[发明专利]基于FastICA的半脆弱数字水印嵌入及提取方法

说明书

本发明涉及基于FastICA的半脆弱数字水印嵌入及提取方法，属于图像处理以及水印提取技术领域。包括水印嵌入与水印提取，具体为：步骤1、将私人密钥K、水印图像W以及宿主图像进行线性叠加运算，输出混合信号，即嵌入水印后的图像；步骤2、结合载体图像以及私人密钥，基于非对称数字水印原理提取水印，具体为：步骤2.1将含水印图像、载体图像以及私人密钥进行加载构造混合图像，再将混合图像经水印检测白化过程混合；步骤2.2将混合图像进行白化预处理，得到预处理后图像；步骤2.3将预处理后图像进行FastICA提取水印，分离出原始图像、水印图像以及私人密钥，即使用快速迭代提取出水印图像。所述方法，实现了水印的隐蔽性及鲁棒性。

技术领域

本发明涉及基于FastICA的半脆弱数字水印嵌入及提取方法，属于图像处理以及水印提取技术领域。

背景技术

在自然条件下、复杂背景环境中捕获的信号，通常是由多路非同源信号相叠加的混合信号。例如，多台录音设备同时接收多名讲话人的声音；在声纳、阵列及通信信号处理中，由于耦合使多路非同源数据相互混叠。

独立成分分析(Independent Component Analysis，ICA)的研究起源于盲源分离，提供了从线性混叠信号中分离出多个非同源原始信号的方法。“盲”的概念是指在信号源特点、数量、传输信道等相关参数均不掌握的前提下，通过对接收端获取的混叠信号进行统计特性分析，就可以还原出各路信号源的过程。从20世纪90年代发展起来的独立成分分析方法是基于信号源在统计学上具备独立性，无需其他先验知识，就可以进行混叠信号分离。

相比累加平均、滤波等传统的信号处理方法，ICA在消除噪声方面表现出较优的性能，并且对其它有效信号的细节基本未产生影响。相对于PCA等信号分离方法，ICA采用了高阶统计特性的分析方法，在部分应用场景中，对高阶统计特性的分析更符合实际。独立成分分析将观测到的多维随机矩阵转换成为尽可能统计独立的向量，它能够从多组混杂的输入信号中分离出彼此独立的源信号，已经广泛应用于盲源分离和特征提取等问题。

FastICA方法又被称为“固定点方法(Fixed-Point)方法”，该方法每一步的迭代运算均有一定数量的样本数据参与，因其采用了批处理的迭代方式，能够对大量数据样本进行快速寻优。FastICA有基于峭度、最大似然和负熵最大化等多种表现形式。

发明内容

本发明的目的是为了在盲源分离和特征提取等问题中，多组混杂输入信号场景中难以提取和分离彼此独立的源信号，导致无法提取水印图像的技术现状，提出了基于FastICA的半脆弱数字水印嵌入及提取方法，首先将载体图像、水印和密钥进行线性叠加，得到混叠图像，然后利用FastICA方法对混叠图像进行信号分离，提取出水印图像。

为了达到上述目的，本发明采取如下技术方案。

所述半脆弱数字水印嵌入及提取方法，包括水印嵌入与水印提取两部分，具体步骤如下：

步骤1、将私人密钥K、水印图像W以及宿主图像进行线性叠加运算，输出混合信号，即嵌入水印后的图像；

其中，私人密钥K、水印图像W以及宿主图像是统计学意义上彼此独立的信号源，宿主图像即目标对象图片I；

嵌入水印后的图像，即线性叠加运算得到的结果，记为X；

线性叠加运算具体通过水印的嵌入模型实现，表达为公式(1)：

X＝I+aK+bW (1)

其中，I为宿主图像，即目标对象图片；K为私人密钥，W为水印图像；a为密钥系数；b为水印系数；

嵌入了水印数据的宿主目标对象图片X，是原始宿主目标对象图片I、水印图像W及密钥K的线性混合，在目标对象图片I的空间域中，包括了原始的水印图像W以及密钥文件K；