論文章節組織

本章說明了研究的背景、動機與目的、與相關的資訊隱藏技術。在第二章，

會介紹相關文獻技術。在第三章，會介紹本論文所提出的數位浮水技術。第四章 是實驗結果與討論，會與其他九種方法進行效能的比較。第五章為總結研究內 容，並探討未來的研究方向。

2. 第二章 文獻探討

2.1 數位浮水印

數位浮水印是一項影像加密技術。一般用來保護數位版權與秘密通訊的用 途。由於，人眼並不是一個特別敏感的器官，對於顏色略些的失真，並不易辨識；

因此，在數位影像中，加入一個可供解碼器判讀的資訊。而且，不會改變人們對 影像的接受度，而此資訊則稱為數位影像浮水印[5-7]。在數位浮水印的技術架構 中，基本上有兩個程序，分別為嵌入數位浮水印和擷取出數位浮水印。至於嵌入 方法一般可分為空間域(spatial domain)與頻率域(frequency domain)。前者是指直 接對影像的像素值(pixel)進行修改以嵌入浮水印。它的優點是在於計算量小而且 簡單，但對一般影像處理攻擊的抵抗性較差。至於頻率域的方法，則是將影像的 像素值透過頻率域公式進行轉換，並將轉換後的係數進行修改，當作是嵌入浮水 印資訊；例如：離散餘弦轉換(discrete cosine transform, DCT) [8-11]、離散傅立葉 轉換(discrete Fourier transform, DFT)[12-15]、與離散小波轉換(discrete wavelet transform, DWT)[16-19]。此類的方法計算量會較大，但抵抗攻擊的強韌性會優於 空間域方法。

在浮水印相關的研究，Zhu等人[20]提出將浮水印多樣化的應用於影像與影 片中，使得浮水印的應用層面，又更邁進了一步。其嵌入演算法中，會藉由DWT 的轉換，加強浮水印的強韌度。另一方面，Huang和Guan[21]提出混合式的浮水 印技術，來加強浮水印抵抗影處理攻擊；其 藉由奇異值分解(singular value decomposition, SVD)與DCT兩種頻率域轉換技術，將浮水印嵌入低頻部分來加強 浮水印的強韌度。還有，Hung等學者[22]，提出一項具強韌性的版權保護浮水印，

此技術會利用DWT來進行二值浮水印的嵌入。實驗證明，此技術在縮放攻擊、

果。由此可見，為了滿足各個層面上的需求，浮水印技術不斷的在進步。

2.2 奇異值分解

由SVD的技術知識[23-26]回顧，SVD可應用於任一矩陣AM×N。當矩陣AM×N

分解後，將會產生三個矩陣，分別為U，S和V矩陣，其計算方式如公式(1)。S矩

嚴重的破壞。然而，SVD 的第三個特性，可以讓浮水印在嵌入演算法中，提供 較多的嵌入選擇性。

在 2008 年 Pei 和 Liu[27]提出利用 SVD 來改善數位浮水印的技術。藉由矩陣 分解的 SVD，來增強浮水印的不可視性與強韌性。同一年，Xiong 等人[28]也提 出與 SVD 相關的浮水印技術，主要藉由數學證明的方式，讓浮水印嵌入時，以 最小的失真嵌入，同時又能抵抗多樣化的攻擊。

2.3 離散小波轉換

離散小波轉換方式，與離散餘弦轉換很相似，皆屬於一種將影像的空間域資 訊換成頻率域資訊的技術[29-30]。經由離散小波轉換的資訊可區分為低頻、中 頻、高頻，其特性如下說明。

