基于SURF的ROI区域的可逆水印算法

来源:用户上传      作者:

　　摘  要： 针对ROI水印算法对几何攻击的抵抗能力较弱的问题，本文提出一种基于SURF（Speeded Up Robust Features）特征点选取ROI，并分别嵌入中、低频子带的可逆水印算法，能有效抵抗几何攻击。该算法首先提取载体的SURF特征点，然后对载体图像进行5/3整数小波变换，筛选出感性兴趣区域（ROI）的低频系数和非感兴趣区域（ROB）的中频系数;水印经过置乱变换和抽样金字塔分解，水印分解后的近似子带嵌入感兴趣区域的低频子带中，残差子带嵌入非感兴趣区域的中频系数中。实验数据表明该算法能够抵抗常规的几何攻击和信号攻击，提取的水印相似度高，NC值均保持在0.89以上，具有良好的可逆性和鲁棒性。
　　关键词： SURF特征检测;ROI区域;抽样金字塔分解;可逆水印
　　中图分类号： TP391    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2020.02.027
　　【Abstract】： Aiming at the problem that ROI watermarking algorithm has weak resistance to geometric attacks， this paper proposes a reversible watermarking algorithm based on SURF （Speeded Up Robust Features） feature point selection ROI combined with medium and low frequency sub-bands， which can effectively resist geometry. attack. The algorithm first extracts the SURF feature points of the carrier， and then performs 5/3 integer wavelet transform on the carrier image to screen the low-frequency coefficients of the perceptual region of interest （ROI） and the IF coefficients of the non-region of interest （ROB）. The watermark undergoes scrambling transformation. And the sampling pyramid decomposition， the approximate subband of the watermark decomposition is embedded in the low frequency subband of the region of interest， and the residual subband is embedded in the intermediate frequency coefficient of the non-region of interest. The experimental data show that the proposed algorithm can resist conventional geometric attacks and signal attacks. The extracted watermarks have high similarity and NC values are above 0.8， which has good reversibility and robustness.
　　【Key words】： SURF feature detection; Region of interest; Sampling pyramid decomposition; Reversible watermark
　　0  引言
　　在計算机网络信息安全中，数据加密技术是一项非常有保障的计算机网络信息保护措施[1]。数字水印技术的研究也逐渐成为图像处理领域的一个热点问题，通过该技术可以达到版权保护、篡改定位、完整性保护的目的[2]。水印系统应该同时满足不可见性和鲁棒性的要求，但这两者是互相矛盾的[3]。近年来，出现了许多抗几何攻击算法，使得抗几何
　　攻击水印算法成为研究的热点。这类算法一般利用特征点的不变性，或者矩的不变性对遭受攻击的图像校正，然后再提取水印[4]。为了有效提高图像水印算法抗几何攻击的能力，基于图像特征点的第二代图像水印技术得到了广泛的关注[5]。
　　朱丹[6]等运用SIFT算法提取载体图像的特征点，估计受攻击的载体图像的仿射参数并进行校正，提取出的水印虽具有较好的鲁棒性，但是SIFT 算法计算量大，运行效率低。姚绍华[7]等人运用加速
