数字图像水印技术背景与挑战
在数字化信息时代，数字图像的非法复制、篡改和传播问题日益严重，数字水印技术作为保护数字媒体版权的重要手段应运而生。理想的水印方案需在不可感知性和鲁棒性之间取得平衡——既要保证嵌入水印后图像视觉质量不下降，又要确保水印在经历各种图像处理操作（如压缩、噪声添加、几何攻击等）后仍能被准确提取。当前许多水印方法在应对复杂攻击时鲁棒性不足，或嵌入水印后图像质量下降明显，因此开发一种能同时满足高不可感知性和强鲁棒性的水印技术具有重要的研究意义和应用价值。
相关工作综述
近年来，研究者们提出了多种基于变换域的水印方案。Sharma等人（2020）利用DWT、SVD和人工蜂群算法（ABC）在RGB通道嵌入置乱彩色水印，但在直方图均衡化攻击下鲁棒性（NC=0.8931）有待提高。Anand和Singh（2020）针对医学图像提出基于DWT、SVD和混沌LZW的多重水印方案，但其在椒盐噪声下的NC值（0.7751）相对较低。Saritas和Ozturk（2023）采用Contourlet变换（CT）和DCT在YCbCr颜色空间操作，对50%裁剪攻击的抵抗力较弱（NC≈0.707）。Rahardi等人（2022）专注于社交媒体图像滥用防护，其方法在椒盐噪声下的NC值为0.7667。Altay和Ulutas（2024）利用QR分解和Schur分解在重分布不变离散小波变换（RIDWT）域嵌入生物特征水印，在3%椒盐噪声下NC为0.911。Yuan等人（2024）针对加密医学图像提出零水印方案，但在30%裁剪攻击下NC值降至0.72。这些研究各有侧重，但在全面鲁棒性和高不可感知性的统一方面仍存在提升空间。本文提出的DWT-SVD-Schur混合方案旨在弥补这些不足。
理论基础与方法核心
本方案的核心技术支柱包括离散小波变换（DWT）、Schur矩阵分解和奇异值分解（SVD）。DWT将图像分解为LL（近似）、LH（水平细节）、HL（垂直细节）和HH（对角细节）四个子带，这种多分辨率分析有助于在不同频率成分中嵌入水印。Schur分解将方阵分解为酉矩阵和上三角矩阵的乘积（A=QTQT ），其正交相似变换特性确保了能量守恒和数值稳定性，为水印嵌入提供了结构化的操作空间。SVD则将矩阵分解为三个矩阵的乘积（A=UΣVT ），其奇异值包含了图像的主要能量信息，对微小扰动不敏感，是嵌入水印信息的理想载体。
本方案的创新之处在于将三者有机结合，形成一种混合水印框架。首先对原始图像进行二级DWT分解，选取能量集中的LL子带和对比度掩蔽效应强的HH子带作为水印嵌入区域。接着对这两个子带分别进行Schur分解，得到正交矩阵Q和上三角矩阵T。然后对T矩阵进行SVD，得到其奇异值矩阵。水印图像（QR码）同样经过SVD处理，将其奇异值以可控的强度因子α（αL 用于LL子带，αH 用于HH子带）叠加到载体图像子带的奇异值上。最后，通过逆SVD、逆Schur分解和逆DWT重构出含水印的图像。提取过程则是嵌入的逆过程，利用保存的原始图像信息和水印嵌入强度因子，从可能受损的图像中恢复出水印。
水印嵌入方案详述
水印嵌入是一个系统化的过程，确保水印的不可见性和鲁棒性。第一步是对原始图像进行二级离散小波变换（DWT），得到LL、LH、HL和HH四个频率子带。DWT提供了图像的多分辨率表示，便于在不同频率分量上操作，有助于隐藏水印。第二步，对选定的LL和HH子带应用Schur矩阵分解，分别得到[ JL , KL ] 和 [ JH , KH ]。Schur分解将矩阵分解为正交矩阵和上三角矩阵，简化了矩阵特性的处理和操作，有助于在嵌入水印时保持图像结构，引入最小失真。