W-SVD 算法——原理.PPT

算法参数对数字水印的影响 ①α ②d/n ③使用的小波 ④小波分解的尺度 ⑤随机数种子 数字水印的抗压缩检测能力（鲁棒性） 4.6 数字水印检测结果的评测 一个问题的提出：计算出了相关性值如何判定是否有水印？ 根据一个检测阈值（Test_threshold）来决定水印的有无 。 在数字水印检测中，会出现两类错误： 虚警错误：将没有水印的图像判定为有水印 漏警错误：将有水印的图像判定为无水印。 当检测阈值选取过大时，就会造成漏警概率过大；而当检测阈值选取过小时，就会造成虚警概率过大。 一个问题的提出：计算出了相关性值如何判定是否有水印？ 绘制“种子—相关性值图”（SC图）是分析水印系统的一个重要手段 。 计算检测相关性值的方法 常规检测直接相关性值d ： W和W’分别表示原始水印和待测水印。 M和N为水印模板的大小。 DCT检测相关性值 ： 两种检测方法所绘制的SC图 算法各参数与水印生成的关系 ——α α越大水印的能量越大。 参数α越大，水印的抗攻击性能越好。 α越大水印的能量越大。 参数α越大，水印的抗攻击性能越好。 算法各参数与水印生成的关系 ——α 算法各参数与水印生成的关系 ——d/n d/n取值越小，表示原图像特征系数被替换得越少，水印形态与原始图像越相象。 d/n越大则水印检测的效果越好，对检测更有利。当d/n过小时，其检测SC图上已无法找到明显的峰值数据，所以也就谈不上检测阈值了 算法各参数与水印生成的关系 ——d/n 算法各参数与水印生成的关系 ——d/n 算法各参数与水印生成的关系 ——d/n 不同的小波基分解和同一小波不同尺度下的分解生成的水印在形态、与原始图像的相关性、信息容量和随机性等各方面也不同。 算法各参数与水印生成的关系 ——小波分解尺度 水印形态图 小波分解的尺度越大，与原始图像越相似，即实际上的水印模板的信息越少，检测越困难 小波分解的尺度越大，水印越能嵌入到图像的高能量部分（低频部分），水印鲁棒性越强。 （这是一对矛盾，在具体实验时要注意） 试验表明在W—SVD中取小波分解尺度为2或3是合适的。 算法各参数与水印生成的关系 ——小波分解尺度 算法各参数与水印安全性的关系 Kerckhoffs准则：密钥的安全性。 一部分学者认为对所要加入的信息进行加密，直接引入密码学中的密钥为密钥；另一部分学者则认为水印嵌入的位置和相关参数也应该是密钥而不是算法的部分。 通过绘制SC图我们发现，在W-SVD中，将算法各参数均认为是密钥的一部分是合适的。 算法各参数与水印安全性的关系 以下是在不知道小波基、分解尺度、α和d/n的情况下随意定义这些参数对水印进行穷举检测绘制的SC图。显然，除了在不知道参数α外均无法认定图像是否嵌有水印。（下图从左到右依次为不知道小波基、分解尺度和d/n ） 课后思考 什么是SVD? W-SVD水印算法的嵌入和检测过程是怎样的? C-SVD算法的嵌入和检测过程是怎样的? 分析基于混沌特性的小波数字水印算法中参数d/n 和 a 对水印的影响。 * * 谢 谢！ 自从1986年以来，小波分析的理论、方法与应用的研究一直方兴未艾。 20世纪工人的最辉煌的科学成就之一。 离散小波变换是一种局部的变换。 具有多尺度分析的能力。 JPEG2000和MPEG7都采用了小波变换。 利用小波变换吧原始图像分解为多频段的图像，能适应人眼的视觉特性且是的水印的嵌入和检测可分多个层次进行。 小波变换域睡姿水印方法兼具时空域方法和DCT变换域方法的优点。 * * * * * 常见的小波基有： Haar小波基、db系列小波基、Biorthogonal(biorNr.Nd)小波系、Coiflet(coifN)小波系、SymletsA(symN)小波系、Molet(morl)小波、Mexican Hat (mexh)小波、Meyer小波 * * Iw = I + w(I) 特点： 水印与载体相关 鲁棒性良好、不可见性良好 W-SVD 算法——原理 低频系数的UΣV的随机替换 水印转换E函数 CAw =E(CA)=CA+W(CA) ， 其中，CA 原始图像小波系数 W(CA）通过SVD变换生成的水印图像小波系数 CAw 嵌入水印图像的小波系数 对CAw进行小波逆变换（重构）得到嵌入水印的图像 W-SVD 算法——原理 W-SVD 算法——流程 1 6 5 4 3 3 2 W-SVD 算法——流程 1 1.1图像小波分解 利用MATLAB的wavedec2函数对图像进行小波分解，提取低频小波系数。 1.2 低频系数归一化 为了后续