一种基于SVR几何校正的数字水印检测算法

以回归型支持向量机（SVR）理论基础,提出了一种可有效抵抗几何攻击的图像水印检测新算法.该算法首先选取图像的组合矩作为特征向量,并通过SVR对旋转、缩放、平移等几何变换参数进行训练学习,以获得SVR训练模型;然后利用SVR训练模型对待检测图像进行数据预测,并结合预测输出结果对其进行几何校正;最后从已校正数字图像内提取出水印信息.仿真实验结果表明,本文算法对常规信号处理（滤波、叠加噪声、JPEG压缩等）和几何攻击（旋转、缩放、平移、剪切等）均具有较好的鲁棒性。     

可有效抵抗一般性几何攻击的数字水印检测方法

以回归型支持向量机理论为基础, 结合性能稳定的伪Zernike矩和Krawtchouk矩, 提出了一种可有效抵抗一般性几何攻击的强鲁棒数字图像水印检测算法. 该算法首先选取图像的低阶Krawtchouk矩作为特征向量, 然后利用SVR对几何变换参数进行训练学习并对待检测图像进行数据预测, 最后对其进行几何校正并提取水印信息. 仿真实验结果表明, 该数字图像水印检测算法不仅具有较好的不可感知性, 而且对常规信号处理和一般性几何攻击均具有较好的鲁棒性.     

基于支持向量机的鲁棒盲水印算法

提出了一种基于支持向量机的鲁棒盲水印算法.该算法首先用多尺度Harris-Laplace检测算子从载体图像中提取出稳定的特征点,然后根据特征自适应确定局部特征区域,在特征区域选择一些点作为嵌入水印的点,结合图像的邻域相关性,根据灰度图像特点,选取特征向量作为SVR训练模型,进而利用SVR进行预测,调节嵌入点的像素值进行水印的嵌入和提取.实验结果表明,用该技术嵌入水印后的图像具有很好的图像感知质量,时常规信号处理乖去同步攻击特别是JPEG压缩具有较强的鲁棒性.     

基于回归型支持向量机的数字图像水印新算法

以回归型支持向量机（Support Vector Regression,SVR）理论为基础,提出一种数字图像水印新算法.该算法能够结合图像局部相关性,选取稳定的特征向量并获得SVR训练模型,进而利用SVR训练模型嵌入和提取数字水印信息.该算法以保证不可感知性和鲁棒性的良好平衡为前提,实现了数字水印的盲检测.仿真实验表明,本文算法不仅具有较好的不可感知性,而且对叠加噪声、JPEG压缩、锐化、平滑滤波、对比度增强等常规处理及扭曲、剪切等几何攻击均具有较好的鲁棒性,其整体性能明显优于现有SVM图像水印方案.     

基于支持向量机的彩色图像水印算法

提出了一种基于回归型支持向量机(SVR)的盲检测彩色图像水印算法。为了改善可见性,根据人眼视觉特性（HVS）自适应选择其嵌入位置。水印嵌入是通过修改图像中像素蓝色通道信息来实现,水印提取时结合图像局部相关性,选取稳定的特征向量并获取SVR训练模型,进而利用SVR训练模型进行预测提取数字水印信息。在嵌入过程中通过高斯模板来均衡调整嵌入水印后对宿主图像影响的强度,仿真实验证明本文算法不仅具有非常好的透明性,而且对诸如叠加噪声、JPEG压缩、平滑滤波、几何变换、图像增强等攻击也具有很好的鲁棒性。     

信息嵌入位置自适应选择的鲁棒水印算法

为了更好地提高嵌入水印后的图像质量,提出了一种利用遗传算法(GA)优化支持向量回归机(SVR)的鲁棒水印算法。把经Haar小波变换后,图像子带中具有强相似性的数据作为特征向量,用于被遗传算法优化的SVR建立小波系数方向树的模型。通过比较特征向量均方差(MSE)的大小来自适应地确定水印嵌入的位置。水印的嵌入与提取是通过调整模型的预测值与目标值之间的大小来实现的。实验结果表明,所提算法对常见的图像攻击有很强的鲁棒性,而且水印图像在嵌入容量为16384比特的情况下,峰值信噪比可以达到44.15dB。因此能够有效抵抗常见的水印攻击,在嵌入大量信息的情况下,具有很高的透明性。     

