一种面向纺织品图像版权保护的鲁棒数字水印方法

1.本发明涉及水印技术领域，具体而言，尤其涉及一种面向纺织品图像版权保护的鲁棒数字水印方法。


背景技术：

2.随着个性化纺织品图像需求的增加，纺织品图像的侵权、篡改和非法复制更加普遍，开发便捷有效的纺织品图像版权保护方法迫在眉睫。数字水印技术用于数字媒体版权保护的解决手段之一，已取得了大量的成果，但对印刷再复制图像的版权保护研究刚开始起步，纺织品图像数字水印技术面临的最大挑战是水印鲁棒性问题。
3.图像数字水印技术已应用于各种行业，例如服装纺织、陶瓷、艺术品、医学图像、新型材料等领域，以保护知识产权和版权，并防止盗版、篡改或复制等不当行为。近些年，随着个性化纺织品图像需求的增加，纺织品图像的侵权、篡改和非法复制更加普遍，基于数字水印技术开发便捷有效的纺织品图像版权保护方法，将有助于保护知识产权和品牌声誉，防止假冒伪劣产品的出现，并提高消费者对纺织品质量和安全的认知和保护意识。同时，数字水印技术还可以用于纺织品的溯源和追踪，从而提高供应链的透明度和效率。然而，由于纺织品图像通常具有纹理和颜色变化等复杂特征，在嵌入数字水印时需要考虑到这些特征可能带来的干扰和失真问题。同时，纺织品图像在使用过程中也可能受到拉伸、变形等因素的影响，这也会进一步降低数字水印的鲁棒性。因此，研究具有高透明性、高鲁棒性及低计算复杂度的纺织图像鲁棒数字水印技术，具有重要的研究意义和实用价值。


技术实现要素：

4.根据上述提出的技术问题，提供一种面向纺织品图像版权保护的鲁棒数字水印方法。本发明以个性化纺织品图像制作方式热转印技术为应用背景，进行了一系列测试，结果表明，本发明方法水印透明性高，提取的水印归一化相关系数ps-nc均值为0.94，误比特率ps-ber均值为0.18，最终分类准确率可达92.29％，能够有效抵抗热转印-扫描过程，水印提取快速有效。
5.本发明采用的技术手段如下：
6.一种面向纺织品图像版权保护的鲁棒数字水印方法，包括：
7.基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类；
8.利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取；
9.分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道。
10.进一步地，所述基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类，包括：
11.计算第一阶颜色矩ei和第二阶颜色矩σi，计算公式如下：
[0012][0013][0014]
其中，p
ij
表示在彩色图像的第i个色度通道分量中存在灰度级为j的像素的概率，n表示图像中的像素数量；
[0015]
为了实现图像色调的分类，进行偏色检测，将原彩色图像集分为色调明显和色调不明显两类。
[0016]
进一步地，所述为了实现图像色调的分类，进行偏色检测，将原彩色图像集分为色调明显和色调不明显两类，包括：
[0017]
通过利用cie lab色彩空间和等效圆来进行偏色检测，初步检测出是否偏红、绿、蓝、黄四种色调；
[0018]
如果图像不偏色，则表示图像的色调不明显；如果图像偏色，则表示图像的色调明显且可初步检测出是否偏红、绿、蓝、黄四种色调；
[0019]
根据cie lab色彩空间的a*通道的颜色矩cma的最值，将色调明显的图像分为七类，其中，中性灰的图像根据定义进行分类，即r：g：b＝1：1：1；
[0020]
引入等效圆的概念，采用图像平均色度d和色度中心距m的之比，即偏色因子k来衡量图像的偏色程度，计算过程如下：
[0021][0022][0023][0024][0025][0026]
其中，m、n分别为图像的宽和高，以像素为单位，在a*－b*色度平面上，等效圆的中心坐标为(da,db)，半径为m；等效圆的中心到a*－b*色度平面中性轴原点为(a＝0,b＝0)的距离d，并由等效圆在a*－b*色度平面上的具体位置，来判断图像整体的偏色；da》0，偏红，否则偏绿；db》0，偏黄，否则偏蓝；引入偏色因子k，k值越大，偏色越严重。
