應用於行動裝置之感興趣區域 影像版權保護的改良式小波樹浮水印
84
0
0
全文
(2) 應用於行動裝置之感興趣區域影像版權保護的改良式小波樹 浮水印. 學生：林俊宇. 指導教授：蘇崇彥. 國立臺灣師範大學應用電子科技學系碩士班. 摘. 要. 本論文中，改良了一種基於離散小波轉換的數位影像浮水印，並且應用於 Android 行動平台上。近兩年來，智慧型手機與平板電腦的廣泛使用，其內置的 高解析鏡頭與 3G 連網的特性，使得大量的個人攝影及插畫創作分享於網路上， 而複製數位影像且進一步編輯也是相當容易地，為了避免非授權者竄改後的所有 權歸屬問題，數位影像版權的設置與保護因而有了應用空間。. 我們提出的 5/3 小波轉換式浮水印系統，係改良既有浮水印嵌入影像的演算 法，並於驗證端採用參考嵌入資料的方式來萃取浮水印。透過實驗分析，能降低 置入浮水印後對母影像品質的損壞，且提高浮水印抵抗攻擊的強健性，於此同時， 本演算法可減少運算量、增加對母影像與浮水印的適應性。另外，結合選取感興 趣區域，可更有效益地宣告版權，最後實作成 Android 應用軟體。. 關鍵字：版權保護、影像浮水印、5/3 小波轉換、感興趣區域. i.
(3) An Improved Wavelet-tree Watermarking on ROI Image Copyright for Android Mobile Device. Student：Lin, Chun-Yu. Advisor：Dr. Su, Chung-Yen. Institute of Applied Electronics Technology National Taiwan Normal University. Abstract. In the paper, we propose a wavelet-tree based digital image watermarking algorithm, and implement it on Android platform as an application.. In the past two. years, smartphones and tablets have been used widely. Due to the inner high-pixel camera and 3G connecting characteristics of them, lots of personal photographs and illustrations are shared on the internet. Besides, copying digital image and editing it further are quite easy. Therefore, there is a reason to protect digital ownership from illegal declaration after non-authorized people tamper the file. The proposed watermarking improves the embedding method, and offers an effective extraction which is depending on embedding data. According to experimental analysis, the proposed system could improve image quality, and get a better extracting solution for different type watermarks. Moreover, the proposed one has lower computation and higher applicability for image and watermark than the previous method. Finally, the system combines ROI and is implemented on Android OS. Keywords: Copyright protection, Digital image watermarking, 5/3 DWT, ROI. ii.
(4) 誌. 謝. 碩士論文的完成，首先我要感謝我的指導教授蘇崇彥 博士，您不論是在我 的學業上或是待人處事等等，都讓我成長了許多，您對學生叮嚀的一字一句我都 會謹記在心，感謝您這段時間來用盡心思及耐心的教導，在此獻上最誠摯的謝意 及敬意。同時也要感謝葉榮木 博士、瞿忠正 博士，擔任學生的口試委員，在口 試時提點學生研究細節的描述，讓本論文能夠更加完美表述。 在這段期間內，要特別感謝研究所的同學陳彥霖、張維德，VIP 實驗室的學 長游崇賢，在學業上和生活上的互相幫助。還有感謝 VIP 實驗室和 SOC 實驗室的 學弟黃福安、劉建輝、朱財德、洪廷欣，為實驗室帶來許許多多的歡樂。 最後，非常感謝我的父母與家人對我的栽培與關懷，讓我可以順利完成碩士 學位，以及感謝其他所有好朋友的陪伴，讓我在這段時間過得充實美好。. iii.
(5) 目. 錄. 中文摘要 ......................................................................................................................... i 英文摘要 ........................................................................................................................ ii 誌. 謝………..…………..…………………………………………………………iii. 目. 錄……………..………..………………………………………………………iv. 圖 目 錄….…..…………………..………………………………….…..……………vi 表 目 錄.……………..……………………………………...………………………viii 第一章. 緒論 .......................................................................................................... - 1 -. 1.1.. 研究背景與動機 ...................................................................................... - 1 -. 1.2.. 研究目的 .................................................................................................. - 3 -. 1.3.. 文獻回顧 .................................................................................................. - 4 -. 1.4.. 論文安排 .................................................................................................. - 6 -. 第二章. 數位浮水印 .............................................................................................. - 7 -. 2.1.. 數位影像浮水印簡介 .............................................................................. - 7 -. 2.2.. 浮水印的特性 .......................................................................................... - 8 -. 2.3.. 2.4.. 2.2.1.. 盲目型 ........................................................................................... - 8 -. 2.2.2.. 透明度 ........................................................................................... - 8 -. 2.2.3.. 強健性 ......................................................................................... - 10 -. 基於小波樹的浮水印系統 .................................................................... - 11 2.3.1.. 基本架構 ..................................................................................... - 11 -. 2.3.2.. 離散小波轉換............................................................................. - 13 -. 2.3.3.. 浮水印的藏入與解回................................................................. - 15 -. 數位浮水印的評估 ................................................................................ - 19 2.4.1.. 母影像品質................................................................................. - 19 -. 2.4.2.. 浮水印驗證................................................................................. - 19 -. iv.
(6) 第三章. 結合 ROI 的改良式小波樹浮水印系統 ............................................... - 21 -. 3.1.. 系統架構 ................................................................................................ - 21 -. 3.2.. 傳送端 .................................................................................................... - 22 -. 3.3.. 3.4. 第四章. 3.2.1.. ROI 取像 ..................................................................................... - 22 -. 3.2.2.. 色彩通道轉換............................................................................. - 23 -. 3.2.3.. 改良式浮水印嵌入法................................................................. - 24 -. 接收端 .................................................................................................... - 31 3.3.1.. 驗證端前處理............................................................................. - 31 -. 3.3.2.. 改良式浮水印萃取法................................................................. - 31 -. 實驗設計 ................................................................................................ - 37 實驗結果與系統分析 ............................................................................ - 40 -. 4.1.. 四種濾波係數的小波浮水印分析 ........................................................ - 40 -. 4.2.. 浮水印演算法比較與分析 .................................................................... - 42 4.2.1.. 第一階段改良............................................................................. - 42 -. 4.2.2.. 第二階段改良 (Proposed) ......................................................... - 46 -. 4.3.. YCbCr 色彩通道的浮水印分析 ........................................................... - 55 -. 4.4.. 結合 ROI 的浮水印系統 ....................................................................... - 59 -. 4.5.. Android 實作 .......................................................................................... - 65 -. 第五章. 結論與未來展望 .................................................................................... - 68 -. 參考文獻 .................................................................................................................. - 70 自. 傳 .................................................................................................................. - 73 -. 學術成就 .................................................................................................................. - 74 -. v.
(7) 圖. 目. 錄. 圖 1 - 1 欲保護範例影像........................................................................................... - 3 圖 2 - 1 數位浮水印概念圖..................................................................................... - 11 圖 2 - 2 數位浮水印概念方塊圖............................................................................. - 12 圖 2 - 3 二階層小波轉換示意圖............................................................................. - 13 圖 2 - 4 群集小波樹示意圖..................................................................................... - 14 圖 2 - 5 嵌入端流程圖 ............................................................................................. - 15 圖 2 - 6 萃取端方塊圖 ............................................................................................. - 17 圖 2 - 7 浮水印萃取流程圖..................................................................................... - 18 圖 3- 1 傳送端方塊圖 ............................................................................................. - 21 圖 3- 2 接收端方塊圖 ............................................................................................. - 22 圖 3- 3 小波樹浮水印嵌入方塊圖 ......................................................................... - 24 圖 3- 4 小波樹概念圖 ............................................................................................. - 25 圖 3- 5 第一次修改後流程方塊圖 ......................................................................... - 26 圖 3- 6 比較第一階段改良的方法 ......................................................................... - 28 圖 3- 7 第二次修改後流程方塊圖 ......................................................................... - 29 圖 3- 9 LENA 嵌入後的差值分布 ............................................................................ - 32 圖 3- 10 BARBARA 嵌入後的差值分布................................................................... - 32 圖 3- 11 JET 嵌入後的差值分布 ............................................................................. - 32 圖 3- 12 BABOON 嵌入後的差值分布..................................................................... - 33 圖 3- 13 PEPPER 嵌入後的差值分布 ....................................................................... - 33 圖 3- 14 改良的萃取流程方塊圖 ........................................................................... - 34 圖 3- 15 不同黑點比例浮水印的強健性趨勢圖(LENA) ....................................... - 35 圖 3- 16 不同黑點比例浮水印的強健性趨勢圖(BARBARA) ................................ - 35 圖 3- 17 不同黑點比例浮水印的強健性趨勢圖(JET) ........................................... - 36 -. vi.
(8) 圖 3- 18 不同黑點比例浮水印的強健性趨勢圖(BABOON) .................................. - 36 圖 4 - 1 操作擷圖 1 .................................................................................................. - 65 圖 4 - 2 受保護的拍攝影像..................................................................................... - 66 圖 4 - 3 操作擷圖 2 .................................................................................................. - 67 -. vii.
