【正文】 9。F 分割為多個 8? 8 的小塊． 2. 對每個小 塊做同樣的處理．這里以其中一個小塊 nK 為例，設(shè) nK 為橫向第 4 章 一種用哈達瑪矩陣進行置亂變換的盲水印算法 的分析 17 第 x 縱向第 y 個小塊．先對 nK 做離散余弦變換得到 2K ，當 )2,3(2K )3,4(2K 時，),(2 yxW =1；當 )2,3(2K )3,4(2K 時， ),(2 yxW =1．這樣就能提取出置亂后的水印矩陣 2W ． 3. 對 2W 做反置亂變換得到提取出的水印矩陣 3W ，反置亂的方法為 HWW ?? 23 （ 45） 其中， H 為水印置亂時用到的做上下對稱變換后的 Hadamard 矩陣． 算法仿真實驗 本次仿真實驗選取的載體圖像為 512? 512 像素的灰度圖像，選取的水印圖像為 64?64 的二值圖像．其中 n 為水印嵌入強度， T 為水印檢測閥值． 仿真結(jié)果如圖 43 到 436 所示． 圖 43 原始載體圖像 圖 44 水印嵌入強度為 10的圖像的部分細節(jié) 圖 45 原始水印 圖 46 n=10 時提取的水印， T=25 東北電力大學(xué)本科畢業(yè)論文 18 圖 47 水印嵌入強度為 30的圖像的部分細節(jié) 圖 48 水印嵌入強度為 50的圖像的部分細節(jié) 圖 49 n=30 時提取的水印， T=10 圖 410 n=50 時提取的水印， T=0 圖 411 n=10 時高斯噪聲攻擊后的圖像 圖 412 n=50 時高斯噪聲攻擊后的圖像 圖 413 高斯噪聲攻擊后提取的水印圖像，n=10， T=1572 圖 414 高斯噪聲攻擊后提取的水印圖像，n=50， T=373 第 4 章 一種用哈達瑪矩陣進行置亂變換的盲水印算法 的分析 19 圖 415 n=50 時泊松噪聲攻擊后的圖像 圖 416 n=50 時椒鹽噪聲攻擊后的圖像 圖 417 泊松噪聲攻擊后的提取的水印圖像，n=50， T=28 圖 418 椒鹽噪聲攻擊后的提取的水印圖像，n=50， T=494 圖 419 n=50 時斑點噪聲攻擊后的圖像 圖 420 n=50 時裁剪攻擊后的圖 像 圖 421 斑點噪聲攻擊后的提取的水印圖像，n=50， T=737 圖 422 裁剪攻擊后的提取的水印圖像，n=50， T=667 東北電力大學(xué)本科畢業(yè)論文 20 圖 423 12 位 JPEG 壓縮攻擊 圖 424 右下平移 100 像素攻擊 圖 425 12 位 JPEG 壓縮攻擊后提取的水印，n=50， T=2143 圖 426 右下平移 100 像素攻擊后提取的水印， n=50， T=2468 圖 427 3? 3 小分塊的中值濾波攻擊 圖 428 像素值的高斯濾波攻擊 圖 429 中值濾波后提取的水印， n=50， T=917 圖 430 高斯濾波后提取的水印， n=50， T=0 第 4 章 一種用哈達瑪矩陣進行置亂變換的盲水印算法 的分析 21 圖 431 30 度旋轉(zhuǎn)攻擊 圖 432 銳化攻擊 圖 433 旋轉(zhuǎn)后提取的水印， n=50， T=2315 圖 434 銳化后提取的水印， n=50， T=16 圖 435 放大 2 倍（縮放）攻擊 圖 436 縮放后水印同時擴大，無法計算 T值， n=50 算法性能分析 綜合分析仿真實驗的結(jié)果，發(fā)現(xiàn)該算法若要提取出 T=0 的水印 ，水印的嵌入強度 n 必不能小于 50．但水印嵌入強度越高，對載體圖像的視覺效果的影響就會越嚴重，水印嵌入的強度不大于 10 時才能保證不破壞載體圖像的視覺效果． 但是矛盾的是，水印強度不足時，該算法對于常規(guī)圖像處理攻擊的抵抗力十分低．該算法只對高斯濾波攻擊和銳化攻擊有較高的魯棒性，是一種脆弱性水?。? 東北電力大學(xué)本科畢業(yè)論文 22 第 5 章 一種新的小波域盲水印算法 的分析 算法主體 嵌入前的水印圖像置亂 該算法采用的置亂方法是混沌序列映射置 亂，置亂步驟如下： 1. 設(shè)置初始值 0x ， u ，使 00x 1， u 4，通過迭代產(chǎn)生混沌序列 L ， L是一個一維數(shù)組，其長度等于水印圖像的像素個數(shù)．