[0027]
进一步地，所述利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取，包括：
[0028]
根据等效圆在a*－b*色度平面的具体位置来判断图像整体的偏色；
[0029]
使用权重系数w建立hsv和cie lab色彩空间的混合色度通道，并对具有高相关性
的颜色分量进行融合，以获得混合色度通道的颜色矩，如下所示：
[0030]
cm
as
＝w
×
cma+w
×
cms[0031]mbh
＝w
×
cmb+w
×
cmh[0032]
其中，cm
as
和cm
bh
表示混合色度通道的颜色矩，cma、cmb、cmh和cms表示四个单通道颜色矩。
[0033]
进一步地，所述分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道，包括：
[0034]
将原始图像分为训练图像和测试图像；
[0035]
对于训练图像，首先获得cie lab和hsv颜色空间中关于图像色调和饱和度的单色度通道和混合色度通道的颜色矩cma、cmb、cmh、cms、cm
as
和cm
bh
；然后，将这些颜色矩和cie lab颜色空间的a*或b*通道中具有更强的鲁棒性的色度通道输入到libsvm中进行训练；
[0036]
使用测试图像进行测试，将测试图像的六个颜色矩输入到建立的libsvm训练模型中，可以自适应地输出a*或b*色度通道中具有最佳鲁棒性的水印嵌入通道。
[0037]
进一步地，使用libsvm分类器对纺织品图像进行训练的具体步骤，包括：
[0038]
根据libsvm的要求，将数据集归一化为[0,1]；
[0039]
选择c-svc和rbf核函数，并确定libsvm惩罚因子c和核函数参数g的最优参数；
[0040]
使用训练模型对测试图像进行训练，得到分类结果。
[0041]
进一步地，所述使用训练模型对测试图像进行训练，得到分类结果，包括：
[0042]
设置a*色度通道类别为1，b*色度通道类别为2；
[0043]
对训练图像进行排序可以帮助模型更好地理解图像之间的相似性和差异性，从而更准确地对测试图像进行分类；
[0044]
根据一定的规则对训练图像进行排序：首先，根据色调的类别对图像进行排序；然后根据通道类型对图像进行排序；最后，根据cma的值对图像进行排序；
[0045]
对图像进行排序后，输入图像的颜色矩cma、cmb、cmh、cms、cm
as
和cm
bh
进行训练，生成训练模型；
[0046]
最后，向训练模型中输入测试图像，自适应地输出具有最佳鲁棒性的水印嵌入通道。
[0047]
较现有技术相比，本发明具有以下优点：
[0048]
1、本发明针对纺织图像提出了一种基于色调分类的鲁棒数字水印方法，可以自适应选择嵌入水印的色度通道以提高水印方法的鲁棒性，提出的自适应嵌入色度通道的水印方法可以有效且稳定地提高水印方法的鲁棒性。
[0049]
2、利用本发明提供的面向纺织品图像版权保护的鲁棒数字水印方法，纺织品图像水印鲁棒性得到了显著提升，提取的水印图像与原水印图像的ps-nc值都在0.9以上，均值为0.94；ber值小于0.3，均值为0.18；ps-nc值最多可以从0.45提高到0.86，ps-ber最多可以从0.85降低到0.29；libsvm分类器准确率可达92.29％。
[0050]
基于上述理由本发明可在水印等领域广泛推广。
附图说明
[0051]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图做以简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0052]
图1为本发明方法框架图。
[0053]
图2为本发明实施例提供的色调分类测试图像。
[0054]
图3为本发明实施例提供的约束条件下cma、cmb、cmh和cms的相关性图像。
[0055]
图4为本发明libsvm训练和测试的流程图。
[0056]
图5为本发明原始图像和水印图像。
[0057]
图6为本发明原始图像与热转移印刷-扫描后的纺织水印图像的ps-psnr和ps-ssim。
[0058]
