TĂNG CƯỜNG mức độ ổn ĐỊNH của THỦY vân dựa TRÊN mô HÌNH ẢNH đa TẦNG và các điểm đặc TRƯNG ẢNH

TĂNG CƯỜNG MỨC ĐỘ ỔN ĐỊNH CỦA THỦY VÂN DỰA TRÊN MÔ HÌNH ẢNH ĐA TẦNG VÀ CÁC ĐIỂM ĐẶC TRƯNG ẢNH Phan Đăng Khuyên Trường THPT Phan Bội Châu, TP.Pleiku, Gia Lai, số 24 Hùng Vương, TP.Pleiku, Gia Lai Email: admin@thpt-pbcgialai.edu.vn TS Nguyễn Phi Bằng Research Engineer, Engineering Human-Computer Interaction Research Group, LIG, Grenoble INP Email:luong@l2ti.univ-paris13.fr TS Đặng Thành Trung Khoa CNTT, Trường ĐHSP Hà Nội, số 136 Xuân Thủy, Cầu Giấy, Hà Nội, Việt Nam Email:trungdt@hnue.edu.vn Tóm tắt: Bài bào trình bày giải pháp nhằm tăng cường mức độ ổn định thủy vân nhúng vào ảnh dựa việc xử lý ảnh không gian tỉ lệ DoG (Difference of Gaussian) Ý tưởng thuật toán việc phân tách ảnh thành lớp không gian tỉ lệ DoG nhúng thủy vân vào dần lớp ảnh sử dụng mô hình JND đa tầng (Just Noticeable Difference) Dựa mô hình này, lược đồ nhúng thủy vân đảm bảo tính suốt ổn định đề xuất Để tăng cường mức độ ổn định thủy vân việc chống lại công không đồng bộ, sử dụng điểm đặc trưng ảnh SIFT (Scale Invariant Feature Tranform) Việc phát điểm đặc trưng tính toán mặt nạ JND thực tầng không gian tỉ lệ DoG nhằm làm giảm độ phức tạp thuật toán Một loạt kết thí nghiệm thực chứng minh tính đắn thuật toán đề xuất Thủy vân nhúng không phát mắt thường ổn định loạt phép công không đồng hóa Print-Scan Camorder Từ khóa: Thủy vân ảnh, đặc trưng ảnh SIFT, mô hình JND, không gian gian sai khác DoG, công không đồng Abstract: In this paper, an improvement for enhancing the robust of watermarking based on DoG scale space and multiscale JND model The main idea of our propsal is to decompose image into DoG space and insert watermark into these sub-images using a multiscale JND Based on this model, an invisible and robust watermarking scheme is proposed In order to overcome desynchronization attacks, we use the SIFT features (Scale Invariant Feature Tranform) Both keypoints detection and JND mask are implemented in DoG scale space aiming to reduce the complexity Several experiments have implemented and the results showed the outstanding performance of our method The watermark is transparent and robust to a variety of attacks such as print-scan and camorder Keyword: Watermarking, SIFT, JND, DoG, De-synchronization Attack Giới thiệu Trong thời đại bùng nổ thông tin, giải pháp bảo mật thông tin sử dụng phố biến hệ mật mã kỹ thuật thủy vân quan tâm lớn phương pháp hiệu Khó khăn thủy vân nhằm giải cân tính ổn định tính suốt thủy vân (không thể phát mắt thường) Đối với vấn đề đầu tiên, hầu hết phương pháp thủy vân đề xuất khả chống lại công cổ điển chẳng hạn lọc, nén, Tuy nhiên, công không đồng luôn vấn đề khó khăn cho hệ thống thủy vân Gần đây, có nhiều phương pháp đề xuất nhằm đối phó với kiểu công Nói chung, chúng phân thành ba loại sau: Loại bao gồm việc nhúng mẫu với thủy vân để xác định biến đổi hình học cho ảnh sau nhúng sau áp dụng biến