彩色数字图像

彩色数字图像（精选九篇）

彩色数字图像篇1

由表2看出Landsat7在采集图像时QCALMIN取默认值1(TM和ETM+),将像素亮度值为0的区域去除在外。以下是对前三波段图像去掉无效像素区域后分别做灰度直方图如图1-3所示,纵坐标为100 * countPixel[i]/maxPixel,其中,i取值范围为[1],countPixel[i]表示各灰度级像素的总个数,maxPixel表示灰度级像素总数最大的值,倍数100是为了使灰度直方图更加直观明显。

传统方法在进行遥感数字图像彩色合成增强时, 对拉伸后超出有效范围的亮度值按小于0的像素点赋0,大于255的像素点赋255 进行处理。由

表2可知前三波段的辐射亮度范围分别为197.800、202.900、157.00,虽然都超过了灰度级数256的一半,但通过以上三个灰度直方图可以看出绝大数像素的亮度值范围都具有不超过128的特点。在用计算机存储每个有效像素点的亮度值时, 亮度级数都设置为256,相当于为其分配256个存储单位, 而根据遥感数字图像绝大数像素的亮度值范围都具有不超过128的特点, 相当于只用了一半存储空间,还剩一半存储空间未用。这样可以采用一个中间值128, 将遥感数字图像中有效像素亮度平移至128, 再对每个有效像素的亮度值进行两倍拉伸, 经拉伸后的亮度值都是偶数, 小于0的亮度值按1进行反折,得到的亮度值为奇数,这样就可以存放在还未用的那一半存储空间中;大于255的亮度值按255进行反折,得到的亮度值同样为奇数,同样存放在还未用的那一半存储空间中。由以上三个直方图可以看出经双倍拉伸后需要进行反折的像素点是非常少的,还未用的那一半存储空间的大小,对于存储反折后像素点的亮度值来说是足够大的。

注:辐射亮度最大值、最小值(单位为瓦 / 米2·微米·球面度)。

图4是前三波段直接进行彩色合成后的效果图,可以看出图像亮度较暗,色调偏蓝,对比度不适中,不利于目视判读。

1 ERDAS IMAGE 9.2 软件进行彩色合成增强

为提高遥感数字图像彩色合成后的目视判读效果,保证色调不失真,这就要求有一套能够进行彩色合成增强的方法。目前所采用的彩色合成增强方法,本质都是对遥感数字图像进行线性或非线性拉伸,重新分配其灰度值,从而达到提高图像整体对比度的效果。另外,某些商用软件内部有增强机制,彩色合成后的效果图对比度适中,利于目视判读。然而这些处理方法也存在明显的不足之处。

1.1 原始图像彩色合成

图5是前三波段直接进行彩色合成后的效果图。由图5与图4对比可以看出, ERDAS IMAGE 9.2 内部有增强机制,整幅图像亮度偏强,对比度较好,利于目视判读,但色调偏蓝,地表植被、大的江河及沿海滩涂与实地地貌特征存在着较大差异,存在失真,破坏原始图像完整信息的情况。

1.2 ERDAS IMAGE 9.2 软件进行直方图均衡化

直方图均衡化可通过使用某一目的函数对图像像元灰度进行重新赋值、调整分配, 以实现图像的直方图均匀化[6]。由于灰度离散化,均衡化后的图像的直方图只是近似均匀的直方图分布。均衡化后的图像动态范围扩大了,但其本质是扩大了量化层间隔,而并非量化层的数目。相反,均衡化后级数分布减少,因而可能会出现伪轮廓[7]。通常造成输入图像的最暗和最亮区域的尾部像素的反差丢失[8]。

由表2看出Landsat7在采集图像时QCALMIN取默认值1(TM和ETM+),说明该遥感卫星图像已经考虑到将像素值为0的无效像素区域去除。图6为直方图均衡化彩色合成增强后的效果图,在用ERDAS软件处理时,将灰度基数设置为255,并选中了“Ignore Zero in Stats”的,即像素亮度值为0的像素点是不参与直方图均衡化处理的。但由图6可以看出图像无效区域部分的亮度不是黑色,而变灰了,说明无效区域也参与了增强处理。该软件虽然考虑将无效像素区域去除,但在实际处理过程中无效像素区域也参与了增强处理,说明该软件有明显的不足之处。整幅图像有效区域色调偏蓝,亮度偏强,产生了过多的异常点,地表特征明显与实地特征不符,说明该方法破坏了原始图像信息的完整性。

2 方法

不同卫星的不同图像采集设备对图像中有效像素的影响是一致的。例如,对不同波段的图像,如果偏强,则所有有效像素全部偏强;如果偏弱,则所有有效像素全部偏弱。解决此类问题的最有效的方法就是“无损平移双向拉伸遥感数字图像增强方法”。本文的算法思想描述如下[9]。

2.1 计算均值

计算遥感数字图像中有效像素的均值(可以是算术平均值,或者是模糊均值)。由于遥感数字图像中的像素并非全部有效,例如遥感图像呈现不规则矩形,其周围的像素点是无效的;有些遥感图像由于卫星设备的故障导致图像中存在无效点。计算有效像素均值的具体公式如下。

对于常规的遥感数字图像,设图像的宽度为w,高度为h,像素亮度为b,各个像素亮度的算术平均值a可以表示为:

undefined

假设图像中有效像素的总数为s,各个像素亮度的算术平均值a可以表示为:

undefined

2.2 亮度平移

根据遥感数字图像中有效像素亮度的均值a在一般情况下是低于128的。本文提出的方法中,第二步即对有效像素亮度进行平移至128,初步提升数字图像整体的亮度。然后将各个像素的亮度值减去均值a,再将差值加上128,这样所有的有效像素的亮度值都向128靠近,达到平移的效果,具体公式如下:

设平移后像素的亮度为ci,可以表示为:

ci=bi-a+128(i=1,…,s)

2.3 无损平移双向对比度拉伸

而这种计算过程是可逆的,可以反求出小于0或大于255的像素点在未进行变换以前的原始亮度值,这种方法真正做到了没有丢失任何像素点的亮度值,有效地保存了原始遥感图像的完整信息, 给遥感数字图像的信息提取和处理等工作的展开提供了可靠完整的图像信息。具体方法如下。

设拉伸后像素的亮度为di、ei。对于经过平移以后的亮度值小于128的有效像素,可以表示为:

di=128-2(128-ci)

可以看出,di必为偶数,如果小于2,则:

ei=1-di

可以看出,ei必为奇数。

对于经过平移以后的亮度值大于等于128的有效像素,可以表示为:

di=2(ci-128)+128

可以看出,di必为偶数,如果大于254,则:

ei=(510-di)+1

可以看出,ei必为奇数。

上述运算都是可逆运算。如果经过拉伸以后的亮度值为奇数,则其逆运算可以表示为:

undefined

很明显,如果将ci的计算过程直接代入di和ei的计算过程中,则该算法可以定义为无损平移双向拉伸算法。

采用无损平移双向对比度拉伸进行彩色合成增强的效果如图7所示,可以看出图像对比度适中,目视判读效果良好,同时保留了不规则矩形周围的无效像素,只对有效像素进行处理,地表植被、大的江河及沿海滩涂与实地特征相符,整个彩色合成增强过程中没有损失任何像素亮度信息,便于后续工作开展。

3 试验对比

图8-11是彩色合成增强处理后的局部细节区域效果图。图8、图10是ERDAS IMAGE 9.2软件进行彩色合成增强的部分区域。图9、图11为无损平移双向对比度拉伸进行彩色合成增强的部分区域。图8和图9对比可知, 图8河流亮度偏强,城市区域存在很多异常亮点,不容易分辨城市建筑。图像色调偏蓝、存在失真,与实地特征存在较大差异;图9河流亮度适中,由于是入海口,可以看出河水中含有大量泥沙,河水很浑浊。城市区域顶部为蓝色的建筑物能很清晰地反映出来。图像反映的特征与实地特征相吻合。图10和图11对比可知,图10云朵偏蓝色,说明整幅图像色调偏蓝,存在失真。河流部分都为亮白色,不能反映实际河流的颜色,说明丢失了图像细节信息;图11云朵色调适中,与目视判读效果一样。河流较深的部分为蓝绿色,与实地特征相符,说明图像细节信息准确,图像信息完整。

4 结束语

遥感数字图像彩色合成增强是遥感数字图像预处理的一种十分重要的信息增强手段。从目前来看, 现行方法对每个像素点的亮度值进行增强时:小于0的赋0,大于255的赋255。处理后的图像存在色调失真、异常亮点过多、丢失图像细节信息等问题。而使用者对于一些商用软件内部增强工作机制并不了解,彩色合成的图像色调偏蓝,亮度偏强,存在较多异常亮点,丢失了图像细节信息。这些方法都造成了图像原始信息的破坏, 给后期的遥感信息的提取和处理等带来了很大的困难。采用无损平移双向拉伸方法进行遥感数字图像彩色合成增强, 真正做到了没有丢失任何像素点的亮度值,有效地保存了原始遥感数字图像的完整信息, 利于后期的遥感信息的提取和处理,具有很高的实际应用价值。不同卫星拍摄的遥感图像制式是不同的,在进行图像彩色合成时,没有统一的彩色合成方法可以遵循,给遥感数字图像的彩色合成带来了困难。而本文提出的基于无损的双向对比度拉伸算法适用于各种遥感卫星图像的彩色合成预处理工作, 要最终证实本文所提方法的可靠性和有效性, 需要以不同的遥感卫星所提供的遥感数字图像进行大量的彩色合成增强实验, 这是有待完成的工作。

摘要：针对目前遥感数字图像彩色合成中存在的色调失真、异常亮点过多、丢失图像细节信息等问题,对其采用了无损平移双向拉伸彩色合成增强方法进行图像彩色合成。实验表明该方法做到了有效像素亮度值的无损增强,保持了遥感数字图像信息的完整性,并且图像的色调适中,目视判读效果良好;该方法适用于卫星遥感数字图像的彩色合成增强处理,为遥感数字图像的信息提取和处理奠定了良好的基础,并且有很高的实际应用价值。

关键词：遥感数字图像彩色合成,无损平移双向拉伸,目视判读

参考文献

[1]WANG Xian-min,GUANG Ze-qun.Summarization of the Applica-tion of Wavelet Transform in Remote Sensing Image Analyzing[J].Remote Sensing Technology and Application.2002,17(5):276-283.

