基于支持向量機的彩色圖像數(shù)字水印算法研究.pdf

1、魯棒性是目前數(shù)字水印技術中亟待解決的關鍵問題之一，開展高魯棒性的數(shù)字圖像水印技術研究非常必要。本文圍繞支持向量機(Support Vector Machine, SVM)機器學習方法在數(shù)字圖像水印中的應用展開研究，在具有良好學習和泛化性能的支持向量機在圖像空間域和變換域嵌入和提取水印中的應用方法方面進行深入研究。結合人類視覺系統(tǒng)特性，在嵌入水印的圖像滿足視覺質量的前提下，提出性能良好的數(shù)字水印算法，解決關鍵技術問題，增強水印魯棒性，為數(shù)

2、字水印技術的推廣提供理論基礎和應用支撐。
　　針對空間域水印算法性能較差問題，結合支持向量機良好的學習和泛化性能，提出一種基于支持向量回歸機(Support Vector Regression, SVR)的空間域水印算法。算法利用YCbCr彩色模型亮度分量Y的局部自相似性，利用SVR模擬像素亮度值與其鄰域的關系，在亮度分量中嵌入水印。為減小支持向量機的泛化誤差，選擇方差值較小的圖像亮度子塊訓練 SVR模型和嵌入水印信息。提取水印時

3、，不需要原始彩色圖像，只在測試圖像中重新訓練SVR和提取水印。實驗結果表明，算法對中高級質量JPEG壓縮、高斯低通濾波、馬賽克、模糊、銳化、直方圖均衡、飽和度增強、加噪、旋轉、扭曲、剪切等攻擊有良好的魯棒性，尤其抵抗縮放攻擊的性能更強。
　　分析圖像離散余弦變換(Discrete Cosine Transform，DCT)域特點，提出一種基于支持向量回歸機的離散余弦變換域水印算法。在彩色圖像YCbCr彩色模型亮度分量Y的離散余弦變

4、換域中，算法利用 SVR模擬中頻系數(shù)與變換系數(shù)的非線性關系，利用這種關系將水印信息嵌入到中頻系數(shù)中。在水印的提取過程中，在測試圖像中重新訓練SVR并提取水印。實驗結果表明，采用與空間域水印算法同樣的攻擊方式，算法表現(xiàn)了良好的魯棒性，尤其對JPEG壓縮的魯棒性更強。
　　分析圖像離散小波變換(Discrete Wavelet Transform，DWT)域特點，提出一種基于支持向量回歸機的離散小波變換域水印算法。算法在彩色圖像 YC

5、bCr彩色模型的亮度分量Y中進行一級小波變換，在低頻子帶系數(shù)中嵌入水印。算法同時利用低頻子帶中的小波系數(shù)與其鄰域系數(shù)的非線性關系，低頻子帶和3個高頻子帶相同位置的系數(shù)之間的非線性關系訓練支持向量機，得到 SVR關系模型并嵌入水印。實驗結果表明，采用與空間域水印算法同樣的攻擊方式，算法也表現(xiàn)了良好的魯棒性，尤其抵抗隨機行列去除攻擊的能力更強。
　　分析可見水印技術，針對可見水印存在容易被去除，且一旦被去除將失去保護版權作用的問題，提

6、出一種雙重水印算法。即在彩色圖像中嵌入可見水印用于明確標識版權，再嵌入一個不可見水印用于加強版權保護。算法結合人類視覺特性，將可見水印嵌入在HSV彩色模型的明度分量V中，根據(jù)彩色圖像的明亮度自適應地調整有意義水印信息的明或暗，并根據(jù)紋理特性設定水印的嵌入強度。根據(jù)可見水印嵌入的區(qū)域，利用文中提出的基于支持向量回歸機的空間域和變換域不可見水印嵌入方法在彩色圖像的其它區(qū)域嵌入不可見水印。實驗結果表明，經(jīng)濾波、模糊、銳化、加噪、旋轉、縮放、扭