基于超像素分割的數(shù)字水印載體圖像預(yù)處理方法研究與應(yīng)用

李志健， 汪 桃， 郭凌華， 穆 萌

(陜西科技大學(xué) 輕工科學(xué)與工程學(xué)院 中國輕工業(yè)功能印刷與運輸包裝重點實驗室， 陜西 西安 710021)

0 引言

隨著互聯(lián)網(wǎng)和多媒體技術(shù)的快速發(fā)展，數(shù)字?jǐn)?shù)據(jù)的共享和傳輸越來越容易，這引發(fā)了多媒體文件版權(quán)和知識產(chǎn)權(quán)的問題[1].數(shù)字水印技術(shù)[2]因其良好的安全性、隱蔽性、不易被篡改和偽造得到了越來越多的關(guān)注.將數(shù)字水印應(yīng)用于版權(quán)保護(hù)、印刷防偽等領(lǐng)域是一種行之有效且成本低廉的方法，該技術(shù)可以用特定嵌入算法向宿主圖像中嵌入需要隱藏的標(biāo)識信息，之后通過提取算法提取水印信息來驗證原始圖像的真實性.對于數(shù)字水印來說，任何破壞性攻擊對水印算法都有一定影響，通常用水印的不可見性和魯棒性來評估算法的性能.在保證水印不可見的前提下提高數(shù)字水印的魯棒性能是數(shù)字水印研究的關(guān)鍵問題.現(xiàn)有的數(shù)字水印技術(shù)根據(jù)嵌入域的不同，分為空間域水印技術(shù)和變換域水印技術(shù)[3].空間域水印算法實現(xiàn)簡單，計算復(fù)雜度低，但容易受到攻擊，變換域數(shù)字水印算法首先將圖像變換到頻域，然后嵌入水印，與空間水印算法相比，變換域算法具有更好的不可感知性和對不同攻擊的魯棒性.

目前，主要的變換域有離散余弦變換(DCT)、離散小波變換(DWT)和離散傅立葉變換(DFT)[4].傅楚君等[5]研究了DCT 算法嵌入與提取的效果，首先對載體圖像進(jìn)行了幾何分塊，后將水印信息嵌入分塊后的載體圖像，該研究實現(xiàn)了較高的水印透明性，但在受到攻擊時水印魯棒性較差，水印信息容易破壞和丟失.Mukherjee S等[6]提出了一種結(jié)合離散余弦變換(DCT)和奇異值分解(SVD)的水印方案，首先將載體圖像分為m×n的非重疊子塊，從每個子塊中選擇中間帶DCT系數(shù)以形成簡化變換圖像，之后結(jié)合SVD將水印嵌入到簡化的載體圖像中，算法獲得了良好的不可見性.Heidari M等[7]提出了一種基于混合DCT-SVD的圖像水印算法，將載體圖像分為8×8的子塊，再將水印圖像的奇異值與位于主對角線上的低頻 DCT 系數(shù)相加，提高了水印的不可感知性.Zhang L等[8]提出了一種魯棒的彩色圖像水印算法，該算法首先將宿主圖像顏色空間轉(zhuǎn)換為YUV，并利用SVD對Y分量進(jìn)行處理，然后將水印嵌入到宿主圖像中，該方法對幾何攻擊具有魯棒性，但與其他水印相關(guān)方案相比，PSNR值較低.黃根嶺等[9]提出了最優(yōu)塊的DWT-DCT-SVD水印算法，利用小波系數(shù)塊信息熵和周圍系數(shù)塊信息熵波動最小兩個原則選出最優(yōu)嵌入水印塊進(jìn)行嵌入.該算法在將水印嵌入到某個特定的小波系數(shù)上時，水印魯棒性和透明性較好，但是對于抵抗旋轉(zhuǎn)和剪切攻擊的效果較差.

以上諸多數(shù)字水印算法大都直接對整幅圖像進(jìn)行處理，亦或是通過幾何分塊對圖像進(jìn)行分塊后嵌入水印，然而對整幅圖像處理未考慮到圖像的細(xì)節(jié)信息，幾何分塊的方法未考慮到圖像本身的顏色以及紋理等特征，分塊結(jié)果較為粗糙，會導(dǎo)致嵌入水印后圖像顏色失真、提取效果不佳等問題.

