本發(fā)明屬于通信技術(shù)領(lǐng)域，更進(jìn)一步涉及信息安全技術(shù)領(lǐng)域中的一種基于圖像內(nèi)容的魯棒可逆水印嵌入與檢測(cè)方法。本發(fā)明可用于在發(fā)布數(shù)字圖像的同時(shí)，提取數(shù)字圖像的內(nèi)容水印注冊(cè)到第三方知識(shí)產(chǎn)權(quán)庫(kù)，并且在接收數(shù)字圖像的同時(shí)，檢測(cè)水印信息，實(shí)現(xiàn)對(duì)數(shù)字圖像的所有權(quán)的驗(yàn)證，達(dá)到信息安全的目的。

背景技術(shù)：
隨著多媒體技術(shù)、網(wǎng)絡(luò)技術(shù)和計(jì)算機(jī)技術(shù)的迅猛發(fā)展，無論是人們的日常工作和生活還是企業(yè)單位和事業(yè)單位的辦公和交易，對(duì)于以多媒體信息為代表的數(shù)字技術(shù)的需求日益增加。由于因特網(wǎng)的發(fā)展和普及以及數(shù)字化信息存取的便利性,越來越多的媒體信息以數(shù)字的形式存在并通過網(wǎng)絡(luò)進(jìn)行流通。但是任何事情有利必有弊，數(shù)字化作品的信息安全在網(wǎng)絡(luò)環(huán)境下極易受到挑戰(zhàn)。一些攻擊者沒有得到數(shù)字作品作者的授權(quán)就擅自復(fù)制、篡改和傳播這些具有版權(quán)的數(shù)字出版物，從中獲取可觀的經(jīng)濟(jì)收入。這種行為傷害了數(shù)字作品版權(quán)所有者和發(fā)行單位的利益,并重創(chuàng)了數(shù)字媒體產(chǎn)業(yè)的有序發(fā)展。此外，隨著電子政務(wù)、電子商務(wù)和遠(yuǎn)程醫(yī)療診斷的推廣應(yīng)用，一些政府公文、交易賬單和患者病歷等在互聯(lián)網(wǎng)上被惡意篡改,這使得人們對(duì)這些網(wǎng)絡(luò)應(yīng)用增添了一份恐懼和不信任感。因此，如何在網(wǎng)絡(luò)環(huán)境下對(duì)數(shù)字媒體實(shí)施版權(quán)保護(hù)、所有權(quán)驗(yàn)證、拷貝控制領(lǐng)域等已經(jīng)成為迫在眉睫的信息安全問題。針對(duì)上面的問題，數(shù)字可逆水印技術(shù)作為一項(xiàng)富有潛力的解決手段應(yīng)運(yùn)而生，并成為近年來工業(yè)界和學(xué)術(shù)界共同關(guān)注的熱點(diǎn)。與普通數(shù)字水印相比，可逆數(shù)字水印，不僅利用數(shù)字內(nèi)嵌的方法把一些秘密信息隱藏在圖像、聲音、文檔、視頻等數(shù)字媒體中并且如果在傳輸過程中數(shù)字媒體沒有發(fā)生任何損失，就可以在提取隱藏信息之后，無失真地恢復(fù)數(shù)字媒體的內(nèi)容。這對(duì)于諸如醫(yī)學(xué)影像、法庭證據(jù)照片、電子票據(jù)、遙感圖像等要求苛刻的領(lǐng)域具有重要意義。然而，在實(shí)際應(yīng)用中，無損環(huán)境傳輸幾乎是不可能的，數(shù)字媒體在傳輸過程中往往會(huì)由于信道噪聲或惡意處理的影響而出現(xiàn)將質(zhì)，嵌入的水印又需要具有抵抗攻擊的魯棒性。這種水印方案稱為魯棒可逆水印，它以其特有的優(yōu)勢(shì)引起了廣大研究者們的濃厚興趣，成為國(guó)際信息安全領(lǐng)域新興的研究領(lǐng)域。根據(jù)水印嵌入模型的不同，現(xiàn)有的魯棒可逆圖像水印方法可以分為三類：基于直方圖旋轉(zhuǎn)的方法，基于直方圖分布約束的方法和基于廣義統(tǒng)計(jì)量直方圖與聚類的方法。見文獻(xiàn)“安玲玲.數(shù)字圖像無損信息隱藏方法研究.