第三步，对KL 和KH 矩阵进行奇异值分解（SVD），得到[ UL , DL , VL ] 和 [ UH , DH , VH ]。SVD捕获了图像和 watermark 的核心组成部分，通过修改奇异值嵌入水印，可以保证水印对常见图像处理攻击的鲁棒性。第四步，将水印图像的奇异值D，经过缩放因子α（αL 和 αH ）调制后，叠加到从Schur分解得到的奇异值矩阵DL 和DH 上，得到修改后的矩阵DLm 和DHm 。嵌入奇异值确保了水印被整合到图像的核心成分中。第五步，对修改后的DLm 和DHm 进行逆SVD操作，重建出水印嵌入后的矩阵KLm 和KHm 。逆SVD操作确保水印正确嵌入且不引入伪影或失真。第六步，对KLm 和KHm 应用逆Schur分解，以恢复初始化后的LL和HH频率子带，记为LLm 和HHm 。逆Schur分解确保了水印嵌入过程中的修改被正确地映射回图像域。最后一步，应用逆DWT将修改后的LLm 、LH、HL和HHm 子带组合起来，重构出最终的含水印图像。逆DWT过程从频率分量重新组装图像，确保水印被整合到最终图像中，且对人眼不可见。
水印提取与评估方案
水印提取过程旨在从可能遭受攻击的含水印图像中准确恢复出水印。该过程与嵌入过程相对应，也利用了DWT、Schur分解和SVD。首先，对含水印图像进行二级DWT分解，得到四个子带：LLe 、LHe 、HLe 和HHe 。接着，对LLe 和HHe 子带进行Schur分解，得到[ JLe , KLe ] 和 [ JHe , KHe ]。然后，对KLe 和KHe 进行SVD，得到它们的奇异值矩阵DLe 和DHe 。水印的提取通过从含水印图像的奇异值中减去原始图像（在提取端需已知或可估计）的奇异值，并除以嵌入强度因子α来实现。具体而言，提取出的水印奇异值Dextracted 计算为：Dextracted = (DLe - DL ) / αL （针对低频）和 Dextracted = (DHe - DH ) / αH （针对高频）。最后，对提取出的奇异值矩阵进行逆SVD操作，并利用在嵌入过程中保存的U和V矩阵（或从提取过程中估计）来重建出水印图像。
为了客观评估水印方案的性能，采用了三个关键指标：峰值信噪比（PSNR）、归一化相关系数（NC）和结构相似性指数（SSIM）。PSNR用于衡量含水印图像与原始图像之间的质量差异，值越高表示不可感知性越好，通常要求高于30 dB。NC用于衡量提取出的水印与原始水印之间的相似度，值越接近1表示鲁棒性越好。SSIM从亮度、对比度和结构三个方面评估图像相似性，其值范围在-1到1之间，越接近1表示结构保持得越好。此外，对于本方案中使用的QR码水印，其是否仍可被标准扫码器成功扫描也是一个直观且实用的鲁棒性评估标准。
嵌入强度（α）敏感性分析与方案优化
嵌入强度因子α是控制水印不可感知性和鲁棒性之间权衡的关键参数。通过对α（αL 和αH ）在区间[0.01, 0.20]内进行参数扫描分析，发现随着α增大，不可感知性（以PSNR和SSIM衡量）逐渐下降，但鲁棒性（以NC衡量）随之提高。当α从0.01增加到0.20时，平均PSNR从约41.2 dB下降到33.0 dB，SSIM从0.990降至0.938，但即使α=0.20，PSNR仍高于30 dB的可见性阈值。同时，在诸如直方图均衡化等攻击下，NC值从α=0.01时的0.885提升到α=0.20时的0.978。当α超过约0.15后，鲁棒性的提升开始趋于饱和。为了综合权衡两者，定义了一个复合效用函数U(α) = 0.3 PSNR(α) + 0.2 SSIM(α) + 0.5 NC(α)（经过归一化）。