基于此，本文針對現(xiàn)有的數(shù)字水印的缺陷，提出了一種基于載體圖像預(yù)處理和DCT-SVD變換的數(shù)字水印算法.首先根據(jù)圖像的顏色和紋理特征對圖像進(jìn)行超像素分割，并利用灰度共生矩陣(GLCM)計算每個超像素塊的特征信息，然后利用神經(jīng)網(wǎng)絡(luò)將超像素塊分為三類，之后將水印圖像以自適應(yīng)嵌入強度嵌入到三類不同的載體圖像中，在保證水印不可見的前提下，增強算法的魯棒性能.

1 相關(guān)理論

1.1 超像素分割

2003年，Ren X等[10]首次提出了“超像素”的概念，與傳統(tǒng)的幾何分割不同，超像素分割能夠?qū)D像分割為位置相鄰、紋理、亮度特征相似的小像素塊，且不會破壞整幅圖像的邊界信息.在諸多超像素分割算法中，簡單的線性迭代聚類(Simple Linear Iterative Clustering,SLIC)[11]超像素分割算法在分割速率和分割錯誤率上要優(yōu)于其它的超像素分割算法，因此選用簡單線性迭代聚類 (SLIC) 算法對載體圖像進(jìn)行分割.其分割原理如式(1)～(3)所示：

(1)

(2)

(3)

式(1)～(3)中：l,a,b分別表示每個像素點在CIELab顏色空間中三通道的顏色值，dc為兩個像素點之間顏色距離.x,y表示像素點的位置坐標(biāo)，ds為兩個像素點之間的空間距離.Nc表示聚類過程中允許顏色的最大距離，其范圍為[1，40]，數(shù)值越小聚類的越精細(xì)，但同時算法的效率會隨之降低，一般情況下的取值為10.Ns表示該類超像素塊之間位置的最大距離，D′為像素點之間的距離量度.

1.2 灰度共生矩陣

灰度共生矩陣(Gray Level Co-occurrence Matrix,GLCM)[12]是一種基于統(tǒng)計的紋理特征提取方法，在圖像特征提取、圖像紋理描述等方面有廣泛的應(yīng)用.灰度共生矩陣(GLCM)能夠在方向、鄰域、變化范圍等方面來反應(yīng)圖像的綜合信息.但是由于灰度共生矩陣(GLCM)自身的所含數(shù)據(jù)的信息量過大，一般不直接作為區(qū)分紋理特征的依據(jù).Dori D等[13]基于灰度共生矩陣定義了用于特征分析的14個特征參數(shù)，本文選用對比度、同質(zhì)性、相關(guān)性、能量、信息熵5個參數(shù)對分割后的圖像進(jìn)行統(tǒng)計圖像信息.設(shè)G表示灰度共生矩陣，則其特征信息分別可以表示為式(4)～(8)：

(4)

(5)

(6)

(7)

(8)

1.3 人工神經(jīng)網(wǎng)絡(luò)

人工神經(jīng)網(wǎng)絡(luò)(Artificial Neural Network，ANN)是一個包含輸入和輸出的由大量權(quán)重參數(shù)構(gòu)成的運算模型.它的具體參數(shù)并沒有實際意義，它所表達(dá)的信息在于對輸入樣本的輸出反饋上，比如分類結(jié)果、目標(biāo)檢測結(jié)果等[14].利用神經(jīng)網(wǎng)絡(luò)對超像素分割得到的載體圖像區(qū)域進(jìn)行分類，可以得到不同分類結(jié)果的載體圖像.

