基于ORB和WHT的電力視覺快速水印算法研究

張 弢，許 晶

(長安大學電子與控制工程學院，陜西 西安 710064)

0 引言

近幾年，隨著我國電力系統對智能化、自動化和安全性要求的不斷提高，電網的正常運行及健康維護等工作已越來越多地需要借助智能巡檢手段，并通過多種智能終端設備的可視化采集手段對某些電力設備元器件進行拍攝，產生了大量的電力視覺圖像[1]。這些電力視覺樣本記錄著電力設備以及周邊環境等各種主體及背景信息，與電力設備識別、系統故障診斷與分析等各個環節有關，對保密性有嚴格要求，并且需要同時保證圖像的真實性和完整性，防止非法篡改和盜用。如何確保圖像信息安全，對這些圖像進行版權保護已成為電力領域刻不容緩的問題。數字水印技術既能夠保證隱藏信息的安全性，又能夠保持載體圖像本身的真實性，通過與隱藏信息的匹配程度判斷圖像是否遭受惡意攻擊，是解決電力圖像的信息安全問題的一種極為有效的方法。

目前，數據水印技術已經逐步用于電力信息安全保障中[2]。文獻[3]結合實際工程案例，運用小波變換將水印嵌入電網中電價記錄圖，保證了電力信息的安全；文獻[4]提出了一種基于脊波變換的水印技術，將水印加入到電力圖像的邊緣曲線中，具有良好的隱藏性和魯棒性；文獻[5]提出一種基于混合變換域的數字圖像水印算法，并應用到了電力系統信息安全領域。

由于電力視覺樣本實時產生并采集儲存，電力行業的版權保護對實時性有一定要求，但目前關于快速水印的研究較少。夏經文等[6]提出一種便攜式數字水印終端的快速DCT-SVD。對載體圖像進行分塊并在空域中完成DCT域DC系數的計算并組成新的矩陣，再對新矩陣進行SVD分解，在兼顧便攜性與魯棒性的同時，耗時更少。

針對電力視覺樣本對安全性和實時性的要求，本文提出一種基于ORB和WHT的電力視覺快速水印算法。ORB是一種快速特征點提取算法，選擇ORB特征點鄰域為嵌入區域，對其進行WHT變換，完成水印嵌入，對電力視覺樣本進行實時、無縫式的版權保護。

1 理論基礎

1.1 ORB算法

ORB(oriented FAST and rotated BRIEF)是一種快速特征點提取和描述的算法，其由2個部分組成：FAST角點與BRIEF描述子[7]。ORB算法使用圖像金字塔來提取FAST角點，使其具有尺度不變性。在特征點鄰域塊內求取灰度質心，連接鄰域塊幾何中心與質心得到特征主方向，使其具有旋轉不變性。

FAST算法建立尺度圖像金字塔，通過對圖像的不同尺度空間提取特征點以達到滿足尺度變化的效果。

BRISK算法具有較好的旋轉不變性、尺度不變性和較好的魯棒性等。ORB算法根據每個特征點的方向旋轉對應于BRIEF描述子。對于任意方向的圖像，ORB算法都能夠檢測到同樣的特征點。

1.2 基于沃爾什哈達碼變換的水印嵌入

1.2.1 沃爾什哈達碼變換

沃爾什哈達碼變換(WHT)[8]是沃爾什(Walsh)變換和哈達瑪(Hadamard)變換的統稱，屬于廣義傅里葉變換的范疇。它的優點是復雜度低，是一個由-1和+1組成的正交函數，被廣泛用于圖像處理、語音處理和濾波等[9]。

一階和二階Hadamard矩陣為：

H1=[1]

(1)

(2)

N階Walsh-Hadamard矩陣為

(3)

二維圖像f(x,y)的WHT變換為

(4)

二維圖像的WHT逆變換為

f(x,y)=[HN]×F(U,V)

(5)