西安電子科技大學(xué).2011”。DeVleeschouwerC等人在“Circularinterpretationofbijectivetransformationsinlosslesswatermarkingformediaassetmanagement”(《IEEETrans.Multimedia》2003，5：97-105)提出一種基于直方圖旋轉(zhuǎn)的方法，該方法基于Patchwork理論，首先將原始圖像分成大小相同且互不重疊的圖像塊，每個(gè)塊中的像素又被隨機(jī)地劃分為兩個(gè)相同大小的子區(qū)域并將其灰度直方圖映射到圓上；最后通過旋轉(zhuǎn)圓心到子區(qū)域質(zhì)心的向量來嵌入水印。該方法對(duì)JPEG壓縮具有魯邦性，但是仍然存在的不足是，由于采用模256運(yùn)算來避免像素溢出，從而導(dǎo)致含水印圖像中存在大量的“椒鹽”噪聲，大大降低了含水印圖像的視覺質(zhì)量，影響了該方法的魯棒性。ZouDK等人在“Asemi-fragilelosslessdigitalwatermarkingschemebasedonintegerwavelettransform”(《IEEETrans.CircuitsandSystemsforVideoTechnology》2006，16：1294-1300)提出一種基于直方圖分布約束的方法，此類方法根據(jù)圖像的直方圖分布信息和待嵌入的水印有約束地修改圖像的統(tǒng)計(jì)特性來實(shí)現(xiàn)水印嵌入。與第一類方法相比，該類方法雖然消除了“椒鹽”噪聲，提高了含水印圖像的視覺質(zhì)量，但是，由于誤差糾錯(cuò)碼的使用，使其仍存在容量低的問題。西安電子科技大學(xué)申請(qǐng)的專利“基于直方圖鄰域的魯棒可逆水印嵌入與提取方法”(申請(qǐng)?zhí)枺?011100891341，授權(quán)公開號(hào)：CN102156955B)授權(quán)了一種基于直方圖鄰域的魯棒可逆水印嵌入與提取方法，該類方法基于廣義統(tǒng)計(jì)量直方圖平移與聚類算法實(shí)現(xiàn)了水印的無損嵌入與魯棒提取，增強(qiáng)了水印抗攻擊的魯棒性。雖然該類方法與前兩類方法相比，提升了水印抵抗JPEG壓縮與加性高斯噪聲的魯棒性，但其水印其他兩類方法一樣，仍然是無意義的二進(jìn)制序列，缺少與宿主圖像的關(guān)聯(lián)，不利于算法的安全性，而且在容量、不可感知性及魯棒性三方面的綜合性能還有進(jìn)一步提高的空間。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明的目的在于針對(duì)上述已有技術(shù)存在的不足，提出一種基于圖像內(nèi)容的魯棒可逆水印嵌入與檢測(cè)方法。根據(jù)圖像內(nèi)容生成水印序列，從而提高了算法的安全性，改善含水印圖像的視覺質(zhì)量，增加了水印嵌入容量，并且對(duì)復(fù)雜幾何攻擊也具有一定的抵抗能力，進(jìn)而提高魯棒可逆水印嵌入與提取方法的綜合性能。實(shí)現(xiàn)本發(fā)明目的的具體思路是：在水印嵌入過程中，通過在宿主圖像上選取特征區(qū)域，并通過無重疊篩選得到最終特征區(qū)域，在最終特征區(qū)域上生成與宿主圖像局部?jī)?nèi)容相關(guān)的水印序列，并將水印序列交付到第三方知識(shí)產(chǎn)權(quán)信息庫(kù)中，實(shí)現(xiàn)水印的嵌入，在水印檢測(cè)過程中，通過檢測(cè)待檢測(cè)圖像的生成的水印序列是否與宿主圖像生成的水印序列匹配，實(shí)現(xiàn)水印的檢測(cè)。本發(fā)明包括水印嵌入和水印檢測(cè)兩個(gè)過程。