1.4 離散余弦變換

離散余弦變換(Discrete Cosine Transform，DCT)[15]是圖像編碼技術(shù)之一，它用一組不同頻率和幅值的余弦函數(shù)之和來近似一副圖像.具有操作簡單快捷、計算量小、速度快、錯誤率低、信息集中等特點，由于離散余弦變換(DCT)的優(yōu)勢，基于DCT變換的數(shù)字水印算法能夠更好地滿足不可感知性和魯棒性的權(quán)衡關(guān)系.離散余弦變換(DCT) 的基礎(chǔ)是傅里葉變換，圖像信號需要通過二維數(shù)組的變換來實現(xiàn).

二維離散余弦變換的定義為式(9)：

(9)

二維離散余弦反變換的定義為式(10)：

(10)

對于一幅圖像來說，其中大部分可視化信息都集中在離散余弦變換(DCT)少數(shù)的變換系數(shù)上，因此可以通過離散余弦變換(DCT)將水印信息添加到宿主圖像中而不影響載體圖像的質(zhì)量，且加入水印后的圖像與原始圖像在視覺效果上幾乎一致.

1.5 奇異值分解

奇異值分解(Singular Value Decomposition，SVD)[16]是矩陣分析中一種非常重要的分解方法，應(yīng)用領(lǐng)域廣泛.由于數(shù)字圖像通常被量化為矩陣來存儲，因此奇異值分解(SVD)被廣泛的應(yīng)用于圖像處理.矩陣經(jīng)過奇異值分解(SVD) 得到 1個奇異值矩陣2個正交矩陣，圖像的奇異值有很強的穩(wěn)定性，圖像受到輕微的擾動時不會有顯著改變.它的基本原理如下，假設(shè)矩陣A表示一幅(M×N)的數(shù)字圖像，其中A∈RM×N(R為實數(shù)集合)，矩陣A的奇異值分解(SVD)如式(11)所示：

(11)

式(11)中：UA和VA為M×N大小的酉矩陣，S為對應(yīng)的奇異值矩陣.由于奇異值分解(SVD)具有較強的穩(wěn)健性，這使數(shù)字水印具有抗攻擊的性能.因此可以對載體圖像與水印圖像進(jìn)行奇異值分解后將水印圖像的奇異值矩陣置于載體圖像的奇異值矩陣中，從而增強算法的抗攻擊性能.

2 水印載體圖像預(yù)處理

2.1 顏色空間轉(zhuǎn)換

CIELab顏色空間[17]是一種基于人眼生理特征的顏色模型，與設(shè)備顏色無關(guān)，為了使水印的嵌入不依賴設(shè)備的顏色空間，將所有的載體圖像預(yù)處理均轉(zhuǎn)換至CIELab顏色空間.通過MATLAB軟件讀取原始載體圖像I，若原始圖像的顏色空間為CIELab，則保持顏色空間不變，得圖像ILab，否則將圖像I轉(zhuǎn)換到CIELab顏色空間仍得到圖像ILab.圖像顏色模式主要涉及到RGB顏色空間與CIELab顏色空間的轉(zhuǎn)換，因RGB顏色空間和CIELab顏色空間沒有直接的轉(zhuǎn)換方法，需借助XYZ顏色空間，再轉(zhuǎn)換到CIELab空間，CIELab空間轉(zhuǎn)RGB空間反之，其轉(zhuǎn)換原理如下：

RGB顏色空間與XYZ顏色空間的轉(zhuǎn)換關(guān)系如式(12)、(13)所示：

(12)

(13)

XYZ顏色空間和Lab顏色空間的轉(zhuǎn)換關(guān)系如式(14)所示：

(14)

式(14)中：

(15)

2.2 圖像分割與分類

為了使水印算法具有魯棒性高、水印容量大的性能，對載體圖像進(jìn)行了分割與分類，通過這種方法來確定不同粗糙度的圖像的嵌入強度，以期獲得更好的嵌入與提取效果.對讀入的載體圖像ILab繼續(xù)進(jìn)行處理，具體步驟如下：

步驟1將原始載體圖像ILab通過SLIC超像素分割的方法分割成超像素塊，首先調(diào)用超像素分割函數(shù)Superpixels()，為使得分割結(jié)果符合人眼視覺特性，一般設(shè)置分割數(shù)目為100-500，本次設(shè)置預(yù)分割的超像素塊數(shù)為200.以算法類聚階段的迭代次數(shù)為10，得到標(biāo)簽矩陣L和實際分割的超像素塊數(shù)N.其原始載體圖像和分割后的圖像如圖1所示.