　　鲁棒性特征（Speed-Up Robust Features）算法提取图像低频子带中稳定的特征点和特征点描述符，利用特征点匹配对估计、校正含水印图像的几何攻击参数。但是无法对ROI和ROB区域的系数分开嵌入水印，提取水印后恢复的载体图像质量不高。Fan Yu Chen[8]。在JPEG2000图像中嵌入两个水印，同时在JPEG2000图像的ROI和背景区域中同时嵌入两个数字水印。该算法对设计ROI水印具有指导意义，遗憾的是水印提取后无法恢复ROI数据，无法保证ROI的高质量。Li Wenna[9]等人设计了一种Contourlet域的ROI可逆水印算法。该算法通过差分技术将水印嵌入到图像ROI的Contourlet的子带中，提取水印完成后能无损地恢复ROI的数据。该可逆水印算法对于感兴趣区域的水印算法具有重要的借鉴意义。Keshavarzian[10]。将分块水印嵌入在感兴趣区域的低频子带系数中。该算法未能在提取水印后对感兴趣区域数据恢复，属于不可逆水印。奇异值代表了一幅图像的本质特性，水印嵌入后，在图像受到简单攻击时，奇异值变化很小[11]，差分直方图技术可以保证提取水印后ROI的高质量。置乱可以增强水印的安全效果，刘艳华等人[12]对像素置乱、行列置乱、色彩饱和度置乱三种算法进行实现，得到对像素进行置乱的加密效果最好。针对以上问题，本文提出了一种基于ROI和SURF相结合的可逆水印算法，能够抵抗信号攻击和几何攻击，并能高质量的恢复原图。 　　1  相关理论
　　1.1  SURF特征检测
　　SURF（speeded up robust features）是Bay等在SIFT算子基础上提出的一种快速鲁棒性局部特征检测算法。一般来说，标准的SURF算子比SIFT算子快好几倍，并且在多幅图像下具有更好的鲁棒性[13]。本文采用基于SURF特征的ROI选取。选取基本思想为：先计算积分图像，对图像做一回遍历即可得所有像素点之和。再构建Hessian矩阵[14]，对图像进行高斯滤波，经过滤波之后的Hessian矩阵表达式为：
　　如果Hessian矩阵的判别式存在局部极大值，那么当前的点比周围点更亮或更暗，可判断为候选极值点。为了运算速度的提高，SURF使用了盒式滤波器来近似替代高斯滤波器。在定位极值点时，需要计算每一个像素点的Hessian判别式，若为正数，则像素点为局部极值点，反之不是。将得到的极值点作为候选特征点。再对该点邻近的3*3*3的立方体邻域进行非极大值抑制[15]，即将候选极值点与同尺度邻域8个极值点和相邻尺度18个极值点相比较，若该点的值仍为最大，那么可确定候选检测点是该区域的特征点。
　　图像Hessian矩阵行列式反映的是图像各点的“曲率”，曲率越大表示该像素点的显著性越高，对ROI 选取的贡献越大。特征点贡献度定义为
　　2.2  水印提取
　　水印提取的具体步骤如图2所示。
　　（1）利用遭受了几何攻击后的含水印载体的SURF特征点S?和原始载体 SURF特征点S，校正遭受几何攻击的含水印载体。
　　（2）校正后的图像进行三级整数小波变换，分别提取ROI中的系数和ROB中的系数。
　　（3）利用差分直方图可逆水印算法提取感兴趣区域LL3子带中的水印近似子带信息，并恢复ROI的小波子带数据。
　　（4）利用奇异值分解的算法提取ROB中LH3、LH2、LH1的水印残差子带信息L2、L1、L0。提取方式和嵌入方法类似，对各个h×h分块进行SVD分解A?=US?VT，并计算d=floor（S?（1，1）/q），其中floor为向下取整，S?（1，1）为每个子块的第一个奇异值。计算mod（d，2）的值，采用奇偶判别式（11），提取每个分辨率的水印的子带信息。
　　（5）对步骤（3）和步骤（4）中提取的水印子带信息进行抽样金字塔重构。再对重构的图像进行Arnold反变换，即可得到提取出的水印。
　　3  结果分析和讨论
　　实验环境为MATLAB2014a，分别进行不可见性测试、多分辨率提取测试和鲁棒性测试。实验载体为512×512的灰度图像，水印为32×32的二值图像“USST”。Arnold的置乱次数设置为10，ROB水印的嵌入强度为6。
　　3.1  不可见性测试
　　实验的载体图像分别为Lena，Airplane。水印在ROB的嵌入强度为6，嵌入水印后得到图像，如图3所示，峰值信噪比（PSNR）如表1所示。未受攻击时，PSNR均大于38，且提取后NC为1，不可见性很好。
　　使用逐渐检测方法提取水印。当重构不同分辨率的图像時，检测相应位置的水印抽样金字塔的子带信息。按照分辨率可伸缩的重要性排序，解码分辨率增加时，提取水印图像的抽样金字塔子带信息也在逐渐增加，水印图像的分辨率逐渐提高，水印 NC值逐渐增大，从而满足可伸缩水印的可检测性。分辨率可伸缩水印的的检测效果如图5所示。不同尺度下水印维度提升为原水印大小时的 NC如表2所示，完全重构时，可以提取完整的水印，水印技术对各级分辨率实行了保护。
　　3.3  鲁棒性测试
　　图像在传输过程中，自然会遭受信号处理或几何攻击，这会影响水印的提取，所以需要对嵌入的水印进行鲁棒性测试。嵌入强度设置为6，对Lena水印图像进行旋转，缩放，组合攻击和信号处理攻击。
　　（1）几何攻击
　　根据本文提出的算法，对遭受攻击的图像进行校正后再提取水印，先分别对图像只进行旋转和缩放攻击，测试的旋转角度设置为0-90°，缩放范围设置为0.5-4.0。Masoumeh[15]。等人提出了差分直方图可逆水印算法。该算法首先计算原始图像的差分，统计图像差分直方图并求得峰值，通过峰值嵌入水印。两者对比结果如表3所示。
　　组合攻击是指将旋转、缩放和平移攻击同时进行，并与文献[16]的测试数据相比较，对比结果见表4，其中R、S、T分别表示旋转、缩放和平移攻击。
　　分析表中数据各值：对于平移、旋转、缩放等几何攻击和三者分别的组合攻击，本文算法提取出的NC值均在0.89以上，在旋转角度90°时能达到NC值为1。尤其对于缩放的鲁棒性检测最好，在缩放因子为1.25、1.5、2、3、4 时，NC值均为1，可见在受到缩放攻击时提取的水印仍然清晰可见。