本發(fā)明水印嵌入過程的具體步驟為：(1)提取特征區(qū)域：利用多尺度Harris仿射不變區(qū)域檢測(cè)算子，提取宿主圖像的橢圓特征區(qū)域，根據(jù)橢圓特征區(qū)域的特征尺度將屬于中間特征尺度范圍內(nèi)的特征區(qū)域選擇出來，得到候選橢圓特征區(qū)域。(2)獲取最終特征區(qū)域：(2a)利用候選橢圓特征區(qū)域的位置坐標(biāo)，按照如下公式，計(jì)算候選橢圓特征區(qū)域的距離：其中，D(a,b)表示第a個(gè)候選橢圓特征區(qū)域的中心與第b個(gè)候選橢圓特征區(qū)域的中心之間的距離大小，和表示第a個(gè)候選橢圓特征區(qū)域的x坐標(biāo)和y坐標(biāo)，和表示第b個(gè)候選橢圓特征區(qū)域的x坐標(biāo)和y坐標(biāo)；(2b)按照下式，生成候選橢圓特征區(qū)域的鄰接值：其中，A(a,b)表示第a個(gè)候選橢圓特征區(qū)域與第b個(gè)候選橢圓特征區(qū)域的鄰接值，D(a,b)表示第a個(gè)候選橢圓特征區(qū)域的中心與第b個(gè)候選橢圓特征區(qū)域的中心之間的距離大小，Ra和Rb分別表示第a個(gè)候選橢圓特征區(qū)域的長(zhǎng)軸半徑和第b個(gè)候選橢圓特征區(qū)域的長(zhǎng)軸半徑；(2c)按照下式，計(jì)算候選橢圓特征區(qū)域的評(píng)價(jià)值：其中，Sa表示第a個(gè)候選橢圓特征區(qū)域的評(píng)價(jià)值，n2表示候選橢圓特征區(qū)域的個(gè)數(shù)，A(a,b)表示第a個(gè)候選橢圓特征區(qū)域與第b個(gè)候選橢圓特征區(qū)域的鄰接值，表示第a個(gè)候選橢圓特征區(qū)域的角點(diǎn)響應(yīng)s的強(qiáng)度；(2d)從所有計(jì)算獲得的候選橢圓特征區(qū)域的評(píng)價(jià)值中查找評(píng)價(jià)值最大的候選特征區(qū)域Mc，刪除該評(píng)價(jià)值最大的候選特征區(qū)域Mc；(2e)按照下式，更新候選橢圓特征區(qū)域的鄰接值和評(píng)價(jià)值：A(a,c)＝0,A(c,a)＝0其中，Sa表示第a個(gè)候選橢圓特征區(qū)域的評(píng)價(jià)值，A(a,c)與A(c,a)分別表示第a個(gè)候選橢圓特征區(qū)域與第c個(gè)候選橢圓特征區(qū)域的鄰接值和第c個(gè)候選橢圓特征區(qū)域與第a個(gè)候選橢圓特征區(qū)域的鄰接值，表示第a個(gè)候選橢圓特征區(qū)域的角點(diǎn)響應(yīng)s的強(qiáng)度；(2e)判斷所有候選橢圓特征區(qū)域的鄰接值是否全為零，如果是，選取候選特征區(qū)域中未被刪除的特征區(qū)域，得到最終特征區(qū)域，執(zhí)行步驟(3)，否則，執(zhí)行步驟(2d)。(3)獲取尺度不變特征轉(zhuǎn)換描述子：利用尺度不變特征轉(zhuǎn)換算子SIFT，計(jì)算出每個(gè)最終橢圓特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子。(4)獲得原碼向量和掩碼向量：(4a)按照下式，生成最終特征區(qū)域的特征原碼向量：其中，表示第a個(gè)最終特征區(qū)域的特征原碼向量中的第b維分量，a＝1,2,…n1，n1表示最終特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量；(4b)按照下式，生成最終特征區(qū)域的特征掩碼向量：其中，表示第a個(gè)最終特征區(qū)域的第b維分量，a＝1,2,…n1，n1表示最終特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量，|·|表示絕對(duì)值符號(hào)，δ表示魯棒性閾值，δ取值范圍為正實(shí)數(shù)。