圖1 載體圖像

步驟2采用哈希映射[18]對分割后的超像素塊進(jìn)行標(biāo)記，將提取的像素塊對應(yīng)的像素值保持不變，其余像素塊對應(yīng)的像素值均置為0，實現(xiàn)對每個像素塊的提取，再將提取的圖像塊另保存為一副圖片，得到超像素分割出的第1至200幅超像素塊圖像.以隨機(jī)的10個超像素塊為例，如圖2所示.

圖2 保存的超像素塊

步驟3通過灰度共生矩陣(GLCM)計算每塊超像素塊的特征信息.先將分割后的200個彩色載體圖像轉(zhuǎn)換為灰度圖像，調(diào)用二維灰度共生矩陣的函數(shù)接口，計算灰度共生矩陣派生出來的圖像特征，包含對比度、同質(zhì)性、相關(guān)性、能量，再調(diào)用計算信息熵函數(shù)計算圖像信息熵.最后通過文件操作將計算的特征信息保存到指定路徑的.xlsx格式的文件夾中.以隨機(jī)的10個超像素塊的特征值展示，如表1所示.

表1 超像素塊特征值

步驟4首先構(gòu)建自組織競爭神經(jīng)網(wǎng)絡(luò)，設(shè)置分類數(shù)目為3.將灰度共生矩陣計算得到的五個特征值作為神經(jīng)網(wǎng)絡(luò)的輸入，通過神經(jīng)網(wǎng)絡(luò)對200個超像素塊的圖像特征值信息進(jìn)行分類，再通過映射表將分類的結(jié)果映射到超像素塊中得到分類后的載體圖像.分類的結(jié)果如圖3所示，第一類圖像塊紋理比較復(fù)雜，第二類為中間類，第三類圖像紋理較為平淡且顏色溫和.

圖3 分類后的載體圖像

三類不同紋理的圖像對應(yīng)的自相關(guān)函數(shù)如圖4所示.圖像的自相關(guān)函數(shù)能夠反映圖像的紋理和粗糙程度，圖像紋理越復(fù)雜粗糙度越大，函數(shù)的曲線下降越快，由圖4可見，第一類圖像的紋理最粗糙，第二類居于中間，第三類紋理最平穩(wěn).通過自相關(guān)函數(shù)可以驗證所構(gòu)建的自組織神經(jīng)網(wǎng)絡(luò)具有良好的分類性能，分類結(jié)果也符合人類視覺特性.

圖4 三類圖像的自相關(guān)函數(shù)

3 水印嵌入與提取

章節(jié)2對數(shù)字水印載體圖像進(jìn)行了預(yù)處理，在此基礎(chǔ)上，結(jié)合數(shù)字水印算法來驗證所提出的載體圖像預(yù)處理方法是否能夠改善水印的透明性和魯棒性之間的關(guān)系.對預(yù)處理后的載體圖像進(jìn)行離散余弦變換(DCT)和奇異值分解(SVD)，并將待隱藏的二值水印圖像分別嵌入到分類后的載體圖像的奇異值矩陣中，具體嵌入和提取流程如圖5和圖6所示.

3.1 水印嵌入

在水印嵌入之前已完成了載體圖像預(yù)處理，水印嵌入的總流程見圖5所示.載體圖像預(yù)處理完成后，將每類超像素塊所對應(yīng)的圖像轉(zhuǎn)換至RGB顏色空間，轉(zhuǎn)換過程與RGB轉(zhuǎn)CIELab相反.分別計算三類圖像在RGB顏色空間的顏色矩，包括每類圖像R、G、B各個顏色通道的顏色矩，然后選擇R、G、B中顏色矩最大的一個顏色通道作為該類圖像的水印的嵌入通道.具體的嵌入過程如下：

