5.3图像双水印技术在线视频

大家好

这节课我们来学习图像双水印技术

那么前面我们学习了单水印技术

也就是说在图像载体中

我们只嵌入一个水印

而这节课我们是嵌入两个水印

因为随着水印技术的发展

单一的水印

已经不满足我们的需求

这时候我们需要两个水印

所以这节课

我们来学习双水印的技术

主要的内容包括了这两部分

一个是双水印技术的三种模型

或者说它的三种方案

另外我们给出来一个双水印的例子

对于双水印来说

它分了这样的三种方案

第一个就是说

将鲁棒水印和脆弱水印

合成一个单水印

然后再嵌到图像载体中

类似于传统的水印方法

就是类似于我们刚才讲的单水印

它既保证了水印的鲁棒性

也保证了脆弱性

但当水印一旦被破坏以后

那么它的双重功能

就完全丧失了

所以这是它最不利的一个点

第二种方案就是依次将鲁棒水印

脆弱水印

或者说脆弱水印

鲁棒水印

依次嵌入载体中

也就是说先嵌入

鲁棒水印

在得到含鲁棒水印的图像以后

然后在含鲁棒水印载体中

继续嵌入

脆弱水印

得到含双水印的图像

那么对于这种算法来说

要求

这两个水印必须是独立的

第三种方案就是

将水印嵌在图像的不同区域

比如说将图像

分为敏感和脆弱两个区域

在图像的敏感区域

嵌入鲁棒水印

在图像的脆弱区域

嵌入脆弱水印

然后再合成

就是我们得到了

嵌入水印后的图像

因为脆弱水印和鲁棒水印

嵌入了图像的不同区域

它使得脆弱水印和鲁棒水印

互不影响

这样的话

我们就有效的避免了

第二种方案的一个约束

要求鲁棒水印和脆弱水印

相互独立的约束

也不影响第一种方案的脆弱性

目前许多水印算法

都是基于这种方案来提出的

将脆弱水印和鲁棒水印

嵌入到图像的不同区域

一个用于检测篡改

另一个用于恢复篡改图像

因为双水印算法中

每个水印都有各自的功能

它们之间

不会对其他水印

造成破坏或者干扰

但是可以互相支持

完成单个水印不能完成的工作

这就形成了

双水印算法的多重功能

我们一般根据实际的需求

来做相应的选择

第二种方案和第三种方案

是我们经常会用到的

下面我们给出一个

基于曲波变换的图像

双水印算法

那么我们来看一下

基于曲波变换

图像双水印

嵌入和提取的模块

首先我们来看嵌入

水印特征

首先我们是两种水印

第一个

是特征水印

是由原图

我们来提取图像的纹理特征

构成特征水印

这个是为了后续的检索

做了一个准备

那么这个特征水印在嵌入之前对图像

也做了这样的一个处理

就载体图像

首先先将这个图像

从RGB空间

转到 Y C b C r空间

Y C b C r空间

是改进了以后的

让这两个通道有一个正交的关系

那对于Y´通道来说呢

改进以后的通道就是Y´这个通道

我们做一个DCT的变换

然后在奇异值分解

再将水印嵌入到Y通道上

对于Cb和Cr通道呢

我们做一个系数联合矩阵的处理

再做离散曲波变换

将标识水印

比如说我们下面

X U P T标识水印

做一个加密处理以后

然后我们再嵌入到

Cb和Cr通道上

这个加密是其实做了一个置乱

做了一个简单的治乱处理

然后我们再对这两个水印

做相应的处理

对于特征水印嵌入以后

我们做一个奇异值分解的逆变换

然后再做一个DCT分块变换

那么得到含水印信息的Y通道

而对标识水印来说

我们在做一个

离散曲波逆变换

得到含水印信息的

联合系数举证

我们再分解为我们含水印信息的

Cb´ 通道和Cr´ 通道

对这三个通道我们再来做一个映射

得到

Y´ Cb´ Cr´的

图像转换到 RGB空间

我们就得到了含双水印的图像

这是它的整个的一个嵌入的过程

提取水印来说

我们同样的

也得先把 RGB空间转换到

Y´ Cb´ Cr´的空间上去因为刚才嵌入信息是在

Y´ Cb´ Cr´的空间上

嵌入的

那么我们转换到这个空间以后

再分别从这三个通道里面提取

特征水印和标识水印

因为水印呢特征水印是嵌在Y´通道上

所以我们在Y´通道上

来提取特征水印

首先进行一个

DCT的变换

在奇异的分解

提取出来特征水印

那么最终我们得到

纹理特征

然后我们从Cb´ 和Cr´的通道上我们来

得到含水印信息的

联合系数取证

再对它进行离散曲波变换

得到标识水印

那么我们对标识水印

再做一个解密的处理

我们可以得到标识水印

这就是它的一个嵌入和提取的

一个过程

那么这个特征水印

刚才我们说了

其实是为了后续的一些

检索

做了一个支撑

检索之后

我们需要提取图像的特征

要做这样

而标识水印这块

我们XU P T来代替了

那么在后续

我们也可以

把它变化为

比如说

由谁拍摄的图像

有哪个分局提供的

哪个案件的信息

我们隐藏在这一块

这样

为后续来说

做了这样的一个准备

那么我们来看一下

这个算法的一个鲁棒性

性能怎么样

左边是提取出来的

右边

最上面的这5幅图像的特征水印

原始的图像有这样的一些

包普适图像和现勘图像

这两大类

我们总共用6幅图像

做了一个测试

左边这个

第一个

第一幅图它所对应的特征水印

第二个

它就是B它就是第二幅图的特征水印

同样道理

cdef就是剩下的

4幅图对应的特征水印

XUPT是

标识水印

h是对于标识水印

我们进行置乱以后

得到结果

就是做了一个加密处理

那么我们看

从峰值信噪比

结构相似性

误比特率以及归一化系数来看

这个性能还是不错的

我们看到

这是未受攻击的情况下

性能还是很不错的

我们看到这个结构相似度

基本上都达到了一

基本完全相似了

那么峰值信噪比都达到了50多dB

然后误比特率

我们看到也是非常非常低的

标识水印的

归一化的系数

这个也是非常高的

它是个0~1的取值

越接近于1

说明相似度越高

相关性越大

那么我们看到都是接近于1

并且在第4幅图的检测图

我们看它都达到了一

说明这个算法

在未受攻击的时候

还是非常棒的

那么底下这个给出标识水印的

攻击和未受攻击时的检测

我们看到

未受攻击的时候

提取出来的水印

跟原始的水印图像

还是非常相似的

当受到噪声的攻击的时候

我们看

现勘图像的第1幅

第3幅和第4幅性能就要弱一些

而第二幅的性能

就稍微能好一点点

那么这就是说

我们把双水印

应用在了刑侦领域

做了一个简单的测试

其实现在对于水印的算法来说

已经发展到

利用深度学习来做

那么提取

图像的特征

作为一个特征水印融入到图像中

后面我们也会在这一块

来做一个处理

好

这节课的内容

我们就学习到这