نشانهگذاری نیمهکور تصاویر با استفاده از SVD در حوزه تبدیل موجک گسسته
محورهای موضوعی : عمومىمرتضی مخلوقی 1 , حبیب الله دانیالی 2 , فردین اخلاقیان 3
1 - دانشگاه کردستان
2 - دانشگاه صنعتی شیراز
3 - دانشگاه کردستان
کلید واژه: تبدیل موجک گسسته, مقادیر منحصر به فرد تجزیه, نشانه-گذاری تصویر, نشانه¬گذاری نیمه¬کور,
چکیده مقاله :
با پیشرفت سریع تکنولوژی ارتباطات و گسترش اینترنت و افزایش چشمگیر جعل و کپی غیر مجاز داده ها، روز به روز بر ارزش نشانه گذاری افزوده می شود. در این مقاله یک روش جدید نیمه کور نشانه گذاری با استفاده از تبدیل مقدار منحصر به فرد تجزیه (Singular Value Decomposition) در حوزه تبدیل موجک گسسته برای حفاظت از حق مالکیت ارائه شده است. در روش پیشنهادی ابتدا به تصویر اصلی K مرحله تبدیل موجک گسسته اعمال می شود پایین ترین زیر باند فرکانسی آن به عنوان تصویر مرجع انتخاب می گردد. سپس با اعمال یک مرحله تبدیل موجک گسسته به تصویر مرجع و تصویر نشانه، مقادیر منحصربه فرد تجزیه زیر باندهای فرکانسی تصویر تبدیل یافته نشانه در مقادیر منحصربه فرد تجزیه زیر باند های متناظر تصویر تبدیل یافته مرجع تعبیه می-شود. از آنجا که در این روش برای بازیابی نشانه به تصویر مرجع نیاز می باشد و نیازی به تصویر اصلی نیست لذا یک روش نیمه کور Sem-Blind)) نامیده میشود. مقاومت روش پیشنهادی در برابر هجومهای مختلف مورد بررسی قرار گرفت. نتایج حاصله نشان می دهد که روش پیشنهادی در برابر هجومهای مختلف بسیار مقاوم تر از کارهای مشابه بوده و درعین حال تصویر نشانه گذاری شده از شفافیت بیشتری برخوردار است.
With the rapid development of communication technology and the expansion of the Internet and the significant increase in forgery and unauthorized copying of data, the value of marking is increasing day by day. In this paper, a new semi-blind marking method using singular value decomposition (Singular Value Decomposition) in the domain of discrete wavelet transform is presented to protect property rights. In the proposed method, first the discrete wavelet transform step is applied to the original image K and its lowest frequency subband is selected as the reference image. Then, by applying a discrete wavelet transformation step to the reference image and the reference image, the unique values of the frequency sub-bands of the converted signal image are embedded in the unique values of the corresponding sub-bands of the reference transformed image. Since in this method, a reference image is needed to recover the sign, and the original image is not needed, therefore it is called a Semi-Blind method. The resistance of the proposed method against different attacks was investigated. The results show that the proposed method is much more resistant to various attacks than similar works, and at the same time, the marked image is more transparent.
[1] A.G. Bors and I. Pitas, “Image watermarking using DCT domain constraints,” Proceeding of IEEE International Conference on Image Processing, vol. 3, pp. 231–234,1996.
[2] R.G.V. Schyndle, A.Z. Tirkel and C.F. Osbrone,” A digital watermark,” Proceedings of IEEE International Conference on Image Processing, vol. 2, pp. 86–90, 1994.
[3] M. S. Raval, P. P. Rege, Discrete wavelet transform based multiple watermarking scheme, Conference on Convergent Technologies for Asia-Pacific Region, vol. 3, 2003, pp. 935 – 938.
[4] W. H. Lin, Y. R. Wang, S. J. Horng, A wavelet-tree-based watermarking method using distance vector of binary cluster, Expert Systems with Applications 36(2009), 9869–9878.
[5] R. Liu and T. Tan, “A SVD-based watermarking Scheme for protecting rightful ownership” IEEE Transactions on Multimedia, Vol. 4, No. 1, pp. 121-128, March 2002.
[6] Q. Li, C.Yuan and Y.Z. Zong, “Adaptive DWT-SVD domain image watermarking using human visual model,” ICACT-2007, pp. 1947–1951, 2001.
[7] E. Ganic, A. M. Eskicioglu, Robust DWT-SVD domain image watermarking: embedding data in all frequencies, ACM Multimedia and Security Workshop 2004, Magdeburg, Germany, 2004, pp. 20-21.
[8] A. Sverdlov, S. Dexter, A. M. Eskicioglu, “Robust DCT-SVD domain image watermarking for copyright protection: embedding data in all frequencies”, 2005.
[9] G. Bhatnagar, B. Raman, “A new robust reference watermarking scheme based on DWT-SVD” Computer Standards & Interfaces, Vol. 31, pp. 1002–1013, 2009.
[10] G.H. Golub, W. Kahan, “Calculating the singular values and pseudo-inverse of a matrix” Journal of the Society for Industrial and Applied Mathematics: Series B, Numerical Analysis Vol. 2, No. 2, pp. 205–224, 1965.
[11] E. Ganic and A. M. Eskicioglu, “Robust embedding of visual watermarks using DWT-SVD” Journal of Electronic Imaging, Vol. 14, No. 4, 2005.
[12] P. Bao and Ma. Xiaohu, “Image adaptive watermarking using wavelet domain singular value decomposition” IEEE Transactions on Circuits and Systems for Video Technology, Vol. 15, No. 1, pp. 96-102, 2005.
[13] K. Konstantinides, G. S. Yovanof, “Improved compression performance using SVD-based filters for still images,” SPIE Proceedings, Vol. 2418, San Jose, CA, February 7-8, pp. 100-106, 1995.
[14] K. Konstantinides, B. Natarajan and G. S. Yovanof, “Noise Estimation and Filtering Using Block-Based Singular Value Decomposition” IEEE Transactions on Image Processing, pp. 479-483, 1997.