步驟1對3類圖像對應(yīng)的顏色通道進(jìn)行離散余弦變換(DCT)和奇異值分解(SVD)，得到水印的載體矩陣S1_x，其中，x=1,2,3；

步驟2選取與載體圖像大小相同的二值圖像作為水印圖像，同樣對水印圖像進(jìn)行DCT變換和SVD分解得到水印奇異值矩陣Sm；

步驟3為每類不同矩陣S1_x分別以預(yù)設(shè)嵌入強度kx=0.06，0.04，0.02采用式(16)的方法將Sm嵌入到矩陣S1_x中，得到嵌入后的特征值矩陣S2_x；

S2_x=S1_x+kxSm，x=1,2,3

(16)

步驟4對S2_x進(jìn)行逆奇異值分解(ISVD)，逆離散余弦變換(IDCT)，得到每類圖像嵌入水印的圖像Iw_x，x=1,2,3；將嵌入水印后的三幅子圖合并，得到嵌入水印后的圖像Iw=Iw_1+Iw_2+Iw_3.

圖5 水印嵌入流程圖

3.2 水印提取

以水印嵌入過程的逆過程實現(xiàn)對嵌入水印圖像提取，其流程如圖6所示.具體提取過程為：

步驟1首先將受到攻擊后的嵌入水印的圖像使用圖像預(yù)處理階段的超像素分割所得的標(biāo)簽矩陣L對經(jīng)過攻擊后的嵌入水印圖像Iw進(jìn)行分割，再通過圖像預(yù)處理時得到的分類矩陣N對嵌入水印后的圖像Iw分類，得I1_w、I2_w、I3_w，由于三類圖像處理過程相同，將其記為Ix_w，(x=1,2,3)

(17)

步驟4對水印圖像奇異值矩陣Sw_x進(jìn)行逆奇異值分解(ISVD)和逆離散余弦變換(IDCT)得到每類提取的水印圖像Wx，x=1,2,3，通過累加Wx得到最終提取的水印圖像W：

W=W1+W2+W3

(18)

圖6 水印提取流程圖

4 實驗結(jié)果與分析

4.1 實驗參數(shù)設(shè)置

本次模擬實驗運行在處理器為Intel(R)Core(TM) i5-7200、2.70 GHz CPU設(shè)備上，內(nèi)存為8 GB，操作系統(tǒng)為Windows10，仿真實驗平臺為MATLAB 2019b.對載體圖像的超像素分割、灰度共生矩陣計算分割后圖像的特征值、神經(jīng)網(wǎng)絡(luò)對圖像分類、水印的嵌入與提取算法的實現(xiàn)均在MATLAB平臺上進(jìn)行.實驗測試中所用到的彩色載體圖像House.bmp、Fruits.bmp、Tree.bmp均取自圖像處理標(biāo)準(zhǔn)數(shù)據(jù)庫，尺寸為256×256像素，水印圖像選用帶有“MARK”字樣的二值圖像，尺寸也為256×256像素，具體如圖7所示.另外，檢測抗打印掃描效果的打印和掃描設(shè)備均使用EPSON WF-C20590.

圖7 測試圖像

4.2 算法性能測試及分析

4.2.1 評價指標(biāo)

為了驗證所提出的算法是否能夠達(dá)到預(yù)期的不可見性和較好的魯棒性，采用圖像客觀評價方法中的圖像峰值信噪比[19](peak signal-to-noise ratio，PSNR)和歸一化系數(shù)[20](normalized correlation coefficient，NC)來驗證.

峰值信噪比(PSNR)通常用于測試兩幅圖像之間的失真，可以使用其比率來衡量原始載體圖像與嵌入水印之后圖像的視覺質(zhì)量，是否有良好的不可見性，單位為dB，PSNR值越高，嵌入水印后圖像的視覺質(zhì)量就越好，它的定義如式(19)所示：

(19)

式(19)中:m,n為圖像大小，(x,y)為彩色載體圖像的像素點位置，I(x,y)為原始載體圖像在(x,y)位置上的數(shù)值，I′(x,y)為嵌入水印后圖像在(x,y)位置上的數(shù)值，當(dāng)嵌入水印后的圖像與宿主圖像的PSNR大于20，則具有較好的不可見性.