(5)獲取水印序列和掩碼序列：(5a)對(duì)每個(gè)最終橢圓特征區(qū)域的特征原碼向量進(jìn)行二進(jìn)制編碼，獲得水印序列；(5b)對(duì)每個(gè)最終橢圓特征區(qū)域的特征掩碼向量進(jìn)行二進(jìn)制編碼，獲得掩碼序列。(6)交存水印序列和掩碼序列：將每個(gè)特征區(qū)域的水印序列和掩碼序列，交存到第三方知識(shí)產(chǎn)權(quán)信息數(shù)據(jù)庫(kù)。所述水印檢測(cè)過程的具體步驟如下：(7)獲取特征區(qū)域：利用多尺度Harris仿射不變區(qū)域檢測(cè)算子，提取待檢測(cè)圖像的橢圓特征區(qū)域，經(jīng)過橢圓特征區(qū)域選擇后，獲得橢圓特征區(qū)域。(8)獲取尺度不變特征轉(zhuǎn)換描述子：利用尺度不變特征轉(zhuǎn)換算子SIFT，計(jì)算出每個(gè)最終橢圓特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子。(9)獲得原碼向量：按照下式，生成最終橢圓特征區(qū)域的特征原碼向量：其中，表示第a個(gè)最終橢圓特征區(qū)域的特征原碼向量中的第b維分量，a＝1,2,…n1，n1表示最終橢圓特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終橢圓特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量。(10)獲得水印序列：對(duì)每個(gè)最終橢圓特征區(qū)域的特征原碼向量進(jìn)行二進(jìn)制編碼，獲得水印序列。(11)獲取宿主圖像水印序列和掩碼序列：從第三方知識(shí)產(chǎn)權(quán)信息數(shù)據(jù)庫(kù)中獲取宿主圖像的水印序列和掩碼序列。(12)匹配水印序列：按照下式，獲取特征匹配矩陣：其中，O(a,b)表示特征匹配矩陣中第a行，第b列的元素，Xa表示第a個(gè)宿主圖像的水印序列，X′b表示第b個(gè)待檢測(cè)圖像的水印序列，Ya表示第a個(gè)宿主圖像的掩碼序列，∧表示按位異或運(yùn)算符，∨表示按位與運(yùn)算符。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：第一,本發(fā)明將水印序列存放在第三方知識(shí)產(chǎn)權(quán)信息數(shù)據(jù)庫(kù)，克服了現(xiàn)有技術(shù)中在宿主圖像中嵌入水印序列造成的水印圖像視覺質(zhì)量降低的缺點(diǎn)，提升了含水印圖像的視覺質(zhì)量。第二，本發(fā)明對(duì)特征點(diǎn)進(jìn)行無重疊區(qū)域的篩選，從而使得特征點(diǎn)之間相互獨(dú)立，且對(duì)特征點(diǎn)采用尺度不變特征轉(zhuǎn)換描述子進(jìn)行描述，克服了現(xiàn)有技術(shù)中對(duì)幾何攻擊與一般壓縮攻擊缺乏同步信息造成水印難以提取與檢測(cè)的缺點(diǎn)，提升了水印抵抗復(fù)雜幾何攻擊與一般壓縮攻擊的魯棒性。第三，本發(fā)明提取的水印序列是基于宿主圖像內(nèi)容的，不需要人為生成水印序列，克服了現(xiàn)有技術(shù)中人為生成水印序列容易被盜取的缺點(diǎn)，增加了水印信息的安全性。第四，本發(fā)明根據(jù)尺度不變特征轉(zhuǎn)換描述子中相鄰維度的差值正負(fù)關(guān)系生成水印序列，且根據(jù)差值的絕對(duì)值與閾值的大小關(guān)系生成掩碼序列，操作簡(jiǎn)單，克服了現(xiàn)有技術(shù)中水印魯邦性調(diào)控抽象復(fù)雜的缺點(diǎn)，從而便于調(diào)控魯棒性大小。