基于复Contourlet域的支持向量机和Krawtchouk矩的双水印算法

为了进一步提高基于支持向量机(SVM)水印算法的 鲁棒性,提出了一种 基于复Contourlet域的SVM和Krawtchouk矩的双水印算法。首先从RGB宿主 图像中提取B 分量和G分量,并且充分利用Krawtchouk矩不变量的平移、旋转、缩放不变性 和Krawtchouk矩良好 的局部重构特性,计算B分量图像的Krawtchouk低阶矩不变量 ,由此构造鲁棒水印;然后对G分量图 像进行两级复Contourlet分解,在其低频分量中,利用SVM建立图像尺度内的 局部相关性训练模型, 并根据预测结果自适应地实现数字水印图像的嵌入和提取。大量实验结果表明,本文算法不 仅具有较好的 不可感知性,而且对中值滤波、加性噪声和JPEG压缩之类的常规图像处理,以及缩放、旋转 和剪切等几 何攻击,均具有较好的鲁棒性能,其性能优于基于小波域的SVM和基于Contourlet域的SVM水 印算法。     

基于SIFT和NMF-SVD的NSCT域抗几何攻击水印算法

为了进一步提高水印算法的鲁棒性,提出了一种在无下采样Contourlet变换(non-subsampled contourlet transform,NSCT)域中利用尺度不变特征变换(scale-invariant feature transform,SIFT)特征点进行几何攻击校正,并结合非负矩阵分解(non-negative matrix factorization,NMF)和奇异值分解(singular value decomposition,SVD)的图像抗几何攻击水印算法。该算法首先对RGB宿主图像进行两层NSCT并分别提取低频部分的红色分量和蓝色分量;然后充分利用非负矩阵的线性无关性和稀疏性以及奇异矩阵的稳定性,对蓝色低频分量进行水印的嵌入;最后利用红色低频分量的SIFT特征点信息对宿主图像进行几何攻击校正,恢复水印的同步信息后再提取水印。大量的实验结果表明,该算法在保证不可感知性的前提下,对于常规图像处理具有更好的鲁棒性能,并能有效地抵抗各类几何攻击和组合攻击。