图7为本发明原始水印图像与从纺织水印图像提取的水印图像的ps-nc和ps-ber。
[0059]
图8为本发明svc参数选择等高线图。
具体实施方式
[0060]
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本发明。
[0061]
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。以下对至少一个示例性实施例的描述实际上仅仅是说明性的，决不作为对本发明及其应用或使用的任何限制。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0062]
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0063]
除非另外具体说明，否则在这些实施例中阐述的部件和步骤的相对布置、数字表达式和数值不限制本发明的范围。同时，应当清楚，为了便于描述，附图中所示出的各个部分的尺寸并不是按照实际的比例关系绘制的。对于相关领域普通技术人员己知的技术、方法和设备可能不作详细讨论，但在适当情况下，所述技术、方法和设备应当被视为授权说明书的一部分。在这里示出和讨论的所有示例中，任向具体值应被解释为仅仅是示例性的，而不是作为限制。因此，示例性实施例的其它示例可以具有不同的值。应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步讨论。
[0064]
在本发明的描述中，需要理解的是，方位词如“前、后、上、下、左、右”、“横向、竖向、垂直、水平”和“顶、底”等所指示的方位或位置关系通常是基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，在未作相反说明的情况下，这些方位词并不指示
和暗示所指的装置或元件必须具有特定的方位或者以特定的方位构造和操作，因此不能理解为对本发明保护范围的限制：方位词“内、外”是指相对于各部件本身的轮廓的内外。
[0065]
为了便于描述，在这里可以使用空间相对术语，如“在
……
之上”、“在
……
上方”、“在
……
上表面”、“上面的”等，用来描述如在图中所示的一个器件或特征与其他器件或特征的空间位置关系。应当理解的是，空间相对术语旨在包含除了器件在图中所描述的方位之外的在使用或操作中的不同方位。例如，如果附图中的器件被倒置，则描述为“在其他器件或构造上方”或“在其他器件或构造之上”的器件之后将被定位为“在其他器件或构造下方”或“在其位器件或构造之下”。因而，示例性术语“在
……
上方”可以包括“在
……
上方”和“在
……
下方”两种方位。该器件也可以其他不同方式定位(旋转90度或处于其他方位)，并且对这里所使用的空间相对描述作出相应解释。
[0066]
此外，需要说明的是，使用“第一”、“第二”等词语来限定零部件，仅仅是为了便于对相应零部件进行区别，如没有另行声明，上述词语并没有特殊含义，因此不能理解为对本发明保护范围的限制。
[0067]
如图1所示，本发明提供了一种面向纺织品图像版权保护的鲁棒数字水印方法，包括：
[0068]
s1、基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类；
[0069]
s2、利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取；
[0070]
s3、分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道。
[0071]
颜色矩是一种常用的颜色特征提取方法，它可以从图像中提取出与颜色相关的特征向量。颜色矩不需要对颜色空间进行量化，而是直接对图像颜色进行数学运算。相对于其他颜色特征提取方法，颜色矩的计算量相对较小，并且特征向量的维数也较低。颜色矩可以计算出图像中颜色的三个基本统计特征：一阶颜色矩对应平均值，可以用来描述图像的明暗程度，而二阶颜色矩对应方差，可以用来描述颜色的分布情况。三阶颜色矩力矩是偏度，表示颜色分布的对称性。通过这些统计特征，可以有效地描述颜色分布的形态和分布情况。在本实施例中，只需要使用一阶和二阶颜色矩来提取关于色调和饱和度的颜色信息。通过对这些颜色特征的提取和分析，可以对图像进行色彩分类、检索和识别等任务。即：