[HN]為哈達瑪N階矩陣，其大小為N×N。

1.2.2 水印嵌入

設嵌入水印的4×4的圖像塊為f(x,y)，嵌入的數據為b={b1,b2,b3,b4}，其WHT變換后為F(U,V)，即

(6)

選擇F(U,V)第3行和第4行來嵌入數據，矩陣只發生微小變化，能夠保證嵌入后的圖像質量。則第3行系數為a3i={a31,a32,a33,a34}，第4行系數為a4i={a41,a42,a43,a44}。

a.求得a3i和a4i的差值di和平均值aavg。

b.根據di和bi，計算嵌入系數，規則如下：

若rem(|di|,2)=0，則

(7)

(8)

若rem(|di|，2)=1，則

(9)

(10)

c.通過比較a3i和a4i的值，確定嵌入系數e3i和e4i，公式為：

(11)

(12)

d.得到嵌入數據bi的矩陣塊

(13)

e.將F(U,V)進行WHT逆變換，得到嵌入水印后的圖像塊，記為G(U,V)。

1.2.3 水印提取

對每一個嵌入水印后的圖像塊G(U,V)進行WHT變換，得到W(U,V)。

(14)

2 算法實現

2.1 算法流程

本文將ORB算法和WHT算法結合起來，轉換圖像顏色模型為YCbCr，加入特征點篩選模塊，既能夠保證嵌入水印的實時性，又能夠保證其魯棒性。本文算法流程如圖1所示。

圖1 本文算法流程

首先將RGB圖像轉換YCbCr圖像，獲取灰度圖像。YCbCr圖像分為3個分量，其中，Y為明亮度，也就是灰度值。然后利用ORB算法[7]提取特征點，再對所得特征點進行篩選優化，所得特征點的鄰域作為水印的嵌入區域，保存鄰域坐標信息，對各鄰域進行WHT變換，嵌入水印，生成含密載體圖像，再合成為YCbCr圖像。最終對所得圖像加入了幾何變形、濾波攻擊和加噪攻擊來檢驗魯棒性。水印提取為水印嵌入的逆過程，提取受攻擊的水印信息和載體圖像。

2.2 數字水印預處理

2.2.1 水印圖像置亂

為消除像素空間的相關性，需要在嵌入前對水印圖像進行置亂。對大小為32×32的水印圖像w進行置亂，隨機生成一列32×32的數組作為秘鑰Key保存，水印圖像轉換為二進制數據，置亂后得到一個1×1024的B向量，按照32×32排列后如圖2所示。

圖2 原始水印圖像和置亂后圖像

2.2.2 提取圖像分量

首先將RGB圖像轉換為YCbCr圖像(其中，Y為亮度分量)，提取其中的Y分量即灰度圖像，得到圖像Y，嵌入水印后再還原成YCbCr圖像，這樣能夠降低嵌入過程的復雜度，提高嵌入速度。

2.3 特征點提取及篩選

利用ORB算法提取特征點的具體方法可參考文獻[7]，由于用常規ORB算法提取的特征點數量較多，并且大部分特征點密集在圖像多紋理區域和灰度變化明顯區域，如果將水印信息嵌入到和這些特征點相關的紋理區域，能夠使人眼不易察覺，保證嵌入水印后圖像的不可見性。但在圖像紋理區域受到局部攻擊后容易造成水印信息的丟失，為避免這樣的情況發生，需要減少密集分布的特征點[9]。

考慮到以上問題和特征點鄰域的重疊和超邊界問題，需要對特征點進行篩選。步驟如下：

a.對載體圖像Y提取ORB特征點，得到特征點集合{Hk}。

b.以{Hk}中特征點為中心選取8×8鄰域。

2.4 水印嵌入

在確定水印嵌入區域后，將{blockk}的8×8區域分為4個4×4區域，在每一個4×4區域嵌入4位二進制數字。1個8×8區域可以嵌入的二進制位數為16位，分區如圖3所示。

