王洪濤+荊園園

摘要：針對(duì)當(dāng)前農(nóng)產(chǎn)品圖像數(shù)字水印易受到幾何變形等攻擊破壞、不可感知性差、魯棒性不高等問題，提出特征點(diǎn)混沌算法。通過(guò)特征窗內(nèi)部的最小像素差的平方和確定特征點(diǎn)，且過(guò)濾掉低對(duì)比度侯選極值點(diǎn)；利用特征點(diǎn)鄰域像素的梯度方向分布特性，為每個(gè)特征點(diǎn)指定方向參數(shù)，利用Tent混沌序列對(duì)圖像進(jìn)行置亂，通過(guò)相關(guān)性函數(shù)進(jìn)行水印檢測(cè)。仿真試驗(yàn)結(jié)果顯示，本研究算法在提取獼猴桃和葡萄的數(shù)字水印過(guò)程中，注重特征點(diǎn)信息以及周圍的信息，提取的水印效果清晰，且原始圖像沒有被破壞；在透明性測(cè)試指標(biāo)中本研究算法的信噪比最大，嵌入后具有較好的不可見性；本研究算法的魯棒性評(píng)價(jià)指標(biāo)中最小，噪聲攻擊測(cè)試后本研究算法的相關(guān)系數(shù)下降速度最慢。

關(guān)鍵詞：農(nóng)產(chǎn)品仿真圖像；特征點(diǎn)；混沌；圖像水印；鄰域像素；梯度；魯棒性；仿真試驗(yàn)；信噪比

中圖分類號(hào)： S126文獻(xiàn)標(biāo)志碼： A

文章編號(hào)：1002-1302（2017）04-0179-04

在智慧農(nóng)業(yè)信息化的推動(dòng)下，農(nóng)業(yè)電子圖片拍攝增多，網(wǎng)上傳播、交叉引用頻繁，也出現(xiàn)了各種侵權(quán)濫用他人圖片的情況，為了保護(hù)農(nóng)產(chǎn)品市場(chǎng)有序發(fā)展，通過(guò)水印信息隱藏于農(nóng)產(chǎn)品原始文件中，同時(shí)要求不影響原始文件的完整性和可觀性[1]。最低有效位算法（least significant bit，LSB）的信息嵌入到載體圖像像素值的最低有效位，載體圖像的品質(zhì)影響最小，具有嵌入信息容量大的優(yōu)點(diǎn)[2]，但是圖像LSB位的低位數(shù)據(jù)很輕易被改變，易被濾波、幾何變形等攻擊破壞，魯棒性不高；方式-標(biāo)量算法（scalar costa scheme，SCS）實(shí)現(xiàn)后，次嵌入水印的位置可以不用知道前次嵌入水印的位置，如果沒有算法密鑰，水印圖像無(wú)法正確提取[3]，在對(duì)水印檢測(cè)過(guò)程中存在誤碼率較高的缺點(diǎn)；離散余弦變換（discrete cosine transform，D）通過(guò)將水印信息添加在圖像的中、低頻系數(shù)中去[4]，可有效抵抗有損壓縮攻擊，但是D系數(shù)上添加的水印可能在解壓縮的過(guò)程中被放大，從而引起水印和圖像失真；離散傅里葉變換域（discrete fourier transform，DFT）有較好的抗幾何攻擊性[5]，受振幅的影響，圖像質(zhì)量變化比較大，對(duì)剪切抵抗能力不高。本研究采用基于特征點(diǎn)混沌算法（feature and chaos，F(xiàn)C），首先通過(guò)特征窗內(nèi)部的最小像素差的平方和確定特征點(diǎn)，且過(guò)濾掉低對(duì)比度侯選極值點(diǎn)；然后利用特征點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)特征點(diǎn)指定方向參數(shù)；接著利用Tent混沌序列對(duì)圖像進(jìn)行置亂；最后給出水印提取過(guò)程。仿真試驗(yàn)結(jié)果顯示，本研究算法提取水印效果清晰，且原始圖像沒有被破壞，評(píng)價(jià)參數(shù)魯棒性較好。

1特征點(diǎn)混沌算法實(shí)現(xiàn)過(guò)程

1.1特征點(diǎn)提取

在載體圖像和水印化圖像中特征窗ω大小同設(shè)為6×6[6]，特征窗內(nèi)部的最小像素差的平方和計(jì)算為：

[JZ（]Dmin=∑[DD（]ω[DD）][Ik-Io]2。[JZ）][JY]（1）

式中：Ik、Io為水印化圖像、載體圖像特征窗內(nèi)的像素亮度值。

相似度測(cè)度為：

[JZ（]ρok=[SX（]∑[DD（]ω[DD）][Ik×Io][KF（]∑[DD（]ω[DD）]I2o[KF）][KF（]∑[DD（]ω[DD）]I2k[KF）][SX）]。[JZ）][JY]（2）