[2]QIAO Nao-sheng,ZHANG Li,WANG Xian-chun.Study for fusionmethod of remote sensing image[J].Computer Engineering and Ap-plications,2009,45(8):182-183.

[3]DONG Zeng-shou,ZHANG Feng-chun,LIU Ming-jun.Enhance-ment Methods for Satellite Remote Sensing Image[J].ComputerSimulation.2009,26(4):249-252.

[4]ZHANG Wei,ZHENG Xu-xia.A Method of True Color Synthesis ofMulti-spectral Images Based on Vegetation Index[J].GEOMATICS&SPATIAL INFORMATION TECHNOLOGY,2010,33(6):110-113.

[5]Liu Jing-hui,Wang Yue-zong.A New Method of Color CompositionBased on Spectral Combination for Remote Sensing Image[J].Com-puter Engineering and Applications,2006,22:201-203.

[6]HUANG Kun,CHEN Deng-sheng,YU Guo-zhong.Application ofRemote Sensing Image Color Composite Based On Histogram Equali-zation[J].Journal of Anhui Agricultural Sciences,2010,38(16):8818-8821.

[7]YAO Hai-bo,CHEN Zheng-zhou,WEI Jie.Calculation of End Ca-pacity of Weak Rock-bedded Pile With Large Diameter[J].JOUR-NAL OF XI’AN ENGINEERING UNIVERSITY,2002,24(1):59-62.

[8]WEI Ya-xing,WANG Li-wen.Analysis of Enhancement Methodsabout Satellite Images[J].GEOMATICS&SPATIAL INFORMA-TION TECHNOLOGY,2006,29(2):4-7.

彩色数字图像篇2

摘要该文论述了在Windows同一窗口中显示多幅彩色图像的技术和实现方法,并提供最优化程序压缩原图像的颜色数量。

关键词调色板 Windows 图像处理

在目前的大多数微机中都配置了高性能的TVGA或SVGA图形卡,在这些图形卡中,红、绿、蓝三元色各占六位,颜色总数占18位,故可以显示262144种颜色,在更高级的图形卡中,甚至可达24位的真彩色。使用调色板技术,可以在一个窗口显示256种颜色,每一副图像都具有独立的256个调色板,显示时更换调色板便可满足各幅图像的颜色要求。

然而,在某些应用中则要求同一窗口中显示两幅甚至更多的彩色图像,如果按照常规设计,窗口中只能正确地显示其中一幅图像,而其它的图像则由于其调色板被更换,颜色就会混乱。在我们开发多媒体查询系统――山东省旅游资源查询子系统时,系统要求以一幅山东省彩色地图为背景,然后在各个旅游景点设置一个触摸按钮,当用户触摸该按钮时,在窗口的右下部分显示该景点的彩色图像。如果图像不经过特殊处理,则在显示该景点的彩色图像的同时也更换了该窗口的调色板,使背景图像的颜色失真。为了解决这个问题,我们对图像做了特殊处理,使背景图像和各个景点图像的.调色板不发生冲突。同时还要考虑到Windows占用了前20个调色板,在一般情况下不允许更改。根据系统的实际情况,我们对调色板做了如下布置:第0～19号调色板为Windows系统保留;第20～148号调色板为背景图像使用,一旦背景图像使用后,就不再更改;第149～255号调色板为各景点图像使用,当显示不同的景点图像时,随时更改这些调色板。定义一个PALETTEENTRY类型的数组palette[256]用来保存各颜色分量。该类型是Windows定义的一种结构:

typedef struct {

BYTE peRed;

/*调色板项的红色饱和度*/

BYTE peGreen;/*调色板项的绿色饱和度*/

BYTE peBlue;

/*调色板项的蓝色饱和度*/

BYTE peFlags;/*NULL、PC-EXPLICIT、PC-NOCOLLAPSE一般取PC-EXPLICIT*/

} PALETTEENTRY;

这样把背景图像的第20～148号调色板和景点图像的第149～255号调色板分别放入pal

ette[20]～palette[255]中,然后按下列步骤实现该调色板。

1.定义HDC hdc; HPALETTE w-hp; LOGPALETTE *pal;

2.给pal赋值

pal=(NPLOGPALETTE)LocalAlloc(LMEM-FIXED,

sizeof(LOGPALETTE) 256*sizeof(PALETTEENTRY));

pal->palVersion=0X300;/*

pal->palNumEntries=256;

memcpy(%pal->palPalEntry[0],&palette[0],

256*sizeof(PALETTEENTRY);

3.实现该调色板

hdc=GetDC(hWnd);

w-hp=CreatePalette((LPLOGPALETTE)pal);

w-hp=SelectPalette(hdc,w-hp,0);

RealizePalette(hdc);

LocalFree(HANDLE)pal);

其中hWnd为要显示图像的窗口句柄。按上述步骤实现该调色板后,读入要显示的图像,然后映射到hdc中即可。

本文提供的程序cpcolor.c可以实现把一个BMP格式的图像从256色压缩成(color2-color1 1)色,并把颜色号限制在color1到color2范围内。程序执行格式为:

cpcolor图像文件名颜色下限颜色上限本程序使用最优化方法,使用效果良好。

/* 源程序cpcolor.c */

#include

#include #includeunsigned char palette[256][4];long TAB[256];unsigned char TT[256],BB[256];int width,depth,bytes;/* 该函数

彩色数字图像篇3

关键词：图像认证；水印；鲁棒性；脆弱性中图分类号：TP309 文献标识码：A 文章编号：1674-7712 （2013） 02-0065-01一、前言数字技术的快速增长和迅速发展的互联网，数字图像处理变得简单易行。在全球通过网络可以发送和接收数字图像信息。这种趋势有几个优点，包括灵活性，成本低廉等优点，但同时也有一些严重的缺点。它很容易被黑客非法访问、操纵、复制数据。数字水印的嵌入和提取设备用程序插入水印，媒体和提取的水印嵌入的水印数据。其中检测是用来检测一个给定的媒体是否包含特定水印是很重要的过程。二、图像认证水印技术的分类典型的图像认证水印技术一般分为鲁棒性水印技术和脆弱性水印技术。鲁棒性水印技术能承受包括无意的（如图像压缩，滤波，噪声污染，尺寸变化）或有意的（如恶意攻击）的篡改，通常使用在保护版权上。而往往在防止原始信息的任何篡改方面使用的是脆弱性水印技术，这种技术还可以定位篡改的图像位置。水印嵌入是通过量化小波系数来实现的，但是无法区分恶意篡改和偶然失真，所以说水印嵌入是特别脆弱的。实现图像认证及篡改定位基于小波变换技术。基于频谱分析的网格模型，可以实现恶意攻击位置可视化，位置定位标记，通常使用的是内容认证的半脆弱水印算法。综上所述，本文提出了一种自适应图像认证的半脆弱数字水印算法，具有智能性。三、半脆弱数字水印和图像认证系统模型（一）半脆弱数字水印特征基本。半脆弱数字水印算法具备的3个特性：（1）隐形性水印的隐形性含义有两个层面：一是水印嵌入后会在人类的可视范围不可察觉性的同时也不会影响宿主可视化功能特征；二是不影响宿主信息的固有特征的同时还可以对宿主信息进行相应处理。（2）鲁棒性在经过常规信号处理操作后（如空间滤波、几何变形、有损压缩等），嵌入水印的图像内容不会被更改。水印控制系统在一定的参数摄动下，维持图像内容的基本特性。但会对剪切、替换等恶意的篡改攻击敏感。当图像内容受到恶意篡改攻击时，水印就起着定位篡改的图像位置和防止信息篡改的能力。（3）稳定性嵌入水印的信息即伪造不，也篡改不了。如果要使原始图像不再对水印提取和图像的身份验证有着决定性的作用，那就要使用数字水印应用，且是基于半脆弱的水印。我们日常生活中使用数码相机捕获图像时不能获取原始图像，因为这种情况自动嵌入水印的。（二）基于半脆弱水印的图像系统模型。基于半脆弱水印的图像系统模型的算法：第一、原始图像功能的信息，从中提取和使用的随机序列或密钥进行加密、水印信息对应的生成；第二、要选择适当的嵌入的水印被嵌入到相对应的区域。水印提取算法的数字水印检测、水印嵌入在逆算法，然后生成算法来生成一个水印，比较这两个图像之间的差异。如果比较结果是这两个图像不相等，则图像意味着已被篡改。四、半脆弱图像水印攻击方法的研究半脆弱图像水印技术主要用来验证图像内容的完整性和可靠性，所以半脆弱水印系统的攻击不会损坏水印信息“虚假认证”水印信息和试图篡改的图像内容的攻击。总结起来，主要有以下几种方法：（一）重嵌入数字水印攻击。此攻击有两种实施方法：其中一种是软重嵌入，即嵌入水印的方案可以被攻击者轻意破解，然后再次嵌入水印于修改后的图像中。还有一种是硬重嵌入，即通过特定设备的使用来嵌入水印。（二）强行搜索攻击。此类攻击的目的是要使用不变的密钥在不同的图像水印算法用于嵌入水印相同的信息，攻击者强行通过水印的图像进行批量搜索，找到密钥要基于相应的算法，然后图像篡改。（三）块操作的攻击。此类型的攻击是主要通过半脆弱水印算法块操作，使用相同的水印嵌入程序多个图像块是一个先决条件，水印嵌入在图像块中独立相互之间没有干预。五、半脆弱图像水印的数字水印技术的未来展望半脆弱图像水印的数字水印技术作为图像认证重要的分支，要进一步解决的许多问题。本人从以下几个方面进行探讨和研究：（一）建立的理论体系。半脆弱水印技术作为重要分支的数字水印技术，仍然需要强有力的理论支持，深入进一步的研究，应建立一个科学的理论体系。（二）水印评价标准的建立。在未来，半脆弱图像水印技术将得到广泛的应用，它必须建立一套完善的标准，同的算法应该包含可靠性、失真度、效率性和其他统一的评估机制，以适应不同的半脆弱数字水印。（三）结合图像压缩编码算法。经过网络发布、传输数字图像的主要问题是压缩编码（如JPEG），研究半脆弱图像水印图像压缩算法具有深远意义。（四）安全问题。半脆弱数字水印技术的关键始终是如何解决的安全问题。私钥加密方案基于现有算法，然后管理密钥，释放到潜在的安全问题的大量信息。因此，半脆弱水印方法、加密算法和密钥安全、可靠组合的水印设计必然是一个重要的研究方向。（五）图像修复能力。如何还原在可能的范围内所需的原始图像中嵌入的信息，尽可能多的恢复原始的图像质量是我们下一步研究的重点了。六、总结目前，数字水印技术研究的重点与热点就是半脆弱水印技术。该技术嵌入式信息包括认证，这是用来确定恶意攻击的位置，和恢复的原始图像。本文主要是研究了图像半脆弱数字水印的特征，分析了半脆弱数字水印的几种典型攻击方法，最后给出的半脆弱数字水印技术发展方向前景。参考文献：[1]赵春晖，刘巍基于分块压缩感知的图像半脆弱零水印算法[J].自动化学报，2012，04.

