摘要
在变换域进行嵌入水印有更好的鲁棒性。目前相关实现代码大多基于Matlab，本文使用Python简单进行了DCT域的水印嵌入。主要进行了嵌入与提取工作，暂未加入攻击与指标计算。(已更新，下文贴出完整版Link)
介绍
DCT(离散余弦变换，Discrete Cosine Transform)变换与傅里叶变换类似，可以理解为DFT（傅里叶变换）的限定版【进行DFT变换时，输入的信号只有实信号，变换就退化成了DCT变换】[知乎有别人的解释]。进行DCT变换，将会把信号的大多数能量集中于频域的一个小范围内，即低频。纹理信息一般集中在高频，而低频包含又较多平滑的信息。因此选择DCT的中频系数进行嵌入是最好的选择。
人眼对平滑区域的变化较中高频的纹理信息更敏感，选择中频系数嵌入是最合适的。
方法
1. 步骤
- 设置超参数：
水印添加强度、分块大小blocksize等等
- 数据预处理：Watermark、Background
- 初始化DCT算法
- 对Background进行分块与DCT变换
- 嵌入水印图像
- 将图像从频域转换为空域
- 提取水印
- 可视化观察现象
2. 代码
喜欢的东西都在码里，可以不用本地配置环境，使用百度的飞浆平台进行在线运行。
开源这个代码不求赞，只求你们可以注册帮我拿点算力，或者fork一下项目，我真的很需要算力，所以希望我劝各位年轻人，要讲武德，耗子尾汁，不要白嫖。好卑微的博主呜呜呜。下面第一个Link给的算力多，注册之后点第二个link可以在线运行
百度飞浆邀请注册地址
# =========================
# -*- coding:utf-8 -*-
# @author: JFZ
# @version: 1.0
# @time: 2022-05-29-20-23
# =========================
import cv2
import numpy as np
import matplotlib.pyplot as plt
# 主要参考https://blog.csdn.net/WilsonSong1024/article/details/80318006、https://github.com/lfreya/Watermark-embed-and-extract进行实现
class DCT_Embed(object):
def __init__(self, background, watermark, block_size=8, alpha=30):
b_h, b_w = background.shape[:2]
w_h, w_w = watermark.shape[:2]
assert w_h <= b_h / block_size and w_w <= b_w / block_size, \
"\r\n请确保您的的水印图像尺寸 不大于 背景图像尺寸的1/{:}\r\nbackground尺寸{:}\r\nwatermark尺寸{:}".format(
block_size, background.shape, watermark.shape
)
# 保存参数
self.block_size = block_size
# 水印强度控制
self.alpha = alpha
# 随机的序列
self.k1 = np.random.randn(block_size)
self.k2 = np.random.randn(block_size)
def dct_blkproc(self, background):
"""
对background进行分块，然后进行dct变换，得到dct变换后的矩阵
:param image: 输入图像
:param split_w: 分割的每个patch的w
:param split_h: 分割的每个patch的h
:return: 经dct变换的分块矩阵、原始的分块矩阵
"""
background_dct_blocks_h = background.shape[0] // self.block_size # 高度
background_dct_blocks_w = background.shape[1] // self.block_size # 宽度
background_dct_blocks = np.zeros(shape=(
(background_dct_blocks_h, background_dct_blocks_w, self.block_size, self.block_size)
)) # 前2个维度用来遍历所有block，后2个维度用来存储每个block的DCT变换的值
# 实现参照https://www.cnblogs.com/gxgl314/p/9287628.html
h_data = np.vsplit(background, background_dct_blocks_h) # 垂直方向分成background_dct_blocks_h个块
for h in range(background_dct_blocks_h):
block_data = np.hsplit(h_data[h], background_dct_blocks_w) # 水平方向分成background_dct_blocks_w个块
for w in range(background_dct_blocks_w):
a_block = block_data[w]
background_dct_blocks[h, w, ...] = cv2.dct(a_block.astype(np.float64)) # dct变换
return background_dct_blocks
def dct_embed(self, dct_data, watermark):
"""
将水印嵌入到载体的dct系数中
:param dct_data: 背景图像（载体）的DCT系数
:param watermark: 归一化二值图像0-1 (uint8类型)
:return: 空域图像
"""
temp = watermark.flatten()
assert temp.max() == 1 and temp.min() == 0, "为方便处理，请保证输入的watermark是被二值归一化的"
result = dct_data.copy()
for h in range(watermark.shape[0]):
for w in range(watermark.shape[1]):
k = self.k1 if watermark[h, w] == 1 else self.k2
# 查询块(h,w)并遍历对应块的中频系数（主对角线），进行修改
for i in range(self.block_size):
result[h, w, i, self.block_size - 1] = dct_data[h, w, i, self.block_size - 1] + self.alpha * k[i]
return result
def idct_embed(self, dct_data):
"""
进行对dct矩阵进行idct变换，完成从频域到空域的变换
:param dct_data: 频域数据
:return: 空域数据
"""
row = None
result = None
h, w = dct_data.shape[0], dct_data.shape[1]
for i in range(h):
for j in range(w):
block = cv2.idct(dct_data[i, j, ...])
