[发明专利]基于极谐-傅里叶矩统计建模的水印嵌入方法及检测方法

说明书

本发明公开了一种基于极谐‑傅里叶矩统计建模的水印嵌入方法及检测方法，属于水印嵌入及检测领域，要解决的技术问题为现有水印嵌入及检测方法存在不可抗几何攻击、水印容量小以及部分算法为非盲检测算法；该嵌入方法包括如下步骤：构建原始图像块；构建原始图像块的极谐‑傅里叶矩；对原始图像块嵌入水印，计算每个原始图像块的嵌入水印后极谐‑傅里叶矩矩值；基于矩值重构原始图像块；构建嵌入水印图像。该水印检测方法包括：构建原始待检测图像块；对原始待检测图像块进行极谐‑傅里叶矩重构；基于最大似然估计检测每个原始待检测图像块的极谐‑傅里叶矩矩值的幅值对应的水印信息。该水印方法可抵抗几何攻击、水印容量大。

技术领域

本发明涉及水印嵌入及检测领域，具体地说是一种基于极谐-傅里叶矩统计建模的水印嵌入方法及水印检测方法。

背景技术

数字图像水印算法主要有两个步骤：水印嵌入和水印检测。水印检测用于判断图像中是否存在水印，主要分为基于相关性的检测和基于统计的检测两类方法。基于相关性的检测方法是基于提取的水印与原始水印信号之间的线性相关性来判断水印是否存在于图像中。由于这种方法非常简单，经常被用于水印检测方案中。但是信号检测理论表明，当水印载体服从高斯分布时，基于相关性的检测方法才是最优的，而图像的空间域和变换域均不服从高斯分布，即基于相关性的检测方法不是最优的。基于统计的检测方法可以解决上述问题，由于嵌入的水印信息只改变宿主图像的冗余部分，这种变化不会降低图像质量，但会改变宿主图像的统计特性，故而可以利用统计特性有效的检测水印信息。基于统计的方法依赖于载体数据分布建模的准确性，模型越精确，检测的结果越可信，该类方法可以分为两类，即加性嵌入方法和乘性嵌入方法。

由于乘性水印算法是依赖于图像内容的，故而比加性算法具有更强的鲁棒性与不可感知性，因此基于统计的乘性嵌入引起了广泛的关注并提出了很多算法。然而现有基于统计的乘性嵌入算法多数无法提取出具体的信息，故无法有效解决图像的版权归属等问题。即使少有的能提取出水印的算法，也存在以下缺点：不能抵抗几何攻击，水印容量较小，并且部分算法是非盲检测算法。

发明内容

本发明的技术任务是针对以上不足，提供一种基于极谐-傅里叶矩统计建模的水印嵌入方法及水印检测方法，来解决现有水印嵌入及检测方法存在不可抗几何攻击、水印容量小以及部分算法为非盲检测算法的问题。

本发明的技术任务是按以下方式实现的：

基于极谐-傅里叶矩统计建模的水印嵌入方法，其特征在于包括如下步骤：

S100、构建原始图像块：将原始图像划分为N个非重叠的图像块，计算每个图像块的熵值，并选取L个高熵值的图像块作为原始图像块，N为自然数，且N≥L，L为水印长度；

S200、构建原始图像块的极谐-傅里叶矩：计算每个原始图像块的极谐-傅里叶矩，选取矩值P_n,m为对应原始图像块的极谐-傅里叶矩矩值；

S300、对原始图像块嵌入水印：基于乘性水印嵌入方法将水印嵌入每个原始图像块的极谐-傅里叶矩矩值的幅值，并计算每个原始图像块的嵌入水印后极谐-傅里叶矩矩值，并记为矩值P'_n,m；

S400、重构图像块：基于矩值P_n,m重构原始图像块，得到原始极谐-傅里叶矩重构图像块，并基于矩值P'_n,m重构原始图像块，得到嵌入水印极谐-傅里叶矩重构图像块；

S500、构建嵌入水印图像：基于原始图像块、原始极谐-傅里叶矩重构图像块以及嵌入水印极谐-傅里叶矩重构图像块，计算嵌入水印后原始图像块，并由嵌入水印后原始图像块替换原始图像块，得到嵌入水印的图像；

其中，n为原始图像块的阶数，且n≥0，m为重复度，且|m|≥0。