迭代公式為 )1(1 nnn xuxx ??? （ 51） 產(chǎn)生的 x 都放進數(shù)組 L 中，直到 L 的 長度等于水印圖像的像素個數(shù)． 2. 按列掃描水印圖像矩陣，將二維的水印圖像矩陣 W 轉(zhuǎn)換為一維的數(shù)組 1W ． 3. 對 L 中的元素進行升序排序，在排序過程中記錄元素位置的變化． 4. 按照上一步記錄的位置變化，對一維水印序列 1W 做同樣的變化，得到置亂后的一維水印序列 39。1W ． 5. 根據(jù)水印圖像的行列數(shù)，掃描 39。1W ，生成置亂后的二維水印圖像矩陣． 這里第 5 步是為了更好的展示置亂效果，在實際的水印嵌入過程中是不必要的．置亂效果如圖 51 到 53 所示． 圖 51 原始水印 圖 52 0x =， u= 時置亂 圖 53 0x =， u= 時置亂 水印嵌入過程 1. 使用小波變換求水印圖像矩陣 cF 的近似子帶 cA ，公式為 第 5 章 一種新的小波域盲水印算法 的分析 23 )(2],[ cFdw tcDcCcBcA ? （ 52） 2. 求 cA的邊緣點，并獲取閥值 P，這里原作者的方法并不實用，本文提出了改進方案． （ 1） 原作者 將 cA分成很多 2? 2 大小的小分塊，計算這些小塊的灰度均值，若均值為 0，認為該小塊含有邊緣點．選擇灰度均值大于 P 且不含邊緣點的子塊作為水印嵌入的對象，其中 P 是人工規(guī)定的閥值． （ 2）本文改進 利 用 matlab 工具箱中的 edge 函數(shù)求 cA 的邊緣點矩陣 1cA ，這是為了在水印嵌入時避開圖像的邊緣點，以免破壞載體圖像的視覺質(zhì)量．這里的 1cA 是一個二值矩陣，在邊緣點處的值為 1，非邊緣點處的值為 0． 將 1cA 分成很多 2? 2 大小的小分塊，求每個小分塊的灰度值之和，若值大于0，說明這一小分塊含有邊緣點，舍棄該小分塊，否則將該小分塊的灰度矩陣加入序列 B 中，并將該小分塊在 1cA 中的坐標信息加入序列 C 中． 將序列 B 中的小分塊按照灰度均值大小降序排序，序列 C 中的坐標信息也進行同步位移．選擇排序后的 C 序列中的前 n 個元素，從而得到要嵌入水印的小分塊的坐標信息序列 1C ，這里的 n 是水印圖像矩陣的元素個數(shù)， 1C 作為密鑰之一保存． 3. 根據(jù) 1C 中的坐標信息嵌入水印，這里以 1C 中的第 i 個坐標 ),( yx 為例，這組坐標在 cA中對應(yīng)的小分塊包含四個像素點 ),( yxcA ， )1,( ?yxcA ， ),1( yxcA ? ，)1,1( ?? yxcA ，嵌入方法為 2 )1,(),( ??? yxcAyxcAdi （ 53） ))(39。(),( 1 miWqdyxcA i ???? （ 54） ))(39。()1,( 1 miWqdyxcA i ????? （ 55） 這里 q 為預(yù)設(shè)值，當嵌入的水印圖像為二值圖像時最好取不小于 15 的較大東北電力大學(xué)本科畢業(yè)論文 24 值，當嵌入的水印圖像為灰度圖像時最好取不大于 的較小值； m 則為水印圖像矩陣的灰度均值． 4. 遍歷 1C 序列中的坐標，對每個選中的嵌入小分塊進行嵌入操作后，得到嵌入水印后的新近似子帶 nA．用 nA代替 cA 進行逆小波變換后得到嵌入水印后的載體圖像矩陣 nF ，公式為 ),(2 cDcCcBnAidw tnF ? （ 56） 水印提取 1. 對 水印后的 圖像 矩陣 nF 做小波變換，得到 含水印 的 近似 子帶 nA，公式為 )(2],[ nFdw tcDcCcBnA ? （ 57） 2. 根據(jù)保存的密鑰，包括 1C ， 0x ， u ， q ， m ，提取置亂后的水印序列 2W ，這里以 1C 中的第 i 個坐標信息 ),( yx 為例，公式如下 mq yxnAyxnAiW ?? ??? 2 ),()1,()(2 （ 58） 從而得到置亂后的水印序列 2W ． 3. 對上一步提取出的水印序列 2W 進行反置亂處理，得到最終提取出的水印圖像矩陣 3W ，反置亂方法為 （ 1） 根據(jù)置亂時的初始值 0x ， u ，通過迭代產(chǎn)生混沌序列 L ． （ 2） 對 L 中的元素進行升序排序，在排序過程中記錄元素位置的變化． （ 3） 按照上一步記錄的位置變化，對提取出的亂 序水印序列 2W 進行相反的變化，得到反置亂后的一維水印序列 39。