彩色数字图像篇4

目前在彩色图像中嵌入数字水印的算法主要包括离散余弦变换技术和色彩空间转换技术,但都局限于单一技术的研究,离散余弦变换技术数字水印算法[2,3,4,5]具有不易被破坏的特点,但健壮性不理想。本文提出一种以离散余弦变换技术为基础,结合色彩空间转换技术,在彩色图像中嵌入灰色数字水印的综合算法,为避免在此算法中乱数安全性可能降低的问题,对算法进行了改进,在彩色图像中将灰度数字水印嵌入,而在乱数重排的过程中读取使用者密码,提高了乱数种子的安全性。实验证明此算法在彩色图像中嵌入灰色水印信息能较好的抵抗各类攻击,健壮性较好。1 数字水印嵌入与提取算法1.1 数字水印的嵌入步骤1)将原始图像从RGB空间转换到YCbCr空间进行原始图像色彩分解。2)对原始图像中的Y色板进行8x8离散的余弦转换(DCT),计算原图像的DCT频域系数,再从计算出的频域系数中找出具有较好强健性中低频区域如图1所示,作为嵌入数字水印信息的位置。3)根据使用者密码,使用SHA1算法求得两组乱数种子,使用第1组乱数种子对数字水印进行打乱处理。4)将打乱处理后的数字水印图像进行8x8区域DCT转换,得到数字水印的频域系数,然后由原始图像中选定的嵌入数字水印中低频区位置系数平均值q来产生量化表Q,产生方法如式(1)式中P为过滤表,系数如式(3)所示:使用Qr对每个4x4数字水印的频域系数W进行数字量化处理,得到数字水印量化后DCT频域系数Wq区块,如式(4)。5)将量化后的数字水印的DCT系数进行置乱处理,使用第2组乱数种子,以乱数顺序取代原始图像的中低频相应位置的参数值。6)对修改后的图像进行离散余弦反变换(IDCT,Inverse Discrete Cosine Transformation)处理,得到已嵌入数字水印信息的YCbCr图像,接着进行色彩空间变换从YCbCr转换到RGB,即完成整个数字水印嵌入,得到嵌有数字水印信息的图像。1.2 数字水印提取步骤1)读取嵌入有数字水印信息的图像进行色彩空间转换,由RGB空间图像转换成YCbCr空间图像。2)对YCbCr中的Y色板进行DCT转换,接着由计算出的中低频相应位置取出数字水印信息。3)读取使用者密码,由SHA1算法求出两组乱数种子,使用第2组乱数种子从中低频参数中以反乱序次序取出数字水印信息。4)将取出的数字水印信息进行反量化处理,反量化计算如公式(5)所示:5)将反量化处理后的信息进行IDCT运算,得到原数字水印信息。6)接着使用第1组乱数种子对数字水印信息进行反乱数重组,即可提取到原数字水印信息。2 实验结果分析为验证算法的可行性及性能,实验以512x512图像为原始图像,以128x128的灰度图像为嵌入的数字水印信息,如图2所示。在原始图像中嵌入数字水印信息后与原始图像相比较,及取出的数字水印与原始水印进行比较,采用PSNR(一种评价图像的客观标准)值和NC[6](归一化的相关系数,用来评估两幅图像相似度)值数据作为图像品质的评估标准。数字水印嵌入前后的图像的PSNR值为29.512,取出的数字水印图像NC值为0.815427,可识别度较高。下面对嵌入数字水印的图像进行切割处理、增强处理、Gamma修正处理、压缩处理后,再提取嵌入的数字水印信息,并采用NC值数据作为图像品质的评估标准。2.1 切割处理对嵌入数字水印的图像进行切割处理后提取其中数字水印信息,结果如表1所示。结果表明,此算法可以抵抗至剩余率至20%的切割破坏,若切割剩余率高于20%,则可较好的提取出水印信息;若切割剩余率低于20%,则提取出的数字水印几乎不可辨认。3.2 增强处理对嵌入数字水印的图像进行增强处理,结果如表2所示。结果表明,此算法约可抵抗至程度至25以上的增强处理,若是超过此值,数字图像失真较大,虽然能获取数字水印,但利用价值不大。3.3 Gamma修正处理对嵌入数字水印的图像进行Gamma修正处理,结果如表3所示。结果表明,此算法约可抵抗Gamma修正处理,修正值上限为7.5左右,若是超过此值过大,数字水印将趋于模糊,数字图像失真较大,利用价值不大。3.4 压缩处理对嵌入数字水印的图像进行JPEG压缩处理,结果如表4所示。结果表明,此数字水印算法能抵抗压缩率大于35%的JPEG压缩,压缩率若是小于此限,数字水印将趋至不可辨认。4 结论数字水印技术的发展对数字媒体著作权的保护具有重要的意义,本文提出以离散余弦变换技术为基础,结合色彩空间转换技术,在彩色图像嵌入灰色数字水印的综合方法,并在水印的嵌入和提取过程中,使用相关的密码处理,提高了水印的安全性。实验结果表明在嵌入数字水印后的原始彩色图像仍保有相当的品质,在受到切割处理、增强处理、Gamma修正、压缩处理等攻击时也具有相当的抵抗能力,健壮性较好。摘要：近年来,数字水印技术用于数字媒体著作权的保护已成为一种发展趋势。本文提出一种以离散余弦变换技术为基础,结合色彩空间转换技术,在彩色图像中嵌入灰色数字水印的算法,试验结果表明:提出的算法可以较好的抵抗图像还原时的各种攻击。关键词：彩色图像,数字水印,健壮性,离散余弦变换参考文献[1]Cox I J,Miller M L,Bloom J A,Digital watermarking,Morgan Kaufmann Publishres Inc.,San Francisco,CA,USA,2002.[2]LI Xiao-qiang,XUE Xiang-yang.Improved Robust Watermarking in DCT Domain for Color Images[C].Proc of the 18th Int.Conf.on Ad vanced Information Networking and Application.0-7695-2051-0/04.[3]Hsu C T,Wu J L.Hidden digital watermarks in images[J].IEEE Trans.On Image Processing,1999,8(1):58-68.[4]Bas P,Chassery J M,Macq B.Geometrically Invariant Watermarking Using Feature Points[J].IEEE Trans,.Image Processing,2002,11(9):1014-1028.[5]Hsu C T,Wu J L.Hidden Digital Watermarks in Images[J].IEEE Trans.On Image Processing,1999(8):58-68.