[0072]
具体实施时，作为本发明优选的实施方式，所述步骤s1中，基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类，包括：
[0073]
计算第一阶颜色矩ei和第二阶颜色矩σi，计算公式如下：
[0074][0075]
[0076]
其中，p
ij
表示在彩色图像的第i个色度通道分量中存在灰度级为j的像素的概率，n表示图像中的像素数量；
[0077]
为了实现图像色调的分类，进行偏色检测，将原彩色图像集分为色调明显和色调不明显两类。具体包括：
[0078]
通过利用cie lab色彩空间和等效圆来进行偏色检测，初步检测出是否偏红、绿、蓝、黄四种色调；
[0079]
如果图像不偏色，则表示图像的色调不明显；如果图像偏色，则表示图像的色调明显且可初步检测出是否偏红、绿、蓝、黄四种色调；
[0080]
根据cie lab色彩空间的a*通道的颜色矩cma的最值，将色调明显的图像分为七类，其中，中性灰的图像根据定义进行分类，即r：g：b＝1：1：1；
[0081]
图像的偏色程度不仅与图像色度的平均值有关，还与图像的色度分布特性密切相关。若在a*-b*色度坐标平面上的二维直方图中，色度分布主要集中在一个峰值附近，或分布较为集中，同时色度平均值较大，往往会出现偏色现象，且色度平均值越大，偏色现象越明显。因此，引入等效圆的概念，采用图像平均色度d和色度中心距m的之比，即偏色因子k来衡量图像的偏色程度，计算过程如下：
[0082][0083][0084][0085][0086][0087]
其中，m、n分别为图像的宽和高，以像素为单位，在a*－b*色度平面上，等效圆的中心坐标为(da,db)，半径为m；等效圆的中心到a*－b*色度平面中性轴原点为(a＝0,b＝0)的距离d，并由等效圆在a*－b*色度平面上的具体位置，来判断图像整体的偏色；da》0，偏红，否则偏绿；db》0，偏黄，否则偏蓝；引入偏色因子k，k值越大，偏色越严重。
[0088]
确定原彩色图像偏色后，应先确定色调明显的图像的具体某一色调的分类。颜色矩是一种简单有效的提取颜色特征的表示方法。只提取与色调相关性大的特征，因此使用一阶颜色矩和二阶颜色矩。色调的分类首先遵循主观原则，然后根据cie lab色彩空间的a*通道的颜色矩cma的最值进行分类。各色调下cma的最值如表1所示。min-cma代表cma的最小值，max-cma代表cma的最大值。
[0089]
表1 cma的最值和色调分类
[0090][0091]
具体实施时，作为本发明优选的实施方式，在所述步骤s2中，利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取，包括：
[0092]
根据等效圆在a*－b*色度平面的具体位置来判断图像整体的偏色；测试图像是未通过印刷和扫描的原彩色图像，如图2所示。图2(a)的da》0，db》0且da》db，图像整体偏红，和主观评测是一致的。图2(b)的da《0，db》0且|da|《db，图像整体偏黄，和主观评测是一致的。图2(c)的da》0，db《0且da《|db|，图像整体偏蓝，和主观评测是一致的。图2(d)的da《0，db》0且|da|《db，图像整体偏绿，图像色调明显和主观评测是一致的。图2(e)的da《0，db《0且|da|》|db|，偏色因子k＝0.24，图像整体是偏色的，而图2(e)的cma为94.68，根据表1确定为青色调，和主观评测一致。图2(f)的da》0，db《0且|da|《db，偏色因子k＝0.26，所以图像整体是偏色的，而图2(f)的cma为150.77，根据表1确定为紫色调，和主观评测一致。
[0093]
颜色矩的一阶矩是均值，表示明暗；二阶矩是方差，表示颜色分布。实验中仅使用了颜色矩的一阶矩和二阶矩用来表示图像色调的特征。颜色矩存在低次矩分辨能力较弱的问题。所以将hsv和cie lab两个色彩空间中具有相同属性的颜色分量进行独立融合，加强其分类能力。即独立hsv和cie lab色彩空间中代表亮度的v和l通道，建立与图像的彩色信息有关的h、s、a*和b*的混合色度通道。
