[發明專利]與設備顏色空間無關的數字水印載體圖像預處理的方法

有效

• 申請號: 202010967712.6
• 申請日: 2020-09-15
• 公開（公告）號: CN112217958B
• 公開（公告）日: 2022-04-22
• 發明（設計）人: 郭凌華;穆萌;馬策踐;劉國棟;李楠;丁亭文;海敬溥;王賓杰
• 申請（專利權）人: 陜西科技大學
• 主分類號: H04N1/32
• 分類號: H04N1/32;G06T1/00;G06T3/40;G06T7/90;G06K9/62
• 代理公司: 西安弘理專利事務所 61214
• 代理人: 弓長

1.與設備顏色空間無關的數字水印載體圖像預處理的方法，其特征在于，具體按照如下步驟實施：

步驟1，將原始載體圖像通過SLIC超像素分割的方法分割出超像素塊；具體為：

步驟1.1，轉換原始載體圖像的顏色空間：通過MATLAB讀取原始載體圖像I，若原始圖像的顏色空間為CIELab，保持顏色空間不變，得圖像I_{_Lab}，否則將圖像I的色彩模式轉換至與設備無關的CIELab顏色空間得到圖像I_{_Lab}；

步驟1.2，在MATLAB中調用超像素分割函數superpixels()，設置預分割的超像素塊數n，算法類聚階段的迭代次數NI，通過該函數對顏色空間轉換之后的圖像I_{_Lab}進行分割，得到標簽矩陣L和實際分割的超像素塊數N；

步驟2，采用哈希映射對超像素塊進行標記，將每個超像素塊提取出來，另保存為單獨的圖像；具體為：

步驟2.1，保存標簽矩陣L，在MATLAB中調用函數label2idx()，將標簽矩陣L轉換為線性索引單元格Idx，即將標簽矩陣L中所標記的N個超像素區域轉換成1*N的單元格，每個Idx{n}映射了第n個超像素塊對應的像素位置，n∈[1，N]；

步驟2.2，遍歷單元格Idx{1}～Idx{N}，取出每個單元格Idx{n}保存的像素位置信息，提取當前超像素塊對應的像素值，其余超像素塊對應位置的像素值置為0的方法來實現每個超像素塊的提取，再將提取的圖像塊另保存為一副圖片，得到超像素分割出的第1-N幅超像素塊圖像P₁至P_N；

步驟3，通過灰度共生矩陣計算超像素塊的特征信息；具體為：

步驟3.1，在MATLAB中讀取超像素塊圖像P₁至P_N，將每個彩色超像素塊圖像轉換至灰度圖像，調用計算圖像二維灰度共生矩陣的函數接口graycomatrix()，設置圖像的灰度級，設置關注像素與鄰點像素距離，即偏移量；最后計算出圖像的灰度共生矩陣GLCM；

步驟3.2，調用計算信息熵函數計算圖像信息熵Q₁，再調用graycoprops()函數，計算從灰度共生矩陣派生出來的圖像特征信息，包括對比度Q₂、同質性Q₃、相關性Q₄、能量Q₅；

步驟3.3，通過文件操作將計算的圖像特征信息保存到指定路徑的X0.xlsx格式的文件夾中；

步驟4，構建自組織競爭神經網絡，設置分類數目C，通過神經網絡對超像素塊的圖像特征信息進行分類，再通過映射表將分類結果映射到超像素塊中得到分類的載體圖像；具體為：

步驟4.1，首先，在MATLAB中調用competlayer()函數，該函數默認學習規則為Kohonen學習規則，然后設置分類的類別數目以及神經網絡的學習率和良心率，構建初始化的自組織競爭神經網絡initNet；

步驟4.2，通過圖像特征信息中的信息熵Q₁、對比度Q₂、同質性Q₃、相關性Q₄、能量Q₅對網絡initNet進行訓練后得到訓練好的神經網絡net，再以特征信息Q₁-Q₅為網絡net的輸入層input，以期望分類的類別數目C為輸出層output對圖像的特征信息進行分類，得到超像素塊的分類結果數組classes；

步驟4.3，在MATLAB中調用函數label2idx()，將分類結果數組classes轉換為線性索引單元格Idx_c，每個Idx_c{i}映射了第i類圖像對應在超像素塊中的序號，i∈[1，c]，c為圖像的分類數，同時也映射了對應類所有超像素塊保存的文件名，遍歷每個Idx{i}所對應的超像素塊并進行累加，最后得到根據圖像顏色矩和圖像紋理的圖像特征分類后的圖像I₁，I₂，I₃…I_c；

步驟5，通過顏色矩來確定每類圖像塊嵌入的顏色通道，分離各顏色通道，得到預處理后的載體圖像；具體為：

步驟5.1，將圖像I₁，I₂，I₃…I_c的顏色空間從CIELab轉換至RGB顏色空間；

步驟5.2，計算圖像I₁，I₂，I₃…I_c在RGB顏色空間的顏色矩，包括每類圖像R、G、B各個顏色通道的顏色矩，然后選擇R、G、B中顏色矩最大的一個顏色通道作為該類圖像的水印的嵌入通道；

步驟6，將預處理后的載體圖像通過DCT-SVD的算法進行水印的嵌入，對嵌入水印后的圖像進行水印的提取；具體為：

步驟6.1，將分類后的圖像經過步驟5指定的顏色通道分離后，對各類圖像對應的顏色通道進行離散余弦變換DCT和奇異值分解SVD，得到水印的載體矩陣S_{1_x}，其中，x＝1，2，3，…，c，c為圖像的分類數；

步驟6.2，選取一副與載體圖像相同尺寸的圖像作為水印圖像，對水印圖像進行DCT變換和SVD分解得到水印奇異值矩陣S_m；

步驟6.3，為每類不同矩陣S_{1_x}以預設嵌入強度k_x采用式(1)的方法將S_m嵌入到矩陣S_{1_x}中，得到嵌入圖像的特征值矩陣S_{2_x}：

S_{2_x}＝S_{1_x}+k_xS_m，x＝1，2，3…c (1)

步驟6.4，對S_{2_x}進行逆SVD變換，逆DCT變換，得到每類圖像嵌入水印的圖像I_{w_x}；

步驟6.5，對嵌入水印后的圖像進行打印掃描和打印拍照的攻擊；

步驟6.6，以水印嵌入過程的逆過程對嵌入圖像進行水印的提取，得到每類圖像提取的水印圖像W_x，x＝1，2，3，…c，通過式(2)累加得到最終提取的水印圖像W，即

W＝W₁+W₂+W₃+…+W_c (2)。