彩色数字图像篇5

数字水印技术通过将特殊标记利用数字内嵌的方法嵌入到数字产品中, 为数字产品版权保护提供了一种有效的技术手段, 受到广泛的重视, 并且取得了快速的发展。在当前的研究中, 针对的载体一般为灰度图像, 嵌入的水印大多是信息量较少的一维、二维伪随机序列或二值图像, 这些都在一定程度上限制了数字水印技术在产品发行中的应用。另外在当前发行的数字产品中, 彩色图像占据了很大的比例, 它所具有的颜色信息可以给人更丰富的色彩刺激, 因此以彩色图像作为载体的数字水印技术更值得进行深入的研究。当前的数字水印技术主要可以分为空间域与变换域两大类, 在空间域中嵌入水印的算法相对简单, 但抗攻击能力较弱;在变换域中嵌入水印可以把对图像的影响分散到空间域所有像素中, 不会造成误差累积, 另外在变换域嵌入水印还可以利用人类视觉系统HVS (Human Visual System) 的一些特性, 更有利于提高水印的鲁棒性。因此, 基于变换域的数字水印技术成为了当前的研究重心。当前在变换域中应用较多的分块的DCT变换与DWT变换。但是分块DCT变换容易导致重构的图像出现马赛克现象, 而且DCT变换没有利用图像的空间频率特性, 而这正好与人眼的某些视觉特性一致。DWT变换具有良好的时频两域特性表征与多分辨率分析优点, 但是经小波变换后的各子带图像的相邻系数之间依然存在着较强的相关性, 因此将DWT与DCT相结合的数字水印技术近年来逐渐成为研究热点。本文以彩色图像作载体, 以灰度图像作为水印, 提出一种新的基于DWT与DCT相结合的彩色图像自适应灰度级数字水印算法, 仿真实验表明本算法具有良好的不可见性与鲁棒性。 1 Hilbert曲线变换置乱为了增强图像水印的安全性与抗攻击能力, 在嵌入之前一般需要对其进行置乱处理, 使得攻击者即使在得知算法的情况下, 若不了解置乱算法或图像加密密钥也无法得到水印信息。本文采用Hilbert曲线变换对原始水印图像进行置乱处理。Hilbert曲线变换是一种较常用的图像置乱算法, 它以意大利数学家G.Peano提出的Hilbert曲线为依据对二维图像进行变换。Hilbert曲线由初始图像出发, 通过不断递归而生成: 首先, 将正方形四等分, 求出各个小正方形的中心, 并将它们连接, 其次, 将各个小正方形再细分成四个相同的小正方形, 并连接各个小正方形的中心……按此方法不断递归划分可以得到不同深度的Hilbert曲线。根据Hilbert曲线的递归过程, 可以对图像进行不同层次的置乱, 图1为对大小为64×64的Lotus图像进行Hilbert曲线置乱后的图像。 2 水印算法2.1 水印嵌入强度为了增强水印的鲁棒性, 本文首先将彩色图像转入YIQ空间, 选取Y分量进行2层DWT分解, 选取LL2低频子图作为待嵌入子图, 并对LL2低频子图进一步作8×8分块的离散余弦变换, 以有效地减少相邻小波系数的空间相关性。另外, 为了进一步提高水印的抗攻击能力, 还应根据人类视觉特性, 对于纹理较强的区域, 应该选择较大的嵌入强度进行嵌入水印, 在纹理较弱的区域, 则选择较小的嵌入强度。本文在将LL2低频子图作8×8分块离散余弦变换后, 分别计算各DCT系数子块的AC能量。通过实验确定水印嵌入强度的上下限, 并结合各子块的AC能量大小, 根据公式自适应地调整各子块的水印嵌入强度, 使得嵌入的水印更具鲁棒性。 2.2 水印嵌入算法设作为载体的彩色图像I的大小为M×M, 作为水印的灰度图像W的大小为N×N, 要求M/N≥8, 水印的嵌入算法如下: (1) 首先对水印图像W进行Hilbert曲线置乱变换, 得到置乱后的图像W′, 保留置乱次数为密钥Key。 (2) 对置乱后的灰度图像W′进行4×4分块, 并对每个子块进行DCT变换, 得到变换后的系数块, 记为W′DCTblock (i) , i=1, 2, …, N/4×N/4。 (3) 对系数块W′DCTblock按先行后列的顺序, 对每一子块进行ZigZag排列, 得到待嵌入的DCT系数水印序列W′DCT (k) , k=1, 2, …, N×N。 (4) 将彩色图像I由RGB颜色空间转入YIQ彩色空间, 取出其中的Y分量作为待嵌入分量。对Y分量首先作2层小波变换, 取其中的LL2低频小波系数LL2DWT (i, j) , i, j=1, 2, …, M/4, 首先进行互不覆盖的8×8子块划分, 并对划分后的各子块进行DCT变换, 从而一定程度上消除了LL2DWT所具有空间相关性。将做完分块的DCT变换后的各DCT系数子块记为: LL2DWT-DCTblock (i) , i, j=1, 2, …, M/8×M/8。 (5) 由于各子块的能量在一定程序上反映了子块的纹理强度, 因此可以根据各子块的能量大小确定各子块的嵌入强度大小, 首先根据:

A_{k} = \frac{\sum_{1}^{n} F_{k}^{2} (i) - F_{k}^{2} (1)}{n - 1}

(1)

计算LL2DWT-DCTblock各子块的AC能量Ak, k=1, 2, …, M/4×M/4, 其中F $_{k}^{2}$ (1) 为第k块的直流分量。在这里, 将最大的子块能量记为Amax, 最小的子块能量记为Amin, 并将根据多次实验确定水印嵌入强度最大值与最小值分别记为αmax与αmin, 并根据式 (2) 求得各子块的水印嵌入强度αk, k=1, 2, …, M/4×M/4, 并保存用于水印的提取。

$\frac{α_{\max} - α_{k}}{α_{k} - α_{\min}} = \frac{A_{\max} - A_{k}}{A_{k} - A_{\min}}$ (2)

(6) 对DCT系数块LL2DWT-DCTblock按先行后列的顺序, 对每一子块进行ZigZag排列, 将排列后的一维序列记为:LL2DWT-DCT (k) , k=1, 2, …, M×M, 选择每一子块经ZigZag排列后的前16个系数, 组成待嵌入水印序列, 进行水印嵌入, 并将其记为DCTI-zigzag16 (k) , k=1, 2, …, 16×M/8×M/8。

即将每一水印系数子块W′DCT的DC分量嵌入到LL2DWT-DCT中的DC分量中, 将其余15个AC分量嵌入到剩下的AC分量中。水印的嵌入公式为:

(7) 用DCT′I-zigzag16替换原LL2DWT-DCT各子块的前16个系数, 得到LL′2DWT-DCT (k) , k=1, 2, …, M×M。

对LL′2DWT-DCT进行8×8 ZigZag排列的逆重组, 得到新的DCT系数块LL′2DWT-DCTblock, 并对其进行分块的DCT逆运算, 得到新的逼近子图LL′2DWT (i, j) , i, j=1, 2, …, M/4, 经DWT逆运算, 得到嵌入水印后的Y分量, 再由YIQ空间转入RGB空间, 从而获得嵌入灰度水印后的彩色图像。

2.3 水印提取算法

水印的提取算法可以看作为嵌入算法的逆运算, 本算法中需要使用原始图像的参与, 具体步骤如下:

(1) 首先将原始图像I与含水印图像IW分别由RGB空间转入YIQ空间, 选取Y分量进行2层小波分解。

(2) 分别选择两小波分解后的LL2逼近系数I $_{D W Τ}^{L L_{2}}$ (i, j) 与IW $_{D W Τ}^{L L_{2}}$ (i, j) , i, j=1, 2, …, M/4。

进行8×8子块的划分, 再分块做DCT变换, 得到DCT变换后的各系数子块DCTILL2DWT 与DCTIW $_{D W Τ}^{L L_{2}}$ , 对各子块按先行后列的顺序进行ZigZag排列, 选取由各系数子块排列后的前16个系数组成一维向量DCTIzigzag16 (k) 与DCTIWzigzag16 (k) , k=1, 2, …, 16× (M/4×M/4) / (8×8) 。

(3) 根据保存的嵌入强度α (i) , i=1, 2, …, M/4×M/4, 按如下的公式提取水印DCT系数:

$\begin{array}{l} W_{D C Τ} (i) = \frac{D C Τ Ι W_{z i g z a g 16} (i) - D C Τ Ι_{z i g z a g 16} (i)}{α (i)} \\ i = 1, 2, \dots ‚ Μ / 4 \times Μ / 4 (4) \end{array}$

(4) 对WDCT作每16个系数为一段的划分, 将得到N×N/16个系数段, 对各段进行4×4的ZigZag排列逆操作, 得到水印图像的DCT各系数子块WDCTblock (i) , i=1, 2, …, N×N/16, 对各子块分别进行DCT逆操作, 从而得到置乱后的水印图像, 再根据密钥Key对其进行Hilbert曲线置乱逆处理, 从而获得提取出的水印图像W (i, j) , i, j=1, 2, …, N。

3 仿真实验结果与分析

为了验证本文所提出的基于DWT与DCT相结合的彩色图像灰度级自适应数字水印算法, 本文采用实验Matlab6.5编程环境, 首先选取了大小为512×512的标准彩色图像Lena作为载体图像, 采用大小为64×64的256级灰度图像Paris作为水印图像, 对水印的嵌入、提取与攻击分别进行了测试。实验中取水印嵌入强度的上、下限分别为αmax=0.06, αmin=0.03。实验采用PSNR (峰值信噪比) 来衡量嵌入水印后的图像与原始图像之间的失真量, 其单位为db。采用NC (归一化相关性系数) 来衡量提取水印与原始水印的相似度, NC值表征了水印的可检测能力。PSNR与NC的计算公式如下:

