文献总结--水印图像文献调研

目录

文献总结--数字水印文献调研

数字水印方法

多级数字水印检测与恢复[1]

（a）基于块的水印嵌入方法

（b）基于块的分级篡改检测方法

（c）基于块的恢复方法

图像数据库

一些概念

VQ矢量量化（vector quantization）[1]：

---

文献总结--数字水印文献调研

1.  Lin, Phen Lan, Chung-Kai Hsieh, and Po-Whei Huang. "A hierarchical digital watermarking method for image tamper detection and recovery." Pattern recognition 38.12 (2005): 2519-2529. （引用308，中科院2区，IF= 3.962）
   1. Lee, Tien-You, and Shinfeng D. Lin. "Dual watermark for image tamper detection and recovery." Pattern recognition 41.11 (2008): 3497-3506.（引用246，中科院2区，IF= 3.962）
      1. Zhang, Xinpeng, et al. "Watermarking with flexible self-recovery quality based on compressive sensing and compositive reconstruction." IEEE Transactions on Information Forensics and Security 6.4 (2011): 1223-1232.（引用123，中科院2区，IF= 5.824）
      2. Korus, Paweł, and Andrzej Dziech. "Efficient method for content reconstruction with self-embedding." IEEE Transactions on Image Processing 22.3 (2012): 1134-1147. （引用69，中科院2区，计算机图形学A类，IF= 5.071）
         1. Qin, Chuan, et al. "Fragile image watermarking with pixel-wise recovery based on overlapping embedding strategy." Signal Processing 138 (2017): 280-293.（引用68，中科院2区，IF= 3.47）
         2. Sarreshtedari, Saeed, and Mohammad Ali Akhaee. "A source-channel coding approach to digital image protection and self-recovery." IEEE Transactions on Image Processing 24.7 (2015): 2266-2277. （引用34，中科院2区，计算机图形学A类，IF= 5.071）
      3. Dadkhah, Sajjad, et al. "An effective SVD-based image tampering detection and self-recovery using active watermarking." Signal Processing: Image Communication29.10 (2014): 1197-1210. （引用58，中科院2区，IF= 3.47）
      4. Yang, Chun-Wei, and Jau-Ji Shen. "Recover the tampered image based on VQ indexing." Signal Processing 90.1 (2010): 331-343.（引用111，中科院2区，IF= 3.47）
      5. He, Hong-Jie, Jia-Shu Zhang, and Fan Chen. "Adjacent-block based statistical detection method for self-embedding watermarking techniques." Signal Processing 89.8 (2009): 1557-1566. （引用87，中科院2区，IF= 3.47）
   2.  Chang, Chin-Chen, Yi-Hsuan Fan, and Wei-Liang Tai. "Four-scanning attack on hierarchical digital watermarking method for image tamper detection and recovery." Pattern Recognition41.2 (2008): 654-661. （引用94，中科院2区，IF=3.962）
      1. Tong, Xiaojun, et al. "A novel chaos-based fragile watermarking for image tampering detection and self-recovery." Signal Processing: Image Communication 28.3 (2013): 301-308. （引用74，中科院2区，IF= 3.47）
      2. He, Hongjie, et al. "Performance analysis of a block-neighborhood-based self-recovery fragile watermarking scheme." IEEE Transactions on Information Forensics and Security 7.1 (2011): 185-196. （引用66，中科院2区，IF= 5.824）
      3. Khan, Asifullah, et al. "Intelligent reversible watermarking and authentication: Hiding depth map information for 3D cameras." Information Sciences 216 (2012): 155-175. （引用39，中科院2区，IF= 4.305）
2. Barni, Mauro, et al. "A new decoder for the optimum recovery of nonadditive watermarks." IEEE transactions on image processing 10.5 (2001): 755-766. （引用243，中科院2区，计算机图形学A类，IF= 5.071）
   1. Barni, Mauro, et al. "Optimum decoding and detection of multiplicative watermarks." IEEE Transactions on Signal Processing 51.4 (2003): 1118-1123. （引用142，中科院2区，IF= 4.203）
   2. Khan, Asifullah, et al. "Machine learning based adaptive watermark decoding in view of anticipated attack." Pattern Recognition 41.8 (2008): 2594-2610. （引用96，中科院2区，IF= 3.962）

3.  Lu, Wenhuan, et al. "Watermarking Based on Compressive Sensing for Digital Speech Detection and Recovery." Sensors18.7 (2018): 2390. （中科院3区，IF= 2.475）

 

注：下一级引用了最近上一级文章

 

数字水印方法

 

 

多级数字水印检测与恢复[1]