đổi nghịch đảo [1] Phương pháp làm giảm độ trung thực hình ảnh dung lượng thủy vân phải nhúng thêm mẫu Một phương pháp sử dụng thủy vân tài liệu tham khảo cách nhúng liên tục vị trí không gian khác Khi tính toán tương quan hình ảnh thủy vân với phép biến đổi affine, suy biến affine mô tả thông qua thay đổi kết mẫu tương ứng với vị trí nhúng [2] Loại thứ hai phương pháp nhúng miền bất biến hình học O'Ruanaidh Pun [3] đề xuất việc chuyển đổi hình ảnh vào miền tần số Fourier-Mellin, biết đến bất biến với phép xoay, co giãn tịnh tiến (RST) Trong [4] , Đông cộng đề xuất phương pháp để chống lại phép biến đổi affine cách sử dụng chuẩn ảnh Tuy nhiên, nhược điểm phương pháp chúng chịu phép biến đổi tổng thể ảnh không chịu phép biến đổi cục Để khắc phục vấn đề này, thuật toán gần lấy cảm hứng từ cách tiếp cận KUTTER cộng [5] , xem tiền đề "thế hệ thứ hai" cho phương pháp thủy vân Ý tưởng phương pháp nhằm tìm kiếm điểm đặc trưng ảnh sử dụng chúng để phân chia ảnh thành vùng khác Tiếp đó, thủy vân đưa vào khu vực cục Trong [6] , Bas cộng sử dụng dò góc Harris để khai thác điểm đặc trưng ảnh thực tạo lưới tam giác tập hợp điểm ảnh Sau sử dụng phương pháp nhúng thủy vân lặp lặp lại vào tam giác Một nhược điểm phương pháp dò góc Harris nhạy cảm với phép co giãn ảnh công xử lý tín hiệu Thêm vào đó, thay đổi nhỏ tập hợp điểm đặc trưng dẫn đến thay đổi đáng kể lưới tam giác làm giảm khả phát Để khắc phục vấn đề này, phương pháp đề xuất [7] Trong báo này, tác giả sử dụng điểm đặc trưng ảnh SIFT thay cho Harris phân ảnh thành vùng hình tròn bao quanh điểm đặc trưng Thủy vân đặt hình tròn biến đổi để bất biến phép quay trước nhúng vào ảnh Kỹ thuật ổn định so với việc tạo lưới tam giác phục hồi thủy vân với hình tròn nhiều điểm đặc trưng khác chưa phát Trong báo này, đề xuất phương pháp nhằm tăng cường mức ổn định thủy vân nhúng vào ảnh dựa điểm đặc trưng ảnh không phát mắt thường Trên thực tế, sử dụng đặc trưng SIFT biết đến ổn định với quy mô hình ảnh, xoay phạm vi rộng lớn phép biến đổi affine Tuy nhiên, trái ngược với tất phương pháp trích dẫn, nhúng thủy vân vào ảnh không gian tỉ lệ DoG để tăng mức ổn định Việc phát đặc trưng SIFT tính toán mặt nạ JND thực tầng không gian tỉ lệ DoG nhằm giảm phức tạp thuật toán [7] Để đảm bảo tính khách quan, tính toán mặt nạ JND thực để xác định mức độ tối ưu cho ổn định thủy vân, tức mức độ tối đa thủy vân đạt không làm ảnh hưởng đến tính khách quan Giá trị tính toán mặt nạ JND cho điểm ảnh tầng không gian tỉ lệ DoG kết hợp hệ thống thị giác người (HVS) độ tương phản, độ nhạy cảm [8] , độ sáng [9] độ tương phản mặt nạ [10] Do đó, mô hình không cần yếu tố khác nhận thức mặt nạ Bas [6] đặc điểm nhiễu tầm nhìn (NVF) giới thiệu Voloshynovskiy [11] sử dụng [7] để kiểm soát ổn định thủy vân Hai mô hình dựa số đặc điểm thống kê cục tín hiệu để thích ứng với ổn định thủy vân Có ý kiến cho khu vực hoạt động cao (kết cấu, cạnh) cho phép nhúng thủy vân vào ảnh ổn định khu vực phẳng, nhạy