$Ρ S Ν R = 10 \times \log_{10} \frac{Μ \times Ν \times 255^{2}}{\sum_{i}^{Μ} \sum_{j}^{Ν} (Ι (i, j) - Ι_{W} (i, j))^{2}}$ (5)

$Ν C = \frac{\sum_{i = 1}^{Μ} \sum_{j = 1}^{Ν} W (i, j) * W^{'} (i, j)}{\sqrt{\sum_{i = 1}^{Μ} \sum_{j = 1}^{Ν} W (i, j)^{2}} \sqrt{\sum_{i = 1}^{Μ} \sum_{j = 1}^{Ν} W^{'} (i, j)^{2}}}$ (6)

图2 (a) 、 (b) 分别为原始载体图像与原始的灰度水印, 嵌入水印后的图像与提取出的水印如图2 (c) 、 (d) 所示;嵌入水印后的图像PSNR值为40.4273, 提取出的水印NC值为0.9989。从视觉上很难区别出水印嵌入前后载体图像的差别, 提取出的水印也保持了较好的可视效果。

实验中对含水印图像分别进行了各种攻击, 表1给出了在各种攻击情况下含水印图像的PSNR值与提取水印的NC值。图3 (a) ～ (d) 分别为对含水印图像进行高斯噪声、椒盐噪声、剪切与JPEG压缩攻击后的图像与提取出的水印。

为了进一步考察本算法应用于其他图像时的鲁棒性, 实验中还另外选取了Peppers、Airplane与Baboon几幅标准测试图像 (如图4所示) 作为载体进了水印嵌入、提取与攻击测试, 表2为部分测试结果。从实验结果可以看出, 本算法应用于其他几幅载体图像时, 经各种攻击后, 提取水印的NC值均较大, 体现了本算法良好的抗攻击能力。

4 结束语

本文在充分考虑DWT与DCT特性的基础之上, 设计了一种基于DWT与DCT相结合的彩色图像自适应灰度级数字水印算法。本算法有效地利用了DCT域的DC分量, 而且结合人眼视觉特性实现了水印的自适应嵌入, 实验结果证明本算法可以有效地抵抗噪声、剪切、滤波与JPEG有损压缩等图像处理操作, 在保证载体图像视觉效果的前提下, 嵌入的水印具有良好的鲁棒性。

参考文献

[1]Peter HW Wong, Oscar C Au, Yeung Y M.Anovel blind multiple wa-termarking technique for images[J].IEEE Trans on Circuits and Sys-tems for Video Technology, 2003, 13 (8) :813-830.

[2]Niu XiaMu, Lu ZheMing, Sun Shenghe.Digital watermarking of still im-age with gray-scale digital watermarks[J].IEEE Trans Consumer Elec-tronics, 2000, 46 (1) :137-145.

[3]Mauro Bami, et al.Multichannel watermarking of color images[J].IEEE Trans on Image Processing, 2002, 3:142-156.

[4]王向阳, 杨红颖, 陈利科.基于人眼视觉系统的自适应量化数字水印算法研究[J].小型微型计算机系统, 2005, 26 (9) :1525-1529.

[5]于帅珍, 沈建国.基于DCT和DWT的彩色图像盲数字水印算法[J].计算机应用与软件, 2007, 24 (8) :200-212.

[6]刘连山, 李人厚, 高琦.基于DWT的彩色图像绿色分量数字水印方案[J].通信学报, 2005, 26 (7) :62-67.

[7]李智, 陈孝威.小波与余弦变换相结合的灰度图像水印算法[J].中国图象图形学报, 2006, 11 (6) :834-839.

[8]徐美玉, 苖克坚, 普杰信, 等.一种基于DWT与DCT的盲灰度级水印算法[J].计算机应用研究, 2007 (2) :194-195.

彩色数字图像篇6

数字水印技术是将一些标识信息直接嵌入到数字载体中,并不影响原载体的使用价值,也不影响被探知和再次修改。通过这些隐藏在载体中的信息来达到确认内容的创建者、购买者以及传送隐秘信息或者判断载体是否被篡改等目的,从而达到数字媒体版权保护的目的。根据水印的嵌入位置可将水印算法分为: 空域数字水印算法和变换域数字水印算法[3,4]。空域水印是直接在空域中对采样点的幅度值进行改变,而变换域水印是对变换域中的系数进行改变。近些年来变换域算法是热点之一,常使用的是DCT或DWT两种变换[5]。本文采用离散小波变换,并结合人类视觉系统提出了一种基于HVS和DWT的双彩色数字水印算法。

1 离散小波变换

设f( t) 为平方可积函数,Ψ( t) 为基本小波或母小波的函数,则

式( 1) 称为f( t) 的小波变换[6,7]。其中,a > 0 是尺度因子,b反映位移,其值可正可负,〈x,y〉代表内积。是基本小波的位移与尺度伸缩。

式( 1) 是连续小波变换,但实际中为精简计算通常采用的是离散小波变换。将尺度因子a和位移b进行离散化,设a = a0,b = ka0b0,扩展步长a0≠1 且是固定值。若a0> 1,则离散小波变换为

其中,j∈Z,且a0,ka0b0和t均为连续变量。

在图像处理中,可用滤波器的观点来看待离散小波变换,就是将信号通过高频和低频滤波器得到近似系数和细节系数两部分。其中细节系数包括垂直细节数( c Djv) 、水平细节数( c DjH) 、对角细节数( c DjD) ,所以一次离散小波变换得到4 个子频带图。下一次离散小波分解就是分解上一层次的近似系数,同样得到4 个系数,分解过程如图1 所示。

2 水印的嵌入和提取

2. 1 HVS特性和嵌入位置分析

人类视觉系统( Human Visual System,HVS) 。人类通过人类视觉系统来获取外界的图像类信息,通过光辐射对眼睛的刺激引起生理以及心理上的变化,这种变化就是视觉。人类视觉系统对于图像的认识是非均匀以及非线性的。HVS特性包含了以下几个方面:频率敏感性、亮度敏感性、纹理掩蔽特性,方向特性以及光谱特性[8,9]。本文则利用HVS的光谱特性和频率敏感特性。

人眼对于不同颜色的光其敏感程度不同,对于绿光最敏感。如果彩色图像中绿色分量像素点值稍有改变,人眼就能感知到,则嵌入水印的强度较小; 对于红色的敏感程度稍逊于绿色; 而对于蓝色则最不敏感,这意味着在彩色图像蓝色分量的小波域中嵌入水印很难被察觉,且嵌入水印的强度较大[10]。水印的嵌入强大越大,鲁棒性就越好,那么水印受到攻击以后提取出的水印也就越完整。因此,采取不同基色乘以不同的权值来解决视觉效果上的失真。权值比 εR∶ εG∶ εB= 2 ∶ 1 ∶ 4( 4)时嵌入效果最佳,其中 εR为R基色上的权值。

就HVS的频率敏感特性而言,若将图像从空域变换到频域,频率越低,人眼的敏感性越高; 频率越高,人眼的敏感性也就越低。HVS的频率特性说明了人眼对于高低频率的敏感程度是不同的,则若在低频部分嵌入水印就不如在高频部分嵌入的水印的透明性好,但在高频部分嵌入水印抗攻击性较差。折中一下,本文采取将水印嵌入到宿主图像的中频部分,并将水印多次嵌入到低频部分来提高算法的鲁棒性。

2. 2 小波基的选择

数字水印中的小波基选择通常是正交小波基,而本文选取双正交小波基。双正交小波基的组成是两个尺度函数以及两个小波函数,双正交小波不紧具有正交性和对称性,还同时拥有线性相位以及紧支撑。和正交小波基相比,双正交小波基对正交性的要求较低,本文采用双正交小波基是希望获得其线性相位的特性,同时降低对正交性的要求。

在图像的分解以及重构时,如若使用不同的滤波器,则设计的自由度较大,限制较少,同时图像在分解时失真度较小,而重构时平衡性较好。本文选择双正交小波基bior1. 1,它的分解系数Nr= 1,重构系数Nd= 1。

2. 3 权值系数的选取

权值系数的选取影响到算法的鲁棒性及水印提取的效果,εR、εG、εB能直接波及水印的嵌入强度,值越大嵌入强度越大,鲁棒性和水印提取效果越好,但同时水印不可见性就越差,合理地选择权值大小对本文的水印嵌入效果和提取效果影响较大。经过实验得到的数据如表1 所示。

根据表1,本文选择 εR= 0. 06、εG= 0. 03、εB=0. 12 作为水印嵌入的权值系数。

2. 4 水印的嵌入步骤

( 1) 读入彩色原始图像( c) 和水印图像( w) ;

( 2) 对原始彩色图像和水印图像进行三色分离,得到R、G、B分量。然后对原始图像和水印图像的R、G、B分量分别进行2 级和1 级DWT变换,选择原始图像的中频部分和低频部分作为水印嵌入区域。嵌入公式为

其中,CWR为水印嵌入图像; CR为宿主图像的R分量图像; WR为水印图像的R分量图像; ACW、HCW、VCW和DCW分别是水印嵌入图像的低频系数、水平细节系数、垂直细节系数和对角细节系数; AC2、HC2、VC2和DC2分别为宿主图像进行2 级离散小波变换后的低频系数、水平细节系数、垂直细节系数、对角细节系数; AC1、HC1、VC1和DC1分别为水印图像进行1 级离散小波变换后的低频系数、水平细节系数、垂直细节系数和对角细节系数。

( 3) 对于嵌入水印的每个颜色分量进行小波重构,形成了新的R、G、B分量;