• 低頻特性：

1. 肉眼對低頻敏感度較高。

2. 像素與像素之間的變化小。

3. 影像較平滑、細緻且清楚。

• 中頻特性：中頻則是介於低頻與高頻之間。

• 高頻特性：

1. 肉眼對高頻敏感度較低。

2. 像素與像素之間的變化大。

3. 影像較粗糙、糢糊。

4. 高頻部分的值稍有改變，肉眼是無法清楚的辨識。

DWT的轉換方式[31]，其實就是對影像資訊，進行水平分割與垂直分割計算。當 完成第一次水平分割與垂直分割後，則稱為第一階的DWT。其轉換後會得到四

個區塊，分別為LL(Low-Low Frequency)、LH(Low-High Frequency)、HL(High-Low Frequency)、與HH(High-High Frequency)，如圖2.1所示。這四個區塊分別代表不 同的頻率，每個區塊稱為頻帶(subband)。其中，LL這個頻帶是影像中最重要的 部分，所以，如果要進行第二階的DWT，則是再對LL進行一次DWT動作。

LL HL

LH HH

1-DWT 原始影像

圖 2.1：第一階DWT

Wang等人[32]提出一項基於DWT的數位浮水印，其二值浮水印會藉由第四 階的DWT處理進行嵌入。其嵌入頻段介於低頻與高頻之間。實驗證明，運用DWT 於浮水印技術，能有效抵抗高斯雜訊與胡椒鹽雜訊的攻擊下。在2003年，Chan 和Lyu[33]提供一項應用在影片上的浮水印，主要是利用DWT頻率域的轉換來進 行。其作法是對浮水印進行DWT，然後嵌入於視訊之串流中。作者為了提高穩 健性，利用糾錯編碼技術，來減少回復浮水印的錯誤率，而此糾錯編碼會嵌入於 音訊之中。實驗證實此作者的作法，對於MPEG攻擊，有很好的抵抗效果。另一 方面Elbasi和Eskicioglu[34]提出二維度的DWT應用於數位浮水印。他們的方法是 先將原始影像進行二階的DWT，再藉由設定門檻值，將浮水印嵌在低頻的位置。

作者利用JPEG壓縮、縮放攻擊、高斯雜訊攻擊、低通濾波器、旋轉攻擊、直方 圖量化、對比度調整，伽瑪校正和切割攻擊，進行實驗測試；其實驗證實，作者 將浮水印嵌在低頻較優於其他嵌入高頻的方法。以上敘述得知，藉由不同的頻域 段嵌入浮水印，其強韌性亦有所不同。在此也證實DWT確實對於浮水印技術是 有助益的。

Ganic和Eskicioglu[35]提出以DWT與SVD為基礎的數位浮水印技術。其嵌入

方式，會先針對原始影像進行一維度DWT的運算，接著分別對轉換完的四個頻 帶LL、LH、HL、HH進行一次SVD的轉換。在浮水印的部分，也進行一次SVD，

然後，所產生SW對角矩陣，會對四個頻域段的對角矩陣，以不同的權重進行嵌入。

至於權重的分配方式，由於LL在影像中擔任主要角色，所以權重值比較大，而 其他頻率段則比較小。浮水印進行嵌入後，會進行SVD和DWT的反轉換，此時，

將完成浮水印的嵌入動作。而浮水印取出方式，會先針對藏匿影像進行DWT處 理，並對四個頻域段進行SVD的運算，將四個頻域段的對角矩陣取出來，然後與 原始的對角矩陣，進行差值運算，所得到的結果，再除以原來給予的權重，接著，

這四個對角矩陣，會藉由鑰匙而進行SVD的反轉換，而完成浮水印取出的動作。

本法經實驗結果顯示，在不同的頻域段，所能抗的攻擊會有所不同，不過也證實 DWT和SVD的轉換，確實能有效的抵抗幾何與非幾何的影像處理攻擊。

2.4 粒子群演算法

粒子群演算法(Particle Swarm Optimization, PSO)[36-37]是一種演化式最佳 化的演算法，主要是基於群體的概念，將群體中的個體移動到好的區域。然而，

每一個體都會看作是 d 維的粒子。在搜索空間中，它會以一定的速度飛行，這個 速度根據它本身的飛行經驗和同伴的飛行經驗來動態調整。在此，每個粒子的速 度，將由被優化的函數決定。其速度與位置的更新方式，如公式(2)(3)。