2W ． （ 4） 根據(jù)水印圖像的大小，掃描 39。2W ，按列還原出二維的水印圖像矩陣 3W ，最后將 3W 中的元素大于 0 的變?yōu)?1，小于 0 的變?yōu)?0，得到提取結(jié)果． 第 5 章 一種新的小波域盲水印算法 的分析 25 算法仿真實驗 本次仿真實驗選取的載體圖像為 512? 512 像素的灰度圖像，選取的水印圖像為 64?64 的二值圖像．該算法能夠嵌入灰度水印圖像和二值水印圖像，這里只給出粗略的灰度水印圖像仿真結(jié)果展示，為了方便 T 值的計算和算法之間的對比，結(jié)果展示還是二值圖像 為主．設(shè) 0x =， u =，嵌入灰度水印圖像時 q 取值 ，嵌入二值水印圖像時 q 取值 15． 仿真結(jié)果如圖 54 到圖 532 所示． 圖 54 原始載體圖像 圖 55 嵌入灰 度水印后圖像 圖 56 原始灰度水印 圖 57 提取出的灰度水印， T=503398 圖 58 原始載體圖像 圖 59 高斯噪聲攻擊后的圖像 東北電力大學(xué)本科畢業(yè)論文 26 圖 510 原始二值水印 圖 511 高斯噪聲后提取的水印圖像， T=1365 圖 512 泊松噪聲攻擊后的圖像 圖 513 椒鹽噪聲攻擊后的圖像 圖 514 泊松噪聲攻擊后提取的水印圖像，T=998 圖 515 椒鹽噪聲攻擊后提取的水印圖像，T=588 圖 516 斑點噪聲攻擊后的圖像 圖 517 裁剪攻擊后的 圖像 第 5 章 一種新的小波域盲水印算法 的分析 27 圖 518 斑點噪聲后提取的水印圖像， T=1766 圖 519 裁剪攻擊后提取的水印圖像， T=281 圖 520 12 位 JPEG 壓縮攻擊后的圖像 圖 521 右下平移 100 像素后的圖像 圖 522 12 位 JPEG壓縮攻擊后提取的水印圖像， T=1154 圖 523 右下平移 100 像素后提取的水印圖像， T=1272 圖 524 3? 3 小分塊的中值濾波后的圖像 圖 525 像素值的 高斯濾波后的圖像 東北電力大學(xué)本科畢業(yè)論文 28 圖 526 3? 3小分塊的中值濾波后提取的水印圖像， T=655 圖 527 像素值的高斯濾波后提取的水印圖像， T=1 圖 529 30 度旋轉(zhuǎn)后的圖像 圖 530 銳化后的圖像 圖 531 30 度旋轉(zhuǎn)后提取的水印圖像， T=1334 圖 532 銳化后提取的水印圖像， T=90 算法性能分析 綜合分析仿真實驗的結(jié)果，該算法的魯棒性較弱，對泊松噪聲攻擊、椒鹽噪聲攻擊、裁 剪攻擊、濾波攻擊和銳化攻擊的魯棒性相對好一些 ． 算法的優(yōu)點在于能夠嵌入灰度圖像水印，使得該算法的水印數(shù)據(jù)容量較大 ，而且 提取水印所需的密鑰較多，保密性較高 ． 綜上所述， 該算法 的應(yīng)用方向最好是用于數(shù)據(jù)的加密傳遞，即用于網(wǎng)絡(luò)信息戰(zhàn)．觀察可知，提取出的水印圖像的損壞情況與載體圖像的受攻擊情況相關(guān)度不高，所以該算法不適用于圖像篡改檢測，而且由于魯棒性不高，該算法也不適用于版權(quán)保護． 第 6 章 基于子塊區(qū)域分割和自嵌入技術(shù)的全盲多功能圖像水印算法 的分析 29 第 6章 基于子塊區(qū)域分割和自嵌入技術(shù)的全盲多功能圖像水印算法 的分析 算法主體 該算法的主體思想是根據(jù)載體圖像生成水印，再將水 印嵌入載體圖像，簡略步驟為： 1. 將載體圖像分為多個不重疊的 nn? 小分塊． 2. 對每個小分塊做離散余弦變換． 3. 將每個離散余弦變換后的小分塊分為區(qū)域 1 和區(qū)域 2 兩部分，如圖 61 所示． 4. 從區(qū)域 1 獲得水印信息，嵌入到區(qū)域 2． 5. 對每個嵌入結(jié)束的小分塊做逆離散余弦變換． 6. 重新組合小分塊，生成嵌入水印后的圖像． 圖 61 拆分方法 東北電力大學(xué)本科畢業(yè)論文 30