( 4) 将新得到的R、G、B分量进行三色合并,得到了嵌入水印后的图像。

2. 5 水印的提取步骤

水印的提取是水印嵌入的逆过程,具体步骤如下:

(1)读入原始彩色图像和嵌入水印后的图像;

( 2) 将原始彩色图像和嵌入水印后的图像进行三色分离,对原始彩色图像和带水印图像的R、G、B分量进行2 级DWT变换得到对应的低频系数以及细节系数,然后用水印提取算法将水印提取出来,其水印提取算法就是水印嵌入的逆算法;

( 3) 将提取出的水印图像进行IDWT变换,再进行三色合并,得到原始水印图像。

3 仿真实验结果

选择256 × 256 的Lena彩色图像作为宿主图像,256 × 256 的“长沙理工大学”彩色图像作为水印,Matlab作为仿真实验平台,嵌入效果如图3 所示。

嵌入水印图像的PSNR = 30. 952 6 d B,水印的不可见性好,视觉上也无法分辨原图是否嵌入了水印,提取效果如图4 所示。

提取出的水印NC = 0. 998,接近1,说明提取出来的水印效果良好,与原始水印相似度高。表2 为各种攻击仿真结果数据。

从上述结果可以看出,本文算法所得到的嵌入水印图掩藏效果好,经受各种攻击后所提取出的水印和原始水印的相似度高,鲁棒性高。

4 结束语

本文提出了一种结合HVS特性和DWT变换的数字水印算法,选取双正交小波基,将水印嵌入到宿主图像的中频部分和多次嵌入到低频部分,以及采取不同基色乘以不同权值的方法来增强鲁棒性,仿真实验得到的水印嵌入图不可见性好,并且提取的水印效果理想,这证明了该算法的可行性。

摘要：根据HVS系统,人眼对于红、绿、蓝三色的敏感程度是不同的。人眼对于蓝色分量最不敏感,故嵌入水印有良好的透明性,但同时在红色分量中嵌入水印具有良好的鲁棒性。为解决水印嵌入的视觉失真问题,采用了不同基色对应不同的加权系数的水印嵌入方案。同时,将彩色水印图像嵌入彩色宿主图像的中频段以及多次嵌入低频段来增加算法的鲁棒性。仿真结果表明,该算法具有较好的透明性,且提取水印效果较好。

关键词：HVS,数字水印,鲁棒性

参考文献

[1]刘亮,陈昌志,孙浩.一种改进的小波变换图像数字水印技术研究[J].科技通讯,2012,28(6):144-146.

[2]王晨旸,李新华.基于双正交小波变换的彩色图像水印嵌入算法[J].安徽大学学报,2013,37(6):65-71.

[3]刘连山,马红卫,顾新.基于DWT的彩色图像绿色分量数字水印方案[J].通信学报,2005,26(7):62-67.

[4]周伟,桂林,周林,等.Matlab小波分析高级技术[M].西安:电子科技大学出版社,2006.

[5]李晓婉,冯晓霞,赵红.基于多小波域双彩色图像的水印算法[J].漳州师范学院学报,2011(2):20-24.

[6]米小珍,车宇,董华军.基于离散小波变换和人类视觉系统的数字水印算法[J].大连交通大学学报,2012,33(1):48-52.

[7]Parisis A,Carre P,Femandez-Maloigne C,et al.Acoustics color image watermarking with adaptive strength of insertion speech and signal processing[C].Changsha:Proceding of the IEEE International Conference on Signal Processing,2004.

[8]Song Qiang,Zhang Hongbin.Color image self-embedding and watermarking based on DWT[C].Beijing:International Conference on Measuring Technology and Mechatronics Automation,2010.

[9]孙圣和,陆哲明,牛夏.数字水印技术及应用[M].北京:科学出版社,2004.

彩色数字图像篇7

关键词：Logistic混沌加密,水印嵌入,盲提取

在网络技术快速发展的今天, 数字信息的版权保护问题, 特别是彩色图像版权保护问题是摆在眼前, 迫切需要解决的问题, 而数字水印技术是解决这类问题的最有效和最具有潜力的技术之一。

数字水印技术主要分为嵌入和提取两部分, 后者也是水印技术的一个极其重要的组成部分, 因为数字水印技术的关键之处就在于能否正确有效地提取出嵌入到图像中的水印信息, 这在证明数字图像的合法所有权方面起着非常重要的作用。近年来, 由于需要原始图像的非盲水印提取技术在实际应用中具有很多困难, 并且一些学者认为在水印提取中不使用原始图像是解决版权问题的前提, 因此, 无需原始图像的盲提取技术己成为数字水印研究中的焦点之一, 具有更加广阔的应用前景。现在的水印算法主要集中在变换域算法上, 最常见的就是基于DCT的水印算法或者基于DWT的水印算法, 而它们两个又分别是JPEG和JPEG-2000图像压缩标准的理论基础。

1 水印嵌入

文献[1]是DCT域的子采样盲水印算法, 本文将该文献算法的系数选择加以改进, 并加入色彩选择自适应机制, 然后应用于离散小波低频域, 解决离散小波低频域嵌入水印不可见性差的特点, 提出了基于DWT和DCT的彩色图像数字水印嵌入和提取模型。

定义原始图像尺寸为M*N的RGB彩色图像, 记为X;水印图像尺寸为K*K有意义的二值图像 (含版权相关信息) , 记为W。

基于DWT和DCT的彩色图像版权保护数字水印模型表示为:

其中, Y表示嵌入水印后重构图像;X表示原始彩色图像;W表示二值水印图像;Key为水印密钥。

水印嵌入算法描述如下:

(1) 将二值水印图像W进行Logistic混沌加密, 形成一维向量W1 (表示调制后的水印信号) , 其中, 水印长度为NW=K*K。

(2) 对彩色图像进行颜色分解, 并计算各个颜色分量所占的比例, 在蓝色和绿色分量中选择所占比例较大的作为嵌入通道。

三基色理论认为, 红 (Red) 、绿 (Green) 、蓝 (Blue) 是自然界颜色体系中三个最基本的颜色, 它们构成一个三维的RGB矢量空间, 其他任何一种颜色都可由R, G, B这三种颜色值之和来确定, 不同数量的R, G, B颜色混合在一起就得到不同的颜色。

根据色彩原理, 彩色图像的亮度方程如下:

Y = 0.299R+0.587G+0.114B。

可见, 人眼对蓝光的感觉能力最差。因此可以将一幅彩色图像X分解成红绿蓝3个信道R, G, B, 每个信道都是以灰度形式表现的, 它表示出图像中像素点所包含的原色信息。又因为彩色图像的颜色分量有很大的冗余性, 比如绿色分量对JPEG压缩的抵抗性很强, 如果在绿色分量嵌入水印会提高水印的鲁棒性;而另一方面, 人眼对蓝色分量很不敏感, 所以, 如果将水印嵌入到蓝色分量中会提高水印的不可见性, 为了平衡这两点, 我们可以根据具体一幅图片的颜色比例自适应的选择所占比例较高的颜色分量作为水印嵌入通道, 优化水印系统。

(3) 对取出的颜色分量进行L级小波分解, 把最高分解层的低频子图LLn作为水印嵌入的区域。

(4) 按照下面的式子对LLn进行子采样, 得到四幅子图V1, V2, V3, V4。

V1 (i, j) =I (2i, 2j)

V2 (i, j) =I (2i, 2j+1)

V3 (i, j) =I (2i+1, 2j)

V4 (i, j) =I (2i+1, 2j+1)

这里i=0, 1, 2, ..., M/2-1, j=0, 1, 2, …, N/2-1。V1, V2, V3, V4代表子图, I代表LLn。

(5) 然后分别对这四个采样子图V1, V2, V3, V4 进行离散余弦变化, 得到四个DCT系数集D1, D2, D3, D4。

(6) 选择密钥Key, 生成一个随机序列Z={ (i, j) }, 其中i, j∈{1, 2, 3, 4}且i≠j作为水印嵌入系数的选择器。其长度和W1的长度一样。

(7) 对四个DCT系数集合进行和JPEG压缩算法中相同的Zig-Zag排列, 然后选取和水印个数相同数量的中频系数作为水印嵌入的DCT系数。

(8) 根据水印信息用以下方式对系数对调整:

如果Wundefined=1且Di (m) <=Dj (m) , 则交换Z[m]中i和j。

如果Wundefined=0且Di (m) >Dj (m) , 则交换Z[m]中i和j。

这里Di (m) 是指Di中选出的水印嵌入系数集合中的第m位的值。同样道理Dj (m) 是指Dj中选出的水印嵌入系数集合中的第m位的值。

(9) 按照调整过的系数集的值计算Va=|Di| +|Dj|和d=Di-Dj, 且当|d/vα| <β时做以下修改工作:Di1=Di+a (2Wm-1) Va/2, Dj1= Dj- a (2Wm-1) Va/2, 其中Wundefined是第m个水印bit值, a是可调整的强度系数。

至此, 就得到了修改过的四个DCT系数集合D11, D21, D31, D41。

(10) DCT重构得到四个子图, 然后采样还原得到LLn。然后再进行DWT重构和色彩重构得到嵌入了水印的图像Y。

2 水印提取

在 (8) 系数对调整过程中, 算法保证嵌入水印为1的地方Di Dj。而在 (9) DCT系数修改过程中当|d/vα|<=β时 (β很小) , 说明Di和Dj非常接近, 则在经过图像有意无意的攻击之后很容易失去它们之间的符号相对性。所以, 为了提高水印的鲁棒性, 在确保水印不可见性的基础之上, 尽量的扩大了Di和Dj的差异。 (7) 中选择系数时将原文献中选择低频系数改为选择中频系数, 文献是为了提高水印的鲁棒性, 才将水印嵌入低频域;本算法是在小波低频域进行的离散余弦变换, 主要任务是要减少视觉失真。

