数字水印 | 论文：Image Watermarking Using Discrete Wavelet Transform and Singular Value Decomposition（一）

🥭原文： Image Watermarking Using Discrete Wavelet Transform and Singular Value Decomposition for Enhanced Imperceptibility and Robustness

🥭写在前面： 2024 年的 CCF-B，结合离散小波变换和奇异值分解。

1 Background

图像水印的嵌入与提取流程如下图所示：

该过程首先由水印嵌入算法启动，它需要原始图像、水印以及一个密钥。通信通道用于传输水印图像，随后该图像可能会经历多种形式的攻击。当需要提取水印时，使用相同的密钥和与嵌入过程相反的算法，从经过攻击的水印图像中恢复出水印。

注意：原始图像就是指图中的宿主 $\mathsf{Host}$ 图像。水印是指 $\mathsf{Watermark}$ 图像，水印图像是指 $\mathsf{Watermarked}$ 图像，请注意区分😇

2 Theoretical Background

该部分介绍了 $\mathsf{Arnold}$ 映射 $(\mathsf{map})$、离散小波变换 $(\mathsf{DWT})$ 和奇异值分解 $(\mathsf{SVD})$ 技术的初步概念。

2.1 Arnold Map

$\mathsf{Arnold}$ 映射是一种对相邻像素进行迭代置乱 $\mathsf{scramble}$ 的加密技术。如果 $I$ 是一个 $N$ 阶的二维图像，那么它的像素表示 $\mathsf{pixel}\mathsf{representation}$ 可以写成：

$$P=\{(x,y)|x,y=0,1,2,...,N-1\}$$

置乱后可写为：

$$P^{\prime }=\{(x^{\prime },y^{\prime })|x^{\prime },y^{\prime }=0,1,2,...,N-1\}$$

个人理解：$(x,y)$ 就是一个像素的位置，经过 $\mathsf{Arnold}$ 映射后，这个像素的位置变为 $(x^{\prime },y^{\prime })$。由于图像的大小为 $N\times N$，因此像素的行和列位置只可能在 $0$ 到 $N-1$ 之间。

$\mathsf{Arnold}$ 置乱变换可以表示为如下形式：

$$\left[\begin{array}{c}{x}^{\prime }\\ y^{\prime }\end{array}\right]=\left[\begin{array}{cc}1& 1\\ 1& 2\end{array}\right]\left[\begin{array}{c}x\\ y\end{array}\right]modN$$

其中，$x$ 和 $y$ 表示宿主图像的像素坐标，而 $x^{\prime }$ 和 $y^{\prime }$ 表示对宿主图像实施 $\mathsf{Arnold}$ 变换后得到的像素坐标。$\mathsf{Arnold}$ 变换通过对宿主图像进行分散处理，保障了即便原图遭受损坏，嵌入的隐藏信息仍能保持均匀分布。这样的处理提高了隐藏图像的信赖度、鲁棒性和安全性。在我们的研究方法中，我们采用 $\mathsf{Arnold}$ 映射技术来确保水印图像的安全性。

更多内容可以参考：数字水印 | Arnold 变换的 Python 代码实现

2.2 Discrete Wavelet Transform (DWT)

离散小波变换（DWT）通过对信号进行离散小波分解，将这些信号分解为离散采样的小波系数。与仅在频域上操作的傅里叶变换相比，DWT 同时在频率和时域上操作，因而具有明显的优势。DWT 广泛应用于图像压缩、信号处理、噪声消除等多个领域。

DWT 将宿主图像分解为四个不同的子带：低频-低频 $(\mathsf{LL})$、低频-高频 $(\mathsf{LH})$、高频-低频 $(\mathsf{HL})$、高频-高频 $(\mathsf{HH})$。其中，$\mathsf{LL}$ 子带包含了图像的近似部分，而 $\mathsf{LH},\mathsf{HL},\mathsf{HH}$ 子带包含了图像的细节信息，如边缘和纹理等。

这些子带不仅可以被进一步分解为更细致的子带，实现多级分解，而且每个子带的 DWT 系数的幅值在不同子带中有不同的表现，通常在 $\mathsf{LL}$ 子带中较大。

GPT 说：在小波变换中，通过对原始信号进行多级分解，可以将信号分解为包含不同频率成分的子带。低频子带包含了信号的主要结构和整体趋势，而高频子带则包含了信号的细节和瞬态变化。

我们采用了四级 DWT 对宿主图像的 $\mathsf{LL}$ 子带进行分解。下图展示了分解过程：

这有助于提高图像分解的细致程度，从而增强图像处理的效率和效果。

2.3  Singular Value Decomposition (SVD)

奇异值分解（SVD）是实数或复数矩阵的一种分解方法。

如果 $M$ 是一个 $N\times N$ 尺寸的图像，那么它可以被分解为两个正交矩阵 $U,V$ 和一个对角矩阵 $S$，使得：

$$M=US{V}^T$$

对角矩阵 $S$ 中的元素被称为奇异值。

SVD 可以在多种数字信号处理操作中广泛使用，包括图像恢复、数据压缩、功率谱估计和噪声减少。SVD 还可以有效地用于水印技术，因为它保持了水印图像的不可见性。SVD 的唯一奇异值使其对几何攻击和其他攻击更具鲁棒性。此外，这些奇异值包含了图像的主要信息。由噪声引起的微小变化不会显著影响奇异值，这些特性使得 SVD 在图像水印研究领域对研究人员更具吸引力。

受到这些启发，我们在对宿主图像进行小波变换之后进行了 SVD 。