第五，本發(fā)明由于不需要在宿主圖像中嵌入水印序列，克服了現(xiàn)有技術(shù)中水印容量有限的缺點(diǎn)，進(jìn)而大大提高了水印嵌入容量。附圖說明：圖1為本發(fā)明水印嵌入的流程圖；圖2為本發(fā)明水印檢測(cè)的流程圖。具體實(shí)施方式：下面結(jié)合附圖對(duì)本發(fā)明做詳細(xì)的描述。參照附圖1本發(fā)明方法的水印嵌入具體步驟如下。步驟1，提取特征區(qū)域。利用多尺度Harris仿射不變區(qū)域檢測(cè)算子，提取宿主圖像的橢圓特征區(qū)域，同時(shí)可以得到每個(gè)橢圓特征區(qū)域的橢圓參數(shù)，角點(diǎn)相應(yīng)強(qiáng)度和特征尺度大小。根據(jù)橢圓特征區(qū)域的特征尺度，將特征尺度屬于[3,10]范圍內(nèi)的特征區(qū)域選擇出來，得到候選橢圓特征區(qū)域。步驟2，獲取最終特征區(qū)域。(2a)利用候選橢圓特征區(qū)域的位置坐標(biāo)，按照如下公式，計(jì)算候選橢圓特征區(qū)域的距離：其中，D(a,b)表示第a個(gè)候選橢圓特征區(qū)域的中心與第b個(gè)候選橢圓特征區(qū)域的中心之間的距離大小，和表示第a個(gè)候選橢圓特征區(qū)域的x坐標(biāo)和y坐標(biāo)，和表示第b個(gè)候選橢圓特征區(qū)域的x坐標(biāo)和y坐標(biāo)；(2b)按照下式，生成候選橢圓特征區(qū)域的鄰接值：其中，A(a,b)表示第a個(gè)候選橢圓特征區(qū)域與第b個(gè)候選橢圓特征區(qū)域的鄰接值，D(a,b)表示第a個(gè)候選橢圓特征區(qū)域的中心與第b個(gè)候選橢圓特征區(qū)域的中心之間的距離大小，Ra和Rb分別表示第a個(gè)候選橢圓特征區(qū)域的長(zhǎng)軸半徑和第b個(gè)候選橢圓特征區(qū)域的長(zhǎng)軸半徑；(2c)按照下式，計(jì)算候選橢圓特征區(qū)域的評(píng)價(jià)值：其中，Sa表示第a個(gè)候選橢圓特征區(qū)域的評(píng)價(jià)值，n2表示候選橢圓特征區(qū)域的個(gè)數(shù)，A(a,b)表示第a個(gè)候選橢圓特征區(qū)域與第b個(gè)候選橢圓特征區(qū)域的鄰接值，表示第a個(gè)候選橢圓特征區(qū)域的角點(diǎn)響應(yīng)s的強(qiáng)度；(2d)從所有計(jì)算獲得的候選橢圓特征區(qū)域的評(píng)價(jià)值中查找評(píng)價(jià)值最大的候選特征區(qū)域Mc，刪除該評(píng)價(jià)值最大的候選特征區(qū)域Mc；(2e)按照下式，更新候選橢圓特征區(qū)域的鄰接值和評(píng)價(jià)值：A(a,c)＝0,A(c,a)＝0其中，Sa表示第a個(gè)候選橢圓特征區(qū)域的評(píng)價(jià)值，A(a,c)與A(c,a)分別表示第a個(gè)候選橢圓特征區(qū)域與第c個(gè)候選橢圓特征區(qū)域的鄰接值和第c個(gè)候選橢圓特征區(qū)域與第a個(gè)候選橢圓特征區(qū)域的鄰接值，表示第a個(gè)候選橢圓特征區(qū)域的角點(diǎn)響應(yīng)s的強(qiáng)度；(2e)判斷所有候選橢圓特征區(qū)域的鄰接值是否全為零，如果是，選取候選特征區(qū)域中未被刪除的特征區(qū)域，得到最終特征區(qū)域，執(zhí)行步驟(3)，否則，執(zhí)行步驟(2d)。步驟3，獲取尺度不變特征轉(zhuǎn)換描述子。