Vid=Vid +c1×Rand()×(Pid-Xid)+c2×Rand()×(Pgd-Xid) (2)

Xid=Xid+Vid (3)

公式中的 c1,c2為學習常數；Pid為每一粒子到目前為止，所出現的最佳位置；Pgd

是所有粒子到目前為止，出現的最佳位置；Xid 意指每一粒子目前所在的位置，

 步驟一：初始化粒子群，隨機產生粒子的 Xid及 Vid。

 步驟二：計算出每個粒子適應值(Fitness)。

 步驟三：對每粒子依照適應值與歷代最佳解做比較，如果較優則更新 Pid及 Xid。

 步驟四：對每個粒子依照其適應值與全域粒子群最優解做比較，如果較優則 更新 Pgd及 Xid。

 步驟五：根據公式(2)、(3)調整各粒子的 Xid及 Vid。

 步驟六：如果達到結束條件(滿足演化代數、取得最佳解)，則中止演算法，

否則重回步驟二。

粒子群最佳化這項技術，過去一直都有學者陸續提出一些改進方式。Shi 和 Eberhart[38]提出一項改進粒子群最佳化的方法，在速度更新時，藉由慣性權重 w，來改變原速度的比例，可參照公式(4)。此權重 w，可讓粒子移動的收斂速度，

控制在可預測範圍，以提高找到最佳解的正確性。本論文將會藉由此作者的方 法，來改善浮水印的效能。

Vid= w×Vid +c1×Rand()

×

Cui 等人[39]提出新的粒子群最佳化演算法，主要是針對局部的移動速度作 改良，其實驗證實該方法比標準 PSO 更有效率。另一方面，Cui 和 Zeng[40]提出 一項保證全域性收斂的粒子群最佳化演算法，主要是針對粒子的移動進行分析，

然後判定是否停止此粒子，進而再生新的一個粒子。藉由此改進來求得最佳解，

實驗證實，確實能得到較佳的解答。然而，也有學者將 PSO 應用於浮水印；像 Wang 等人[41]提出一項智能的浮水印技術，主要是藉由粒子群優化技術，克服 小波域發現的不安全問題。由此可見，PSO 的發展，開始漸漸被重視。

3. 第三章 研究方法

本篇論文提出一項應用影像邊界資訊與粒子群最佳化演算法之強韌數位浮 水印技術。我們的方法主要可分為兩大程序：分別為嵌入演算法與擷取演算法。

在嵌入程序上，會對原始影像進行DWT。然後，利用Canny濾波器進行邊緣偵測，

將高係數的像素擷取成特徵矩陣，其矩陣大小會與浮水印相同。接著，會對浮水 印與此特徵矩陣進行SVD。最後，再以PSO來求得嵌入與取出浮水印之最佳調整 權重。然後，將此權重進行對角矩陣的嵌入處理。至於，擷取演算法的前置處理，

也會藉由DWT和SVD技術，將浮水印從頻率域的邊緣特徵裡擷取出來。其架構 如圖3.1所示。

離散小波轉換

擷取特徵矩陣

奇異值分解

粒子群最佳化

嵌入浮水印

擷取浮水印

金鑰

奇異值分解

擷取嵌入矩陣

離散小波轉換 影像處理攻擊

嵌入演算法 擷取演算法

3.1 頻率域轉換

本論文會對原始影像進行一階DWT，把原始影像由空間域轉為頻率域，以 加強影像浮水印受攻擊的強韌度。DWT的運算[42]，大致上可分為兩個步驟，一 為水平分割，另一為垂直分割。其計算程序如下敘述。

 步驟一：第一次水平分割

一維度DWT的水平分割，讀取係數的順序，是依照水平方向由左至右讀取；

且每讀兩個像素則進行相加一次，把相加完的係數由左而右的方式儲存。完成相

且每讀兩個像素則進行相加一次，把相加完的係數由左而右的方式儲存。完成相