融合魯棒視覺特性的量化水印算法.pdf

1、隨著數字多媒體技術的快速發(fā)展以及數碼設備的快速普及，各種互聯(lián)網多媒體信息服務得到了廣泛的應用，這些先進的信息技術給廣大人民的生活帶來便利的同時，也引發(fā)了拷貝、修改甚至篡改多媒體數據等侵權行為，嚴重威脅了版權所有者的合法權益。作為一種有效的數字版權保護技術，數字水印能夠確認多媒體信息來源的可靠性和安全性，實現所有權的認證和侵權行為的跟蹤，因而引起了學術界和工業(yè)界的廣泛關注。近年來提出的量化水印算法能夠根據不同的水印信息采用不同的量化器對原

2、始信號進行量化，實現水印信息的嵌入以及盲提取，在計算復雜度與算法實現上的具有顯著的優(yōu)勢。
　　在量化水印算法框架中，人類視覺特性對于水印圖像的視覺質量有著很大的影響。隨著現代光學與光電圖像技術的發(fā)展，人們對視覺特性的探索研究越來越深入，為研究者設計融合視覺特性的量化水印算法提供了便利。然而，在實際量化水印算法設計中存在視覺特性的魯棒性問題，即現有的研究成果無法保證水印嵌入前后參考視覺特性的一致性，嚴重制約了水印算法的進一步發(fā)展。<

3、br>　　針對量化水印算法框架中存在的問題，本文著重于構建魯棒的視覺特性，研究和設計了基于這些視覺特性的量化水印算法。首先從量化水印算法中傳統(tǒng)的視覺模型改進和Weber定律的應用于對數域擴展變換抖動調制(Spread TransformDither Modulation，STDM)水印算法兩個方面進行了研究。我們利用多種預測模式，解決了參考塊選擇的脆弱性，改進了傳統(tǒng)的視覺模型，提高了水印算法的魯棒性;Weber定律的引入，使得水印的嵌入

4、更加符合人眼特性，而且通過在對數域進行均勻量化，可以有效抵抗共謀攻擊。然后，基于對視覺特性的最新成果，設計了新型的視覺最小可視誤差（Just Noticeable Difference，JND）模型，并融合了視覺關注因素，提出了適用的量化水印算法，進一步提高水印圖像的視覺質量。
　　論文在以下幾個方面的研究取得重要進展:
　　1、針對傳統(tǒng)的基于視覺JND模型的量化水印算法中參考塊選擇的脆弱性，提出了一種基于多種預測模式的擴展

5、變換抖動調制水印算法。利用已嵌水印的周圍像素值與當前塊的強相似性，使得計算出的預測塊與當前塊的歐式距離更接近，預測關系的固定性保證了參考塊選擇上的魯棒性。
　　2、提出了一種基于視覺模型的對數域擴展變換抖動調制水印算法。為了解決傳統(tǒng)的對數域量化水印算法中計算復雜度高以及對圖像幅值縮放攻擊的魯棒性低的問題，設計了一種新的對數域變換函數，所提的變換函數不僅避免了調整量化區(qū)間，降低算法的復雜度，而且自身對于圖像幅值縮放攻擊具有魯棒性。另

6、外，利用視覺JND模型，給出了量化嵌入時量化步長的自適應計算公式。
　　3、提出了一種新型的視覺JND模型，該模型不僅可以更加魯棒并準確地模擬人類視覺特性，其中采用了新的圖像塊紋理復雜度和平均亮度表達式，來計算水印嵌入端和提取端所需要的視覺冗余信息，不需要考慮由于水印嵌入引起的圖像像素值變化而帶來的水印提取錯誤。然后，基于所提的視覺JND模型，提出了一種改進的對數域擴展變換抖動調制算法。實驗驗證了本文所設計視覺JND模型的有效性，