(9) 表. 目. 錄. 表 1- 1 IDC 手機 OS 市占率表................................................................................. - 2 表 1- 2 IDC 平板 OS 市占率表................................................................................. - 2 表 1- 3 本研究相關文獻整理 ................................................................................... - 5 表 2 - 1 可視與不可視浮水印比較表....................................................................... - 7 表 2 - 2 浮水印透明度示意表................................................................................... - 9 表 2 - 3 浮水印強健性示意表................................................................................. - 10 表 2 - 4 浮水印萃取情況與 NC 值 ......................................................................... - 20 表 3 - 1 YCBCR 示意灰度圖表 ............................................................................... - 23 表 3-2. 的判別表 ................................................................................... - 27 -. 表 3 - 3 實驗用灰階影像......................................................................................... - 37 表 3 - 4 三種浮水印資料內容................................................................................. - 38 表 4 - 1 四種濾波器後的錯誤點數(LENA 與 BABARA) ......................................... - 40 表 4 - 2 四種濾波器後的錯誤點數(JET 與 BABOON) ............................................ - 41 表 4 - 3 四種濾波器後的錯誤點數(PEPPER) .......................................................... - 41 表 4 - 4 PSNR 的比較(嵌入 512 BITS 的浮水印) ................................................... - 42 表 4 - 5 PSNR 的比較(嵌入 2048 BITS 的浮水印) ................................................. - 43 表 4 - 6 PROPOSED 1.的 NC 值比較 ........................................................................ - 44 表 4 - 7 PROPOSED 2.的 PSNR 值比較 .................................................................... - 46 表 4 - 8 PROPOSED 2.的 NC 值比較(NTNU1)......................................................... - 47 表 4 - 9 PROPOSED 2.的 NC 值比較(NTNU1)......................................................... - 48 表 4 - 10 PROPOSED 2.的 NC 值比較(VIP) ............................................................. - 49 表 4 - 11 PROPOSED 2.的 NC 值比較(VIP) ............................................................. - 50 表 4 - 12 PROPOSED 2.的 NC 值比較(NTNU2)....................................................... - 51 表 4 - 13 PROPOSED 2.的 NC 值比較(NTNU2)....................................................... - 52 -. viii.
(10) 表 4 - 14 PROPOSED 2.在各品質 JPEG 攻擊後的 NC 值比較(NTNU1) ............... - 53 表 4 - 15 PROPOSED 2.在各品質 JPEG 攻擊後的 NC 值比較(NTNU2) ............... - 54 表 4 - 16 使用 Y 通道後 JPEG 攻擊的 NC ............................................................ - 55 表 4 - 17 使用 CB 通道後 JPEG 攻擊的 NC .......................................................... - 56 表 4 - 18 使用 CR 通道後 JPEG 攻擊的 NC .......................................................... - 57 表 4 - 19 結合 ROI 後的 PSNR 比較......................................................................... - 59 表 4 - 20 結合 ROI 後的 NC 比較(嵌入 NTNU1) ..................................................... - 60 表 4 - 21 結合 ROI 後的 NC 比較(嵌入 NTNU2) ..................................................... - 62 -. ix.
(11) 第一章. 緒論. 1.1. 研究背景與動機 隨著數位相機的蓬勃使用，漸漸地電子式數位影像淘汰了傳統的沖洗式相片， 原因有許多，其中有些考量因素，像是影像可以長久保存、容易進行繪圖修改以 及便於傳送分享給他人；然而部分優點也同時是缺點，例如是易被他人複製盜用， 或者是再經修改後，即成為他人所聲稱擁有權的影像。數位影像版權的宣告自此 成為一項重要技術，諸多的浮水印研究也油然而生；但是礙於數位相機上的影像 前處理設計，不適合延長相片處理的間隔時間，來加入浮水印演算法；又或是經 由繪圖軟體的方式，後製影像加註浮水印又曠日廢時，數位浮水印的應用至今仍 然受限。 因此，現在數位影像的擁有者或使用者，對於影像版權宣告的概念都相當薄 弱，伴隨著網路相簿、雲端空間及社交網站的崛起，侵權使用影像的狀況日益氾 濫。另外，過去兩年來配有高畫素相機的行動裝置快速普及，網絡上大量湧現了 來自於智慧型手機或是平板電腦的數位影像，但若挾此高運算能力的裝置，將數 位浮水印系統結合進拍照與繪圖編輯後，有望普及使用者對於影像的版權宣告， 進而提升大眾對於保護數位影像版權的認知。 國際數據資訊公司(International data cooperation, IDC)是間長期做消費科技與 資訊市場調查的專業公司。於 2013 年五月的手機與平板各系統佔有率調查結果 如表 1-1 與 1-2 所示，可看出 Android OS 無論是在智慧型手機或是平板電腦都囊 括超過一半的大餅，而手機更是擁有著 75.0%的高市場佔有率，故本研究選擇 Android OS 作為實踐平台。. -1-.
(12) 表 1- 1 IDC 手機 OS 市占率表. Operating System Android. 1Q13. 1Q13. 1Q12. 1Q12. Year over. Shipment. Market. Shipment. Market. Year. Volume. Share. Volume. Share. Change. 162.1. 75.0%. 90.3. 59.1%. 79.5%. 37.4. 17.3%. 35.1. 23.0%. 6.6%. Windows Phone. 7.0. 3.2%. 3.0. 2.0%. 133.3%. BlackBerry OS. 6.3. 2.9%. 9.7. 6.4%. -35.1%. Linux. 2.1. 1.0%. 3.6. 2.4%. -41.7%. Symbian. 1.2. 0.6%. 10.4. 6.8%. -88.5%. Others. 0.1. 0.0%. 0.6. 0.4%. -83.3%. 216.2. 100.0%. 152.7. 100.0%. 41.6%. Apple iOS. Total. Source: IDC Worldwide Quarterly Mobile Phone Tracker, May 2013.. 表 1- 2 IDC 平板 OS 市占率表. Operating System. 1Q13. 1Q13. 1Q12. 1Q12. Year over. Shipment. Market. Shipment. Market. Year. Volume. Share. Volume. Share. Change. Android. 27.8. 56.5%. 8.0. 39.4%. 247.5%. Apple iOS. 19.5. 39.6%. 11.8. 58.1%. 65.3%. Windows. 1.6. 3.3%. 0.2. 1.0%. 700.0%. Windows RT. 0.2. 0.4%. 0.0. N/A. N/A. Others. 0.1. 0.2%. 0.2. 1.0%. -50.0%. Total. 49.2. 100.0%. 20.3. 100.0%. 142.4%. Source: IDC Worldwide Tablet Tracker, May 1, 2013.. -2-.
(13) 1.2. 研究目的 由於前述的背景與動機，遂本論文的目標即是設計一能即時處理的浮水印嵌 入端及可信賴的萃取端。為了符合行動裝置上，大眾對於數位影像的竄改方式， 我們採用嵌入感興趣區的方式來應對，有意義地提供多份的可藏入空間。而核心 的數位浮水印法，是改良一篇基於小波樹的演算法，使整個浮水印系統，既能符 合應用層面，也能顧及版權保護的強健性本質，保有浮水印不受嚴重竄改而損 壞。 並且更改解回端的設計，使得浮水印系統對於欲保護影像與嵌入商標，有較 少的影像內容限制，可適應使用者喜好的各種浮水印圖像內容。優化嵌入與萃取 端的設計，提升浮水印系統效果並減少運算量。. Mobile device. 圖 1 - 1 欲保護範例影像 -3-.
(14) 1.3. 文獻回顧 一直以來，數位浮水印有著多方發展，主要的架構就分為基於空間域(Spatial domain)轉換與頻率域(Frequency domain)轉換，使用空間域的浮水印其強健性 (Robustness)不比頻率域，雖然能提供不同任務的影像保護，但是在注重抵抗竄改 的主流浮水印系統裡，仍多使用頻率域轉換後的影像資訊，又以離散餘弦轉換 (Discrete Cosine Transform, DCT)與離散小波轉換(Discrete Wavelet Transform, DWT)為最常見；基於離散餘弦轉換浮水印屬於較早期的研究，後來因為它的計 算量較大，所以近年來主要為離散小波轉換的浮水印[1]-[5]，其中 Lin [3]是使用 小波轉換後的係數區塊來藏入資訊，而 Lin [4]是將小波係數組成樹後，浮水印嵌 入在重要的係數(Insignificant coefficients)內，Run [5]則是調整小波樹內的係數差 值來代表浮水印內容。小波轉換後的係數在面對影像竄改時比較敏銳，因此研究 重點即是如何提升離散小波轉換型浮水印強健性。 另外，有些浮水印系統，會結合資訊隱藏的概念，在嵌入之前，先用各式打 亂方式來加密處理，像是 Kamble [6]使用阿諾德(Arnod)轉換，但是這類處理所要 的不可偵測性(Undetectability)，並非數位浮水印的原本目的，所以本研究僅採隨 機亂數打亂方式來獲得兩把金鑰。 雖然數位影像拍攝技術，不是從黑白畫面演進至彩色，但是，關於彩色影像 的浮水印研究，仍然沒有明確方向，有的研究 Dharwadkar [7]是依色彩成分比例 嵌入 R、G 與 B 平面，也有研究 Ghouti [8]直指 YCbCr 為最佳色彩空間，當然有 更多的是直接使用 Y 通道的浮水印法，本研究參與部分 Chen 的 YCbCr 最佳通道 分析，故有初步的色彩平面決定機制。 結合感興趣區域(Region of interest, ROI)算是一種比較應用面的浮水印系統， 因為浮水印初始的設計理念是保護完整的數位影像，從一張影像藏入單一浮水印， 到後來出現了將單一影像平均切割成數個區塊來同時嵌入數個相同的浮水印，如 Run [9]，這種作法在面對裁切攻擊時，顯著地提升強健性，但是代價是大量的運. -4-.
(15) 算量；為了取其優點，又要避免過多的運算量，所以出現了關於嵌在感興趣區域 的浮水印系統，當然也有目標僅是為了保護特別區塊或物件，Ehsani [10]是針對 臉部是否遭竄改的浮水印萃取辨識，而 Paraskevi [11]則是保護所有臉部區塊的資 訊。 有多篇基於小波轉換的相關浮水印研究、臉部區塊保護的應用以及實作在行 動裝置的 Palma Hernandez [12]與 Pizzolante [13]，整理於表 1-1，且簡潔地說明了 特色與優點、主要缺點。. 表 1- 3 本研究相關文獻整理 文獻. 特色與優點. 主要缺點. [3]. 使用區塊來藏入浮水印。. 藏入容量受限區塊大小。. [4]. 利用 Insignificant 係數提高影像品 強健性較差 質，與嵌入容量提升。. [5]. 用小波係數差值來嵌入的浮水印， 過度依賴母影像所得的資訊分布， 萃取採自適性門檻。. [9]. 降低對浮水印的適應性。. 結合 SVD，並使用 PSO 選出最佳的 大量的運算量，以及偏向主觀地定 義代價函數。. Scaling factor。 [10]. 使用 Walsh code 的正交特性，可以 著重嵌入後的人臉辨識率，不講求 避免 Rewatermark 攻擊。. [11]. 影像 PSNR。. 使用 Face mask，可排除臉部上方的 非盲目型浮水印。 頭髮紋理，應可提升 PSNR。. [12]. 利用易碎性，做竄改偵測的應用軟 體。. [13]. 基於 DCT 嵌入在 Y 通道的浮水印 僅實驗 JPEG 攻擊。 應用軟體，提供嵌入位置圖。 *註：本研究已投稿於 IEEE ISPACS Conference’2012。 -5-.