[0094]
因此，使用权重系数w建立hsv和cie lab色彩空间的混合色度通道，并对具有高相关性的颜色分量进行融合，以获得混合色度通道的颜色矩，如下所示：
[0095]
cm
as
＝w
×
cma+w
×
cms[0096]mbh
＝w
×
cmb+w
×
cmh[0097]
其中，cm
as
和cm
bh
表示混合色度通道的颜色矩，cma、cmb、cmh和cms表示四个单通道颜色矩。图3是在图像色调和嵌入通道两个约束条件下的四个单通道颜色矩，cma、cmb、cmh和cms的散点图，发现cma和cms的散点更聚集，也就是cma和cms的相关性更高，cmb和cmh相关性更高。采取权重系数w用于建立混合色度通道的颜色矩，即cm
as
和cm
bh
，经过实验，w取0.5。
[0098]
在本实施例中，水印方法的总体框架如图1所示，由训练和测试两部分组成；其中：
[0099]
训练部分主要是水印处理和libsvm模型的建立。训练部分的水印处理分为水印嵌入和水印提取两个部分。首先，将在rgb色彩空间的原始图像转换到cie lab色彩空间和hsv色彩空间；然后，将二值水印图像嵌入到a*和b*色度通道中，得到嵌入水印的数字图像；最后，进行热转移印刷-扫描和校正，得到纺织水印图像后。水印提取时分别计算出nca和ncb；nca和ncb是分别从a*和b*色度通道中提取出的水印信息与原始水印图像的nc值。训练部分的libsvm模型的建立需要计算原始图像的cie lab和hsv色彩空间中四个色度通道(a*、b*、h和s)的颜色矩。四个颜色矩分别记作cma、cmb、cmh和cms。分析cma、cmb、cmh、cms和nca、ncb的相关性，采取权重系数建立两个色彩空间的混合色度通道的颜色矩。然后将单通道的颜色矩(cma、cmb、cmh和cms)和混合色度通道颜色矩输入到libsvm分类器中进行训练，输出具有
更好鲁棒性的嵌入水印通道。
[0100]
测试部分需要将测试图像输入到建立好的libsvm训练模型中，即可输出a*、b*色度通道中鲁棒性最好的水印嵌入通道。
[0101]
具体实施时，作为本发明优选的实施方式，在所述步骤s3中，分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道，包括：
[0102]
将原始图像分为训练图像和测试图像；
[0103]
对于训练图像，首先获得cie lab和hsv颜色空间中关于图像色调和饱和度的单色度通道和混合色度通道的颜色矩cma、cmb、cmh、cms、cm
as
和cm
bh
；然后，将这些颜色矩和cie lab颜色空间的a*或b*通道中具有更强的鲁棒性的色度通道输入到libsvm中进行训练；
[0104]
使用测试图像进行测试，将测试图像的六个颜色矩输入到建立的libsvm训练模型中，可以自适应地输出a*或b*色度通道中具有最佳鲁棒性的水印嵌入通道。libsvm训练和测试的流程图如图4所示，包括：
[0105]
根据libsvm的要求，将数据集归一化为[0,1]；
[0106]
选择c-svc和rbf核函数，并确定libsvm惩罚因子c和核函数参数g的最优参数；
[0107]
使用训练模型对测试图像进行训练，得到分类结果，包括：
[0108]
设置a*色度通道类别为1，b*色度通道类别为2；
[0109]
对训练图像进行排序可以帮助模型更好地理解图像之间的相似性和差异性，从而更准确地对测试图像进行分类；
[0110]
根据一定的规则对训练图像进行排序：首先，根据色调的类别对图像进行排序；然后根据通道类型对图像进行排序；最后，根据cma的值对图像进行排序
[0111]
对图像进行排序后，输入图像的颜色矩cma、cmb、cmh、cms、cm
as
和cm
bh
进行训练，生成训练模型；
[0112]
最后，向训练模型中输入测试图像，自适应地输出具有最佳鲁棒性的水印嵌入通道。
[0113]
实施例
[0114]
