基于SVR的嵌入强度自适应的图像水印算法_徐康健.pdf

计算机与现代化JISUANJI YU XIANDAIHUA2023年第3期总第331期文章编号：1006-2475（2023）03-0038-05收稿日期：2022-04-20；修回日期：2022-06-01基金项目：大学生创新创业训练计划项目（202010327002Z）；江苏省自然科学基金资助项目（BK20200839）作者简介：徐康健（2001），男，江苏苏州人，本科生，研究方向：信息安全，人工智能，E-mail：；龚泓宁（2002），女，广西玉林人，本科生，研究方向：信息安全，人工智能，E-mail：。0引言随着互联网技术高速发展，数字多媒体的版权保护问题愈发突出，如何保护数字产品的版权成为人们重点关注的一个问题。数字水印技术通过在多媒体数据中隐蔽的嵌入版权信息，能够实现版权鉴定和追溯的效力，是保护数字版权的有效手段和方法1-3。近年来，数字水印技术得到了广泛的研究，不可感知性和鲁棒性是评估水印算法的2个基本特性，因此提高水印的性能也就成为了主要研究方向4-7。随着机器学习技术的不断兴起，机器学习算法在分类预测、回归拟合等方面表现出的良好性能，使得越来越多研究者尝试使用机器学习解决数字水印的相关问题。Kandi等人8提出了一种基于自动编码器卷积神经网络（Convolutional Neural Network，CNN）的图像水印算法，一定程度上提高了水印信息的安全性。Yang等人9通过对原始载体图像进行金字塔对偶树方向滤波器组（Pyramidal Dualtree Directional FilterBank，PDTDFB）分解并进行校正后嵌入水印信息，使其对几何失真攻击有一定的鲁棒性。Alshehri等人10使用缩减核极限学习机（RKELM）加上整数小波变换（Integer Wavelet Transform，IWT）和奇异值分解（Singular Value Decomposition，SVD）实现了盲数字水印方案，有着较低的误码率。Marjuni等人11针对不同颜色通道间的显著相关性，开发了一套基于四元数指数矩（Quadric Error Metric，QEM）的彩色图像水印方案，以整体方式来处理彩色图像。如何合理、科学地确定数字水印的嵌入强度是水印研究中的关键问题，因为嵌入强度既与水印的不可见性有关，也会影响水印的鲁棒性性能12-16。有不基于SVR的嵌入强度自适应的图像水印算法徐康健，龚泓宁，李灿，佟德宇（南京财经大学信息工程学院，江苏 南京 210023）摘要：如何优化水印嵌入强度是数字水印研究中的关键问题，并与水印的鲁棒性和不可感知性密切相关。本文针对图像数据，基于SVR模型提出一种嵌入强度自适应的水印算法。在图像特征方面，本文选取图像的LBP算子和小波变换的低频系数，根据SSIM指标确定合适的水印嵌入强度，生成训练样本数据集并对SVR模型进行训练；在水印嵌入过程中，首先对水印进行加密等预处理，然后对图像子块进行DWT变换，运用训练好的SVR模型确定水印嵌入强度并嵌入水印，同理可根据密钥和SVR模型进行水印的提取。实验结果表明，本文提出的算法在保证图像质量和水印不可见性的前提下，能够对图像进行自适应地水印嵌入和提取，同时对噪声、压缩、剪切等攻击均具有较好的鲁棒性。关键词：SVR；水印嵌入强度；LBP算子；小波变换；Arnold变换中图分类号：TP391文献标志码：ADOI：10.3969/j.issn.1006-2475.2023.03.007SVR-based Image Watermarking Algorithm with Adaptive Embedding IntensityXU Kang-jian，GONG Hong-ning，LI Can，TONG De-yu（College of Information Engineering，Nanjing University of Finance and Economics，Nanjing 210023，China）Abstract：Watermark embedding intensity is a key issue in data watermarking research and closely related to the robustness andimperceptibility of watermarking.This paper proposes a watermarking algorithm of adaptive embedding intensity based on SVRmodel for image data.In terms of image features，the LBP operator of the image and the low frequency coefficients of the wavelettransform are selected.The appropriate watermark embedding intensity is determined according to the SSIM index.Hence，thetraining dataset is generated and the SVR model is trained.In the process of watermark embedding，the watermark is encryptedfirst，then the DCT transform is applied to the image sub-blocks and the trained SVR model is used in watermark embedding toadjust the embedding intensity.Similarly，the extraction of the watermark can be