(16) 1.4. 論文安排 本論文主要分成五個章節，第一章主要介紹研究背景、動機、目的與文獻； 第二章將介紹一種離散小波樹浮水印法；第三章是本論文所提出的浮水印系統； 第四章則為實驗結果與系統分析；最後為本論文的結論與未來展望分析。. -6-.
(17) 第二章. 數位浮水印. 2.1. 數位影像浮水印簡介 影像浮水印的概念就如鈔票上的防偽辨識圖樣，平常使用時，不會察覺浮水 印的存在，但在必要時，不論紙鈔經手多少人使用，仍可從翻轉紙鈔的角度來辨 識真偽。而數位影像浮水印研究即是提供數位影像不可視的浮水印，且在必要的 時候能夠萃取出足夠資訊，來保護創作者的權益。 數位浮水印藏入的技術，與隱藏術相當接近，兩技術各有優點與考量，有些 浮水印系統會結合隱寫術的加密特性。目前圖片擁有者大多使用可視性的浮水印 方式，來宣告所有權歸屬，其對影像的損害明顯地大於不可視性浮水印，表格簡 述其中的差異。. 表 2 - 1 可視與不可視浮水印比較表 受保護影像. 宣告. 後. 宣告. 後. 宣告. Lena. 可視性浮水印宣告. (512×512 bits). 不可視性浮水印宣告(基於小波樹). -7-. 後.
(18) 2.2. 浮水印的特性 浮水印研究有幾項較為重要的議題，有母影像品質(Host image quality)、浮水 印 強 健 性 (Robustness) 、 可 嵌 入 容 量 (Capacity) 、 計 算 複 雜 度 (Computational complexity)與萃取時所需的資訊量(Blindness)，都攸關著浮水印的強弱，但是彼 此又會互相牽引影響。本小節將介紹上述常見的三考量，且是與本研究相關。. 2.2.1. 盲目型 盲目性係指浮水印系統的解回端，不需要使用未嵌入浮水印的母影像， 即可解回嵌在保護影像內的浮水印；反之也有非盲目型的浮水印系統，例如 Jain [14]的奇異值分解(Singular Value Decomposition, SVD)型浮水印法。盲目 型浮水印較能符合實際應用，驗證者在沒有初始母影像的情況下，就需要萃 取浮水印商標來判定所有權的歸屬；而非盲目型的系統也有其特色，因為解 回端多了母影像的參考資訊，則有較優良的浮水印強健性。. 2.2.2. 透明度 透明度是指浮水印嵌在母影像上的不可視性，這跟資訊隱藏技術的不可 偵測性有些許雷同，但是訴求的出發點不同，前者著眼於維持受保護影像的 品質，而後者則是要避免影像的變化，降低隱藏訊息被偵測後竊取的可能。 浮水印系統若是透明度越好，則越能維護良好的母影像細節，這在特殊類型 影像上是非常重要的考量，像是醫學影像、軍事機密影像與地圖細節影像； 同樣地，這些類型的數位影像會受到的竄改攻擊強度也相對的低，則所需的 嵌入強度較低，便可客製化特殊影像需求的浮水印系統。 表格下圖為浮水印嵌入自設中央 ROI 區域，可肉眼觀察出臉頰皮膚有些 許不平，以及鼻翼有條失真線條，此範例圖加註浮水印資訊後的影像品質為 PSNR = 38.9936。 -8-.
(19) 表 2 - 2 浮水印透明度示意表 附註： 受保護 Lena 影像，尺 寸為 512×512 bits。. 附註： 在中央自選取區域 256×256 bits 內 嵌 入 一 256 pixel 的浮水印 NTNU。 (PSNR : 38.9936). -9-.
(20) 2.2.3. 強健性 浮水印的強健性是用來說明，在嵌有版權宣告的數位影像，經過通道傳 送損失，或是被他人繪圖編輯竄改，浮水印抵抗攻擊破壞的能力。影響強健 性的強弱，是嵌入端的藏入演算法，以及驗證端解回的判定設計；然而，在 相同的嵌入方法底下，若是提高嵌入能量，則有更優良的強健性，但是伴隨 著的是影像受到浮水印干擾內部資訊情況更加強烈，所以浮水印的透明度(亦 即影像品質)，是與強健性呈負相關(Negative correlation)調整的，因此有相關 研究 Ramanjaneyulu [15]利用基因演算法(Genetic Algorithms, GA)與 Wang [16] 粒子群最佳化法(Particle Swarm Optimization, PSO)等等，來迭代出一個最佳 的平衡點，可是，這又得面臨代價函數(Cost function)的設計是否客觀公正； 前述仍有一種可提升浮水印強健性的方法，即解回時的判定設計，於驗證端 的演算法是獨立於嵌入端的，故可就相同的影像品質情況下，獲得更為強健 的浮水印。 表格 1-3 示意了保護影像經竄改後，其解回的受破壞浮水印。此二影像 原始尺寸為 32×16 bits，放大以便觀察萃取的錯誤點細節，右邊範例的解回浮 水印其錯誤率為 13/256，即 NC = 0.9492，仍可經由人眼辨別藏入的浮水印訊 息。. 表 2 - 3 浮水印強健性示意表 嵌入時的完整浮水印. 萃取而得的受破壞浮水印. - 10 -.
(21) 2.3. 基於小波樹的浮水印系統 於此，介紹一個經離散小波轉換的小波樹浮水印系統，[5]是 2011 發表的研 究，採四階小波分頻，使用第四層父代與第三層子代的小波係數，避開高頻成分， 以改良小波浮水印向來強健性較弱的問題，實驗比較三篇小波浮水印的作法， Lin[3]、Lien[17]與 Wang[18]，驗證為一個有效的小波樹浮水印系統。. 2.3.1. 基本架構 數位影像浮水印研究的概念如圖 2-1 所示，涵蓋了三個部分：第一部分， 是擁有影像所有權的使用者，對於影像標註象徵著作權的浮水印，是為發送 端(亦稱嵌入端)；第二部分，是指所有未知的影像攻擊，一旦數位影像放在 網路空間上，極有可能被下載來使用，期間的影像模糊、裁切、貼上額外物 件或是馬賽克處理都是有可能的，又或者是在經傳輸時的雜訊與通道損失， 另外尚有將影像轉至 JPEG 格式來降低檔案大小，這些狀況都屬於浮水印研 究的破壞測試部分；第三部分，就是指浮水印系統的萃取端，能將具不可視 標註版權，解回象徵著作權的浮水印，且其強健性足以客觀地辨識所有權歸 屬。圖 2-2 將說明概念圖所提三部分的細節，即嵌入/萃取流程與內容。. Lena (512×512). NTNU (32×16). 宣告版權的發送端. ?. 驗證版權的接收端. 未知竄改 Lena (512×512). NTNU (32×16). 圖 2 - 1 數位浮水印概念圖 - 11 -.
(22) Lena (512×512). 浮水印嵌入方塊圖 Discrete Wavelet Transform. Group wavelet- tree ({LH4/HL4} & {LH3/HL3}). Shuffle wavelet-trees. Inverse DWT with new wavelet-trees. Modify wavelet-trees to embed watermark. NTNU Image with watermark protection. (32×16). 未知攻擊 Gaussian filter. Average filter JPEG compression Median filter. 浮水印萃取方塊圖 Discrete Wavelet Transform. Group wavelet- tree ({LH4/HL4} & {LH3/HL3}). Shuffle wavelet-trees and calculate threshold (y). Inverse DWT. Detect wavelet-trees to extract watermark. Lena (512×512) NTNU (32×16). Ownership declare. 圖 2 - 2 數位浮水印概念方塊圖 - 12 -.
(23) 2.3.2. 離散小波轉換 離散小波轉換是一種多分頻解析的轉換式，利用高、低通水平與垂直濾 波器來解析影像的高頻成分，當影像經過一階小波轉換後，右上 LH1 與左下 區 HL1 塊會是影像的水平高頻與垂直高頻線條，右下區塊 HH1 則是交角高 頻，而左上的區塊 LL1 則是剩下的低頻資訊，若是要產生二階小波轉換，則 針對左上的 LL 低頻再做濾波處理，即多分頻解析。 圖 2-3 為 Lena 灰階影像經二階的小波解析示意圖，可看出在第一層右上 區塊的資訊為一階影像垂直的邊緣線條，第一層左下角區塊則為一階水平邊 緣線條，而第二層的 HH2、LH2、HL2 及 LL2 的資訊，皆是自 LL1 濾波而 來的，此轉換亦為一種壓縮技術。. 圖 2 - 3 二階層小波轉換示意圖. - 13 -.
(24) [5]的系統是使用影像第四層與第三層的小波解析資訊，如圖 2-4 所示，先 對輸入的全影像做四階小波轉換，再分別把{ LH4、LH3 }與{ HL4、HL3 }的係 數群集成含有五個小波係數的小波樹 Treei 與 Treej。. Treei LL4. LH4. LH3. LH3. HL4 HH4. LH2 HL3. LH1. HH3. LH4. LH4. LH41 LH42. LH3 HL2. HH2 HL4. LH43 LH44. HH4. Treej HL1. HH1. HL3. HH3. HL3. HL41 HL42 HL43 HL44. 圖 2 - 4 群集小波樹示意圖. 使用的第四層與第三層頻帶屬於較中頻成分，可以避免因為壓縮處理，而 去除掉高頻係數所帶來的浮水印損毀，以提升浮水印的強健性。另外，知道所 嵌入的載體是一個 LH4/ HL4 對應搭配四個 LH3/HL3 所組成的小波樹，故在輸 入. 尺寸的單通道影像時，我們可以預估[5]浮水印演算法的可用最大小波. 樹數(即為嵌入容量上限)，是 LH4 加上 HL4 小波係數的總和，如下公式 1 所示。. ( ⁄. ) . - 14 -.