圖3 嵌入水印區域

a.將要嵌入的B向量按1×4進行分組，得到行向量bi(i=256)。

b.將每一個{blockk}劃分為4個4×4區域，并根據式(10)對每一個矩陣塊進行Hadamard變換，得到F(U,V)。

c.求得F(U,V)第3行和第4行WHT系數的差值di和平均值aavg。

d.根據式(7)～式(10)計算出數據嵌入系數li和mi。

e.根據式(11)和式(12)確定e3i和e4i的值，并替換掉a3i和a4i的值，得到嵌入水印后的矩陣F(U,V)。

f.對F(U,V)進行WHT逆變換，得到嵌入水印后的圖像塊G(U,V)。

g.將G(U,V)按照特征點橫縱坐標{xk}和{yk}替換載體圖像Y的原圖像塊，嵌入完成。

2.5 水印提取

根據保存的特征點坐標{xk}和{yk}，確定嵌入水印的區域和順序，從而提取水印。

步驟如下：

a.提取嵌入水印圖像的Y分量。

b.根據{xk}和{yk}確定嵌入水印區域，對每個區域進行WHT變換。

圖4為提取到的水印，與原水印相同，表明水印信息無丟失，算法魯棒性強。

圖4 提取出的水印

3 實驗結果分析

仿真實驗采用MATLAB R2019a作為實驗平臺。為驗證本文算法的性能，分別從不可見性、運行速度和魯棒性3個方面進行測試。實驗采用大小為512×512的Lena圖像、2張電力圖像作為載體圖像，32×32的二值圖像作為水印圖像，驗證本文算法對電力圖像的適配性。本文采用DCT算法和WHT算法進行對比，WHT算法為修改的文獻[8]算法，原文獻[8]不能嵌入二值圖像，為保證嵌入信息的一致性，本文對其進行了修改，并嵌入二值圖像。

3.1 不可見性測試

圖5為嵌入水印后的圖像，上面為嵌入前圖像，下面為嵌入后圖像，上下圖無明顯變化，不可見性良好。

圖5 嵌入水印前后圖像對比

常用客觀評價標準為圖像的峰值信噪比(PSNR)。算法性能表如表1所示。

表1 算法PSNR值 dB

從表1中可看出，采用本文算法嵌入水印后的圖像PSNR均大于51 dB，不可見性良好。遠優于DCT算法，和WHT算法相差不大。

3.2 效率測試

由表2可知，本文算法在速率上明顯優于DCT算法和WHT算法，原因是這2種方法對整個載體圖像進行分塊和變換，再進行嵌入，而本文算法只對特征點鄰域進行變換及水印嵌入，減少了圖像塊變換的數量；并且本文算法沒有對RGB三通道嵌入水印，而是選取YCbCr空間的灰度空間嵌入水印后再合成YCbCr圖像，大大減少了運行時間，能夠滿足對實時性有要求的版權保護。

表2 不同算法運行時間 s

3.3 魯棒性測試

魯棒性測試采用歸一化互相關系數(NC)來評價原始水印與提取解密水印的相似程度，NC的值越大，表示兩者相似程度越大，則水印的魯棒性越強。表3為各種攻擊后提取水印的NC值。

表3 各種攻擊后提取水印的NC值

如表3所示，本文算法對大部分噪聲攻擊和幾何攻擊都有較好抵抗能力，具有較好魯棒性。尤其是幾何攻擊，本文算法對分散的特征點區域嵌入水印，所以裁剪后丟失的水印信息較少，提取到的水印和原水印相似度高。

4 結束語

本文采用ORB算法提取出載體圖像特征點，進行篩選優化后，選擇其8×8鄰域作為嵌入區域。而后對嵌入區域作Hadamard變換，嵌入二值圖像水印。仿真實驗表明，本文算法計算復雜度低于其他方法，能夠在保證運算速率的前提下，保證圖像質量并且能夠有效抵抗多種噪聲攻擊和幾何攻擊，能夠滿足電力圖像版權保護對實時性和抗攻擊性的要求。