论文部分内容阅读
本文结合图像方向特征信息和非下采样Shearlet变换,提出了一种零水印算法。并利用k均值聚类算法对Shearlet域方向子带系数进行了聚类分析,对提取方向性特征系数的方法进行了优化。算法的核心思想就是将诸如边缘和纹理等方向性特征成分视作是图像中的一种鲁棒性特征,然后提取这些特征来构造零水印。而非下采样Shearlet变换的多方向性和各向异性使得非下采样Shearlet变换不仅能够对图像信号进行最优逼近表示,还能精确捕捉图像本身固有的方向特征信息。主要工作如下:(1)在分析了非下采样Shearlet变换捕获图像方向性特征成分的基础上,提出了一种零水印算法。原始载体图像的方向性特征体现在Shearlet域中不同的方向子带上。算法中提出了一种叫做方向信息强度的概念来量化频域中子带所含有的方向特征信息,方向信息强度也就是单个子带图像在时域中的像素值的和,并选择方向信息强度最大的子带来提取零水印。然后对该子带按照实际水印的大小分块,接着计算每个小块矩阵的2-范数,二值化后的范数与实际水印异或运算,实现水印的嵌入。与基于DWT的零水印算法相比,在抗旋转攻击上有突出表现。(2)利用k均值聚类算法对方向信息强度最大的方向子带系数进行聚类预处理,旨在尽可能将与图像方向性特征强相关的系数聚为一类,然后利用这些系数构造零水印。最大程度上利用了非下采样Shearlet变换的多方向特征,同时也充分利用了载体图像的方向性特征信息。实验结果验证了子带系数进行聚类预处理后,在抗攻击方面有很大的提升。