第三章 結合 ROI 的改良式小波樹浮水印系統
3.3. 接收端
3.3.2. 改良式浮水印萃取法
當 ROI 的 Y 通道影像讀取完後，會送進改良式浮水印萃取流程。而會採用 新定義萃取門檻的原因，係[5]的自適性門檻偏重嵌入“0”後的資訊與母影像的 資訊，其設計是讀取最大與次大差值較小的前一定比例小波樹(可參考 2.3.3 節 的公式 5)，算得均值則視為一自適性門檻；這除了會使得浮水印圖案的設計有 所限制之外，對於輸入母影像也有其限制，因此本系統採用改良式的萃取法，
用以適應使用者定義的任何資訊型態的 ROIs，並讓使用者可以依自己所需，也 嵌入不同型態的浮水印。
為改良上述[5]的浮水印製作與輸入母影像的限制，且提供一有驗證力與低 計算複雜度的萃取法，我們使用參考浮水印資料的方式來做為解讀的依據，此 概念是由資料分群法實驗後歸納出的較佳解。
因為萃取浮水印時，本該依浮水印資料“0”與“1”分類來取出較為符合；
但是在嵌入“0”的設計必然使其差值為零，且反觀嵌入“1”時，則擁有了一 長段的容許區間，圖 3-9 到圖 3-13 為常見五影像嵌入 NTNU1 之後的差值分布，
橫軸為數值 0~127，並放大成兩倍以便查看；而這種情況，造成多數分類法無 法視一脈衝(藏入黑點)為一個類別，且大部分右側會有鬆散的小波樹差值(藏入 白點)，此又是影像分類的干擾訊息。
127
差值 0
個數
149
圖 3- 9 Lena 嵌入後的差值分布
127
差值 0
個數
149
圖 3- 10 Barbara 嵌入後的差值分布
127
差值 個數
149
圖 3- 11 Jet 嵌入後的差值分布
127
差值 0
個數
149
圖 3- 12 Baboon 嵌入後的差值分布
127
差值 0
個數
149
圖 3- 13 Pepper 嵌入後的差值分布
故在最後設計時，採用“0”或“1”的訊息個數當作依據，而萃取時的 判別式即如公式 10 所示。(其中 𝑗 𝑗 𝑗；𝑗是排序後的編號，而𝑧是 原浮水印資訊“0”的個數)
{ 𝑗 → 𝑗 ≤ 𝑧
𝑗 → 𝑗 𝑧
10
此設計的判別式，可從圖 3-14 的流程圖理解，新萃取端會有著較快 速的運算，且採用浮水印資訊的完全參考，可避免兩種問題所造成的既 定強健性降低問題：1.輸入的母影像本身含有大量高頻成分(如狒狒、稻 草與柵欄圖)，會使得[5]的自適應性門檻參考到極高的數值，其運算出來 得門檻過高，而產生浮水印萃取的先天損壞；2. [5]的自適應門檻式的參
考百分比例 α，是限制著浮水印設計的關鍵，其原本的用意是要能讀取
有意義的小波樹差值，而倘若具重要意義的值大量地坐落在比例外，則 會使得萃取端的解回能力失效。而改良的萃取方式，可通用多紋理的高 頻訊息，拓展了對母影像的接受程度，並且延展了浮水印型態可偵測性。
Wavelet tree
i > z Exact
"0"
Exact
"1"
Yes
No Bubble sort
圖 3- 14 改良的萃取流程方塊圖
圖 3- 15 不同黑點比例浮水印的強健性趨勢圖(Lena)
而圖 3-16、圖 3-17 與圖 3-18 分別是 Barbara、Jet 與 Baboon 為嵌入載體