(25) 2.3.3. 浮水印的藏入與解回 小波樹經過隨機亂數金鑰打亂之後，就個別地送進浮水印嵌入程序，[5] 認為負值的小波係數易遭損害，故先將. 調整為零，之後每一支樹會有對. 應的一個受打亂的浮水印點，黑點與白點有著不同的調整方式，藉由移動最 大與次大小波係數的值，讓兩係數間距大於給定的門檻值 T 以嵌入白色浮水 印點；或讓間距足夠接近(. )以嵌入黑色浮水印點，直至浮水. 印點數的完全嵌入，而上述的調整同時也提供了浮水印承受破壞的強健性， 只要兩小波數的差值正確地落在原屬的區間(萃取門檻值上或下)，另外載體 小波樹必然得大於或等於浮水印點數，圖 2-5 是嵌入端的流程方塊圖。. Wavelet tree. maxi > 0 ?. No. maxi = 0. Yes Is "1" embeded ?. No. seci = maxi. Yes. Yes. Δi < Max(ε,T) ?. No. seci > 0 ?. maxi = seci. Embed "0". maxi = maxi. Embed "1". maxi = maxi + ß. Embed "1". No. Yes Is maxi located in LH3 or HL3 ?. No. Yes maxi = maxi + ß ×γ. Embed "1". 圖 2 - 5 嵌入端流程圖 - 15 -. Embed "0".
(26) 完整的嵌入流程步驟如下： . 步驟 1：若是小波樹內的最大項係數為負值，則調整最大項係數至零。. . 步驟 2：定義差值. . 步驟 3：當嵌入浮水印資訊 1 時，調整最大項小波係數，依據以下：. 。. ( (. (. ) )) (2) (. (. )). {. 上述中的. 跟. 是指第 i 小波樹內，五係數中的最大項跟次大項小波數值；. 而 ß 與 γ 分別代表嵌入強度與比例因數，在最大項係數來自於第三層的小波係 數值，嵌入的強度乘上一個比值，來增強注入訊息，[5]的初始設定分別為 ß = 7 與 γ = 1.5，而 T = 10 是給定的判別門檻，此三項為[5]自設定的係數，都關係 著受保護後的影像品質；ε是有使用的全部小波樹，最大與次大係數的差值平均， 定義如下：. ε. . ⌊ ∑. ⌋ ,. (3). 步驟 4：當嵌入浮水印資訊 0 時，調整最大與次大項小波係數，依據以下：. . {. 其中. 與. 代表受調整後的新最大項與新次大項小波值。 - 16 -.
(27) 當受保護的影像從未知環境接收後，可透過浮水印系統的解回驗證端，萃 取出先前藏在影像內的浮水印商標，只要浮水印的強健性足以抵抗未知的竄改， 即可從肉眼辨識出取出的浮水印圖，以宣告該影像的版權歸屬。. Watermarked image Wavelet trees. DWT. Bubble Sort and calculates y Wavelet trees and y. Size 512×512. Extracted image. Inverse DWT. Extractor. Size 32×16. 圖 2 - 6 萃取端方塊圖. 圖 2-6 為接收已嵌入 NTNU 浮水印的 Lena 影像，在輸入萃取端後，先進行 離散小波轉換，並群組具父子代關係的第四階與第三階小波係數，而[5]認為小 波樹內資料會存在著來自於母影像的先天干擾，故使用泡沫排序出差值. 由小. 至大的小波樹，捨棄極大的差值，僅提取具參考價值樹內最大與第二大係數的 差值(. )，並平均這些總和而成為一適應性門檻 y，做為萃取判定時. 的門檻值。. ⌊. ∑. ⌋. - 17 -.
(28) 係指解回端影像經離散小波轉換後，第 i 支小波樹內最大項係數與第二大項 的差值(即 實驗經驗，反推訂定. )，N 是浮水印的總相素，而 是比例因子，[5]由 會有較普遍的優良萃取成果。. Wavelet tree. Bubble sort. Calculates y. No. Δi > y. Exact "0". Yes. Exact "1". 圖 2 - 7 浮水印萃取流程圖. 經由門檻 y 分類出屬於黑色點的位子與白色點的位子，即為萃取浮水印商 標圖，之後反向離散小波轉換處理，把多頻成分結合回影像尺寸，便是完整的 驗證端流程。. {. (. - 18 -. ). .
(29) 2.4. 數位浮水印的評估 浮水印系統的評估，主要比較的項目為母影像品質的維持跟浮水印的取回驗 證力，以下會有進一步的說明，並且說明可接受的最低需求為何。. 2.4.1. 母影像品質 浮水印嵌入母影像後，會造成影像細節失真 ，研究時可根據 PSNR (Peak-signal to noise ratio)來分析受保護後影像品質，若與原影像差異越小則 PSNR 值越高，而當 PSNR 高於 35~40 時，肉眼是無法察覺出兩張影像之間 的差異，但是為了使浮水印系統更能拓展使用在重視細節的影像，追求更高 的品質維持是相當重要的。PSNR 的定義如下：. ∑. ∑. (. ̂ ). . ̂. 𝑗 是指原始影像(frame)座標(i,j)的值， 𝑗 則代表受浮水印保護的影像在座標. (i,j)的值，H 與 W 分別為影像的高度與寬度，255 代表著影像深度 8 bits。. 2.4.2. 浮水印驗證 浮 水 印 自 保 護 影 像 內 萃 取 出 來 ， 依 據 NC (Normalized correlation coefficient)來表示浮水印系統對於抵抗竄改的強健能力，NC 是種解回百分率， 值介於 0~1 之間。若受到強烈的竄改，如高比率的 JPEG 壓縮(QF=10)，其解 回的浮水印明顯受損，NC 值相當接近 0.6，而要能夠明顯辨識出解回的浮水 印商標，則 NC 值需在 0.8~0.85 以上，NC 的定義如公式 8。. - 19 -.
(30) ∑. . ∑𝑗. 代表當初嵌入時的完整浮水印， 是從影像內取出來驗證版權用的浮水印； 與. 分別為浮水印的高與寬。. 於驗證前，會將嵌入浮水印的影像個別接受不同種類、程度的攻擊，常 見濾波攻擊有高斯、中值與均值，以及廣泛應用在數位影像的 JPEG 壓縮， 或是幾何裁切，如此才能考驗浮水印系統對於未知攻擊的強健能力。表 2-4 是在 Lena 影像嵌入 32×16bits 的 NTNU 浮水印，並接受不同的竄改破壞之後， 其萃取出的浮水印影像與其計算而得的 NC 值。. 表 2 - 4 浮水印萃取情況與 NC 值 Embedding. Exaction. NC. Attack. 1.0000. (Null process). 0.9883. JPEG, QF=50. 0.9902. Gaussian filter. 0.9785. Average filter 3×3. 0.9043. Average filter 5×5. 0.8164. Average filter 7×7. 0.9805. Median filter 3×3. 0.9180. Median filter 5×5. 0.8223. Median filter 7×7. - 20 -.
(31) 第三章. 結合 ROI 的改良式小波樹浮水印系統. 3.1. 系統架構 本論文的影像浮水印架構，核心是改良式小波樹浮水印法，在系統前端是對 輸入彩色影像 Img 做前處理，提供使用者數個感興趣區，完成一個以上的欲保護 區 Bi 後，對區塊影像做 Y、Cb 與 Cr 轉換，再將此平面資訊送進嵌入程序；鑲嵌 浮水印的處理，從 5/3 離散小波轉換(DWT)開始，經四階的多重解析，選取 HL 與 LH 的第四層與第三層，依照彼此的父子代關係群集成 5 個小波係數的樹{LH4、 LH3、LH3、LH3、LH3}與{HL4、HL3、HL3、HL3、HL3}，再來使用亂數金鑰 1 打亂小波樹順序，以及亂數金鑰 2 打亂浮水印，對應欲藏入的浮水印資訊“1” 或“0”，使用改良的調整方式，變動小波樹內最大與次大值，當浮水印 W 的像 素完全的嵌入後，反小波轉換(IDWT)並轉回 R、G 與 B 色彩平面，得到受保護的 區塊 Bi'，回填挖取的影像，便完成具浮水印保護的彩色影像 Img'，此為浮水印系 統的傳送端架構。. 傳送端 影像前處理 B1 Img. ROI (自定義區). B2 . . .. B(Y-channel)1. YCbCr 色彩空間轉換. Bi. Key-1. B(Y-channel)2 . . .. 小波樹浮水印 嵌入法. B(Y-channel)i. Key-2. W. 圖 3- 1 傳送端方塊圖. - 21 -. Img'.
(32) 接收端的架構與傳送端類似，接收了一張受保護的彩色影像 Img'，提取出嵌 入區塊 Bi'，做色彩空間轉換(RGB to YCbCr)，進行 5/3 離散小波轉換(DWT)，使 用嵌入時的打亂金鑰 1 與金鑰 2 來對應小波樹與解回浮水印位置，使用浮水印 W 的資訊來萃取藏在小波樹內的訊息，完全取出浮水印 W' 後將小波係數反轉換 (IDWT)並填回影像。. 接收端 影像前處理 Key-1. Img'. 提取ROI. B1'. B(Y-channel)1'. B2' . . .. YCbCr B(Y-channel)2' . 色彩空間轉換 .. Bi'. B(Y-channel)i'. 小波樹浮水印 萃取法. Img'. .. Key-2. W'. ’. 圖 3- 2 接收端方塊圖. 3.2. 傳送端 欲保護影像輸入浮水印系統傳送端，會先進行影像前處理，定義感興趣的區 域，以及擷取後 ROI 區塊的色彩通道轉換，之後才進入浮水印嵌入處理，完成嵌 入後輸出已受浮水印保護影像。. 3.2.1. ROI 取像 感興趣區域的定義，系統提供使用者數個區域。在處理高畫數影像時， 若對全影像嵌入僅一次的浮水印，則遇到任何影像竄改，皆會反映在解回的 浮水印錯誤點上，而若將全影像平均切割處理，雖有優異的浮水印強健性， 但有感的處理時間與影像品質得下降是其明顯缺點；本研究取其中庸之道， 對大尺寸影像挑取一個以上 256×256 bits 的 ROI 區塊再行處理，能增加接收 - 22 -.