對(duì)每個(gè)最終特征區(qū)域利用文獻(xiàn)“Lowe,DavidG.Objectrecognitionfromlocalscale-invariantfeatures.In:ProceedingsoftheInternationalConferenceonComputerVision,Kerkyra，Greece：IEEE,1999.vol.2,1150–1157”中的尺度不變特征轉(zhuǎn)換算法，計(jì)算每個(gè)特征點(diǎn)的尺度不變特征轉(zhuǎn)換描述子，得到無重疊特征點(diǎn)的尺度不變特征轉(zhuǎn)換描述子集合U＝{Ui,i＝1,2,…n1}，n1表示最終特征區(qū)域的個(gè)數(shù)，其中，是一個(gè)128維的向量，表示每個(gè)特征點(diǎn)的尺度不變特征轉(zhuǎn)換描述子步驟4，獲得原碼向量和掩碼向量。(4a)按照下式，生成最終特征區(qū)域的特征原碼向量：其中，表示第a個(gè)最終特征區(qū)域的特征原碼向量中的第b維分量，a＝1,2,…n1，n1表示最終特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量；(4b)按照下式，生成最終特征區(qū)域的特征掩碼向量：其中，表示第a個(gè)最終特征區(qū)域的第b維分量，a＝1,2,…n1，n1表示最終特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量，|·|表示絕對(duì)值符號(hào)，δ表示魯棒性閾值，δ取值范圍為正實(shí)數(shù)。步驟5，獲取水印序列和掩碼序列。(5a)對(duì)每個(gè)特征原碼向量Pa中的每維分量按照如下公式進(jìn)行8位二進(jìn)制編碼，得到二進(jìn)制序列并按照次序?qū)⒍M(jìn)制序列拼接起來，得到水印序列分量其中，表示第a個(gè)特征原碼向量的第b維分量，依次表示特征原碼向量分量的二進(jìn)制序列的每一位的值，a＝1,2,…n1,b＝1,2,…127,n1表示最終特征區(qū)域的個(gè)數(shù)；(5b)對(duì)每個(gè)特征掩碼向量Qa中的每維分量按照如下公式進(jìn)行8位二進(jìn)制編碼，得到二進(jìn)制序列并按照次序?qū)⒍M(jìn)制序列拼接起來，得到掩碼序列分量其中，表示第a個(gè)特征掩碼向量的第b維分量，依次表示特征掩碼向量分量的二進(jìn)制序列的每一位的值a＝1,2,…n1,b＝1,2,…127,n1表示最終特征區(qū)域的個(gè)數(shù)。步驟6，交存水印序列和掩碼序列。將每個(gè)特征區(qū)域的水印序列和掩碼序列，交存到第三方知識(shí)產(chǎn)權(quán)信息數(shù)據(jù)庫(kù)。參照附圖2，對(duì)本發(fā)明方法的水印檢測(cè)具體步驟描述如下。步驟7，獲取特征區(qū)域。利用多尺度Harris仿射不變區(qū)域檢測(cè)算子，提取待檢測(cè)圖像的橢圓特征區(qū)域。選取特征尺度屬于[3,10]范圍內(nèi)的橢圓特征區(qū)域，并通過橢圓特征區(qū)域的鄰接關(guān)系和橢圓特征區(qū)域的角點(diǎn)相應(yīng)強(qiáng)度，采用與嵌入過程中步驟2類似的操作，獲得一組不相鄰的橢圓特征區(qū)域。步驟8，獲取尺度不變特征轉(zhuǎn)換描述子。利用尺度不變特征轉(zhuǎn)換算子SIFT，計(jì)算出每個(gè)最終橢圓特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子，尺度不變特征轉(zhuǎn)換描述子是由一個(gè)128維的向量表示的。步驟9，獲得原碼向量。按照下式，生成最終橢圓特征區(qū)域的特征原碼向量：其中，表示第a個(gè)最終橢圓特征區(qū)域的特征原碼向量中的第b維分量，a＝1,2,…n1，n1表示最終橢圓特征區(qū)域的個(gè)數(shù)，b＝1,2,…127，與分別表示第a個(gè)最終橢圓特征區(qū)域的尺度不變特征轉(zhuǎn)換描述子的第b維分量與第b+1維分量。