矩阵图像施密特正交化（Schmidt orthogonalization）

最近在研究多个水印图像的嵌入，和大家分享学到的一个小知识点。

正交化

大家不要想的太复杂，其实就是我们初中学的两个向量内积为0，更通俗一点，就是两个向量垂直。

单位化

使得矩阵成为单位矩阵。个人认为这一步在图像处理中可以达到数据降维，减少计算复杂度的作用。

基向量

用来构成向量平面，以二维向量平面为例，可以形成一个二维坐标系。

施密特正交化

为啥要学这个？

以频域水印嵌入为例，我们在嵌入水印的时候可以通过直接修改频域系数来达到。

BUT！这种直接嵌入的方法很EASY，换言之，鲁棒性很差！很难抵抗攻击，所以提出基于块间相关性嵌入水印，这个有相关论文（2014的那篇最有代表性，其次是2016的那篇），感兴趣可以去阅读一下！

这种基于块间相关性进行水印嵌入的方法，简单来说就是计算两个相邻块之间的差值，使其在一定的差值域中，在提取的过程中，通过再次计算差值，判断差值所在区域段，直接提取出水印。

这种方法最大的好处是当带水印的图像遭受到攻击时，相邻块之间的变化不会有很大差异（简单理解，可以把两个块想象为两辆小汽车，二者都在行驶，但是由于速度几乎一样，所以可以说二者保持相对静止，车距就没有改变！回到图像块上，行驶就是受到的攻击，车距就是差值！）

那么大家会注意到，这种方法的问题在于，如果要嵌入两个及以上的水印，势必前一个水印的修改值会影响后一个，所以我们需要做的就是让这些水印的嵌入互不干扰！

（图像是一个二维矩阵，我们可以设定一个直角坐标系，原点分别指向矩阵中的每一个元素，这样就形成了很多向量。当然，这些矩阵我们要怎么比较大小呢？所以就需要将他们放在同一个向量上进行比较！简单选择！x轴就可以！而每个向量在x轴的大小就是他们在x轴上的投影！方向都是一样的，不用纠结！）帮助大家理解，下面回到施密特！

看一个简单的例子：

其中，step1是完成正交化，step2是完成单位化。

目的在于求出b1,b2，这两个向量在向量平面中是两两垂直的，也就是内积为0，互不影响。

ps: b1=a1：因为要使得a1和a2相互垂直，所以需要固定其中一个向量，就是这里的a1，然后找a2在a1上的投影。

ok, if you understand this, let me give you something harder!

刚才是两个向量，那三个向量该如何理解呢？

其实很简单，刚才是a2需要和a1垂直，那么加一个a3，就是要a3和前面的两个向量分别垂直，就可以，formula如下：

 is that easy?!!

我们脑海中保持一个概念，就是通过计算，得到新的一组两两相交的向量。

欢迎大家讨论！