准备知识：Torus自同构映射（Torus automorphism）：将一副给定的图像彻底打乱，从而产生一副完全混乱的图像。

水印流程：图A-->B-->C-->D-->…-->A依次根据Torus自同构映射提取信息嵌入，Torus自同构映射变换公式如下

其中N为图像块总数，块序号X`,X∈[1,N]，私有密匙k∈[0,N-1]必须为素数才能保证1对1的映射。

 

（a）基于块的水印嵌入方法

块映射序列生成：将图分为不重叠的块，图大小为M*M pixels，块大小为4*4 pixels，块总数为N=（M/4）*（M/4）；依次分配块序号X；随机选取素数k；通过Torus自同构映射变换公式获得映射块序号X`，记录所有X和X`序号对。

对每个4*4 pixels大小的块，继续分为2*2 pixels大小的子块，如下图所示

子块基于三元组（v，p，r）（认证水印v+奇偶校验位p+回转时间r），将其嵌入子块Bs的两位低有效位LSB（less significant bits）

其中avg_B、avg_Bs为块B和子块Bs将后两位置零后的块平均密度，num为avg_Bs的最高有效位（MSB）为1的总数。r为相应A子块的6位恢复水印，r与k、N和初始点（x_0,y_0）相关。

 

（b）基于块的分级篡改检测方法

       对每个4*4 pixels大小的块B`，计算将块B`后两位置零后的平均密度avg_B`，进行三级检测。第一级以2*2大小的块为单位检查，第二级以4*4大小的块为单位检查，第三级扩大检查范围到3*3临近块（3×3 block-neighborhood）检查，第四级对VQ攻击（VQ-attack resiliency）检查。

第一级检测：

对每个4*4 pixels大小的块B`，继续分为2*2 pixels大小的子块B`s；

从B`s提取v、p，置B`s两位LSB为零并计算其平均密度avg_B`s；

从avg_B`s提取v`、p`；

比较p`与p，若不同，标记子块B`s为错误的，完成子块B`s的检测；

比较v`与v，若不同，标记子块B`s为错误的，完成子块B`s的检测，否则标记为有效的；

第二级检测：

对每个4*4 pixels大小的块，若其任意子块标记为错误则标记块为错误的，否则标记为有效的；

第三级检测：

对每个4*4 pixels大小的有效块，如果在3*3临近块中有5个及以上的块标记为错误则标记块为错误的，如下图所示，否则标记为有效的；

第四级检测（仅对VQ攻击检查）：

对每个4*4 pixels大小的有效块B`，利用Torus自同构映射找到对应块C的块号并定位；如果C为错误的，则假定B`为正确的，完成B`的检测；

如果C为有效的，则：

       通过最初提取的两位LSB获得B`s本来的密度，丢弃v、p，填充两位0获得8位avg_B1`s；

       计算B`s平均密度avg_B`s，其中提前设置后两位LSB为0；

       比较avg_B1`s和avg_B`s，如果不同，标记B`为错误的。

 

（c）基于块的恢复方法

利用密匙和Turous自同构映射，计算块C的块码，并定位；

如果块C是错误的，跳过该块的恢复；

如果块C是有效的，通过最初提取的与C对应的每个像素的两位LSB，丢弃v、p位，获取6位B子块的密度；

每个像素末端填补两个零位，将每个像素密度扩充为8位子块，直到所有的B块有效。

 

 

图像数据库

1.  多级数字水印检测与恢复[1]：

                                               （a）房屋原始图 （b）损坏图 （c）检测篡改区域 （d）恢复图

 

                                            （a）汽车原始图（b）损坏图 （c、e）检测篡改区域 （d、f）恢复图

 

 

                                              （a）指纹原始图 （b）损坏图 （c、e）检测篡改区域 （d、f）恢复图

 

                                       （a）沙滩原始图 （b）损坏图 （c、e、g）检测篡改区域 （d、f、h）恢复图

 

                                                                   （左）单个篡改块 （右）分散篡改块

 

 

 

一些概念

 

VQ矢量量化（vector quantization）[1]：

       VQ 是将一个向量空间中的点用其中的一个有限子集来进行编码的过程。模拟信号是连续的值，而计算机只能处理离散的数字信号，在将模拟信号转换为数字信号的时候，我们可以用区间内的某一个值去代替着一个区间，比如，[0, 1)上的所有值变为0，[1, 2)上的所有值变成1，如此类推。

       实际做法是：将每个像素点当作一个数据，跑一下K-means，得到k个centroids，然后用这些centroids的像素值来代替对应的 cluster 里的所有点的像素值。VQ 2、VQ 10 和 VQ 100 三张图片分别显示聚类数目为2、10和100时得到的结果：