　　文献[16]的算法在受到旋转、平移、缩放等几何攻击时，NC值只能达到0.6。对比数据发现，本文算法对于几何攻击有很好的鲁棒性。
　　（2）信号处理攻击
　　常规的信号处理攻击主要有加噪和滤波两种形式。实验是通过改变噪声的方差和滤波器窗口的大小来测试的。对比结果见表5。
　　分析表中数据各值：经过常规的信号处理攻击后，本文算法和文献[16]算法提取水印的NC值均大于0.85，差别不大。所以在抵抗信号处理攻击方面，本文算法的性能虽改善不大，但也都能保持NC值大于0.89，具有良好的鲁棒性。
　　4  结束语
　　针对一般的水印算法抗几何攻击能力较差的问题，本文利用SURF特征点不变性的特点，提出了一种基于SURF特征点选取ROI区域的抗几何攻击可逆水印算法。载体图像经过SURF特征点提取后做三级整数小波分解，并且对水印做三级抽样金子塔分解，水印的近似子带嵌入ROI的低频子带，残差子带分别嵌入ROB的LH3、LH2和LH1中，形成可伸缩结构。提取水印时，利用SURF特征点进行几何校正，然后提取可伸缩水印。实验结果表明，基于差分直方图的可逆水印技术保证了提取水印后ROI的高质量，SURF校正确保了嵌入水印能抵抗几何攻击，SVD分解保证了鲁棒性。在没有攻击的情况下，可以提取未受损的可伸缩水印。含水印图像遭受信号处理攻击和几何攻击时，均能提取有效的水印，具有较强的鲁棒性，具有一定的应用价值。 　　参考文献
　　尚永强. 计算机网络信息安全中数据加密技术的探讨[J]. 软件， 2018， 39（12）： 198-201.
　　WU J， YANG F， WU C. Review of Digital Watermarking for 2D-Vector Map[C]. [13]Green Computing and Communications. IEEE， 2013：2098-2101.
　　张飞艳， 全桓立， 林立宇， 等. 基于奇异值分解的Contourlet域穩健性数字水印算法[J]. 计算机应用研究， 2012， 29（04）： 1402-1404+1408.
　　BAS P， CHASSERY J M， et al. Geometrically Invariant Watermarking Using Feature Points[J]. Image Processing， 2002， 11（9）：1014-1028.
　　廖琪男. 基于 SIFT 特征点匹配的水印图像几何校正算法[J]. 计算机应用研究， 2011， 28（6）： 2247-2249.
　　朱丹丹， 吕鲤志. 基于伪Zernike矩和Contourlet变换的抗几何攻击图像水印算法[J]. 计算机科学， 2016， 43（06）： 131-134.
　　陈青， 姚绍华， 陈祥. 基于SURF的NSCT域抗几何攻击水印算法[J]. 包装工程， 2018， 39（01）： 162-167.
　　FAN YU-CHENG， TSAO HEN-WAI. A Dual Pyramid Watermaring for JPEG2000[C]. International Conference on Advanced Information Networking and Applications， 2005： 239-242.
　　LI WENNA， GAO LIQUN， et al. A Blind Watermark Algorithm for Medical Images Use ROI and Contourlet[J]. Journal of Harbin Engineering University， 2013， 34（7）： 918-923.
　　于海娇， 孙刘杰， 李毓彬， 等. 基于QR码的DWT-SVD数字水印算法[J]. 包装工程， 2015， 36（23）： 125-129+154.
　　KESHAVARZIAN R. A New ROI and Block Based Watermarking Scheme Using DWT[C]. Electrical Engineering. IEEE， 2012： 1323-1328.
　　刘艳华. 数字图像置乱加密解密技术的研究与实现[J]. 软件， 2018（3）： 141-144.
　　BAY H， TUYTELAARS T， GOOL L V. SURF： Speeded Up Robust Features[J]. Computer Vision & Image Understanding， 2006， 110（3）： 404—417.
　　李永明. 基于Hessian矩阵的边缘检测方法[J]. 激光杂志， 2014， 35（05）： 27-30+33.
　　侯翔， 闵连权. 基于SURF特征区域的鲁棒水印算法[J]. 武汉大学学报（信息科学版）， 2017， 42（03）： 421-426.
　　KHODAEI M， FAEZ K. Histogram-based Reversible Data Hiding[C]. Pacific Rim Conference on Advances in Multimedia Information Processing. Springer-verlag， 2010： 677-684.
转载注明来源:https://www.xzbu.com/8/view-15233962.htm