Метод определения коэффициента увеличения резкости изображения, позволяющий повысить устойчивость цифровых водяных знаков, встроенных в ДКП-области

Компьютерные сети, вычислительные, телекоммуникационные, управляющие и измерительные систем
Авторы:
Аннотация:

В данной работе исследуется повышение устойчивости обнаружения цифровых водяных знаков (ЦВЗ) путем увеличения резкости изображения перед этапом обнаружения для алгоритма, использующего при встраивании и обнаружении область коэффициентов дискретного косинусного преобразования. Задача обнаружения ЦВЗ рассматривается как задача бинарной классификации, что позволяет использовать метрики качества бинарных классификаторов, в частности метрику полноты. Значение метрики полноты вычисляется на наборе тестовых изображений путем встраивания и последующего обнаружения ЦВЗ с предварительным увеличением резкости. Предложен метод выбора оптимального коэффициента увеличения резкости, основанный на максимизации значения метрики полноты при фиксированных параметрах встраивания и обнаружения. Результаты вычислительного эксперимента показывают, что предварительное увеличение резкости изображения перед обнаружением ЦВЗ с использованием коэффициента, выбранного предложенным методом, повышает число истинно положительных обнаружений для большинства протестированных искажений и не приводит к увеличению количества ложно положительных срабатываний.

  • Список литературы

    1. Rashid A. Digital watermarking applications and techniques: A brief review. International Journal of Computer Applications Technology and Research, 2016, Vol. 5, No. 3, Pp. 147–150.

    2. Gribunin V.G., Okov I.N., Turintsev I.V. Tsifrovaia steganografiia [Digital steganography]. Moscow: SOLON-PRESS, 2017.

    3. Wan W., Wang J., Zhang Y., Li J., Yu H., Sun J. A comprehensive survey on robust image watermar-king. Neurocomputing, 2022, Vol. 488, Pp. 226–247. DOI: 10.1016/j.neucom.2022.02.083

    4. Langelaar G.C., Setyawan I., Lagendijk R.L. Watermarking digital image and video data. A state-of-the-art overview. IEEE Signal Processing Magazine, 2000, Vol. 17, No. 5, Pp. 20–46. DOI: 10.1109/79.879337

    5. Piva A., Barni M., Bartolini F., Cappellini V. Threshold selection for correlation-based watermark detection. Proceedings of COST254 Workshop on Intelligent Communications, 1998, Vol. 254, Pp. 67–72.

    6. Amirgholipour S., Naghsh-Nilchi A.R., Sharifi A.M., Alirezanejad M., Arab M. Application of unsharp mask in augmenting the quality of extracted watermark in spatial domain watermarking. Journal of Mathematics and Computer Science, 2014, Vol. 11, Pp. 137–146.

    7. Jane O., Ilk G. Implementation of adaptive unsharp masking as a pre-filtering method for watermark detection and extraction. Advances in Electrical and Electronic Engineering, 2016, Vol. 14, No. 4, Pp. 429–436. DOI: 10.15598/aeee.v14i4.1827

    8. Amirgholipour S., Sharifi A. A pre-filtering method to improve watermark detection rate in DCT based watermarking. The International Arab Journal of Information Technology, 2014, Vol. 11, No. 2, Pp. 178–185.

    9. Jain A.K. Fundamentals of digital image processing. Englewood Cliffs, NJ (US): Prentice Hall, 1989.

    10. Cox I.J., Kilian J., Leighton F.T., Shamoon T. Secure spread spectrum watermarking for multimedia. IEEE Transactions on Image Processing, 1997, Vol. 6, No. 12, Pp. 1673–1687. DOI: 10.1109/83.650120

    11. Wallace G.K. The JPEG still picture compression standard. IEEE Transactions on Consumer Electronics, 1992, Vol. 38, No. 1, Pp. XVIII-XXXIV. DOI: 10.1109/30.125072

    12. Waltz F.M., Miller J.W.V. Efficient algorithm for Gaussian blur using finite-state machines. Machine Vision Systems for Inspection and Metrology VII, 1998, Vol. 3521, Pp. 334–341. DOI: 10.1117/12.326976

    13. Powers D.M.W. Evaluation: from precision, recall and F-measure to ROC, informedness, marked-ness and correlation. arXiv:2010.16061, 2020. DOI: 10.48550/arXiv.2010.16061

    14. Brent R.P. Algorithms for minimization without derivatives. Englewood Cliffs, NJ (US): Prentice Hall, 1973.

    15. Rashtchian C., Young P., Hodosh M., Hockenmaier J. Collecting image annotations using Amazon’s Mechanical Turk. Proceedings of the NAACL HLT 2010 Workshop on Creating Speech and Language Data with Amazon’s Mechanical Turk, 2010, Pp. 139–147.

    16. Horé A., Ziou D. Image quality metrics: PSNR vs. SSIM. 2010 20th International Conference on Pattern Recognition, 2010. Pp. 2366–2369. DOI: 10.1109/ICPR.2010.579

    17. Li Z., Bampis C., Novak J., Aaron A., Swanson K., Moorthy A., De Cock J. VMAF: The journey continues, 2018. [online] Available: https://netflixtechblog.com/vmaf-the-journey-continues-44b51ee9ed12 (Accessed 17.03.2026)

    18. Plummer B.A., Wang L., Cervantes C.M., Caicedo J.C., Hockenmaier J., Lazebnik S. Flickr30k entities: Collecting region-to-phrase correspondences for richer image-to-sentence models. arXiv:1505.04870, 2015. DOI: 10.48550/arXiv.1505.04870

    19. Fawcett T. An introduction to ROC analysis. Pattern Recognition Letters, 2006, Vol. 27, No. 8, Pp. 861–874. DOI: 10.1016/j.patrec.2005.10.010

    20. Pedregosa F., Varoquaux G., Gramfort A., Michel V., Thirion B., Grisel O. et al. Scikit-learn: Machine learning in Python. The Journal of Machine Learning Research, 2011, Vol. 12, Pp. 2825–2830.

    21. Hunter J.D. Matplotlib: A 2D graphics environment. Computing in Science & Engineering, 2007, Vol. 9, No. 3, Pp. 90–95. DOI: 10.1109/MCSE.2007.55

    22. Kuncheva L.I. Combining pattern classifiers: methods and algorithms. Hoboken, NJ (US): John Wiley & Sons, 2014.

This work is licensed under a Creative Commons Attribution-NonCommercial 4.0 International License
Предыдущая статьяСледующая статья