式中：0﹤ρok﹤1。

過(guò)濾低對(duì)比度特征點(diǎn)，按泰勒級(jí)數(shù)展開：

[JZ（]D（x）=D+[SX（]DTx[SX）]x+[SX（]12[SX）]xT[SX（]2Dx2[SX）]x。[JZ）][JY]（3）

當(dāng)函數(shù)導(dǎo)數(shù)為0時(shí)，得特征點(diǎn)偏移量X[TX-]極值：

[JZ（]X[TX-]=-[SX（]2D-1x2[SX）][SX（]Dx[SX）]。[JZ）][JY]（4）

若X[TX-]在任一方向上大于0.5，則偏移量的極值與另外的特征點(diǎn)較接近，利用插值取代該特征點(diǎn)，偏移量X[TX-]添加到其特征點(diǎn)上[7-8]，在極值位置處的估計(jì)插值為：

[JZ（]D（X[TX-]）=D+[SX（]12[SX）] [SX（]DTX[SX）]X[TX-]。[JZ）][JY]（5）

這樣將所有|D（X[TX-]）|﹤0.04的低對(duì)比度侯選極值點(diǎn)過(guò)濾掉。第k個(gè)侯選特征點(diǎn)為pk，在尺度空間中采用LOG算子檢測(cè)此點(diǎn)能否獲得局部極值δk，若不能，則放棄該點(diǎn)；若能獲得局部極值δk，則該點(diǎn)記入集合{pk′}進(jìn)行精確搜索，搜索范圍為：δkt=tδk，t∈[0.5，1.5]之間的隨機(jī)數(shù)，最后獲得精確的特征點(diǎn)的尺度。

1.2特征點(diǎn)主方向確定

通過(guò)特征點(diǎn)鄰域像素梯度分布特點(diǎn)，每個(gè)特征點(diǎn)的方向參數(shù)計(jì)算為：

式中：m（x，y）、θ（x，y）為（x，y）處的梯度值、方向，L（x，y）為特征點(diǎn)的尺度，通過(guò)特征點(diǎn)為中心對(duì)鄰域窗口采樣，梯度方向峰值H[TX-]（n）為該特征點(diǎn)的方向，將其以10°為步長(zhǎng)進(jìn)行角度級(jí)H[TX-]量化[9]，圖1為對(duì)某個(gè)特征點(diǎn)鄰域內(nèi)的像素點(diǎn)進(jìn)行梯度直方圖統(tǒng)計(jì)。

1.3混沌序列水印嵌入加密

用0和1組成的隨機(jī)數(shù)獲得二進(jìn)制偽隨機(jī)序列水印信號(hào)，但是隨機(jī)序列對(duì)初始值沒有敏感依賴性，同時(shí)有些偽隨機(jī)序列有規(guī)律性的特征，序列的數(shù)量有限，在大規(guī)模應(yīng)用時(shí)并不適用[10]。利用混純序列和圖像像素點(diǎn)進(jìn)行運(yùn)算，使得圖像具有偽隨機(jī)的特點(diǎn)，實(shí)現(xiàn)圖像的加密。Tent對(duì)區(qū)間[0，1]映射遍歷、均勻分布到其自身上，獲得均勻的概率密度與功率譜密度、較好的自相關(guān)性[11-12]。采用Tent映射獲得混沌序列，

Tent映射其表達(dá)式為：

[JZ（]xk+1=[JB（{]2xk0≤xk≤1/22（1-xk）[KG*2]1/2≤xk≤1[JB）]。[JZ）][JY]（7）

Tent映射經(jīng)貝努利移位變換為：

式中：mod是取模計(jì)算，在取模中Tent將小數(shù)部分的二進(jìn)制數(shù)進(jìn)行無(wú)符號(hào)左移，這樣能夠適合數(shù)量級(jí)較大的圖像數(shù)據(jù)序列處理[13]。通過(guò)Tent混沌序列對(duì)圖像進(jìn)行置亂，設(shè)原始圖像為N×N的灰度圖像X，利用輸入的數(shù)值a與初始值x0，造出混沌序列{hk|k=1，2，3，…，N×N}，將混沌序列與原始圖像X運(yùn)算獲得加密后的圖像Y：

式中：X（i，j）為圖像X的像素點(diǎn)數(shù)值，1≤i，j≤N；Y（i，j）為圖像Y的像素點(diǎn)數(shù)值。

恢復(fù)算法如下：首先從正確的密鑰中計(jì)算得到加密混沌序列{hk|k=1，2，3，…，N×N}，然后將圖像Y與混沌序列按以下的公式進(jìn)行解密運(yùn)算。

式中：w代表原始水印；w′代表提取出的水印。若p（w，w′）≥γ（γ是預(yù)定的門限值），則檢測(cè)到水?。环駝t，認(rèn)為圖像中不存在水印。

2仿真試驗(yàn)結(jié)果與分析

為了驗(yàn)證本研究提出算法的性能，仿真試驗(yàn)環(huán)境如下：MATLAB 7.0軟件編程，硬件平臺(tái)的CPU為3.6 GHz、內(nèi)存 4 GB、操作系統(tǒng)Win7、硬盤為SATA接口，為了減少誤差進(jìn)行多次蒙特卡羅仿真實(shí)現(xiàn)。

