数字水印 | 彩色图像论文：A blind and robust color image watermarking scheme based on DCT and DWT domains（四）

---

🤖原文： A blind and robust color image watermarking scheme based on DCT and DWT domains

🤖写在前面： 这是一篇拥有 “中科院论文工厂预警” 的 2023 年 SCI 3/4 区论文！无奈相关论文比较少，因此只能硬着头皮读一读。

Evaluation metrics

在数字水印方面必须达到的两个主要目标是：不可感知性和鲁棒性。在本文中，我们使用了两个广泛被采用的指标来评估由所提出的方法获得的含水印图像的质量。这些指标是峰值信噪比 $\mathsf{PSNR}$ 和结构相似度 $\mathsf{SSIM}$。除此之外，我们还使用了另外两个指标来评估所提出的方法在遭受各种攻击时的鲁棒性。这些指标是归一化相关 $\mathsf{NC}$ 和误码率 $\mathsf{BER}$。

1 测量含水印图像的质量

1.1 PSNR 指标

$\mathsf{PSNR}$ 指标量化了水印嵌入过程中加入到宿主图像中的噪声量。随着加入噪声的增大，$\mathsf{PSNR}$ 值减小，反之亦然。因此，较高的 $\mathsf{PSNR}$ 值表示较好的不可感知性。一般来说，$\mathsf{PSNR}$ 值达到 $30dB$ 以上意味着含水印图像的透明度与宿主图像相似。

使用以下公式来计算 $\mathsf{PSNR}$，它是以分贝 $(\mathsf{dB})$ 为单位测量的：

$$PSNR=10lo{g}_{10}\left(\frac{255^2}{\frac{1}{3MN}{\sum }_{k=0}^{3-1}{\sum }_{i=0}^{M-1}{\sum }_{j=0}^{N-1}(H(i,j,k)-W(i,j,k){)}^2}\right)(\mathrm{dB})$$

其中 $H$ 和 $W$ 分别代表宿主图像和含水印的图像，$M$ 和 $N$ 分别代表 $H$ 和 $W$ 的行和列的大小。

理论上，宿主图像和含水印的图像应该是一样大的。

Python 代码实现

pip install scikit-image

import cv2
from skimage.metrics import peak_signal_noise_ratio

img1 = cv2.imread('original.jpg')
img2 = cv2.imread('watermarked.jpg')

psnr = peak_signal_noise_ratio(img1, img2)

print('PSNR: ', psnr)

1.2 SSIM 指标

$\mathsf{SSIM}$ 以类似于人类视觉系统的方式评估两个图像之间的相似程度。$\mathsf{SSIM}$ 值落在 $[-1,1]$ 范围内。$\mathsf{SSIM}$ 的值为 $1$ 表示被比较的两个图像是相同的，但由于嵌入效应，这是不可能实现的。因此，最接近于 $1$ 的值是首选的。

使用以下公式来计算 $\mathsf{SSIM}$：
S S I M = ( 2 μ