基于二代Bandelet变换与稳定特征检测的鲁棒图像水印算法

当前基于特征点的图像水印技术主要是将水印信息隐藏到采用固定值构建的特征不变区域中,其抵御几何变换能力不佳。对此,设计二代Bandelet变换耦合稳定特征检测的图像水印算法。引入尺度不变特征变换方法,提取载体图像中潜在的特征点;根据特征点的Hessian矩阵对应的特征值,构建不稳定特征点消除规则;根据特征点的尺度因子,计算圆形半径,建立局部特征不变区域;定义鲁棒特征区域选择机制,找出合适的水印嵌入位置;引入二代Bandelet变换,处理鲁棒特征区域,获取并选择出重要的Bandelet系数;设计水印嵌入方法,将经过仿射映射加密后的二值水印隐藏到重要的Bandelet系数,获取水印图像;检测水印图像的稳定特征点,联合二代Bandelet变换,从水印图像中复原二值水印。测试结果显示:与已有的鲁棒水印方案相比,该方案具有更高的不可感知性与鲁棒性,其输出的水印图像对应的差分图更为理想,在多种几何攻击下的复原水印失真度最小。     

基于NSCT变换的轮廓匹配水印算法

针对常见抗几何攻击水印算法存在的不足,设计一种基于非采样NSCTContourlet(NonsubsampledContourletTransform)变换的鲁棒水印算法.算法利用NSCT提取图像轮廓并用于几何校正.水印嵌入过程分为三步:首先利用NSCT域高频系数提取图像轮廓;其次依据图像轮廓提取特征点用于几何校正;最后水印信息自适应量化嵌入NSCT域低频系数.实验结果表明,该算法不仅具有很好的透明性,同时对常见图像处理攻击和几何攻击均具有很强的鲁棒性.     

基于SIFT和非采样Contourlet变换的鲁棒水印算法

针对常见抗几何攻击水印算法存在的不足,设计一种基于SIFT和非采样Contourlet(NSCT)变换的鲁棒水印算法。算法首先利用尺度不变特征变换在载体图像的尺度空间上提取特征点并形成矩形特征区域,然后水印信息自适应量化嵌入特征区域的NSCT低频变换系数中,最后保存若干个稳定特征点用于几何校正。实验结果表明,该算法不仅具有很好的透明性,同时对常见图像处理攻击和几何攻击均具有很强的鲁棒性。     

一种使用机器学习方法的数字水印算法

针对目前数字水印算法存在的不足,本文将离散小波变换和奇异值分解相结合,提出了一种基于机器学习的图像数字水印算法.首先将载体图像进行一级小波变换,提取其低频子带图像对其进行4×4分块处理,然后对每一分块进行奇异值分解后嵌入水印,并提取特征向量用于最小二乘支持向量机的训练,训练好的最小二乘支持向量机用于自适应最大水印嵌入强度的计算以及水印的盲提取.实验选取三张512×512的标准测试图像以及64×64的二值水印图像对算法的透明性与鲁棒性进行测试.实验结果证明,图像具有很好的透明性,PSNR达到了63.71dB,针对旋转、剪切、JPEG压缩、高斯噪声等常规攻击手段时,算法能保持较强的鲁棒性.     

基于改进SIFT的抗几何攻击的数字水印

通过改进的SIFT（尺度不变特征变换）算法提出了一种可有效抵抗几何攻击的鲁棒数字水印算法。此算法利用改进的SIFT进行水印信号的同步;水印嵌入采用圆环的嵌入模式,在空域以奇偶量化形式嵌入;通过奇偶检测器提取水印。实验结果表明,改进的SIFT大大降低特征点匹配的维数,提高匹配速率,同时该算法能获得很好的图像质量,能有效抵抗几何攻击和常规的信号处理攻击。     

基于SIFT的椭圆区域鲁棒数字水印方案

如何有效抵抗去同步攻击是数字图像水印研究领域的热点问题之一。利用图像仿射协变特征,提出一种可有效抵抗去同步攻击的鲁棒水印算法。对目前流行的利用多尺度Harris和SIFT描述算子来匹配图像的方法,后者有较好的匹配效果,对恢复同步水印更加稳定,并且能较好抵抗去同步攻击。该算法利用性能稳定的SIFT算子提取图像特征点,并通过基于最小生成树聚类算法的选择策略获得一组稳定且彼此独立的椭圆仿射协变特征区域,基于特征区域,利用椭圆归一化得到具有缩放和旋转不变性的圆形区域。将圆形区域进行非下采样轮廓变换（NSCT）,其中非下采样轮廓变换不仅克服了小波（Wavelet）变换的非奇异性最优基缺点,而且提供了优于轮廓（Contourlet）变换的平移不变性。将水印嵌入变换后的低频子带中。该算法实现盲提取,仿真实验结果表明,提出的算法是有效的且对常规图像处理、几何攻击以及组合攻击均具有较好的鲁棒性。     