2.1安全性能測(cè)試

為了測(cè)試本研究算法與其他算法的安全性能，使用灰度圖像獼猴桃和葡萄進(jìn)行試驗(yàn)比較。從提取效果看，本研究算法提取水印效果清晰，且原始圖像沒有被破壞，其他算法都破壞了水印、原始圖像信息，這是因?yàn)楸狙芯克惴ɡ没旒冃蛄泻蛨D像像素點(diǎn)進(jìn)行運(yùn)算，使得圖像具有偽隨機(jī)的特點(diǎn)，在提取過(guò)程中，注重特征點(diǎn)信息以及周圍的信息，避免信息破壞。

2.2透明性測(cè)試指標(biāo)

透明性是指衡量一個(gè)水印系統(tǒng)不可見性客觀的評(píng)價(jià)方法。利用峰值信噪比PSNR來(lái)比較原始圖像與嵌入水印后的圖像的差異，PNSR越大，水印的透明性越好，原始圖像和含水印圖像的差異性越小。

式中：I（i，j）表示原始圖像（i，j）的像素值；I′（i，j）表示含水印圖像在（i，j）的像素值。水印透明性測(cè)試的PSNR指標(biāo)結(jié)果如表1所示。本研究算法的PSNR最大，使視覺效果差異性最小，說(shuō)明嵌入后具有較好的不可見性。

2.3魯棒性測(cè)試

魯棒性指標(biāo)要求數(shù)字水印經(jīng)過(guò)線性或非線性濾波、疊加噪聲、圖像量化與增強(qiáng)、圖像裁剪、幾何失真等情況下還能通過(guò)一些計(jì)算操作可以被檢測(cè)或者被提取出來(lái)。水印的魯棒性

3結(jié)語(yǔ)

本研究通過(guò)特征窗內(nèi)部的最小像素差的平方和確定特征點(diǎn)，且過(guò)濾掉低對(duì)比度侯選極值點(diǎn)；利用特征點(diǎn)鄰域像素的梯度方向分布特性為每個(gè)特征點(diǎn)指定方向參數(shù)；采用Tent混沌序列對(duì)圖像進(jìn)行置亂，仿真試驗(yàn)結(jié)果顯示，本研究算法提取水印效果清晰，且原始圖像沒有被破壞，評(píng)價(jià)參數(shù)魯棒性較好，為農(nóng)產(chǎn)品數(shù)字水印安全發(fā)展提供了一種新思路。

參考文獻(xiàn)：

[1]Makbol N M，Khoo B E. A new robust and secure digital image watermarking scheme based on the integer wavelet transform and singular value decomposition[J]. Digital Signal Processing，2014，33（8）：134-147.

[2]Wang Z H，Chang C C，Li M C. Optimizing least-significant-bit substitution using cat swarm optimization strategy[J]. Information Sciences，2012，192（1）：98-108.

[3]Kubrak B，Herlina H，Greve F，et al. Low-diffusivity scalar transport using a WENO scheme and dual meshing[J]. Journal of Computational Physics，2013，240（1）：158-173.

[4]Zhang Y S，Xiao D，Wen W Y，et al. Edge-based lightweight image encryption using chaos-based reversible hidden transform and multiple-order discrete fractional cosine transform[J]. Optics and Laser Technology，2013，54（30）：1-6.

[5]Bianconi F，F(xiàn)ernandez A. Rotation invariant co-occurrence features based on digital circles and discrete Fourier transform[J]. Pattern Recognition Letters，2014，48（15）：34-41.

[6]Zhu Y，Chen W B，Guo G D. Evaluating spatiotemporal interest point features for depth-based action recognition[J]. Image and Vision Computing，2014，32（8）：453-464.

[7]Wang J N，Xiong R，Chu J. Facial feature points detecting based on Gaussian Mixture Models[J]. Pattern Recognition Letters，2015，53（1）：62-68.

[8]Li J，Guo B X，Peng Z. Image matching of junction-type feature points based on the third-order moment[J]. Optik，2015，126（4）：426-431.[HJ1.8mm]

[9]Paulsen J，Song Y. Two-dimensional diffusion time correlation experiment using a single direction gradient[J]. Journal of Magnetic Resonance，2014，244（6）：6-11.

[10]李豪. 基于DWT和混沌原理的圖像數(shù)字水印算法研究[D]. 杭州：浙江大學(xué)，2014：32-45.

[11]Banic I，Crepnjak M，Merhar M，et al. Towards the complete classification of generalized tent maps inverse limits[J]. Topology and Its Applications，2013，160（1）：63-73.

[12]Betten D，Castle D，Bales L，et al. Effect of fuel type on carbon monoxide accumulation in tents of varied design[J]. Wilderness & Environmental Medicine，2013，24（3）：280-284.

[13]Palacios-Luengas L，Delgado-Gutierrez G，Cruz-Irisson M，et al. Digital noise produced by a non discretized tent chaotic map[J]. Microelectronic Engineering，2013，112（SI）：264-268.