分析表明，在α ∈ [0.10, 0.15]区间内存在一个宽阔的效用平台，意味着多个α值都能达到接近最优的权衡效果。基于此，针对不同的应用场景推荐了不同的α设置。例如，为了展示高保真度，在具体图像结果中选择了(αL =0.08, αH =0.06)，实现了PSNR≈47–48 dB和SSIM≥0.990的极高不可感知性。而对于需要优先考虑鲁棒性的应用，则推荐使用(αL =0.12, αH =0.10)，该设置下在代表性攻击下平均NC仍能保持在0.94以上，且PSNR>36 dB。LL子带由于其对高频失真敏感性较低，通常可以比HH子带承受稍大的α值。
实验结果与鲁棒性分析
对所提出的水印方案进行了广泛的实验验证，测试图像包括Lena、Monkey、Peppers、Car and House等。结果表明，该方法在保持水印不可见性方面表现优异，含水印图像的PSNR普遍高于43 dB，SSIM超过0.99，视觉上几乎无法区分原始图像与含水印图像。更重要的是，该方法在面对多种攻击时展现出强大的鲁棒性。在直方图均衡化攻击下，HH和LL子带的NC值分别达到0.9873和0.8729（Lena图像），嵌入的QR码水印始终保持可扫描状态。在椒盐噪声攻击下，即使噪声强度达到5%，HH子带的NC值仍能保持在0.90以上（例如Lena图像为0.9066），QR码可被成功提取。对于能引起空间几何畸变的波纹攻击，NC值也维持在高位（HH子带约0.98-0.99），表明方法对几何失真具有较好的抵抗力。在平滑（模糊）攻击下，水印信息得到良好保存（HH子带NC约0.97-0.98）。即使遭受严重的裁剪攻击（例如裁剪顶部50%或左侧50%），NC值依然较高（通常高于0.90），并且QR码在大多数情况下仍能成功扫描，证明了水印在图像内容大量丢失的情况下的存活能力。这些结果在不同测试图像上具有一致性，验证了该方案的普遍适用性和可靠性。
与现有技术的比较
将本方案与近年来的其他先进水印技术进行了比较。结果表明，本方案在不可感知性和鲁棒性方面均具有明显优势。例如，在直方图均衡化攻击下，本方案的NC值（0.9949）远高于Sharma等人（2020）的0.8931和Anand与Singh（2020）的0.8716。在椒盐噪声攻击下，本方案的NC值（2%噪声下约0.98）也高于Saritas和Ozturk（2023）的0.9020和Rahardi等人（2022）的0.7667。在抗裁剪能力方面，本方案在50%裁剪后NC值仍可达0.95以上，显著优于对比方案。此外，本方案实现的PSNR（约43 dB）和SSIM（>0.99）也高于多数对比方案，体现了其卓越的不可感知性。这种性能的提升归因于DWT、SVD和Schur分解的协同效应：DWT提供了多分辨率嵌入的灵活性，SVD确保了能量集中的水印嵌入，而Schur分解则通过其正交性和结构保持特性增强了水印的稳定性和对抗几何攻击的能力。
结论与未来展望
本研究成功提出并验证了一种基于DWT-SVD-Schur矩阵分解混合框架的鲁棒数字图像水印方案。该方案通过将QR码作为水印信息，并巧妙地将其嵌入到DWT分解后的LL和HH子带中，再结合Schur分解和SVD的理论优势，实现了水印的高效、不可感知嵌入和强鲁棒提取。大量实验证明，该方案能有效抵抗直方图均衡化、噪声添加、滤波、几何扭曲和裁剪等多种常见图像处理攻击，同时保持优异的视觉质量，为数字图像版权保护、内容认证和防伪提供了一种有效的技术手段。未来的工作将集中于优化算法效率以适应实时视频水印等应用场景，探索将其扩展到视频、三维模型等更多媒体类型，并研究引入机器学习技术来进一步自适应地优化水印嵌入策略和提升对新兴复杂攻击的抵御能力。
打赏