步驟10，獲得水印序列。對(duì)每個(gè)特征原碼向量P′a中的每維分量按如下公式進(jìn)行8位二進(jìn)制編碼得到二進(jìn)制序列并按照次序?qū)⒍M(jìn)制序列拼接起來，得到提取水印序列分量X′a＝[ζ′a,1,ζ′a,2,…ζ′a,127]：其中，表示第a個(gè)特征原碼向量的第b維分量，依次表示特征原碼向量分量的二進(jìn)制序列的每一位的值，a＝1,2,…n′1,b＝1,2,…127,n′1表示最終特征區(qū)域的個(gè)數(shù)。步驟11，獲取宿主圖像水印序列和掩碼序列。從第三方知識(shí)產(chǎn)權(quán)信息數(shù)據(jù)庫(kù)中獲取宿主圖像的水印二進(jìn)制序列和掩碼二進(jìn)制序列。步驟12，匹配水印序列。按照下式，獲取特征匹配矩陣：其中，O(a,b)表示特征匹配矩陣中第a行，第b列的元素，如果O(a,b)＝1，表示第a個(gè)待檢測(cè)圖像的水印二進(jìn)制序列和第b個(gè)宿主圖像的水印二進(jìn)制序列匹配，如果O(a,b)＝0，表示第a個(gè)待檢測(cè)圖像的水印二進(jìn)制序列和第b個(gè)宿主圖像的水印二進(jìn)制序列不匹配，Xa表示第a個(gè)宿主圖像的水印二進(jìn)制序列，X′b表示第b個(gè)待檢測(cè)圖像的水印二進(jìn)制序列，Ya表示第a個(gè)宿主圖像的掩碼二進(jìn)制序列，∧表示按位異或運(yùn)算符，∨表示按位與運(yùn)算符。下面結(jié)合仿真圖對(duì)本發(fā)明效果做進(jìn)一步的描述。1.實(shí)驗(yàn)條件：實(shí)現(xiàn)本發(fā)明仿真的軟件環(huán)境為美國(guó)Mathworks公司開發(fā)的MATLAB2013a，仿真實(shí)驗(yàn)中大量的灰度圖像來自CVG-UGR圖像數(shù)據(jù)庫(kù)的自然圖像。本發(fā)明的一些記號(hào)為：將基于廣義統(tǒng)計(jì)量直方圖與聚類的方法記為WSQH-SC，將本發(fā)明方法記為FFC。實(shí)驗(yàn)中WSQH-SC方法的原始圖像和待檢測(cè)圖像的分塊大小均為8×8，水印嵌入強(qiáng)度為16，F(xiàn)FC方法的δ取值為5。2.仿真實(shí)驗(yàn)內(nèi)容：仿真實(shí)驗(yàn)1：視覺質(zhì)量實(shí)驗(yàn)。本發(fā)明以客觀指標(biāo)峰值信噪比PSNR作為評(píng)判依據(jù)，測(cè)試兩種方法在原始圖像以最大容量嵌入情況下含水印圖像的視覺質(zhì)量，其中PSNR表示為其中，M×N是原始圖像大小，I(i,j)是原始圖像在第i行第j列的像素值，IE(i,j)是含水印圖像在第i行第j列的像素值。表1.不同方法的PSNR(dB)值從表1的仿真實(shí)驗(yàn)結(jié)果可以看出，本發(fā)明的PSNR為無窮大，明顯高于WSQH-SC方法，其中PSNR越高，代表含水印圖像的視覺質(zhì)量越好，說明本發(fā)明的有效性。仿真實(shí)驗(yàn)2：容量實(shí)驗(yàn)。本發(fā)明容量實(shí)驗(yàn)以客觀指標(biāo)位/像素bpp作為評(píng)判依據(jù)，測(cè)試現(xiàn)有WSQH-SC和本發(fā)明FFC兩種方法的容量，bpp＝QPX，其中Q是指在原始圖像中最多能嵌入的水印位數(shù)，PX是指在原始圖像中像素的個(gè)數(shù)，在本發(fā)明的仿真實(shí)驗(yàn)中PX＝512×512＝262144。在原始圖像大小確定的情況下，bpp越大，表示嵌入水印的位數(shù)越多，即容量越大。