本实施例是在具有amd ryzen 7 5800h cpu和16gb ram的pc上通过matlab r2017a和stirmark benchmark 4.0得到的结果。选择1176张图像在12种纺织品布料上进行训练，其中，中性灰、紫、红、绿、蓝、青、紫7种色调的图像各168张图像。504张数字图像用于测试，其中，各色调的图像各72张图像。用于训练和测试的原始彩色数字图像的大小为1024x1024像素，分辨率300dpi，tif格式；二进制水印图像为128x128像素大小，分辨率300dpi，bmp格式。原始图像和水印图像如图5所示。
[0115]
纺织图像水印透明性结果分析：
[0116]
ps-psnr和ps-ssim表示热转移印刷-扫描后的纺织水印图像与原始图像的psnr和ssim。在热转移印刷-扫描和校正之后，纺织水印图像的ps-psnr和ps-ssim如图6所示。对于测试的504张图像，a*和b*两个色度通道的ps-psnr比较相近，ps-ssim差异较大。使用提出的方法后，使得大部分纺织水印图像在30db以上，图像质量较好。ps-ssim改变较大，大部分纺织水印图像与原始图像的ssim值在0.7以上。使用本发明提出的方法后，ps-ssim值最多可以提高0.29，提高43.28％。本发明方法使ps-psnr的均值可以达到39.95db，而ps-ssim的
均值为0.92，方法的透明性好。
[0117]
表2各种类布料的参数以及布料上纺织图像水印透明性
[0118][0119]
各种类的参数以及布料上纺织图像水印透明性如表2所示，总体来看，涤棉材质的布料上纺织图像水印透明性，其次是涤纶材质的布料，纯棉材质的布料最差。白色的布料上纺织图像水印透明性最好，其次是米白色的布料，黑色布料的透明性最差。
[0120]
不同色调图像通过印刷-扫描后得到的纺织水印图像的透明性如表3所示，尽管本实施例使用的布料种类和水印嵌入通道不同，但ps-psnr在30db以上，ssim在0.8以上，图像质量较好。
[0121]
表3各色调纺织水印图像的透明性
[0122][0123]
纺织图像鲁棒性分析：
[0124]
ps-nc和ps-ber表示从纺织水印图像中提取的水印图像与原始水印图像的nc和ber，结果如图7所示。可以看出，使用本发明方法使测试图像数据集的ps-nc值都在0.9以上，均值为0.94。本发明方法可以确保测试图像数据集的ber值小于0.3，均值为0.18。在a*和b*色度通道中提取水印图像与原始水印图像的ps-nc和ps-ber值相差很大，变化剧烈，通道之间鲁棒性差异明显。利用提出的自适应嵌入色度通道的水印方法，ps-nc值最多可以从0.45提高到0.86，提高91.11％，相当于从一个色度通道提取不出来的水印信息可以在另一色度通道中提取出来，且鲁棒性较好。ps-ber最多可以从0.85降低到0.29，降低65.88％。实验结果表明提出的自适应嵌入色度通道的水印方法可以有效且稳定地提高鲁棒性。
[0125]
各种类的布料上纺织图像水印鲁棒性如表4所示，纯棉材质的布料上纺织图像水印鲁棒性最好，其次是涤棉材质的布料，涤纶材质的布料鲁棒性最差。米白色的布料上纺织图像水印鲁棒性最好，其次是白色布料，黑色布料的布料鲁棒性最差。
[0126]
不同色调的纺织水印图像提取的水印的鲁棒性如表5所示，通过自适应嵌入水印通道的方法使ps-nc在0.96以上，ps-ber在0.10左右，提取出的水印图像清晰可辨。证明提
出的方法鲁棒性较强。
[0127]
表4各种类的布料上纺织图像水印鲁棒性
[0128][0129]
表5各色调纺织水印图像的鲁棒性
[0130][0131]
libsvm实验及结果分析：
[0132]
在libsvm中，c和g是svm模型的两个重要参数，其中c控制着对误分类点的惩罚力度，g是rbf核函数的一个重要参数。c和g的选择对svm模型的性能和拟合效果有着重要的影响。当c过大时，svm模型的惩罚力度太强，可能会导致过度拟合；当c过小时，svm模型的惩罚力度太弱，可能会导致欠拟合。类似地，当g过大时，rbf核函数的波动幅度太大，可能会导致过度拟合；当g过小时，rbf核函数的波动幅度太小，可能会导致欠拟合。因此，使用网格搜寻算法(grid search)选择最佳参数c、g。svc参数选择等高线图如图8所示。其中，c值参数搜索范围，即c值的最小和最大范围：0～9；g值参数搜索范围：0～2；交叉验证的折数：5；搜索过程中c和g参数的步长为1；准确率的步长为0.3。最终得出最佳参数c、g为6.64、1.94。参数寻优过程花费0.88s。
