数字图像水印算法的快速实现研究

最新【精品】范文 参考文献 专业论文 数字图像水印算法的快速实现研究 数字图像水印算法的快速实现研究

摘 要：数字水印技术作为数字多媒体作品版权保护和认证的重要手段，近几年来发展得很快。本文着重研究水印算法的快速实现。第一步提出一种基于图像盲水印算法：首先对原始图像进行分块处理，然后通过在分块Hadamard变换域中修改中频系数来嵌入水印，最后得出具有一定使用价值的结论。实验结果表明，算法对常用的图像处理如JPEG压缩、加噪、滤波等攻击具有较好的鲁棒性。第二步，在前人的研究基础上，实现GPU来执行快速Hadamard变换和反变换。实验结果表明，在Visual C++下利用GPU执行Hadamard变换在一定条件下比CPU更快，实验用显卡性能越强，实验效果越好。

关键词：数字水印；Hadamard变换；快速算法；GPU 0 引言 数字水印技术作为数字多媒体作品版权保护和认证的重要手段，近几年来发展得很快。数字水印技术是在数字媒体中嵌入特定信息的一种技术，根据所嵌入的载体不同，可分为图像水印、音频水印、视频水印等；根据嵌入位置不同，可分为空域水印[1]和变换域水印[2-4]；而按检测过程，又可分为盲水印和非盲水印。其中用于版权保护的数字水印一般要求具有：鲁棒性、不可见性和安全性。目前，数字水印算法研究的重点是鲁棒性，应用最多的是变换域算法，包括DFT[2]、DCT[3]和DWT[4]，经过国内外专家的多年研究、改进，基于变换域的数字水印算法具有较强的鲁棒性，但还是在一定程度上忽略对算法速度的关注，有些算法鲁棒性很高，但处理速度较慢，在小图像中嵌入水印的时间也可能要1分钟。而实际的应用图像往往非常大，有一些应用甚至有实时性的要求，计算工作量大，操作复杂的算法就存在实际应用推广价值低的问题，因此非常有必要研究快速的数字水印算法。哈达玛变换（Hadamard Transform，下文简称HT）的变换矩阵的元素取值最多只有两种，即{1，-1}，所以有速度快、容易用硬件实现的优点。本研究首先提出了一种利用HT的快速数字图最新【精品】范文 参考文献 专业论文 像盲水印算法。其次，利用最新的GPU技术，通过GPU执行快速Hadamard变换和反变换，仿真实验表明，在Visual C++下GPU上执行Hadamard变换在一定条件下比CPU更快，对于处理高像素图像，速度优势更明显。 1 快速数字图像盲水印算法原理 1.1 图像的Hadamard变换 相比DFT、DCT和DWT等变换，HT的主要优点在于计算复杂度低，速度快，容易用硬件实现。二维HT已经在图像处理和图像压缩领域得到广泛的应用。令X代表源图像，Y代表经过变换后的图像，二维HT定义如下： 式（1）中Hn代表一个N×N的HT矩阵，N=2n， n=1，2，3„，其元素值取为+1或-1。 N阶的HT矩阵可以由n-1阶矩阵使用Kronecker积 来实现，具体如下： 1.2 预处理算法 1.2.1 原始水印置乱 首先，为了增加鲁棒性，先对原始水印图像w重复四次，也就是2×2居中平铺，设原始二值水印图像w大小为m×m，令m*=2m，预处理后，得到m*×m*大小的w*。然后对水印图像进行置乱加密处理以消除图像像素之间的相关性。本研究采用一种计算简单、容易实现的置乱方法。设二值水印图像大小为m×m，具体的置乱方法为： 1）先生成一个1到m*×m*的序列，根据密钥key进行置乱，得到随机序列P； 2）设该序列的第n个元素是Pn，令：n=k*m*+l；Pn=i*m*+j； 3）交换像素位置：将原始水印的像素（i，j）放到新位置（k，l），即完成水印的置乱处理。 其次，本文用两个0、1组成的互补序列分别表示二值水印图像中的像素值0和1。令L为序列长度，这两个序列分别定义为： 1.2.2 原始图像预处理 首先将原始图像分割成大小相等的子图像块，若子图像块尺寸选为4×4大小，虽然计算速度快，但因图像子块可变换的系数较少，最新【精品】范文 参考文献 专业论文 会导致水印信息的嵌入量较少；若子图像块尺寸选为16×16大小，图像子块可变换的系数增多了，相应的计算工作量也增大了。所以经过权重考虑，选择将原始灰度图I进行8×8不重叠分块，然后对每一子块进行HT。 1.3 水印嵌入和提取算法 1.3.1 嵌入算法 设原始灰度图像I大小为M×N，原始图像经过分块处理后，得到（M/8）×（N/8）个8×8的图像子块。由上一步得原始水印图像预处理后，得到m*×m*的置乱图像。然后对选中的子块进行HT，得到系数矩阵HBk，j=HT（Bk），其中k表示第k个子块，j表示第j个系数，其取值为1到64。对图像块按ZigZag顺序读取出HBk，j中的第22到36共15个中频系数，得到序列pi。依次嵌入上面得到的置乱图像像素值wi所对应的序列，具体嵌入准则定义如下： 其中L是序列的长度，本文中取15，pi'是修改过的中频系数值。 最后对每个分块进行Hadamard反变换，最终得到含水印图像。 1.3.2 提取算法 本研究的提取算法是盲水印算法，即在水印提取时不需要原始图像，只需要知道嵌入过程中的置乱水印密钥key。