水印提取模型表示为:

W″= Extract (Y, Key) =Extract (Embed (X, W, Key) , Key) 。

其中, W"表示从重构图像中提取出的水印图像;Y表示嵌入水印后的重构图像;Key表示密钥。

水印的提取模型是水印的嵌入模型的逆算法, 该水印模型能实现盲提取, 即在水印的提取过程之中不需要原始图像的参与。

对二值水印的判定, 即:当Di >=Dj时, Wm=1, 当Di

经过仿真实验和攻击检测结果发现, 嵌入水印后的图像和原始图像没有明显变化, 具有很好的不可见性。当PSNR>30时, 人的视觉很难分辨出原图与重构图像之间的差异, 因此, 该算法嵌入水印后的图像均保持了良好的图像质量, 完全满足水印信息的不可见性, 具有较好的视觉效果和透明性。

本文的水印机制在抵抗压缩方面比文献[1]算法有很大的进步。在压缩因子为20时, 仍能提取出比较清晰的水印, 而文献机制提取出的水印已经很模糊了。这也是这个水印机制最大的特点, 本文所提出的水印模型是利用了文献[1]中的DCT子采样盲水印提取机制, 并研究DWT和DCT的特点之后, 将两者结合, 解决了DWT低频系数相关性强的问题, 并且加入了色彩通道选择, 将该水印模型应用于彩色图像领域。实验结果表明, 在有损压缩、噪声、滤波等的攻击下, 该模型具有较好的健壮性和不可见性。尤其在抵抗JPEG压缩方面, 这是一个非常值得关注的特性, 因为有损压缩是数字产品在网络传输中经常要遇到的一种无意攻击方式, 一个算法能否对有损压缩攻击有很好的表现在很大程度上决定了该模型的应用前景。

3 结论

本文将DCT和DWT相结合, 提出了基于DWT和DCT的彩色图像版权保护数字水印模型。该模型根据离散小波变换中低频子图的人类视觉特性, 用自适应方法选择色彩通道, 用Logistic混沌加密方法预处理数字水印的图像, 在离散小波变换的低频域进行离散余弦变换的去相关性, 且用子采样技术调整对应子图间系数的大小相对性, 实现了数字水印的盲提取。该模型有以下特点:

(1) 结合了DCT和DWT各自的特点, 即实现了水印嵌入DWT的低频域, 提高了算法的鲁棒性, 同时, 利用DCT的全局变换性去除了DWT低频系数的强相关性, 保证了水印模型的不可见性。

(2) 本模型对于压缩具有很强的抵抗性, 即使压缩系数为20, 仍能提出易辨识的水印信息。

(3) 本模型的水印提取机制简单, 并且实现了盲提取。

(4) 本文采用Logistic混沌加密对水印进行预处理, 具有较好的安全性。

(5) 色彩通道自适应选择, 提高了其在彩色图像处理时的性能。但是由于水印嵌入的过程要经过小波分解和子采样, 水印的嵌入区域有限, 使得我们嵌入水印的信息量有限。

参考文献

[1]Wei L, Lu H T, Chung F L.Robust digital image watermarking based on subsampling[J].Applied Mathematics and Computa-tion.2006, 181 (2) :886-893.

[2]刘连山, 李仁厚, 高琦.一种基于彩色图像绿色分量的数字水印嵌入方法[J].西安交通大学学报, 2008, 38 (12) :1256-1259.

[3]于帅珍.一种基于小波域的彩色图像自适应水印[J].计算机仿真.2009, 23 (7) :132-134.

彩色数字图像篇8

关键词：离散余弦变换(DCT),人类视觉系统(HVS),彩色图像,数字水印

随着多媒体技术和网络技术的迅速发展和广泛应用,对多媒体数字产品的版权进行保护已成为迫切需要解决的问题。简单地讲,数字水印技术就是将隐秘信息(水印)隐藏到数字产品中,同时满足不可见性和鲁棒性等特征(此处指鲁棒型水印,相对应的还有脆弱型水印,本文所做的研究针对鲁棒型水印),即隐秘信息从视觉上是不可见的,并且能够经受滤波、压缩、剪切、几何旋转失真等攻击。

目前,将数字水印信息嵌入彩色图像的方法可归纳为以下两种:(1)将彩色图像分为3个独立的颜色通道(R,G,B),利用灰度图像的水印嵌入算法对每个单独的颜色通道进行水印的嵌入,然后将3个通道组合在一起形成隐藏有数字水印的彩色图像,不足在于不能有效抵抗针对彩色图像进行的分色攻击。(2)把水印嵌入到亮度通道或者是单颜色通道,如Kutter等[1]利用人类视觉系统对蓝色变化最不敏感这一特点,通过修改蓝色通道中部分选定像素的值进行水印嵌入。这种方法的优点在于考虑了人类的视觉感知模型,充分挖掘载体图像的内容信息。

本文就是采用第二种方法,提出的一种基于DCT的彩色图像水印算法。根据人眼视觉系统可知,人眼对蓝色分量具有不敏感特性,故将水印信息嵌入蓝色分量中,以保证水印的不可见性。另外,本文是将一个随机序列作为水印信号嵌入在图像蓝色分量DCT变换中重要分量的幅度成分中(幅值较大的n个系数作为重要分量),由于视觉上重要的分量是图像信号的主要成分,图像信号大部分能量都集中在这些分量上,在图像有一定失真的情况下,仍能保留主要成分,故将水印嵌入在蓝色分量的这些重要分量上,可以获得较好的鲁棒性。并定义了一个相似函数来检验水印提取是否成功,实验结果表明,该算法具有不可见性,对通常的图像处理,如高斯滤波、压缩,以及旋转和剪裁等几何处理都具有一定的鲁棒性。

1 离散余弦变换

离散余弦变换(DCT)是图像处理中应用较多的一种变换[2]。它利用傅立叶变换的对称性,采用图像边界折叠操作将图像变换为偶函数形式,然后对这样的图像进行二维傅立叶变换,变换后的结果将仅包含余弦项,故称之为离散余弦变换。DCT可以将图像描述为不同幅值和频率的正弦值之和的形式,定义为:

其中,F(u,v)称为图像变换的DCT系数。DCT也是一种可逆变换,IDCT变换即离散反余弦变换,其定义如下:

其中:

因此有:

对于一副典型的图像,DCT有这样的性质:许多有关图像的重要可视信息都集中在DCT变换的一小部分系数中。因此,DCT变换在图像压缩中非常重要,是有损图像压缩标准JPEG算法的核心。

2 HVS的光谱特征

根据人眼结构,所有人可以感受到的颜色都可以看作是三个基本色——红、绿、蓝的不同组合[3]。国际照度委员会(CIE)规定了三种基本色的波长分别为R(红):700nm,G(绿):546.1nm,B(蓝):435.8nm,其曲线图如图1所示。

任意波长的颜色总可以用CIE设定的R、G、B三者叠加得到。由此,可以得出如下公式:C≡r R+g G+b B。C代表某一特定颜色,≡表示匹配,R、G、B表示三基色,r、g、b表示比例系数,且r+g+b=1。需要说明是,,HVS对于不同的颜色其敏感度不同。如果用红、绿、蓝来计算白色的亮度(发光强度),则上式中绿色系数最大,红色系数次之,蓝色系数最小。CIE根据人类视觉的特点定义出的标准光谱亮度函数如下:Y=0.2125R+0.7154G+0.0721B,Y代表亮度。

由亮度公式及图2可以得出,对于三原色R、G、B,人眼对绿色最敏感,对蓝色最不敏感。根据以上分析,我们可以看出,对于彩色图像数字水印的嵌入我们可以结合HVS的光谱特征,将水印嵌入蓝基色分量中,以期达到更好的嵌入效果。

3 水印的嵌入与提取过程

1)嵌入的基本过程:

(1)对原始彩色图像进行三基色分离,提取其蓝色分量,并进行DCT变换。

(2)水印信号的产生。Cox[4]等指出有高斯随机序列构成的水印信号具有良好的鲁棒性,在许多文献中也都将高斯随机序列作为水印信号。故本文所采用的水印信号W为服从正态分布N(0,1),长度为n的实数随机序列。即:

W={Xi,0≤i≤n}

(3)水印的嵌入。选择将水印信号放在宿主信号的哪个位置,才能保证其具有更好的鲁棒性。Cox[4]等认为图像水印应放在视觉上最重要的分量上。由于视觉上重要的分量是图像信号的主要成分,图像信号大部分能量都集中在这些分量上,在图像有一定失真的情况下,仍能保留主要成分,即视觉上重要的分量的抗干扰能力较强。另外,根据我们前面对HVS光谱特征的分析,由于人眼对三基色的敏感程度不同,对蓝色最弱的特性,故将水印嵌入在蓝色分量的这些重要分量上,可以获得较好的鲁棒性。当水印信号相对宿主信号较小时,还可以保证不可见性。因此,本算法将服从N(0,1)分布的随机序列构成的水印序列,放在图像蓝色分量DCT的重要系数的幅度中,以增强水印的鲁棒性。通常选取幅值较大的n个系数作为重要分量,其嵌入公式为:v'=v(1+axk)。

