛線為迭代AQIM方法，實線為AQIM方法。

圖8是迭代AQIM和AQIM兩種算法在JPEG壓縮下的性能比較圖。虛線為迭代AQIM方法，實線為AQIM方法。

具體實施方式

Watson視覺模型中的敏感度表為t(i，j)，其中i，j＝0，1，…，7。待嵌入水印圖像8×8塊離散余弦變換(DCT)變換，得到的第k塊(i，j)位置的DCT系數(shù)為C₀(i，j，k)，則亮度掩蔽閾值t_L(i，j，k)可以通過下式得到：