本發(fā)明的仿真實(shí)驗(yàn)在自然圖像數(shù)據(jù)庫(kù)上進(jìn)行測(cè)試，仿真實(shí)驗(yàn)結(jié)果如表2所示。表2.不同方法的容量值由表2結(jié)果可見，本發(fā)明方法的容量明顯高于WSQH-SC，克服了WSQH-SC方法容量低的缺陷。仿真實(shí)驗(yàn)3：魯棒性綜合實(shí)驗(yàn)。(3.1)抗有損壓縮的魯棒性仿真實(shí)驗(yàn)。在JPEG和JPEG2000兩種常見的有損壓縮攻擊下測(cè)試兩種方法的魯棒性，實(shí)驗(yàn)中JPEG壓縮的質(zhì)量因子取10個(gè)值：10，20，30，40，50，60，70，80，90，100，分別在每個(gè)質(zhì)量因子下測(cè)試兩種方法的魯棒性；JPEG2000壓縮的壓縮率取10個(gè)值：0.2，0.4，0.6，0.8，1.0，1.2，1.4，1.6，1.8，2.0，分別在每個(gè)壓縮率下測(cè)試兩種方法的魯棒性，其中JPEG壓縮的質(zhì)量因子和JPEG2000壓縮的壓縮率越小，壓縮強(qiáng)度越大。其中，WSQH-SC在水印嵌入過程中，將長(zhǎng)度等于固定值的水印序列重復(fù)嵌入到原始圖像中，重復(fù)的次數(shù)等于其中，V是重復(fù)嵌入的次數(shù)，表示向下取整運(yùn)算操作，即取小于或等于QTR的最大整數(shù)，Q是指在原始圖像中最多能嵌入的水印位數(shù)，TR是固定值，實(shí)驗(yàn)中取100；在水印提取過程中，將提取出來的水印序列分成長(zhǎng)度等于TR的V個(gè)子序列，再將這些子序列按位分別組成一組，將每組中的V個(gè)值采用多數(shù)表決的方式進(jìn)行判定，最后得到提取的水印序列。仿真實(shí)驗(yàn)標(biāo)準(zhǔn)采用恰可提取壓縮率δ，即當(dāng)壓縮率大于或者等于δ時(shí)，嵌入的水印序列恰能被正確提取出來。δ越小，魯棒性越強(qiáng)，反之亦然?？煽啃缘膶?shí)驗(yàn)結(jié)果如表3所示，其中在JPEG壓縮下，WSQH-SC方法最低可以抵抗壓縮因子為40的JPEG壓縮，而本發(fā)明方法可以抵抗壓縮因子為10的JPEG壓縮，在JPEG2000壓縮下，WSQH-SC可以抵抗壓縮因子為0.6的JPEG2000壓縮，而本發(fā)明可以抵抗壓縮因子為0.2的JPEG2000壓縮。從表3的實(shí)驗(yàn)結(jié)果可見，本發(fā)明方法的魯棒性要大大優(yōu)于WSQH-SC方法。表3.不同方法的壓縮攻擊下的魯棒性(3.2)抗幾何攻擊的魯棒性仿真實(shí)驗(yàn)。由于本發(fā)明利用了圖像的特征區(qū)域，并用尺度不變特征轉(zhuǎn)換描述子對(duì)特征點(diǎn)進(jìn)行了描述，因此除了對(duì)壓縮攻擊有很好的抵抗能力之外，對(duì)于多種幾何攻擊也有一定的魯棒性，其評(píng)判標(biāo)準(zhǔn)為在保證數(shù)字水印能夠完全恢復(fù)的情況下，所能承受的最大幾何攻擊，如表4所示。表4.FFC的幾何攻擊下的魯棒性其中，平移攻擊(10pixel)表示將宿主圖像水平向右平移10個(gè)像素距離，放大(2)表示將宿主圖像的邊長(zhǎng)放大2倍，縮小(0.5)表示將宿主圖像的邊長(zhǎng)縮小為原來的一半，旋轉(zhuǎn)(10°)表示將宿主圖像按逆時(shí)針旋轉(zhuǎn)10°，剪切(45％)表示剪切掉宿主圖像原始面積的45％。綜上所述，本發(fā)明克服了WSQH-SC方法嵌入水印與宿主圖像內(nèi)容無關(guān)、難以抵抗復(fù)雜攻擊的缺點(diǎn)，并且在容量、不可感知性及魯棒性上都有很大的提高，從而提高了魯棒可逆圖像水印方法的綜合性能。