歸一化相關(guān)系數(shù)(NC)來衡量原始水印圖像與提取出水印圖像的相似程度，NC值的計算公式為式(20)：

NC=

(20)

NC值越大，圖像的相似性越高，提取出的水印圖像越清晰.

4.2.2 不可見性分析

根據(jù)章節(jié)2中所述預(yù)處理方法對載體圖像進(jìn)行預(yù)處理，并按照預(yù)處理后所得三類圖像特征，分別設(shè)水印的嵌入強度的權(quán)重比為3∶2∶1，自適應(yīng)嵌入及算法運行所得圖像的視覺效果如圖8所示.

通過峰值信噪比(PSNR)來對比嵌入水印圖像與原始載體圖像之間的差異說明水印的不可見性.嵌入水印圖像和其對應(yīng)的峰值信噪比(PSNR)如圖8.可以看出嵌入水印后的圖像在視覺效果上與原始載體圖像幾乎一致，且在沒有任何攻擊時嵌入水印后的圖像和原始圖像之間的峰值信噪比(PSNR)均大于42 dB，可見通過對載體圖像進(jìn)行預(yù)處理再進(jìn)行水印的嵌入，較好地提高了水印的不可見性.

圖8 嵌入水印圖像

4.2.3 魯棒性分析

為了驗證本文算法的魯棒性，通過對嵌入水印后的圖像進(jìn)行圖像攻擊，然后利用章節(jié)3.2中的提取算法從中提取水印圖像，計算原始水印圖像與提取出的水印圖像之間的歸一化系數(shù)(NC)值來測試該算法的魯棒性.從圖9(a)可以看出，三幅嵌入了水印后的圖像在未受到攻擊時的NC值均大于0.999 9，接近于1，說明在沒有攻擊的情況下，水印算法的魯棒性良好.

此外，通過對圖8(a2)、(b2)、(c2)進(jìn)行隨機(jī)噪聲、打印掃描、椒鹽噪聲、高斯噪聲、均值濾波、圖像剪切、圖像旋轉(zhuǎn)等圖像攻擊，來測試水印算法的抵抗攻擊能力，實驗結(jié)果如圖9所示，攻擊后所提取出水印的視覺效果如表2～4所示.

圖9(a)中還顯示了隨機(jī)噪聲和打印掃描攻擊對水印算法魯棒性的影響，可以看出，在隨機(jī)噪聲攻擊下，提取出水印圖像的NC值大于0.96，打印掃描后提取出水印圖像的NC值大于0.86，符合水印模型的魯棒性要求.在受到這兩種攻擊時，能夠從中提取出清晰、完整的水印，如表2～4中B、C兩列所示.

圖9(b)、(c)顯示了椒鹽噪聲、高斯噪聲對算法魯棒性能的影響.圖中結(jié)果表明，隨著噪聲強度的增加，提取出圖像的NC值會有所下降，但在0.15高密度噪聲的攻擊下，提取出水印圖像的NC值依然在0.90以上.表2～4中D、E兩列可以觀察到在0.15密度噪聲攻擊下，提取出的水印圖像清晰可辨，符合人眼視覺特性，證明所提算法對椒鹽噪聲、高斯噪聲都有一定的抵抗能力.

圖9(d)展示了在窗口大小為3×3、5×5、7×7均值濾波攻擊下算法的魯棒性.從實驗結(jié)果可以看出，均值濾波對算法魯棒性的影響較小，提取出水印圖像的NC值均大于0.93，表2～4中F列展示了5×5窗口大小濾波攻擊下的水印提取效果，可以看出提取出的水印圖像字樣清晰可見，說明濾波攻擊對算法魯棒性的影響較小.

圖9(e)展示了圖像剪切攻擊對算法魯棒性能的影響，在不同剪切比例(1/16、1/8、1/4)攻擊下，提取出圖像的NC值達(dá)到了0.88以上.由表2～4中G列可以看出，在經(jīng)過1/8的剪切后提取出的水印圖像依舊清晰可見，說明該算法對剪切攻擊有良好的抵抗能力.

