第五章 實驗結果與討論
5.7 Multiple Watermarking攻擊
Multiple Watermarking 攻擊實驗之作法，是對於已嵌入浮水印的影像額外嵌入多個 相異之浮水印，並測試後來嵌入之浮水印是否會蓋過先前的浮水印，使原本在影像中之 初始浮水印消失。
由於一張影像之版權可能會授予多人使用，且版權亦可能經過多次的買賣，故一張 數位影像中含有多個不同的浮水印是正常且必要的功能，也因此良好的浮水印演算法必 須能夠承受多個浮水印的嵌入，並可將嵌入的每一個浮水印順利的取出，如此方能確保 每一個不同的版權資訊均安全的存在於影像之中。
在加入多個浮水印之後，影像的品質必定會受到影響，其PSNR 值會因而下降，圖 39 為使用「D18-10」方法額外嵌入 5 個浮水印後的對照圖，雖然影像品質變差了，但 我們依然能夠順利的偵測出浮水印之相關係數值。
圖39 原始 Goldhill 影像與經過 Multiple Watermarking 攻擊後之影像對照圖 Goldhill 原始影像 額外加入5 個浮水印後之影像
額外浮水印個數=5，PSNR=30.80，ρ=1 (a) (b)
實驗結果：
(a) Lena
Number of
Watermarks 1 2 3 4 5 6 7 14 422 471 600 1000 ρ 1 1 1 1 1 1 1 1 1 1 1 1 Results from
D18-10 PSNR 35.37 33.6432.4731.54 30.8030.1829.6527.4022.80 22.71 22.5122.01 ρ 1 1 1 0.99 1 0.99 0.99 0.96 0.30 0.20 Results from
D18-10(M) PSNR 34.98 33.1331.8330.7529.9229.1928.5825.7912.99 12.70
ρ 1 1 1 1 1 1 1 1 0.98 0.98 0.97 0.96 Results from
D9-7 PSNR 35.24 33.5132.2731.30 30.5429.9229.3726.9519.01 18.82 18.4017.62 ρ 1 1 1 1 1 0.99 1 0.98 0.21 Results from
D9-7(M) PSNR 35.19 33.3832.0931.0430.2329.5528.9526.1813.17 ρ 0.89 0.82 0.74 0.67 0.64 0.60 0.56 0.22
Results from
D9-7-F PSNR 34.89 33.17 31.96 31.09 30.34 29.6929.1726.82
ρ 0.65 0.41 0.27 0.11 Results from
[1] PSNR 35.50 32.7829.3528.05
(b) Goldhill Number of
Watermarks 1 2 3 4 5 6 7 16 408 422 600 1000 ρ 1 1 1 1 1 1 1 1 1 1 1 1 Results from
D18-10 PSNR 35.77 34.1233.0132.12 31.4430.8630.3527.8823.73 23.70 23.3822.82 ρ 1 1 0.99 0.99 0.99 0.96 0.96 0.93 0.26 0.21 Results from
D18-10(M) PSNR 35.53 33.7532.3731.3130.5229.8629.2325.8713.49 13.39
ρ 1 1 1 1 1 1 1 1 0.99 0.98 0.98 0.97 Results from
D9-7 PSNR 35.72 34.0232.8531.92 31.1530.5330.0027.2818.88 18.79 17.9716.97
ρ 1 1 1 1 1 1 1 0.98 0.22 Results from
D9-7(M) PSNR 35.68 33.7932.4931.5130.7130.0029.4226.1113.71 ρ 0.93 0.86 0.80 0.71 0.66 0.64 0.58 0.22
Results from
D9-7-F PSNR 35.20 33.71 32.44 31.50 30.81 30.2429.7426.99
ρ 0.79 0.45 0.31 0.18 Results from
[1] PSNR 35.26 31.5029.7128.57
(c) Peppers Number of
Watermarks 1 2 3 4 5 6 7 17 501 512 600 1000 ρ 1 1 1 1 1 1 1 1 1 1 1 1 Results from
D18-10 PSNR 36.95 35.22 34.09 33.19 32.4231.8431.3528.6424.21 24.19 24.0223.40 ρ 1 1 1 0.99 0.98 0.97 0.96 0.93 0.22 Results from
D18-10(M) PSNR 36.37 34.4733.1332.1131.2630.5930.0026.2013.33 ρ 1 1 1 1 1 1 1 1 0.98 0.97 0.97 0.97 Results from
D9-7 PSNR 36.79 35.04 33.81 32.82 32.0531.4130.8727.7418.71 18.68 18.3917.59 ρ 1 1 1 1 1 1 1 0.97 0.27 0.22 Results from
D9-7(M) PSNR 36.56 34.61 33.29 32.27 31.4130.7030.1426.6613.51 13.45 ρ 0.94 0.86 0.79 0.73 0.68 0.61 0.57 0.20
Results from
D9-7-F PSNR 36.17 34.55 33.41 32.37 31.6731.0630.5227.48
ρ 0.80 0.53 0.31 0.22 Results from
[1] PSNR 34.53 31.9930.1928.81
表12 以 Multiple Watermarking 對影像攻擊後之實驗結果 (a)Lena (b)Goldhill (c)Peppers
從實驗結果可以看出，當額外嵌入的浮水印個數增加至5 個時，本論文所提方法之 五組實驗結果均仍然能夠偵測出原始的浮水印，且除了「D9-7-F」方法之相關係數值介
於0.64 至 0.68 之間外，其餘四組方法之係數值皆趨近於 1，遠高於 [1]之實驗結果。此 外五組實驗方法所產生之影像品質PSNR值也都能維持在 30 左右，不致因浮水印數量額 外增加5 個而受到太大的影響。然而若浮水印個數超過 5 個以上時，PSNR值會逐漸低 於30，即影像品質會愈來愈差。
在改進前、後之浮水印強韌性比較方面，未加入影像前置處理的原始浮水印演算 法，即使額外嵌入1000 個浮水印，其相關係數值仍能維持在 0.96 以上；而加入影像切 割重組之前置處理方法後，當額外嵌入之浮水印個數達到400 至 500 個後，就會發生偵 測不出原始浮水印的情形，故在多重浮水印攻擊實驗中，影像前置處理會降低可供嵌入 的浮水印個數。不過就實際應用面而言，當加入的浮水印個數過多而導致影像品質太過 低劣時，反而會使該張影像失去了商業價值，即使該張影像中仍然可以偵測出每一個嵌 入之浮水印的存在，但意義已經不大了。故在探討多重浮水印實驗時，必須將影像品質 一併納入考量，以得到較為周全的結論。
至於在不同差異化方向演算法之效能比較方面，隨機強制差異化方向演算法可能會 導致影像的小波係數值劇烈的變更，如不同時間嵌入的浮水印位元W 與n −Wn可能以相 同的差異化方向作嵌入，此時前一個嵌入的浮水印位元就會被後者所消除掉。然而最適 差異化方向演算法則會選擇小波係數值改變量最少的方向作嵌入，故浮水印位元W 與n
Wn
− 必定會以不同的差異化方向作嵌入，浮水印資訊不易被消除。由「D9-7」與「D9-7-F」
方法之實驗數據可看出，當額外嵌入之浮水印個數達17 個以上時，「D9-7-F」方法即無 法偵測出原始的浮水印，且影像品質均以「D9-7」方法較佳，故可知隨機強制差異化方 向之方法在抵抗Multiple Watermarking 攻擊方面之效能，遠不如原始浮水印方法之最適 差異化方向演算法。