DWT域抗几何攻击水印算法研究

鲁棒水印面临的最大问题就是几何攻击.小波变换域不具有几何不变性,一个微弱不可察觉的几何攻击就能使小波域水印算法失效.提出了一种新的以特征点作为模板、有效抵抗几何攻击的图像水印算法.它包括:(1)根据小波变换空间各子带呈树形结构的特性,选择每棵小波树中纹理最强的方向子树的树根作为水印嵌入点;(2)根据嵌入点在低频对应位置的能量和该方向子树高频叶子结点的纹理信息确定一种自适应嵌入水印策略;(3)利用Harris-Laplace算子从含有水印的图像中提取出具有几何形变鲁棒性的特征点,将其作为模板;(4)水印检测时,先利用特征点模板通过线性变换恢复几何形变的图像.然后通过统计图像的相关性来验证水印的存在,无需原始图像.仿真实验表明,所提出的水印算法不仅具有很好的透明性,而且对常见的图像处理和几何变换具有很好的鲁棒性.     

基于仿射协变区域的抗几何攻击图像水印算法

提出了一种基于仿射协变区域的抗几何攻击数字图像水印算法. 首先利用仿射不变点检测算子提取图像特征点, 并通过基于最小生成树聚类算法的选择策略获得一组稳定且彼此独立的仿射协变特征区域. 然后基于特征区域, 利用图像归一化和主梯度方向对齐得到具有缩放和旋转不变性的圆形区域. 最后将水印在空域直接嵌入到圆形区域中. 大量的实验结果表明本文方法是有效的, 对常规图像处理、几何攻击以及组合攻击均具有较好的鲁棒性.     

基于Harris-Laplace特征区域的遥感图像水印算法

针对现有遥感影像数字水印算法多为全局水印算法,抵抗旋转、行列剪切、水平镜像以及联合几何攻击能力较差,提出一种基于Harris-Laplace特征区域的局部化遥感影像水印算法。算法依据密钥生成一个随机序列,对其实施二值化,并选取一段作为待嵌入的数字水印;在宿主遥感影像中提取Harris-Laplace特征点,并依据其确定水印嵌入特征区域;最后,根据待嵌入的水印信息,将所选特征区域进行圆环划分,利用奇偶量化方法将水印嵌入其中。实验证明该算法对JEPG压缩、噪声及滤波等常规信号处理具有较好鲁棒性的同时,能够更好地抵抗旋转、缩放、平移及其联合等几何攻击。     

基于LFRs的大容量抗几何攻击水印算法*

如何有效抵抗几何攻击是目前水印技术研究的难点之一,且已有抗几何攻击水印算法的嵌入容量有限。提出了一种利用尺度不变特征变换（SIFT）特征点确定的局部特征区域（LFRs）嵌入水印的大容量抗几何攻击的水印算法。算法首先从图像的非抽样的Contourlet域（NSCT）低频分量中提取出SIFT中等尺度的稳定特征点,并通过最小生成树聚类算法的选择策略获得一组分布均匀且彼此独立的圆形特征区域;然后对每个圆形区域进行等角度的扇形分割和等面积的同心圆环分割,划分成等面积的子块;最后采用奇偶量化将经过混沌加密的水印嵌入到     

A robust image watermarking algorithm using SVR detection

Geometric distortion is known as one of the most difficult attacks to resist. Geometric distortion desynchronizes the location of the watermark and hence causes incorrect watermark detection. According to the Support Vector Regression (SVR), a new image watermarking detection algorithm against geometric attacks is proposed in this paper, in which the steady Pseudo-Zernike moments and Krawtchouk moments are utilized. The host image is firstly transformed from rectangular coordinates to polar coordinates, and the Pseudo-Zernike moments of the host image are computed. Then some low-order Pseudo-Zernike moments are selected, and the digital watermark is embedded into the cover image by quantizing the magnitudes of the selected Pseudo-Zernike moments. The main steps of watermark detecting procedure include: (i) some low-order Krawtchouk moments of the image are calculated, which are taken as the eigenvectors; (ii) the geometric transformation parameters are regarded as the training objective, the appropriate kernel function is selected for training, and a SVR training model can be obtained; (iii) the Krawtchouk moments of test image are selected as input vector, the actual output (geometric transformation parameters) is predicted by using the well trained SVR, and the geometric correction is performed on the test image by using the obtained geometric transformation parameters; (iv) the digital watermark is extracted from the corrected test image. Experimental results show that the proposed watermarking detection algorithm is not only robust against common signal processing such as filtering, sharpening, noise adding, and JPEG compression etc., but also robust against the geometric attacks such as rotation, translation, scaling, cropping and combination attacks, etc.