(33) 端浮水印的可辨識度與降低運算量，除此之外，因為生活中常見的影像攻擊， 如在背景處貼上圖案或寫上文字等等，其選取自定保護物件的方式，更可有 效地讓使用者宣告影像擁有權。. 3.2.2. 色彩通道轉換 鑒於現行彩色影像浮水印研究裡，對於最佳適用頻帶的探討尚不明確， 與 Chen 經由分析各通道的影像資訊來預測最佳頻帶，可較有科學地決定適 用通道，但在 JEPG 攻擊時，會因為壓縮方式的關係，而無法達到最適通道 選擇的效益，故在 Android 預設的 JPEG 儲存格式情況下，本系統僅直接使 用 Y 通道。對於輸入的彩色 ROIi，先將 RGB 影像轉換至 YCbCr 色彩空間， 其轉換式如公式 9。. Y = 0.299R + 0.587G + 0.114B Cb = 0.564(B − Y )9 Cr = 0.713(R − Y ). 表 3 - 1 YCbCr 示意灰度圖表 Y. Cb. Cr. - 23 -.
(34) 3.2.3. 改良式浮水印嵌入法 使用者的大尺寸影像經由前處理之後，產生出數個灰階值 ROIs，將其輸 入進小波樹浮水印嵌入方塊圖，個別地進行 5/3 小波轉換，並群組充裕的小 波樹來提供嵌入容量，每一個 ROIi 獨自地宣告一筆浮水印後，反 5/3 小波轉 換輸出 ROIi'，如圖 3-3 小波樹浮水印嵌入方塊圖所示，其中此嵌入法的紅色 邊緣方塊係改良自[5]的方法。. 小波樹浮水印嵌入法. Y-channel. ROI1. Group tree i 5/3 DWT. {LH4,LH31,LH32,LH33,LH34}i {HL4,HL31,HL32,HL33,HL34}i. Shuffle tree (with Key-1) watermark(with Key-2). ROI2 . . .. 5/3 IDWT. ROIi. Embedding procedure. Y-channel. ROI1'. ROI2' . . . ROI3'. 圖 3- 3 小波樹浮水印嵌入方塊圖. 原嵌入流程方法的部分設計會使得些許影像品質無效益地損失，為了優化此 嵌入架構，我們兩階段的修改局部嵌入時的小波係數調整，讓欲保護影像有著更 好的品質細節。圖 3-4 簡潔地概述嵌入時灰階值影像的四階小波解析處理，產生 出代表著水平或垂直的偏中頻訊息，每一支樹包含著各自頻率解析的五個係數， 且經過係數大小排列後的小波樹，以便送入嵌入流程使用；爾後的圖 3-5 與圖 3-7 分別為第一、第二次修改後的流程方塊圖。. - 24 -.
(35) LL4 LH4 HL4 HH4. LH3. HL3 HH3. LH2. HL2. HH2. HL1. LH1. HH1. 已排序後的小波樹 LH4. LL4 LH4. HL3 HL4. LH3 LH3. HL3 HL3. LH3. LH group. .... HL4. HH4. LH3. LH3 LH3. LH3. LH3 HL3. LH3. HL group. LH4. HL3. HH3. Magnitude. 圖 3- 4 小波樹概念圖. 第一階段的嵌入流程修改，是為了屏除不必要的嵌入調整而設計的優化，以 達到母影像品質的上升以及計算複雜度的下降。首先將前述的排列後小波樹送入 流程圖，取消掉原來的將負值最大項係數調整至零的作法(可參考比對圖 2-5 的原 嵌入流程圖)，於新流程圖上即直接以一紅色箭頭線進入嵌入浮水印黑點(Embed bit 0)白點(Embed bit 1)動作，明確地減少了影像失真、調整時的運算量與部分判 別式的計算量；另外當嵌入“0”時，修改其判斷式，此處的修改雖然看似增加 了判斷條件即增加了計算量，但是. 的判斷是源自省去的初始判別，且可 - 25 -.
(36) 將原本三種狀況都需判別的情況，縮減成判斷. 成立後的兩種情形，故仍. 是降低運算複雜度的優化。. Wavelet tree .... Is "1" embeded ?. No. seci < 0 and maxi > 0. No. maxi = seci. Embed "0". Yes Yes. Δi < Max(ε,T) ?. seci = maxi = 0. Embed "0". maxi = maxi. Embed "1". maxi = maxi + ß. Embed "1". No. Yes Is maxi located in LH3 or HL3 ?. No. Yes maxi = maxi + ß ×γ. Embed "1". 圖 3- 5 第一次修改後流程方塊圖. 表 3-2 列出了嵌入黑點的三種小波樹情況(最大項係數、次大項係數與零的各 大小關係)，而嵌入白點的判別，修改後完全沒再次使用上，所以僅以“全部情況” 直接表明修改前後的差異，由此表可看出第一次修改的嵌入流程能有效地減少運 算複雜度。. - 26 -.
(37) 表 3-2. 的判別表. Case Embed “0”. seci maxi. [5]. 第一階段. . . . . . N. . N. 0. seci maxi 0. 0 Embed “1”. seci maxi. All cases. 前段說明了計算量的下降，接著將用圖 3-6 的(a)、(b)、(c)與(d)範例來更 進一步的解釋第一階段改良為何可減少無效益的影像失真。於第二章節內說 過，母影像品質與浮水印強健性是呈拮抗關係，若要產生更高的強健性，通 常代表著得注入更多的失真能量進入母影像，但是強健性的高低是來自嵌入 與萃取兩方設計的，故仍然可依據萃取的方式來優化嵌入端，以達到更高的 受保護影像 PSNR 及浮水印驗證 NC 值。 [5]存在著無關解回設計的嵌入能量；圖 3-6 上排的(a)與(b)是[5]在嵌入 “1”與“0”的各三種情況中的其中之一，下排的(c)與(d)則是前兩描述情況 經第一次改良後的嵌入情形，於此也先簡單介紹原萃取端的設計，以便說明 (a)及(b)的部分失真無關萃取驗證 NC 值，萃取端解回的黑白點亦是藉由判斷 最大項與次大項間的差距，用[5]的自適應性門檻區分出黑與白；因此，可分 析出 Case (b)與(d)的最大對次大的差值皆相同都為零，所以從(b)修正至(d)可 將 掉的 能量(. 與. 調整到零的損失降低成僅. 調整為. ；同理(a)修改成(c)少. 調整至零的能量，對於自適解回門檻不會有改變，且(c)本身的拉開 )即足以作為偵測用，故也進行了修正。 - 27 -.
(38) Δi<Maximum(ε ,T) seci. maxi. ß or ß× γ. 0. secinew maxinew. maxinew. seci. maxi. (a). (b). ß or ß× γ Δi<Maximum(ε ,T) seci. maxi. 0. 0. maxinew. maxinew. seci maxi. (c). 0. (d). 圖 3- 6 比較第一階段改良的方法. 而第二階段的改良則主要是針對提高嵌入 的. 時的觸發條件，在實驗給定. 值，會使得嵌入時的能量變為巨幅影像細節損失，所以此階段的設計. 是較易被破壞的資訊才進行巨幅調整；一般認知是屬高頻的成分，易被濾波或是 壓縮資訊而遭到破壞，雖然輸入的小波係數是來自較中頻第三及第四層轉換，但 在較強烈的 JPEG 攻擊時，還是會需要將 HL3 跟 LH3 的嵌入訊息調整至足夠強 健，其中的取捨設計，便是本次修改的考量。 圖 3-7 的第二次修改後嵌入流程方塊圖，其中的紅底區塊的判斷，即是相對 於第一次的改良部分，可比較前一階段的圖 3-5 嵌入流程，運算量雖增加一條判 斷依據(. located in level 3 DWT ?)，但是落在三個判斷之後，所以增加有限；. 此次的修改會減少嵌入能量，且應該會反應在部分較強烈攻擊之後的 NC 些許下 降。. - 28 -.
(39) Wavelet tree .... No. Is "1" embeded ?. maxi > 0 and seci < 0. No. maxi = seci. Embed "0". Yes Yes seci = maxi = 0. Embed "0". maxi = maxi. Embed "1". maxi = maxi + ß. Embed "1". No. Δi < Max(ε,T) ? Yes. No. Is maxi and seci located in LH3 or HL3 ?. Yes maxi = maxi + ß ×γ. Embed "1". 圖 3- 7 第二次修改後流程方塊圖. 圖 3-8 是從小波樹內的視角來說明調整的改變，圖內的 Case (a)是[5]將 行. 進. 的調整情況，當最大項落在較高頻的時候，便進行巨幅能量嵌入；而(b). 與(c)是前述的子集，套用了新的判斷設計而分出的兩種情況，當嵌入用的兩個小 波係數 以. 與. 來自同一層的小波轉換域，彼此的影像性質相近，所以才予 的調整，即成為 Case (b)；反之則捨棄了些許保護浮水. 印的能量。 此設計的另一個基礎是避免嵌入“1”後，其小波樹內的差值(. ). 分布過廣，造成解回端設計受限；改良後的數據分布，可方便更進一步的分群門 檻值開發。. - 29 -.
(40) (b) maxinew ß×γ 0 maxi LH3/HL3. (a). Δi<Maximum(ε ,T). maxinew. seci LH3/HL3. ß×γ 0. Magnitude. maxi LH3/HL3 Δi<Maximum(ε ,T). (c). seci maxinew. ß 0. Magnitude maxi LH3/HL3 Δi<Maximum(ε ,T). seci LH4/HL4. Magnitude 圖 3- 8 第二階段改良的方法. - 30 -.