[0133]
因此，svm设置类型为c-svc；核函数设置类型为rbf函数。计算精准率、召回率和f1值，如表6所示。最终分类准确率为92.29％。
[0134]
表6精准度、召回率和f1值
[0135][0136]
使用一张图像来测试嵌入和提取的运行时间如表7所示，其中libsvm运行时间包括参数寻优花费时间，结果表明提出的方案所需时间为3.84s，计算复杂度低。最后将使用的libsvm分类器与k最近邻(k-nearest neighbor，knn)、随机森林(random forest，rf)、卷积神经网络(convolutional neural networks，cnn)分类器进行了比较，libsvm分类器的准确率远高于其他三种分类器，运行时间为1.68s，结果如表8所示。结果表明，色度通道的鲁棒性与原始图像的色调特征有关，本发明方法可以有效快速地提高纺织图像数字水印方法的鲁棒性。
[0137]
表7拟议方案的运行时间
[0138][0139]
表8分类器计算复杂度与准确率的比较
[0140][0141]
综上所述，本发明提供的面向纺织品图像版权保护的鲁棒数字水印方法，可以自适应选择嵌入水印的色度通道以提高水印方法的鲁棒性。纺织品图像水印鲁棒性得到了显著提升，提取的水印图像与原水印图像的ps-nc值都在0.9以上，均值为0.94；ber值小于0.3，均值为0.18；ps-nc值最多可以从0.45提高到0.86，ps-ber最多可以从0.85降低到0.29；libsvm分类器准确率可达92.29％。本发明方法可以有效且稳定地提高水印方法的鲁棒性。
[0142]
最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围。

技术特征：
1.一种面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，包括：基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类；利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取；分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道。2.根据权利要求1所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，所述基于颜色矩理论和人眼视觉特征，采用cie lab和hsv色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类，包括：计算第一阶颜色矩e
i
和第二阶颜色矩σ
i
，计算公式如下：，计算公式如下：其中，p
ij
表示在彩色图像的第i个色度通道分量中存在灰度级为j的像素的概率，n表示图像中的像素数量；为了实现图像色调的分类，进行偏色检测，将原彩色图像集分为色调明显和色调不明显两类。3.根据权利要求2所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，所述为了实现图像色调的分类，进行偏色检测，将原彩色图像集分为色调明显和色调不明显两类，包括：通过利用cie lab色彩空间和等效圆来进行偏色检测，初步检测出是否偏红、绿、蓝、黄四种色调；如果图像不偏色，则表示图像的色调不明显；如果图像偏色，则表示图像的色调明显且可初步检测出是否偏红、绿、蓝、黄四种色调；根据cie lab色彩空间的a*通道的颜色矩cm
a
的最值，将色调明显的图像分为七类，其中，中性灰的图像根据定义进行分类，即r：g：b＝1：1：1；引入等效圆的概念，采用图像平均色度d和色度中心距m的之比，即偏色因子k来衡量图像的偏色程度，计算过程如下：像的偏色程度，计算过程如下：像的偏色程度，计算过程如下：