performed in an inverse procedure based on thekey and SVR model.The experimental results show that the proposed watermarking algorithm can perform adaptive watermarkembedding and extraction on images while ensuring the image quality and watermark invisibility，and also has good robustness toadding noise，compression，image clipping and other types of attack.Key words：SVR；intensity of watermark；LBP operator；wavelet transform；Arnold transformation2023年第3期少学者对这个问题进行了深入的研究，例如吴禄慎等人17通 过 人 眼 视 觉 特 性（Human Visual System，HVS），从不可见性角度优化了嵌入强度。肖振久等人18通过细胞神经网络建立了一套嵌入强度的优化算法，有效降低了算法的虚警率。程格平等人19基于遗传算法，建立了嵌入强度适应方程，最大程度上改善数字水印的共谋抵抗性和不可见性的平衡关系。上述方法保证了图像的不可感知性和适用性。为进一步增强水印算法对噪声等攻击的鲁棒性，本文基于机器学习中的SVR技术，提出自适应强度的水印算法，通过训练图像的水印嵌入强度与LBP算子及小波变换的低频系数，实现对复杂图像内容的自适应水印嵌入。1技术基础1.1SVR支 持 向 量 回 归（Support Vector Regression，SVR）采用支持向量机（Support Vector Machine，SVM）来拟合曲线，适用于各类回归分析。SVR的主要目标是通过最大化间隔，找到一个分离超平面，使得绝大多数的样本点位于 2个决策边界的外侧20。SVR模型的示意图如图1所示。图1SVR模型图1中，实心蓝色点和空心红色点分别代表2类样本，橙色实心线为分类线，2条平行于分类线的虚线之间的距离则为分类间隔，代表2类不同的样本分隔，若训练样本落入此间隔带，则认为预测正确21。间隔带之间的宽带即为偏差损失，那么带有正则项的损失函数可以表示为：12n=1Nyn-tn2+2w2（1）其中，w、为要确定的参数，N为样本数。利用Lagrange优化方法可化简SVR的对偶问题：maxa，aL()a，an=-12n=1Nm=1N(an-an)(am-am)k(xn，xm)-n=1N(an+an)+n=1N(an-an)tns.t.n=1N(an-an)=0，0 an，an C（2）最后得到的SVR模型为：y(x)=n=1N(an-an)k(x,xn)+b（3）1.2LBP算子局部二值模式（Local Binary Pattern，LBP）是描述图像局部纹理特征的一种算子。如图2所示，原始的LBP算子定义为在33的窗口内，以窗口中心像素为阈值，将之与相邻的 8个像素的灰度值进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，反之为0。如此，33领域内的8个点即可产生8 bit的无符号数，即得到该窗口的LBP值，能够反映出该区域的纹理信息。相对于其他常规的图像特征，LBP 算子值具有灰度不变性和旋转不变性，可更加有效地提取出图像的局部特征。图2原始LBP示意图但是原始LBP算子对图像的旋转操作很敏感，在用于数字水印时对几何攻击的鲁棒性较差。因此改进后的LBP采用不断旋转的圆形邻域，得到的一系列LBP值取其最小值，能够抵抗旋转攻击22，如图3所示。图3改进后的圆形LBP圆形LBP的计算公式为：LBPP,R()xc,yc=p=1Ps()I()p-I()c 2p（4）s(x)=1，x 00，else（5）其中，（xc，yc）为中心点坐标，I（p）和I（c）为第p个采样点和中心点的灰度值，s（x）为门限函数。2算法2.1算法概述图4算法流程图机器学习算法在优化方面具有良好的性能，针对水印嵌入强度难以确定的问题，本文引入SVR这一机器学习算法，并且使用LBP算子值作为图像特征，从而建立自适应强度模型，来更加科学合理地确定水印嵌入强度。本文设计的水印算法共分为4个部分，分别为数据集训练、水印生成、水印嵌入、水印提取。首先对数据集进行处理，获取图像最大水印嵌入强度，之后用 LBP 算子值和离散小波变换（DiscreteWavelet Transformation，DWT）后的低频分量作为特xywTx+ThresholdBinary：11010011Decimal：21154794216311110010LBP18LBP216LBP28载体图像DWT变换自适应最大嵌入强度原始水印加密水印水印嵌入水印提取DWT变换带水印载体图像加密水印原始水印Arnold变换加密逐像素对比提取解密 徐康健，等：基于SVR的嵌入强度自适应的图像水印算法39计算机与现代化2023年第3期征向量训练SVR模型。水印嵌入前，首先对水印信息进行Arnold变换置乱加密，以置乱次数作为密钥，然后对图像进行DWT变换，在高频区块利用SVR模型嵌入水印信息。在水印提取时，利用相同的SVR模型和密钥恢复嵌入的水印信息。图4是算法的流程图。2.2算法步骤2.2.1数据集训练首先对数据集进行训练，以实现自适应水印嵌入强度，在使用SVR模型训练水印嵌入强度的过程中，水印嵌入强度设置为 10，30，从=30开始，将结构相似度SSIM的阈值设置为0.9，具体算法流程如下：1）对512512的图像数据I进行DWT变换，取其LL子带低频区域系数Tij。2）考虑低频区域的中心像素点的水印嵌入强度，利用加法水印原则对图像子块进行修改，具体公式为：I*(4，4