基于鲁棒视觉属性的量化水印方法研究
发布时间：2021-10-22 14:33
在当今社会,手机和个人电脑等智能终端的普及在给人们生活提供便利的同时也带来了一系列的问题。一方面,终端上出现的各种图片和视频编辑工具使得针对原始数据的篡改变得更加容易,从而导致一系列的盗版问题;另一方面,随着多媒体数据内容的多样化,针对不同类型的多媒体数据的安全保护和认证变得更加困难。其中,作为数据安全保护、认证的一项重要技术手段,数字水印技术在近十年来得到了迅速的发展,在解决版权保护、票据防伪等安全问题方面发挥了重要的作用。然而,在当前数据爆炸式增长和安全性问题普遍存在环境下,如何保障和提升水印算法的性能一直激励着研究人员不断地前行。作为数字水印技术的两个重要技术指标——鲁棒性和不可见性,二者的矛盾问题限制了算法的进一步应用,因此如何实现两者性能的同时提升一直是鲁棒水印算法设计的核心问题。在传统的解决方案中,基于视觉特性设计的鲁棒水印算法因其在视觉保真度和算法鲁棒性方面取得的成就引起了研究者们的广泛关注。然而在实际的特征设计过程中,很多算法并不能够保证在水印嵌入和检测端的视觉参考特征一致性,因此就会导致水印检测出现性能下降。除此之外,随着对人类视觉系统研究的深入以及视觉计算的发展,出...
【文章来源】：山东师范大学山东省
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文选题的研究背景及意义
1.2 数字水印的研究现状和趋势
1.3 数字水印与人类视觉系统
1.4 STDM水印算法原理
1.5 论文研究内容及贡献
1.6 本文的组织结构
第二章 基于视觉JND感知特性的鲁棒量化水印算法
2.1 基于视觉属性特征的L-STDM算法原理
2.1.1 Watson感知模型
2.1.2 基于感知模型的L-STDM算法
2.2 基于模式复杂度的JND引导的量化水印算法
2.2.1 基于模式复杂度的对比度掩蔽因子
2.2.2 基于模式复杂度的视觉JND模型
2.2.3 基于视觉模型的量化步长和水印处理
2.2.4 实验结果及分析
2.3 基于方向差异性和颜色复杂度的彩色数字水印算法
2.3.1 基于方向差异性的对比度掩蔽
2.3.2 颜色复杂度掩蔽
2.3.3 基于方向差异性及颜色复杂度构建的JND模型
2.3.4 算法实施流程
2.3.5 实验结果及分析
2.4 本章小结
第三章 基于双层视觉显著性模型的鲁棒水印算法
3.1 双层视觉显著性模型
3.1.1 自底向上的显著性特征
3.1.2 自顶向下的显著性特征
3.1.3 融合的视觉显著性模型
3.2 双层视觉显著性模型引导的JND模型
3.3 自适应量化处理及算法实施流程
3.4 实验结果及分析
3.4.1 显著性模型对比
3.4.2 JND模型性能对比
3.4.3 水印算法对比
3.5 本章小结
第四章 基于统计特性差异的彩色屏幕内容图像水印算法
4.1 SCI图像的内容统计特性差异
4.2 基于内容分类的混合JND模型
4.2.1 针对图像内容的对比度掩蔽
4.2.2 针对文本内容的对比度掩蔽
4.3 基于混合JND模型的STDM水印算法
4.4 实验结果及分析
4.4.1 水印图像视觉质量对比
4.4.2 鲁棒性评估
4.5 本章小结
第五章 基于深度卷积神经网络模型的水印设计
5.1 相关工作
5.2 提出的网络结构及损失函数
5.2.1 残差卷积神经网络
5.2.2 损失函数
5.2.3 模型结构
5.3 基于损失函数驱动的深度水印处理
5.3.1 水印嵌入
5.3.2 攻击处理
5.3.3 水印检测
5.4 实验结果分析
5.4.1 实验设置
5.4.2 实验结果与分析
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
攻读硕士学位期间的主要成果
致谢
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
博士论文
[1]融合鲁棒视觉特性的量化水印算法[D]. 万文博.山东大学 2015
[2]抵抗去同步攻击的鲁棒水印技术研究[D]. 田华伟.北京交通大学 2013
本文编号：3451298
【文章来源】：山东师范大学山东省
【文章页数】：98 页
【学位级别】：硕士
【文章目录】：
摘要
Abstract
第一章 绪论
1.1 论文选题的研究背景及意义
1.2 数字水印的研究现状和趋势
1.3 数字水印与人类视觉系统
1.4 STDM水印算法原理
1.5 论文研究内容及贡献
1.6 本文的组织结构
第二章 基于视觉JND感知特性的鲁棒量化水印算法
2.1 基于视觉属性特征的L-STDM算法原理
2.1.1 Watson感知模型
2.1.2 基于感知模型的L-STDM算法
2.2 基于模式复杂度的JND引导的量化水印算法
2.2.1 基于模式复杂度的对比度掩蔽因子
2.2.2 基于模式复杂度的视觉JND模型
2.2.3 基于视觉模型的量化步长和水印处理
2.2.4 实验结果及分析
2.3 基于方向差异性和颜色复杂度的彩色数字水印算法
2.3.1 基于方向差异性的对比度掩蔽
2.3.2 颜色复杂度掩蔽
2.3.3 基于方向差异性及颜色复杂度构建的JND模型
2.3.4 算法实施流程
2.3.5 实验结果及分析
2.4 本章小结
第三章 基于双层视觉显著性模型的鲁棒水印算法
3.1 双层视觉显著性模型
3.1.1 自底向上的显著性特征
3.1.2 自顶向下的显著性特征
3.1.3 融合的视觉显著性模型
3.2 双层视觉显著性模型引导的JND模型
3.3 自适应量化处理及算法实施流程
3.4 实验结果及分析
3.4.1 显著性模型对比
3.4.2 JND模型性能对比
3.4.3 水印算法对比
3.5 本章小结
第四章 基于统计特性差异的彩色屏幕内容图像水印算法
4.1 SCI图像的内容统计特性差异
4.2 基于内容分类的混合JND模型
4.2.1 针对图像内容的对比度掩蔽
4.2.2 针对文本内容的对比度掩蔽
4.3 基于混合JND模型的STDM水印算法
4.4 实验结果及分析
4.4.1 水印图像视觉质量对比
4.4.2 鲁棒性评估
4.5 本章小结
第五章 基于深度卷积神经网络模型的水印设计
5.1 相关工作
5.2 提出的网络结构及损失函数
5.2.1 残差卷积神经网络
5.2.2 损失函数
5.2.3 模型结构
5.3 基于损失函数驱动的深度水印处理
5.3.1 水印嵌入
5.3.2 攻击处理
5.3.3 水印检测
5.4 实验结果分析
5.4.1 实验设置
5.4.2 实验结果与分析
5.5 本章小结
第六章 总结与展望
6.1 全文总结
6.2 未来工作展望
参考文献
攻读硕士学位期间的主要成果
致谢
【参考文献】：
期刊论文
[1]卷积神经网络研究综述[J]. 周飞燕,金林鹏,董军. 计算机学报. 2017(06)
博士论文
[1]融合鲁棒视觉特性的量化水印算法[D]. 万文博.山东大学 2015
[2]抵抗去同步攻击的鲁棒水印技术研究[D]. 田华伟.北京交通大学 2013
本文编号：3451298
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3451298.html