其中，m、n分别为图像的宽和高，以像素为单位，在a*－b*色度平面上，等效圆的中心坐标为(d
a
,d
b
)，半径为m；等效圆的中心到a*－b*色度平面中性轴原点为(a＝0,b＝0)的距离d，并由等效圆在a*－b*色度平面上的具体位置，来判断图像整体的偏色；d
a
>0，偏红，否则偏绿；d
b
>0，偏黄，否则偏蓝；引入偏色因子k，k值越大，偏色越严重。4.根据权利要求1所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，所述利用两个色彩空间中与图像色调有关的a*、b*、h、s色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取，包括：根据等效圆在a*－b*色度平面的具体位置来判断图像整体的偏色；使用权重系数w建立hsv和cie lab色彩空间的混合色度通道，并对具有高相关性的颜色分量进行融合，以获得混合色度通道的颜色矩，如下所示：cm
as
＝w
×
cm
a
+w
×
cm
s
m
bh
＝w
×
cm
b
+w
×
cm
h
其中，cm
as
和cm
bh
表示混合色度通道的颜色矩，cm
a
、cm
b
、cm
h
和cm
s
表示四个单通道颜色矩。5.根据权利要求1所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，所述分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用libsvm分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道，包括：将原始图像分为训练图像和测试图像；对于训练图像，首先获得cie lab和hsv颜色空间中关于图像色调和饱和度的单色度通道和混合色度通道的颜色矩cm
a
、cm
b
、cm
h
、cm
s
、cm
as
和cm
bh
；然后，将这些颜色矩和cie lab颜色空间的a*或b*通道中具有更强的鲁棒性的色度通道输入到libsvm中进行训练；使用测试图像进行测试，将测试图像的六个颜色矩输入到建立的libsvm训练模型中，可以自适应地输出a*或b*色度通道中具有最佳鲁棒性的水印嵌入通道。6.根据权利要求1所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，使用libsvm分类器对纺织品进行训练的具体步骤，包括：根据libsvm的要求，将数据集归一化为[0,1]；选择c-svc和rbf核函数，并确定libsvm惩罚因子c和核函数参数g的最优参数；使用训练模型对测试图像进行训练，得到分类结果。7.根据权利要求6所述的面向纺织品图像版权保护的鲁棒数字水印方法，其特征在于，所述使用训练模型对测试图像进行训练，得到分类结果，包括：设置a*色度通道类别为1，b*色度通道类别为2；对训练图像进行排序可以帮助模型更好地理解图像之间的相似性和差异性，从而更准确地对测试图像进行分类；根据一定的规则对训练图像进行排序：首先，根据色调的类别对图像进行排序；然后根据通道类型对图像进行排序；最后，根据cm
a
的值对图像进行排序；
对图像进行排序后，输入图像的颜色矩cm
a
、cm
b
、cm
h
、cm
s
、cm
as
和cm
bh
进行训练，生成训练模型；最后，向训练模型中输入测试图像，自适应地输出具有最佳鲁棒性的水印嵌入通道。

技术总结
本发明提供一种面向纺织品图像版权保护的鲁棒数字水印方法，包括：基于颜色矩理论和人眼视觉特征，采用CIE LAB和HSV色彩空间的颜色矩和等效圆将色调明显的纺织图像进行分类；利用两个色彩空间中与图像色调有关的a*、b*、H、S色度通道构建混合颜色空间，对纺织品图像进行色调分类和色调特征提取；分析纺织品图像色调特征和不同色度中嵌入水印鲁棒性的相关性，使用LIBSVM分类器对纺织品图像进行训练，获得具有更高鲁棒性的嵌入水印色度通道。本发明方法能够有效抵抗热转印-扫描过程，水印提取快速有效。取快速有效。取快速有效。


技术研发人员：王彩印 余英 李超 邢浩
受保护的技术使用者：大连工业大学
技术研发日：2023.06.02
技术公布日：2023/8/24