row = block if j == 0 else np.hstack((row, block))
result = row if i == 0 else np.vstack((result, row))
return result.astype(np.uint8)
def dct_extract(self, synthesis, watermark_size):
"""
从嵌入水印的图像中提取水印
:param synthesis: 嵌入水印的空域图像
:param watermark_size: 水印大小
:return: 提取的空域水印
"""
w_h, w_w = watermark_size
recover_watermark = np.zeros(shape=watermark_size)
synthesis_dct_blocks = self.dct_blkproc(background=synthesis)
p = np.zeros(8)
for h in range(w_h):
for w in range(w_w):
for k in range(self.block_size):
p[k] = synthesis_dct_blocks[h, w, k, self.block_size - 1]
if corr2(p, self.k1) > corr2(p, self.k2):
recover_watermark[h, w] = 1
else:
recover_watermark[h, w] = 0
return recover_watermark
# https://www.cnpython.com/qa/183113
def mean2(x):
y = np.sum(x) / np.size(x);
return y
def corr2(a, b):
"""
相关性判断
"""
a = a - mean2(a)
b = b - mean2(b)
r = (a * b).sum() / np.sqrt((a * a).sum() * (b * b).sum())
return r
if __name__ == '__main__':
root = ".."
# 0. 超参数设置
alpha = 100 # 尺度控制因子，控制水印添加强度，决定频域系数被修改的幅度
blocksize = 8 # 分块大小
# 1. 数据读取
# watermak
watermark = cv2.imread(r"{}/datasets/watermark/swjtu_64x64.png".format(root), cv2.IMREAD_GRAYSCALE)
watermark = np.where(watermark < np.mean(watermark), 0, 1) # watermark进行(归一化的)二值化
background = cv2.imread(r"{}/datasets/background/lena_color.png".format(root))
background = cv2.cvtColor(background, cv2.COLOR_BGR2RGB)
background_backup = background.copy()
yuv_background = cv2.cvtColor(background, cv2.COLOR_RGB2YUV) # 将RBG格式的背景转为YUV格式，Y为灰度层，U\V为色彩层，此处选择U层进行嵌入
Y, U, V = yuv_background[..., 0], yuv_background[..., 1], yuv_background[..., 2]
bk = U # 嵌入对象为bk
# 2. 初始化DCT算法
dct_emb = DCT_Embed(background=bk, watermark=watermark, block_size=blocksize, alpha=alpha)
# 3. 进行分块与DCT变换
background_dct_blocks = dct_emb.dct_blkproc(background=bk) # 得到分块的DCTblocks
# 4. 嵌入水印图像
embed_watermak_blocks = dct_emb.dct_embed(dct_data=background_dct_blocks, watermark=watermark) # 在dct块中嵌入水印图像
# 5. 将图像转换为空域形式
synthesis = dct_emb.idct_embed(dct_data=embed_watermak_blocks) # idct变换得到空域图像
yuv_background[..., 1] = synthesis
rbg_synthesis = cv2.cvtColor(yuv_background, cv2.COLOR_YUV2RGB)
# 6. 提取水印
extract_watermark = dct_emb.dct_extract(synthesis=synthesis, watermark_size=watermark.shape) * 255
extract_watermark.astype(np.uint8)
# 7. 可视化处理
images = [background_backup, watermark, rbg_synthesis, extract_watermark]
titles = ["background", "watermark", "systhesis", "extract"]
for i in range(4):
plt.subplot(2, 2, i + 1)
if i%2:
plt.imshow(images[i],cmap=plt.cm.gray)
else:
plt.imshow(images[i])
plt.title(titles[i])
plt.axis("off")
plt.show()
3. 实验现象
水印嵌入相关Link
LSB水印嵌入与提取-灰度图像
LSB水印嵌入与提取-彩色图像
DCT水印嵌入与提取_Python Version with Attack
更新内容-加入攻击以及指标计算
DCT水印嵌入与提取_Python Version with Attack
参考资料
文章出处登录后可见！
已经登录？立即刷新