圖9(f)展示了在不同的旋轉(zhuǎn)角度(1°、5°、10°、15°)的攻擊下，所提取出圖像的NC值均在0.90以上，從表2～4中H列可以看出，在嵌入水印后的圖像順時針旋轉(zhuǎn)10°時提取出的水印仍然有較清晰的輪廓，說明所提出的算法具有一定的抵抗攻擊性能.這是由于對載體圖像進(jìn)行了分割和分類之后再將水印自適應(yīng)的嵌入了3類圖像中，而不是單一均勻的嵌入載體圖像中，故算法具有較強的抗旋轉(zhuǎn)攻擊的能力.

圖9 提取水印圖像的歸一化相關(guān)系數(shù)(NC)值

表2 House圖像水印提取效果圖與NC值

表3 Fruits圖像水印提取效果圖與NC值

表4 Tree圖像水印提取效果圖與NC值

4.2.4 對比實驗

為了驗證本文所提的載體圖像預(yù)處理和DCT-SVD變換的數(shù)字水印算法魯棒性是否有明顯的提升，將本文所提出的算法和單一的對載體圖像進(jìn)行幾何分塊后利用DCT-SVD變換嵌入水印的算法性能進(jìn)行了對比.載體圖像選用House.bmp，水印選用二值圖像選用Mark.bmp，大小均為256×256，對載體圖像進(jìn)行幾何分割后，在同一變換域下對水印進(jìn)行嵌入，并對嵌入水印后的圖像同樣進(jìn)行不同類型的圖像攻擊，再從中提取水印圖像、計算歸一化相關(guān)系數(shù)值(NC).兩種不同的算法所提取出水印圖像的NC值對比如圖10所示.

圖10顯示了本文所提出超像素分割的預(yù)處理算法與簡單幾何分割對水印算法魯棒性能的影響，由圖可以看出所提算法能夠明顯的提升水印圖像的歸一化系數(shù)NC值，重點表現(xiàn)在1/8剪切攻擊和旋轉(zhuǎn)10°攻擊時，在受到1/8剪切攻擊時，本文所提算法的NC值為0.927 9，幾何分割預(yù)處理算法的NC值為0.877 6，同比提高了0.050 3.

圖10 兩種不同算法在受到攻擊后提取出水印圖像的歸一化相關(guān)系數(shù)(NC)值

在受到10°的圖像旋轉(zhuǎn)攻擊時，所提算法的NC值達(dá)到了0.926 0，而幾何分割預(yù)處理算法的NC值為0.853 3，相比提高了0.072 7，此外算法的抗打印掃描性能也提升了0.056 0.可見本文所提出算法在魯棒性能方面優(yōu)于單一幾何分塊算法，由于單一幾何分塊并未考慮到圖像的顏色和紋理特征，嵌入的水印在受到圖像攻擊時會遭到破壞，而超像素分割后再分類嵌入的水印算法能夠在一定程度上減少圖像攻擊所帶來的的水印圖像損失，使算法具有了更強的魯棒性能.

5 結(jié)論

為解決數(shù)字水印魯棒性與不可見性之間的矛盾問題，本文提出了一種基于載體圖像預(yù)處理和DCT-SVD變換的數(shù)字水印算法.首先對載體圖像進(jìn)行(SLIC)超像素分割，然后利用灰度共生矩陣得到的特征值對分割后的圖像進(jìn)行神經(jīng)網(wǎng)絡(luò)分類，完成了水印載體圖像的預(yù)處理.并通過離散余弦變換-奇異值分解(DCT-SVD)將水印圖像嵌入到分類后的載體圖像中，之后利用水印嵌入的逆過程完成水印的提取.經(jīng)過對水印算法測試，所提出的算法具有較好的不可見和較強的魯棒性，能夠抵抗嵌入水印后的圖像在傳輸過程中受到的各種攻擊.同時通過該算法嵌入的水印具有抗打印掃描的性能，為數(shù)字水印在印刷品中的應(yīng)用提供了一種有效的方法.