(41) 3.3. 接收端 3.3.1. 驗證端前處理 當要驗證一載入影像時，先將其受保護 ROIs' 取出灰階值資訊；而先前在 發送端的時候藏入多份各自獨立的浮水印，故即使遭到特定面積的塗改或是裁 切，仍有機會在數個 ROIi' 擷取出較完整的區塊，以便進入萃取方塊流程時， 能得到較有驗證力的浮水印。. 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。. - 31 -.
(42) 個數. 149. 差值 127. 0. 圖 3- 9 Lena 嵌入後的差值分布. 個數. 149. 差值 127. 0. 圖 3- 10 Barbara 嵌入後的差值分布. 個數. 149. 差值 127. 圖 3- 11 Jet 嵌入後的差值分布 - 32 -.
(43) 個數. 149. 差值 127. 0. 圖 3- 12 Baboon 嵌入後的差值分布. 個數. 149. 差值 127. 0. 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. - 33 -. 𝑧. 10.
(44) 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. Bubble sort. No i>z. Exact "0". Yes Exact "1". 圖 3- 14 改良的萃取流程方塊圖. - 34 -.
(45) 1.0000 0.9000 0.8000 0.7000 0.6000 NC 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000 0%. 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 浮水印內黑點的比例 [5]. Proposed. 圖 3- 15 不同黑點比例浮水印的強健性趨勢圖(Lena). 1.0000 0.9000 0.8000 0.7000 0.6000 NC 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000 0%. 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 浮水印內黑點的比例 [5]. Proposed. 圖 3- 16 不同黑點比例浮水印的強健性趨勢圖(Barbara). 圖 3-15 為實驗各型態黑白點比例，每 10%黑點比例做一次的浮水印強健 性結果，可從此離散點連結的折線圖觀察出，已嵌入浮水印的 Lena 影像在未 受任何攻擊變造前，[5]的無先天 NC 損失已經有浮水印資料型態的限定，大 約是僅可容許帶有 30%~60%黑點的浮水印，而若是要能帶有浮水印強健性， 以抵抗竄改，其接受區間勢必更加狹隘。 - 35 -.
(46) 而圖 3-16、圖 3-17 與圖 3-18 分別是 Barbara、Jet 與 Baboon 為嵌入載體 影像，雖有數值上的些微不同，但是[5]仍然有所侷限。. 1.0000 0.9000 0.8000 0.7000 0.6000 NC 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000 0%. 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 浮水印內黑點的比例 [5]. Proposed. 圖 3- 17 不同黑點比例浮水印的強健性趨勢圖(Jet). 1.0000 0.9000 0.8000 0.7000 0.6000 NC 0.5000 0.4000 0.3000 0.2000 0.1000 0.0000 0%. 10% 20% 30% 40% 50% 60% 70% 80% 90% 100% 浮水印內黑點的比例 [5]. Proposed. 圖 3- 18 不同黑點比例浮水印的強健性趨勢圖(Baboon). - 36 -.
(47) 3.4. 實驗設計 主要的實驗，是要驗證前面所提出的第一階段改良與第二階段改良後的 Proposed 法是否如預測，使用灰階影像來實驗比較，採八張 512×512 尺寸的常見 影像輸入，表 3-3 分別呈現縮小後的 Lena、Barbara、Jet、Baboon、Pepper、Bridge、 Straw 與 Fence；表 3-4 是有使用上的四個浮水印，分別命名為 NTNU1、NTNU2048、 VIP 與 NTNU2，除了 NTNU2048 是 NTNU1 比例放大成 4 倍的資料量(2048 bits)， 其餘皆為 32×16 尺寸的 512 bits。. 表 3 - 3 實驗用灰階影像. Lena. Barbara. Jet. Baboon. - 37 -.
(48) Pepper. Bridge. Straw. Fence. 表 3 - 4 三種浮水印資料內容 浮水印 代稱. NTNU1. NTNU2048. VIP. NTNU2. 黑點數. 149. 596. 295. 363. 白點數. 363. 1452. 217. 149. 總點數. 512. 2048. 512. 512. 29.1%. 29.1%. 57.6%. 70.9%. 黑點比例. - 38 -.
(49) 嵌入後的強健性測試有高斯濾波、平均值濾波(3×3、5×5、7×7 三種遮罩)、 中間值濾波(3×3、5×5、7×7 三種遮罩)與 JPEG 攻擊(Quality Factor=90~10)，來驗 證核心浮水印法的抵抗竄改能力。 高斯濾波是一種常見的影像處理，基於常態分佈的概念去減少雜訊(高斯雜 訊)；平均值濾波是在每個遮罩內的值做平均運算，對影像處理後的呈現是屬於明 顯的平滑化，效果有如現在的美肌功能，遮罩越大，其邊緣線條越趨模糊；中值 濾波是一種非線性的影像處理，常用在去除噪點，當遮罩變大時，會呈馬賽克修 圖效果；而 JPEG 是現行常用的破壞性壓縮儲存格式，實驗時主要以品質因素 50 的 JPEG 攻擊做測試，但仍有部分實驗用到品質因素 90 到 10 來驗證浮水印的強 健性。. - 39 -.
(50) 第四章. 實驗結果與系統分析. 4.1. 四種濾波係數的小波浮水印分析 試驗 Ftr97、Ftr93、Ftr75 與 Ftr53 四種濾波器的小波樹浮水印強健性，使用 五張 512×512 的灰階影像來嵌入 32×16 的 NTNU1 實驗，表 4-1、4-2 與 4-3 採用 萃取出後錯誤點個數的方式呈現，以縮減版面方便比對，如欲轉成常見的 NC 值， 亦可用已知的浮水印總點數 512 bits 推算出。 從三張表格觀察出，採用 5/3 型濾波器的小波轉換，較能在既有的第一階段 改良浮水印法擁有一致較好的萃取強健性，故在後續的所有實驗內，都是使用 Ftr53 的小波轉換。. 表 4 - 1 四種濾波器後的錯誤點數(Lena 與 Babara) Lena Ftr97 Null. Ftr93. Barbara. Ftr75. Ftr53. Ftr97. Ftr93. Ftr75. Ftr53. 0. 4. 4. 0. 1. 2. 0. 0. JPEG, Q50. 45. 94. 54. 8. 41. 72. 38. 16. Gaussian. 28. 56. 64. 14. 38. 56. 64. 18. Avg. 3×3. 48. 84. 86. 24. 52. 75. 90. 36. Avg. 5×5. 124. 150. 154. 84. 120. 135. 136. 96. Avg. 7×7. 155. 170. 182. 154. 160. 168. 164. 148. Med. 3×3. 42. 74. 82. 26. 74. 102. 104. 48. Med. 5×5. 124. 142. 138. 74. 132. 140. 146. 80. Med. 7×7. 156. 178. 180. 136. 160. 151. 160. 126. - 40 -.
(51) 表 4 - 2 四種濾波器後的錯誤點數(Jet 與 Baboon) Jet Ftr97 Null. Ftr93. Baboon Ftr75. Ftr53. Ftr97. Ftr93. Ftr75. Ftr53. 0. 1. 2. 0. 0. 0. 0. 0. JPEG, Q50. 65. 108. 70. 10. 24. 30. 18. 14. Gaussian. 46. 84. 86. 20. 19. 40. 34. 36. Avg. 3×3. 64. 106. 118. 30. 34. 52. 48. 54. Avg. 5×5. 140. 163. 174. 100. 100. 106. 116. 126. Avg. 7×7. 178. 184. 196. 142. 152. 148. 152. 170. Med. 3×3. 86. 120. 134. 32. 78. 82. 84. 82. Med. 5×5. 153. 168. 178. 86. 133. 142. 130. 144. Med. 7×7. 180. 194. 198. 134. 164. 171. 166. 168. 表 4 - 3 四種濾波器後的錯誤點數(Pepper) Pepper Ftr97 Null. Ftr93. Ftr75. Ftr53. 4. 6. 6. 0. JPEG, Q50. 54. 80. 54. 6. Gaussian. 42. 66. 76. 6. Avg. 3×3. 60. 90. 88. 20. Avg. 5×5. 111. 140. 138. 86. Avg. 7×7. 156. 164. 166. 144. Med. 3×3. 67. 82. 96. 16. Med. 5×5. 130. 142. 148. 76. Med. 7×7. 158. 168. 170. 132. - 41 -.
(52) 4.2. 浮水印演算法比較與分析 4.2.1. 第一階段改良 第一階段的改良，主要目標是要在減少受保護影像失真的同時，也能保持幾 乎等同強健的浮水印，實驗採用了七張灰階母影像，而在影像品質提升的驗證， 除了本身的 NTNU1 浮水印外，多增加了大尺寸的 NTNU2048 來觀察改良點的個 數。表 4-4 與 4-5 為母影像嵌入浮水印後 PSNR 的比較，參考圖 3-6 的[5]法(a)與 (b)修改成的(c)與(d)的統計個數，故可明確的認同 PSNR 的提升，表 4-4 為嵌入帶 有 512 點的 NTNU1，另表 4-5 則為嵌入帶有 2048 點的 NTNU2048，兩表內有個 別改良點數，而從修改的點數來看，比例並不是很多，所以影像品質為少量提升。. 表 4 - 4 PSNR 的比較(嵌入 512 bits 的浮水印) [5]. 圖 3-6. 圖 3-6. 第一階段. (a)修改成(c). (b)修改成(d). 改良.. 的個數. 的個數. Lena. 44.1784. 12. 5. 44.2733. Barbara. 42.5737. 12. 7. 42.6056. Jet. 42.3902. 11. 4. 42.4264. Baboon. 42.4044. 10. 7. 42.4921. Pepper. 42.8756. 11. 5. 42.8986. Bridge. 42.6275. 14. 4. 42.6756. Fence. 44.5458. 15. 3. 44.5993 單位：dB. - 42 -.