(4)进行二维离散余弦反变换,得到嵌入水印的蓝色分量,将其与原始图像的红色分量及绿色分量融合,形成嵌入水印后的彩色图像。

2)水印提取:该算法不能实现盲提取,必须有原始图像作参考。先对原图像和嵌入水印后的图像的蓝色分量分别进行离散余弦变换,再利用xk=(v'/v-1)/a提取水印。

3)相似度计算:评价水印的准则。由于提取的水印可能与原嵌入水印不完全一样,这就需要一个评价准则来衡量提取的水印与原始水印的相似程度。本文采用:其中:W*表示提取的水印信号,W表示原始水印信号。事先设定一个阈值T(本文取T=6.)。当P>T,则认为待测图像中存在着水印;否则认为不存在水印。根据相似度的值即可判断图像中是否含有水印信号,从而达到版权保护的目的。阈值T的选择要同时考虑虚警概率和漏警概率。虚警概率是指待测图像中不包含水印,而检测器输出结果却表明含有水印的概率;漏警概率是指待测图像中含有水印,而检测器输出结果却表明不含有水印的概率。T减少,则漏警概率将降低而虚警概率提高;T增大,则虚警概率降低而漏警概率提高。若W*与W不相关,P>T的概率等于具有Gaussian分布的随机变量超过其均值T倍方差的概率。

4 实验结果与抗攻击性能分析

本实验原始图像采用240×248的彩色BMP图,大小为147 KB,全部算法由Matlab实现[5]。

由图3(a)和(b)可以看出水印嵌入后的图像除亮度略有改变外,与原始图像几乎无太大差别,基本满足了水印对不可见性的要求。

接着对嵌入水印的图像进行不同程度的攻击,用以测试水印的鲁棒性。本文给出三十度旋转、高斯滤波、剪裁和压缩后的MATLAB图像处理图分别如图4(a)到(d):

水印测试结果如图5(a)到(d)所示,分别给出了旋转30度、高斯滤波、剪裁和压缩后的实验结果。其中纵坐标表示相关系数值,横坐标表示60个LENGTH*1的测试水印序列,测试结果清楚表明第10个(即正确水印)的相关值大于其他值,并且大于设定的阈值6,因此可以检测到正确的水印。

5 结论

从上述试验结果可以看出,我们结合HVS的光谱特征,以及相应的亮度公式提出的数字水印嵌入和提取方法,能够取得较好的嵌入及提取效果。另外,由于视觉上重要的分量是图像信号的主要成分,图像信号大部分能量都集中在这些分量上,故在图像有一定失真的情况下,仍能保留主要成分,即视觉上重要的分量的抗干扰能力较强。所以本实验的水印算法是通过在彩色图像的蓝色分量的DCT变换重要系数的幅度成分的中加入水印,并利用相关检测器进行水印测试。本文水印采用一组高斯随机序列,可以保证一定量的嵌入水印信息。实验证明该方法对通常的图像处理,如噪声、裁剪特别是几何旋转都具有一定的鲁棒性和不可见性,不足之处在于检测时需要原始图像参与,不能实现盲检测。

参考文献

[1]Fleet D,Heeger D.Embedding invisible information in color images[C].San Jose,CA,USA:Proceeding of the IEEE International Confer-ence on Image Proceding,1997:532-535.

[2]孙圣和,陆哲明,牛夏牧.数字水印技术及应用[M].北京:科学出版社,2004.

[3]章毓晋.图象工程[M].2版.北京:清华大学出版社,2006.

[4]COX I J,M ILLER M L,BLOOM J A.Digital watermarking[M].USA:Morgan Kaufman Publisher,2002.

彩色数字图像篇9

1 颜色特征分析及颜色分量的选取

不同种类的水果表面呈现不同的颜色, 本文正是利用香蕉和其它水果及其背景颜色在R、G、B分量上的差异进行识别[2]。分别截取图像中香蕉和其它水果的感兴趣区域, 并将其转换为R分量、G分量、B分量的灰度图像, 对各个分量进行灰度值统计, 得到灰度直方图分别如图1、图2、图3所示:

比较香蕉和其他水果及背景在R、G、B三个分量灰度直方图统计可以看出, R分量灰度直方图可以看出香蕉颜色和其他水果颜色在R分量上有很大的重叠所以不能很好的分割。在G分量上虽然出现双峰, 但双峰距离不大而且背景和其他水果的颜色在此分量分布很广还出现一个小的峰值, 在此分量上分割也不是很理想。但此分量也可以用于香蕉彩色图像的分割, 只在用B分量达不到理想分割效果时, 作为次要考虑因素帮助取得更好的分割效果。然而在B分量上出现明显的双峰, 且间距很大, 所以选取B分量为主要研究对象, 对水果彩色图像进行分割。

2 确定阈值

在B分量上, 香蕉和其它水果的灰度分布有易于区分的规律。香蕉和其它水果及背景在图像的灰度直方图上形成各自的波峰, 即区域和波峰一一对应, 因而采用双峰法寻找阈值。由于双峰间形成一个明显的波谷, 所以选择波谷处的灰度值作为彩色分割的阈值。波谷的选取采用极小值点阈值法:即将直方图的包络看作一条曲线, 选取曲线的极小值点。设h (x) 代表直方图的包络, x为横坐标, 则极小值满足下面的微分方程[3]:

这些极小值点对应的灰度值就可以用作分割阈值。

3 彩色阈值分割

由上述B分量直方图分析及阈值计算, 得出香蕉的B分量灰度值主要集中在50以下, 设B (m, n) 代表 (m, n) 处的B分量的灰度值, 则有:

据此对水果彩色图像进行阈值变换, 然后再二值化处理如图4所示:

4 形态学操作

水果彩色阈值分割变换成二值图像的处理过程中, 难免又增加了一些噪声, 它们对形状特征提取是极为不利的, 为此必须对二值图像进行平滑[4]。

上面的二值图像中的图形分量形成块状图形, 其噪声的表现形式很多, 其中有代表性的形式是点状图和小孔, 所谓点状和小孔是指面积相对较小的1像素连接成分和0像素连接成分。采用腐蚀处理和膨胀处理可以有效的去除这些连接成分。

先对得到的二值图像进行腐蚀操作, 使一些非提取目标变小甚至消失, 以便于香蕉的进一步提取, 最后在腐蚀操作的基础上对得到的图像进行膨胀恢复香蕉的形状。图5是腐蚀膨胀后的结果。

5 特征提取

图像的特征就是图像中包括具有某种特征的物体, 如图4所示, 希望从该图中提取出香蕉, 就必须利用香蕉是细长圆形物体这些特征属性指示计算机进行提取。几个具有代表性的特征参数是:面积、周长、圆形度、重心[5]。

面积:计算物体中包含的像素数, 用符号s表示。

周长:物体轮廓线上的周长是指轮廓线上像素间距离之和, 用符号c表示。

圆形度:是在面积和周长的基础之上, 计算物体的形状复杂度的特征, 可考虑用如下公式计算, 用e代表圆形度:

重心:物体的重心 (X0, Y0) 就是指物体中像素坐标的平均值, 设 (Xi, Yi) 为物体所含像素的坐标, 则重心的计算公式如下:

从上面的腐蚀膨胀的图片很容易看出可以通过面积、周长、圆形度、重心这些特征把香蕉从其他的水果中提取出来。这里采用圆形度这一特征提取香蕉。表1是对香蕉圆形度的统计。

由表1的试验所得到的香蕉圆形度数据可知香蕉的圆形度主要集中在[0.2000 0.4000]范围内, 因此可以对在此圆形度范围图像特征进行提取。对充分腐蚀膨胀的图像进行圆形度特征提取, 首先对充分腐蚀膨胀的图像进行区域标记 (见图6) , 然后根据圆形度进行提取, 特征提取的结果如图7所示:

6 结论

本文提出基于水果颜色在R、G、B分量存在差异, 利用直方图统计分量颜色差异, 采用双峰法选择阈值进行彩色阈值变, 提取目标水果。该算法简单, 计算量少, 易于实现, 在水果分类识别中有应用前景[6]。试验表明, 利用香蕉的颜色特点可以准确的将其提取出来。

摘要：文章提出了一种基于彩色阈值变换的香蕉识别算法:根据提取目标与其他水果在R、G和B分量的差异, 利用直方图阈值法对彩色图像的R、G、B分量进行分割, 采用双峰法选择阈值进行阈值变换然后转化为二值图像, 再根据提取目标香蕉的特征进行特征提取。实验结果显示, 该算法可以有效的将香蕉从其它水果中提取出来。

关键词：图像分割,彩色阈值变换,特征提取,腐蚀,膨胀

参考文献

[1]杨旭强, 冯勇.一种基于HIS颜色模型的目标提取方法[J].光学技术, 2006, 32 (2) :290-292.

[2]Rafael C.Gonzalez, Richard E.Woods.Digital Image Processing[M].Second Edition.北京:电子工业出版社, 2006.

[3]徐慧荣.基于彩色信息的树上柑橘的识别研究[J].农业工程学报, 2005, 21 (5) :98-101.

[4]陈兵旗, 孙明.Visual C++实用图像处理[M].北京:清华大学出版社, 2004.

[5]贺兴华, 周媛媛.MATLAB7.x图像处理[M].北京:人民邮电出版社, 2006.

本文来自古文书网(www.gwbook.cn)，转载请保留网址和出处

主题: 彩色世界01-10

彩色数字图像处理01-10

彩色电视机维修技术01-10

彩色血流01-10