Shearlet变换域局域最优非线性盲水印检测算法.docVIP

Shearlet变换域局域最优非线性盲水印检测算法 　　【摘 要】系统地分析了Shearlet变换系数分布模型，提出了基于Shearlet变换的数字水印算法。将水印检测转化为二元假设检测问题，推导出了水印局域最优非线性检测的通用算法。分别采用拉普拉斯分布、柯西分布和广义高斯分布来对Shearlet变换系数统计分布进行拟合，推导出三种分布下水印检测算法并进行实验。结果显示，与传统的线性相关检测算法相比，这三种检测算法均获得好的检测性能，其中基于广义高斯分布的检测算法性能最佳。 　　【关键词】水印检测 Shearlet变换 拉普拉斯分布 柯西分布 广义高斯分布 　　1 引言 　　随着网络及多媒体的调整发展，商业多媒体产品的版权保护问题日益受到重视，数字水印技术的出现为解决版权问题提供了有利的手段。作为数字多媒体版权保护的一种有效手段，数字水印近年来一直受到人们的关注，成为当前信息安全领域的一个研究热点[1]。 　　数字水印技术包括水印嵌入与检测两个主要步骤。一个数字水印系统性能的好坏除了与嵌入算法有关之外，还依赖于水印检测器的设计。水印检测器的鲁棒性可以归结为在攻击下水印检测值的大小。目前绝大多数检测器都是基于相关的检测法。由信号检测理论可知，当嵌入水印的载体服从高斯分布时，基于相关的检测法才是最优的。然而，研究结果表明无论是空域还是变换域，载体图像均不服从高斯分布，因此基于线性相关的检测器不再是最优检测。最优检测依赖对载体分布建模的建立，故模型越精确检测的可信度就越高。基于此，文献[2]和文献[3]提出了DCT域基于广义高斯分布模型的加性检测方法，该方法必须假定水印嵌入强度，因此对于盲水印检测并不适合；针对水印的未知嵌入强度，文献[4]提出了基于局部优化检验（LOD）的水印检测方法；文献[5]利用柯西分布来对DCT系数进行建模，并设计出相应的水印检测器，与基于广义高斯分布的检测器相比，可获得更好的检测性能；针对音频信号，文献[6]提出基于高斯混合模型的DCT域水印检测方法；在小波域，文献[7]和文献[8]利用广义高斯分布对小波系数进行建模，并设计了水印检测器；考虑到脊波变换对线状奇异特征的稀疏表示特性，文献[9]分别设计了基于广义高斯模型和柯西模型的扩频水印盲检测方法；文献[10]则提出了基于扩频的脊波域图像水印检测算法。 　　本文提出了基于Shearlet变换的数字水印算法。由于Shearlet变换对图像中的曲线或直线状边缘特征的稀疏表示，与传统的DCT变换和小波变换相比，它能够更好地提取出图像的特征信息。当水印嵌入到这些位置时，水印具有更好的稳健性。算法中，水印采用乘嵌入方法。乘性水印嵌入方式能够利用视觉感知掩蔽特性，并且根据内容自适应地进行嵌入，以保证水印的不可感知性。水印检测中，算法分别利用拉普拉斯分布、柯西分布和广义高斯分布来对Shearlet变换系数统计分布进行拟合，推导出三种分布的极大似然估计器，从而实现对水印的盲检测。最后，对三种水印检测器性能进行比较，通过实验结果表明，三种检测器均获得好的检测性能。 　　2 Shearlet变换 　　Shearlet变换[11]由合成膨胀特性的小波变换衍生而来。具有合成膨胀的仿射系统定义如下： 　　Shearlet是一种新型多尺度几何分析工具，继承了Curvelet变换和Contourlet变换。它通过对基函数进行缩放、剪切和平移等仿射操作来生成Shearlet函数。对于具有高维结构的二维图像，Shearlet可以检测到高维几何结构，同时还可以跟踪到高维几何结构的方向，且随着尺度参数变化，可以精确地描述图像的几何结构。与小波变换相比，Shearlet变换具有更强的方向捕获性和几何结构稀疏描述特性[11]。 　　3 Shearlet系数的建模 　　最优检测性能依赖于变换系数分布模型的建立。因此，对Shearlet变换系数统计分布的准确建模是设计最优水印检测器的基础。下面将分别采用拉普拉斯分布、柯西分布和广义高斯分布来对Shearlet系数分布进行建模，并比较三者的性能。 　　拉普拉斯分布： 　　4 Shearlet域水印嵌入与统计检测 　　4.1 水印嵌入 　　水印嵌入的位置影响着水印的鲁棒性。研究成果表明[12]，水印应嵌入在人类视感知最重要的位置。对图像而言，视感知重要的位置是图像的主要成份，通常具有重要的能量。在一定失真的情况下，这些位置上的信息仍能较完整地被保留。另外，Field等人的成果也表明，人类视觉感知系统能够用最少的视感知神经元“捕获”到自然场景中的关键信息，实现对自然场景的最稀疏表示或“最稀疏”编码。由于Shearlet变换能够准确地对图像重要几何结构信息进行稀疏表示和定位，因此本文先利用Shearlet变换检测出图像中视感