具体的提取步骤是： 1）含水印图像处理。先对水印的图像进行8×8不重叠分块，并对每个子块进行HT，得到系数矩阵。 2）水印的提取。按ZigZag读取顺序提取出每个8×8子块系数矩阵中嵌入位置对应的15个中频系数组成新的一维序列pi，j。分别求pi，j与代表水印像素值0和1的序列w0，i和w1，i的相关系数值C（0）和C（1），公式如下： 比较C（0）和C（1）的大小以确定第j块嵌入的像素值是0还是1： 3）水印反置乱。将提取出的水印信息利用密钥key进行反变换，得到新的二维矩阵wi*。由原始水印的预处理步骤可知，wi*其实含有4个m×m大小水印。运用多数原则，为每个对应的像素统计像素值为1的个数，将像素统计值大于2的像素值取为1。即可得到原始水印信息。 1.4 实验结果 最新【精品】范文 参考文献 专业论文 为了消除主观因素的影响，体现版权保护的公正性，除通过视觉来进行判定外，本文使用峰值信噪比（PSNR）评价嵌入水印后彩色图像与原始彩色图像间的差别，并采用归一化的相关系数NC（NC取值为0到1，NC=1时表示完全一致，NC值越高表示相似度越高）定量分析了提取的水印与原始水印的相似度。实验结果是基于Matlab 7平台下仿真得到。下面以512×512的标准Lena灰度图像作为原始图像，32×32的二值图像作为原始水印。由图1可以看出，本文的算法具有较好的不可见性，水印可以完整提取出来。 （a）原始图像（b）原始水印 （c）含水印图像（d）提取的水印图像 图1 数字水印嵌入和提取结果 1.4.1 鲁棒性测试 本节主要测试本文算法抗常用攻击的鲁棒性，实验结果如表1所示。 从表1可以看出，本研究算法鲁棒性令人满意，同时嵌入和提取算法运行速度分别不到3秒。 2 基于GPU的Hadamard变换研究 图形处理器（Graphics Processing Unit，简称GPU）开发之初是单纯的为图形处理服务的。2003年开始GPU在通用计算的应用也越来越广泛[5]。国内外文献研究表明，基于GPU运行的图像处理过程开销比软件运行的小，因此在GPU上运行的水印算法也会比在软件上运行的算法更快速、更实时、更少的开销[6]。本节中提出一种方法实现GPU来处理水印算法中的核心变换――Hadamard变换，以进一步提高基于Hadamard变换的数字图像水印算法的实现速度。 2.1 GPU实现步骤 国内外文献显示GPU上实现FFT的方法，显卡厂商NVidia推出的通用并行计算架构，该架构使GPU能够解决复杂的计算问题，其1.1版就提供了数学运算库――CUFFT （离散快速傅立叶变换），但还没发现过有文献提到在GPU上实现FHT。本文通过FFT和FHT的蝶形图可以看出，两者的实现有很多相似之处，通过比较Visual C++上FFT和FHT的实现代码，可以发现两者间最主要的区别在于FFT中最新【精品】范文 参考文献 专业论文 每级蝶形图中输入序列中对应的两个元素间要先乘上一个加权系数W 再进行加减操作，用公式表示如下： 令W[i]等于1，则cos（angle）=1，sin（angle）=0，可以得到angle=0。换言之，在FFT编程代码基础上做如上处理，运算结果中的实数部分就是FHT的结果。类似的，对于GPU上的FFT实现，理论上也可以通过以上处理，得到FHT的运算结果。针对文献[7]的FFT的GPU实现算法，在其着色语言和OpenGL渲染部分做针对性的处理。实验证明，方法是可行的，原本存储FFT变换结果的实数部分的输出数组中，现在得到的是FHT结果。 2.2 GPU实现快速Hadamard变换与CPU实现快速Hadamard变换比较 实验平台主要如下：处理器为Inter Core（TM）2 E6300 双核 1.86GHz，内存大小为1GB，显卡采用NVidia GeForce 7950GT，显卡内存大小为512MB，整个实验是基于OpenGL来做的，使用的编程工具是Visual C++ 6.0。 2.2.1 GPU和CPU计算结果比较 GPU的计算结果和CPU的计算结果如表2所示，表2的数据取自实验一中Lena灰度图经过CPU-FHT变换和GPU-FHT变换后的实验数据中的最后5个数据用于对比。第一行数据是在CPU-FHT中得到的数据，第二行数据是在GPU-FHT得到的数据。 从表2中数据可以看出GPU实现快速Hadamard变换与CPU实现快速Hadamard变换数据在小数点后6位这样的精度情况下仍然是一致的，说明该方法是完全可行的。 2.2.2 GPU和CPU运行效率比较 由表3可得，数据量比较小时，CPU运算速度比GPU快，CPU的运算时间几乎都为0，当数据量大到一定程度（大于256 256），CPU运算时间就和输入数据量成正比倍数上升，而GPU的时间相对增长较慢，其优势就显现出来。数据量大于524288字节时，GPU的运算速度就比CPU快了。实验结果和国内外文献研究和GPU特性吻合，说明该方法是完全可行的。如果实验采用更高端显卡、大容量内存，那实验效果会更好，更明显。