学位论文 > 优秀研究生学位论文题录展示

基于图像预处理的鲁棒性水印算法的研究

作　者: 冯祥斌
导　师: 陈永红
学　校: 华侨大学
专　业: 计算机应用技术
关键词: 图像预处理数字水印鲁棒水印版权水印双水印
分类号: TP309.7
类　型: 硕士论文
年　份: 2013年
下　载: 3次
引　用: 0次
阅　读: 论文下载

内容摘要

随着数字技术和网络技术的发展，数据的传输、复制和处理变得更加方便、快捷。但同时也带来了许多安全问题，如：数字产品被非法复制和传播。数字水印是为保护数字多媒体版权而提出的一种有效手段。数字水印是通过在数字产品中嵌入一个标志性的水印信息来保护版权，水印是不易察觉、不容易被有意或无意的修改、不会破坏产品中的有用信息。本文研究了图像预处理技术对水印的不可见性、鲁棒性和容量的影响。主要的研究内容如下：（1）提出了一种基于P-Fibonacci加密的水印算法。为了降低二值水印中像素的空间关联度，该算法使用一种新型的P-Fibonacci加密方法对其进行加密，使嵌入水印后的块效应降低。此外，通过模糊归类算法自适应的确定水印的嵌入强度，保证了不可见性。实验证明，该算法有较好的掩蔽性，且对于压缩、滤波等常见攻击的鲁棒性良好。（2）把超分辨率重构应用于水印算法中。利用超分辨率重构对载体图像进行预处理，提高了该图像的分辨率，增加了其细节信息，使得算法在同等的掩蔽性要求下水印的容量更大。同时，对待嵌入的水印信息进行纠错编码以提高水印的鲁棒性。实验表明，该算法符合鲁棒性算法的要求。（3）结合RBF神经网络和纠错编码提出了一种水印算法。该算法首先利用RBF神经网络增加算法的自适应性。其次，用Logistic映射对原始水印进行加密，保证了水印的安全性。而利用纠错编码对水印进行预处理增强了水印的鲁棒性且降低了失真率。实验表明，算法的不可见性和对常见信号处理攻击的鲁棒性良好。（4）提出了一种基于图像旋转的双水印版权水印算法。该算法用可见水印标识作品的版权归属，用不可见水印来认证版权。此外，算法对待嵌入的可见水印进行微角度图像旋转预处理，而在检测端通过该角度和角度估计算法来验证水印是否与原水印一致。分析表明，算法中的可见水印不会对作品造成较大的降质且可恢复性良好，而不可见水印在各种攻击下的鲁棒性也足够好。

全文目录

摘要  3-4
Abstract  4-9
第1章引言  9-16
  1.1 研究背景和意义  9-10
  1.2 研究中存在的问题  10-11
  1.3 数字水印算法的研究现状分析  11-14
    1.3.1 空间域水印算法  11-13
    1.3.2 变换域水印算法  13-14
    1.3.3 神经网络水印算法  14
    1.3.4 扩频水印算法  14
  1.4 主要研究内容和论文章节安排  14-16
第2章数字水印概述  16-27
  2.1 数字水印的定义和基本框架  16-19
    2.1.1 数字水印的定义  16
    2.1.2 数字水印的基本框架  16-19
  2.2 数字水印的基本特性  19-20
  2.3 数字水印分类  20-23
  2.4 数字水印系统攻击分类  23-24
  2.5 数字水印的应用  24-26
  2.6 本章小结  26-27
第3章基于 P-Fibonacci 加密的模糊自适应水印新算法  27-40
  3.1 置乱原理  27-30
    3.1.1 P-Fibonacci 序列  28-29
    3.1.2 1D P-Fibonacci 变换  29
    3.1.3 2D P-Fibonacci 变换  29-30
  3.2 Fibonacci P-code 位平面分解  30-32
    3.2.1 Fibonacci P-code  30-31
    3.2.2 Fibonacci P-code 位面分解  31-32
  3.3 新型图像加密算法  32-33
  3.4 基于 P-Fibonacci 加密的水印算法  33-35
    3.4.1 基于 P-Fibonacci 加密的水印嵌入流程  34-35
    3.4.2 基于 P-Fibonacci 加密的水印检测流程  35
  3.5 实验仿真结果  35-39
  3.6 本章小结  39-40
第4章基于超分辨率重构的数字水印新算法  40-56
  4.1 超分辨率图像重构  40-48
    4.1.1 超分辨率重构的概念  40-41
    4.1.2 超分辨率图像的稀疏编码  41-45
    4.1.3 字典学习  45-48
  4.2 纠错编码及解码  48-49
    4.2.1 纠错编码  48
    4.2.2 纠错解码  48-49
    4.2.3 重复编码  49
  4.3 基于超分辨率重构的水印嵌入和提取  49-50
    4.3.1 基于超分辨率重构的水印信息的嵌入  49-50
    4.3.2 基于超分辨率重构的水印信息的提取  50
  4.4 实验与分析  50-55
  4.5 本章小结  55-56
第5章基于纠错编码和 RBF 神经网络的混沌水印算法  56-64
  5.1 径向基函数神经网络(RBF)  56-58
    5.1.1 RBF 神经网络模型  56-58
    5.1.2 RBF 神经网络的训练过程  58
  5.2 混沌置乱  58-59
  5.3 水印的嵌入与检测  59-60
    5.3.1 水印的嵌入  59
    5.3.2 水印的检测  59-60
  5.4 实验仿真结果  60-63
  5.5 本章小结  63-64
第6章双水印结合图像旋转的版权水印新算法  64-79
  6.1 图像旋转及旋转角度估计算法  64-69
    6.1.1 局部运动估计  64
    6.1.2 全局运动估计  64-66
    6.1.3 旋转模型  66-69
  6.2 基于图像旋转和双水印的版权水印算法  69-73
    6.2.1 可见水印的嵌入过程  69-72
    6.2.2 鲁棒水印的嵌入和提取过程  72-73
  6.3 实验仿真结果  73-78
    6.3.1 可见水印的嵌入效果和可消除性  74-76
    6.3.2 可见水印的篡改检测和恢复性能  76-77
    6.3.3 鲁棒水印的抗攻击性能  77-78
  6.4 本章小结  78-79
第7章总结与展望  79-81
  7.1 全文总结  79-80
  7.2 研究展望  80-81
参考文献  81-85
致谢  85-87
个人简历、在学期间发表的学术论文与研究成果  87

基于图像预处理的鲁棒性水印算法的研究

内容摘要

全文目录

相似论文