Adaptive Digital Watermarking using Stochastic Image Modeling Based on Wavelet Transform Domain

웨이브릿 변환 영역에서 스토케스틱 영상 모델을 이용한 적응 디지털 워터마킹

This paper presents perceptual model with a stochastic multiresolution characteristic that can be applied with watermark embedding in the biorthogonal wavelet domain. The perceptual model with adaptive watermarking algorithm embeds at the texture and edge region for more strongly embedded watermark by the SSQ. The watermark embedding is based on the computation of a NVF that has local image properties. This method uses non- stationary Gaussian and stationary Generalized Gaussian models because watermark has noise properties. The particularities of embedding in the stationary GG model use shape parameter and variance of each subband regions in multiresolution. To estimate the shape parameter, we use a moment matching method. Non-stationary Gaussian model uses the local mean and variance of each subband. The experiment results of simulation were found to be excellent invisibility and robustness. Experiments of such distortion are executed by Stirmark 3.1 benchmark test.

본 논문에서는 쌍직교 웨이브릿 영역에서 워터마크를 삽입할 수 있는 연속 부대역 양자화 및 스토케스틱 다해상도 특성을 갖는 지각 모델을 제안한다. 적응 워터마킹 알고리즘을 갖는 지각모델은 보다 강인한 워터마크 은닉을 위한 방법으로 연속 부대역 양자화(successive subband quantization: SSQ)에 의해서 텍스쳐 및 에지 영역에 삽입한다. 워터마크 삽입은 국부 영상 특성을 갖는 NVF(noise visibility function)함수에 의해 계산된다. 이 방법은 워터마크가 노이즈 특성을 갖기 때문에 영상의 통계적 특성에 기초한 비정상상태(non-stationary state) 가우스 모델과 정상상태(stationary state) 일반화 가우스(generalized Gaussian: GG)모델을 이용한다. 정상상태 GG모델의 삽입은 다해상도 내의 각 부대역별 분산과 형상계수(shape parameter)를 사용한다. 형상계수를 추정하기 위하여 모멘트 정합 방법을 사용한다. 비정상상태 가우스 모델은 각 부대역의 국부 평균 및 분산을 이용한다. 실험결과 우수한 비가시성과 강인성을 확인하였으며, 공격에 대한 실험으로 Stirmark 3.1 benchmark test를 수행하였다.