(53) 表 4 - 5 PSNR 的比較(嵌入 2048 bits 的浮水印) [5]. 圖 3-6. 圖 3-6. 第一階段. (a)修改成(c). (b)修改成(d). 改良.. 的個數. 的個數. Lena. 36.9391. 44. 7. 36.9549. Barbara. 37.2801. 50. 17. 37.3162. Jet. 35.7241. 38. 18. 35.7684. Baboon. 36.8853. 48. 15. 36.9616. Pepper. 35.0158. 48. 12. 35.0320. Bridge. 36.0447. 45. 21. 36.1232. Fence. 37.5821. 45. 20. 37.6090 單位：dB. 嵌入 NTNU1 浮水印後，採用常見的影像處理來攻擊受保護影像，表 4-6 內 呈現的為浮水印的強健性，萃取之後用 NC 值來表示，可看出在受攻擊前，浮水 印可以完整地取回(NC=1.0000)以便宣告版權；除了在 7×7 大尺寸遮罩濾波後， 受保護影像被嚴重的模糊化，而導致浮水印跟著受到強烈破壞，其餘攻擊情況， 浮水印皆保有肉眼可辨識程度。 而若比較[5]與修改嵌入後的第一階段改良，修改後的萃取 NC 僅有微幅跳動， 經全部狀況統計後，此次改良的驗證能力，幾乎與[5]一致，實驗結果如當初預測， 移除掉了無效益的嵌入動作，降低了程式複雜度，提升影像品質，且維持了幾乎 等同的浮水印強健性，有著比[5]還佳的優化嵌入方法。. - 43 -.
(54) 表 4 - 6 第一階段改良後的 NC 值比較 Null Lena. Barbara. Jet. Baboon. Pepper. Bridge. Fence. Barbara. Jet. Baboon. Gaussian. [5]. 1.0000. 0.9883. 0.9902. 第一次改良. 1.0000. 0.9863. 0.9883. [5]. 1.0000. 0.9746. 0.9668. 第一次改良. 1.0000. 0.9746. 0.9668. [5]. 1.0000. 0.9844. 0.9883. 第一次改良. 1.0000. 0.9844. 0.9883. [5]. 1.0000. 0.9727. 0.9258. 第一次改良. 1.0000. 0.9727. 0.9258. [5]. 1.0000. 0.9902. 0.9902. 第一次改良. 1.0000. 0.9902. 0.9902. [5]. 1.0000. 0.9844. 0.9805. 第一次改良. 1.0000. 0.9824. 0.9785. [5]. 1.0000. 0.9648. 0.9844. 第一次改良. 1.0000. 0.9648. 0.9844. Average 3×3 Lena. JPEG, QF=50. Average 5×5. Average 7×7. [5]. 0.9785. 0.9043. 0.8164. 第一次改良. 0.9766. 0.9043. 0.8164. [5]. 0.9512. 0.8125. 0.7363. 第一次改良. 0.9492. 0.8145. 0.7344. [5]. 0.9590. 0.8848. 0.7871. 第一次改良. 0.9590. 0.8867. 0.7852. [5]. 0.8867. 0.7656. 0.6621. 第一次改良. 0.8848. 0.7656. 0.6641. - 44 -.
(55) Pepper. Bridge. Fence. [5]. 0.9863. 0.8984. 0.7773. 第一次改良. 0.9844. 0.8965. 0.7793. [5]. 0.9434. 0.7969. 0.6738. 第一次改良. 0.9395. 0.7949. 0.6816. [5]. 0.9609. 0.8574. 0.7695. 第一次改良. 0.9590. 0.8555. 0.7754. Median 3×3 Lena. Barbara. Jet. Baboon. Pepper. Bridge. Fence. Median 5×5. Median 7×7. [5]. 0.9805. 0.9180. 0.8223. 第一次改良. 0.9824. 0.9160. 0.8242. [5]. 0.7168. 0.8047. 0.7461. 第一次改良. 0.7121. 0.8047. 0.7480. [5]. 0.9727. 0.9219. 0.8398. 第一次改良. 0.9727. 0.9219. 0.8398. [5]. 0.8594. 0.7480. 0.6855. 第一次改良. 0.8594. 0.7500. 0.6836. [5]. 0.9785. 0.9121. 0.8145. 第一次改良. 0.9824. 0.9102. 0.8145. [5]. 0.9102. 0.7793. 0.6563. 第一次改良. 0.9063. 0.7773. 0.6543. [5]. 0.8418. 0.7539. 0.7129. 第一次改良. 0.8418. 0.7500. 0.7090. - 45 -.
(56) 4.2.2. 第二階段改良 (Proposed) 第二階段的改良主要針對兩個情況而設計，修正富含高頻的保護影像，其產 生的既定萃取錯誤；以及提高系統對不同型態浮水印的適應力。八張灰階影像中 的狒狒、小橋、稻草與柵欄是帶有大量線條的影像，嵌入不同黑點比例的三浮水 印，NTNU1 的黑點數佔 29.1%、VIP 的是 57.6%黑點與 NTNU2 的 70.9%。. 表 4 - 7 Proposed 的 PSNR 值比較 NTNU1 Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. VIP. NTNU2. [5]. 44.1784. 42.4511. 39.6390. Proposed. 44.4580. 42.5885. 39.6818. [5]. 42.5737. 42.8189. 41.8325. Proposed. 42.7247. 42.9289. 41.8733. [5]. 42.3902. 39.1191. 37.9767. Proposed. 42.5348. 39.1664. 38.0098. [5]. 42.4044. 39.9824. 39.0853. Proposed. 42.6230. 40.0760. 39.1488. [5]. 42.8756. 41.1260. 39.0617. Proposed. 42.9974. 41.1697. 39.0849. [5]. 42.6275. 39.6633. 38.2399. Proposed. 42.7856. 39.7322. 38.3045. [5]. 35.1415. 32.6098. 31.7715. Proposed. 35.1896. 32.6270. 31.7780. [5]. 44.5458. 42.0461. 40.4149. Proposed. 44.7574. 42.1740. 40.5048 單位：dB. - 46 -.
(57) 第二次改良的方法，降低了嵌入加權能量的機會，所以影像品質會較明顯的 提升，如表 4-7 所示，在嵌入白點數多的浮水印，有較多的點數得到修改，所以 在藏入 NTNU1 時會有較優的 PSNR 值；反之在黑點多的 NTNU2 藏入後，影像 品質前後兩法的差異不大。另外在針對稻草圖嵌入 NTNU1 的 PSNR 做分析，因 為母影像本身的高頻特性，所以在嵌入“1”時，差值多為大於嵌入判斷門檻， 故不做任何調整，所以此次修改，稻草圖的 PSNR 提升相當有限。. 表 4 - 8 Proposed 的 NC 值比較(NTNU1) Null Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Gaussian. Avg. 3×3. Avg. 5×5. [5]. 1.0000. 0.9902. 0.9883. 0.9063. Proposed. 1.0000. 0.9883. 0.9805. 0.8867. [5]. 1.0000. 0.9727. 0.9512. 0.8223. Proposed. 1.0000. 0.9609. 0.9297. 0.8047. [5]. 1.0000. 0.9883. 0.9727. 0.8848. Proposed. 1.0000. 0.9844. 0.9688. 0.8867. [5]. 0.9961. 0.9297. 0.8887. 0.7461. Proposed. 1.0000. 0.9141. 0.8750. 0.7539. [5]. 1.0000. 0.9941. 0.9863. 0.8945. Proposed. 1.0000. 0.9883. 0.9766. 0.8906. [5]. 0.9922. 0.9785. 0.9375. 0.8027. Proposed. 1.0000. 0.9727. 0.9414. 0.7734. [5]. 0.9336. 0.8516. 0.8027. 0.6641. Proposed. 0.9922. 0.8633. 0.8008. 0.6563. [5]. 0.9941. 0.9883. 0.9609. 0.8574. Proposed. 1.0000. 0.9844. 0.9531. 0.8477. - 47 -.
(58) 表 4-8 與 4-9 是驗證浮水印強健性的 NC 值表，在藏入擁有較多“1”資訊的 NTNU1 浮水印，搭配所提出的改良式萃取法；在嵌入的時候犧牲掉的注入能量， 如預期地反映在解回端上，然而表中的狒狒、小橋與柵欄影像的測試結果，在受 竄改破壞前，[5]已經無法完整的解回，雖受攻擊後仍呈現比較拉鋸情況，但是已 經可以看出[5]在處理高頻影像時的缺點，另外在稻草圖更可明顯看出改良的萃取 法，能更適應帶有大量線條的母影像，來萃取出更多正確的資訊。. 表 4 - 9 Proposed 的 NC 值比較(NTNU1) Avg. 7×7 Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Med. 3×3. Med. 5×5. Med. 7×7. [5]. 0.8164. 0.9863. 0.9102. 0.8223. Proposed. 0.8008. 0.9766. 0.8984. 0.8047. [5]. 0.7363. 0.9160. 0.8125. 0.7168. Proposed. 0.6914. 0.9102. 0.7930. 0.7227. [5]. 0.7871. 0.9805. 0.9102. 0.8398. Proposed. 0.7852. 0.9688. 0.9023. 0.8242. [5]. 0.6152. 0.8633. 0.7363. 0.6855. Proposed. 0.6328. 0.8555. 0.7383. 0.6758. [5]. 0.7773. 0.9785. 0.9063. 0.7910. Proposed. 0.7578. 0.9766. 0.8945. 0.7969. [5]. 0.6680. 0.9102. 0.7676. 0.6504. Proposed. 0.6719. 0.9063. 0.7695. 0.6602. [5]. 0.6035. 0.7773. 0.6523. 0.6016. Proposed. 0.6289. 0.7617. 0.6523. 0.6328. [5]. 0.7363. 0.8340. 0.7539. 0.7129. Proposed. 0.7266. 0.8242. 0.7188. 0.6914. - 48 -.
(59) 接下來的表 4-10 與 4-11 是實驗當浮水印的黑點比例提高到接近 1:1 白點時， 其兩法的萃取能力比較。未受攻擊前的 NC 值情況，已經可看出[5]開始不適用， 而若受保護影像受到任何竄改之後，即便是小遮罩的高斯濾波、均值濾波或是中 值濾波，[5]的萃取能力明顯地不佳，其中尤以稻草圖的萃取結果最差，幾乎無法 肉眼辨識；然而改良的萃取 NC 則幾乎維持如嵌入白點多的情況般，有著應有的 浮水印強健性。. 表 4 - 10 Proposed 的 NC 值比較(VIP) Null Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Gaussian. Avg. 3×3. Avg. 5×5. [5]. 0.9980. 0.9043. 0.8711. 0.8008. Proposed. 1.0000. 0.9883. 0.9609. 0.8359. [5]. 1.0000. 0.8477. 0.8184. 0.7305. Proposed. 1.0000. 0.9531. 0.9180. 0.7969. [5]. 0.9961. 0.9160. 0.8887. 0.7949. Proposed. 1.0000. 0.9766. 0.9492. 0.8281. [5]. 1.0000. 0.7949. 0.7988. 0.6895. Proposed. 1.0000. 0.9258. 0.8750. 0.7383. [5]. 1.0000. 0.9121. 0.8770. 0.7988. Proposed. 1.0000. 0.9922. 0.9688. 0.8594. [5]. 1.0000. 0.8574. 0.8105. 0.6719. Proposed. 0.9980. 0.9453. 0.8984. 0.7383. [5]. 0.9648. 0.7754. 0.6934. 0.5723. Proposed. 0.9883. 0.8711. 0.8281. 0.6563. [5]. 0.9961. 0.8105. 0.7656. 0.7188. Proposed. 1.0000. 0.9688. 0.9336. 0.8047. - 49 -.
(60) 表 4 - 11 Proposed 的 NC 值比較(VIP) Avg. 7×7 Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Med. 3×3. Med. 5×5. Med. 7×7. [5]. 0.6680. 0.8867. 0.8125. 0.6523. Proposed. 0.6992. 0.9570. 0.8516. 0.7578. [5]. 0.6875. 0.8457. 0.7246. 0.7012. Proposed. 0.6563. 0.9023. 0.7773. 0.6836. [5]. 0.6914. 0.8848. 0.8105. 0.6855. Proposed. 0.7305. 0.9531. 0.8633. 0.7695. [5]. 0.5664. 0.7520. 0.6816. 0.6172. Proposed. 0.6211. 0.8438. 0.6875. 0.6406. [5]. 0.6426. 0.8809. 0.7598. 0.7402. Proposed. 0.7227. 0.9727. 0.8477. 0.7578. [5]. 0.5547. 0.7988. 0.6621. 0.6035. Proposed. 0.6484. 0.8555. 0.7148. 0.6328. [5]. 0.5313. 0.6934. 0.5684. 0.5430. Proposed. 0.5938. 0.7969. 0.6641. 0.6016. [5]. 0.5918. 0.7441. 0.6172. 0.5840. Proposed. 0.6953. 0.7734. 0.6797. 0.5820. 當黑點的比例再次提升，實驗使用與 NTNU1 黑白對調的 NTNU2，其浮水印 含有 70.9%黑點的情況去進行。表 4-12 與 4-13 顯示出了[5]萃取的嚴重錯誤浮水 印(NC=0.2910)，其解回的是一張全無資訊影像，原因是過多的嵌入“0”調整塞 滿了[5]的自適應門檻，運算出極低萃取門檻，以致未受攻擊與受到微幅竄改時， 其解回能力可說是全無的；反觀提出的改良式萃取法，可適應不同資料型態的浮 水印，在此兩表格的 NC 情況，也保有著如前面兩種浮水印時的解回能力。. - 50 -.
(61) 表 4 - 12 Proposed 的 NC 值比較(NTNU2) Null Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Gaussian. Avg. 3×3. Avg. 5×5. [5]. 0.2910. 0.2910. 0.7168. 0.6113. Proposed. 1.0000. 0.9727. 0.9531. 0.8359. [5]. 0.2910. 0.6777. 0.6523. 0.5449. Proposed. 1.0000. 0.9648. 0.9297. 0.8125. [5]. 0.2910. 0.7695. 0.7285. 0.6563. Proposed. 1.0000. 0.9609. 0.9414. 0.8047. [5]. 0.2910. 0.6738. 0.5996. 0.6055. Proposed. 1.0000. 0.9297. 0.8945. 0.7539. [5]. 0.2910. 0.7109. 0.6543. 0.5566. Proposed. 1.0000. 0.9883. 0.9609. 0.8320. [5]. 0.2910. 0.7090. 0.6367. 0.5996. Proposed. 1.0000. 0.9570. 0.9180. 0.7695. [5]. 0.2910. 0.6094. 0.5801. 0.5332. Proposed. 0.9961. 0.9141. 0.8672. 0.7148. [5]. 0.2910. 0.6094. 0.5605. 0.5371. Proposed. 1.0000. 0.9688. 0.9219. 0.7969. 另外在試驗浮水印 NTNU1 與 NTNU2 在不同品質因素時 JPEG 攻擊後的萃取 情況，於表 4-14 與 4-15 所示，雖然在表 4-14 的嵌入白點多浮水印時，會有解回 點數小輸情形，但是兩表交互比對，可看出 Proposed 2.法對兩浮水印的萃取能力 幾乎是相同的，但是[5]就受限於浮水印資料型態的限定。而嵌入四階層小波轉換 後的係數差值，可有效的面對壓縮攻擊，幾乎在 JPEG 壓縮品質因素 30 以上都能 輕易辨識出。. - 51 -.
(62) 表 4 - 13 Proposed 的 NC 值比較(NTNU2) Avg. 7×7 Lena. Barbara. Jet. Baboon. Pepper. Bridge. Straw. Fence. Med. 3×3. Med. 5×5. Med. 7×7. [5]. 0.5957. 0.7227. 0.6309. 0.6055. Proposed. 0.6992. 0.9492. 0.8555. 0.7344. [5]. 0.5488. 0.6328. 0.5645. 0.5605. Proposed. 0.7109. 0.9063. 0.8438. 0.7539. [5]. 0.6309. 0.7266. 0.6445. 0.6270. Proposed. 0.7227. 0.9375. 0.8320. 0.7383. [5]. 0.5039. 0.6445. 0.5938. 0.5410. Proposed. 0.6680. 0.8398. 0.7188. 0.6719. [5]. 0.5645. 0.6387. 0.5723. 0.5547. Proposed. 0.7188. 0.9688. 0.8516. 0.7422. [5]. 0.4609. 0.5898. 0.5996. 0.4941. Proposed. 0.6641. 0.8789. 0.7461. 0.6563. [5]. 0.4922. 0.5840. 0.5078. 0.4941. Proposed. 0.6523. 0.8242. 0.7148. 0.6367. [5]. 0.5371. 0.6035. 0.5586. 0.4668. Proposed. 0.7148. 0.8086. 0.7344. 0.6523. 第二階段改良(即 Proposed 法)，嵌入端在兩參考小波係數落在不同層的加權 能量捨去，犧牲了少許的抗攻擊能力，受保護影像的品質提升了，萃取端的參考 浮水印資訊解回方式，直接地減少門檻的運算量，從實驗數據可看出其萃取效果 是優良的，且可解決[5]在母影像與浮水印資料型態的限制。. - 52 -.
(63) 表 4 - 14 Proposed 在各品質 JPEG 攻擊後的 NC 值比較(NTNU1) QF=90 QF=80 QF=70 QF=60 QF=50 Lena. Barbara. Jet. Baboon. Pepper. [5]. 1.0000. 1.0000. 0.9961. 0.9902. 0.9902. Proposed. 1.0000. 1.0000. 0.9961. 0.9844. 0.9844. [5]. 1.0000. 0.9980. 0.9980. 0.9688. 0.9551. Proposed. 1.0000. 1.0000. 0.9922. 0.9844. 0.9688. [5]. 1.0000. 0.9961. 0.9961. 0.9805. 0.9844. Proposed. 1.0000. 1.0000. 0.9961. 0.9961. 0.9805. [5]. 0.9941. 0.9980. 0.9922. 0.9785. 0.9609. Proposed. 1.0000. 1.0000. 0.9961. 0.9883. 0.9688. [5]. 1.0000. 1.0000. 0.9961. 0.9961. 0.9961. Proposed. 1.0000. 1.0000. 0.9961. 0.9922. 0.9805. QF=40 Lena. Barbara. Jet. Baboon. Pepper. QF=30. QF=20. QF10. [5]. 0.9512. 0.8867. 0.8184. 0.6367. Proposed. 0.9375. 0.8789. 0.7813. 0.6406. [5]. 0.9258. 0.8906. 0.7891. 0.6348. Proposed. 0.9258. 0.8711. 0.7813. 0.6445. [5]. 0.9570. 0.8828. 0.8086. 0.6094. Proposed. 0.9492. 0.8750. 0.8242. 0.6328. [5]. 0.9492. 0.9258. 0.8457. 0.6816. Proposed. 0.9531. 0.9141. 0.8398. 0.6875. [5]. 0.9609. 0.9160. 0.7988. 0.6191. Proposed. 0.9609. 0.9141. 0.8047. 0.6367. - 53 -.
Outline
相關文件
Provide all public sector schools with Wi-Fi coverage to enhance learning through the use of mobile computing devices, in preparation for the launch of the fourth IT in
學校需確保計算器讀數只包括特許協議所涵蓋的版權印刷作品
“A feature re-weighting approach for relevance feedback in image retrieval”, In IEEE International Conference on Image Processing (ICIP’02), Rochester, New York,
Mutual information is a good method widely used in image registration, so that we use the mutual information to register images.. Single-threaded program would cost
Sugii, “Junction profile engineering with a novel multiple laser spike annealing scheme for 45-nm node high performance and low leakage CMOS technology,” in IEDM
Maltz,” Dynamic source routing in ad hoc wireless networks.,” In Mobile Computing, edited by Tomas Imielinski and Hank Korth, Chapter 5, pp. Royer, “Ad-hoc on-demand distance
It allows a much wider range of algorithms to be applied to the input data and can avoid problems such as the build-up of noise and signal distortion during processing.. Since
Using Virtual Reality to Avoid Construction Falls Computing in Civil Engineering,