cảm với thị giác người HVS Một nhược điểm phương pháp không cung cấp mức tối ưu cho ổn định thủy vân Hơn nữa, yếu tố sử dụng thực nghiệm làm thay đổi ảnh từ ảnh khác Bài viết tổ chức sau: phần 2.1, trình bày bước lược đồ nhúng thủy vân Lược đồ phát thủy vân ảnh nhúng trình bày phần 2.2 Các kết thí nghiệm trình bày phần 2.3 kết thúc số nhận xét phần kết luận Nội dung nghiên cứu 2.1 Lược đồ nhúng thủy vân Hình mô tả tổng quan bước trình nhúng thủy vân Trong lược đồ này, tỷ lệ phân tách chọn phần tám để giảm độ phức tạp thuật toán đảm bảo thu lượng lớn điểm đặc trưng ổn định SIFT Hình Lược đồ nhúng thủy vân 2.1.1 Phân tách không gian tỷ lệ Sự phân tách không gian chứng minh công cụ mạnh mẽ việc phân tách hình ảnh với biến đổi đa tầng Trên thực tế, Gaussian chứng minh nhân để sinh không gian tỷ lệ tuyến tính [12] Như mô tả [13] , không gian tỷ lệ Gaussian tầng thứ s định nghĩa sau: G s (x, y) = g σs * I(x, y) Trong g σs (1) s/S biến tỉ lệ Gaussian với độ lệnh chuẩn σs tính là: σs = σ0 , σ0 mức tỷ lệ sở s = → S , S tầng lớn (ở S = 5) I(x,y) ảnh đầu vào Kết hàm không gian tỉ lệ Gaussian biểu diễn thông tin ảnh tầng khác không gian tỉ lệ, hai tầng cạnh 1/S phân biệt hệ số nhân k ( k = ) Không gian tỉ lệ DoG lớp s DoGs(x,y), tính sai khác hai tầng liền kề không gian tỉ lệ Gaussian [13] theo công thức: DoG s (x, y) = G s + (x, y) − G s (x, y) ≈ (k − 1)σ 02 ∆ 2G (2) Những hình ảnh không gian tỉ lệ DoG coi tập hình ảnh tựa dải tần với tần số cao f0/0 ,…, f0/S f0 tần số cao không gian tỉ lệ hình ảnh ban đầu Ở đây, cố định f0 = 32 cpd (vòng / độ) cách bắt nguồn từ khoảng cách hiển thị, kích thước hình ảnh độ phân giải hình 2.1.2 Phát điểm đặc trưng Các lớp không gian tỉ lệ DoG xác định số phương trình (2) cung cấp xấp 2 xỉ gần với đạo hàm không gian tỉ lệ tầng Gaussian σ0 ∆ G Bài báo [13] chứng minh cực đại 2 cực tiểu σ0 ∆ G điểm đặc trưng ảnh ổn định so với hàm ảnh khác Hessian hay Harris Vì vậy, tầng DoG, điểm cực trị cục phát cách so sánh điểm ảnh với điểm lân cận tầng điểm lân cận (trong cửa sổ 3x3) tầng liền Để tăng tính ổn định, tất điểm cực trị mà tương phản thấp ngưỡng cho trước điểm cực trị gần cạnh bị loại bỏ không ổn định Vị trí điểm cực trị lựa chọn sinh tập điểm đặc trưng Cuối cùng, mô tả điểm đặc trưng tạo việc thống kê cục độ lớn hướng gradient miền lân cận xung quanh điểm đặc trưng Các vector đặc trưng lưu trữ vào tệp để sử dụng sau 2.1.3 Mô hình JND đa tầng Trong phần này, mô hình JND đa tầng đề xuất để đánh trọng số mức độ nhận thức người nhìn thủy vân Mô hình xem xét ba yêu tố liên quan đến hệ thống thị giác người (HVS): độ nhạy cảm tương phản, ma trận độ sáng ma trận độ tương phản Mô hình JND tương tự mô hình kim tự tháp Laplacian [14] phát triển riêng cho ngữ cảnh báo Tuy nhiên, cần phải ý rằng, phân tách không gian tỉ lệ DoG trình bày phần 2.1.1 biến đổi nghịch đảo nhằm tái cấu trúc thủy vân nên thay không gian tỉ lệ Gaussian ảnh gốc ban đầu trước tính toán cho tầng không gian tỉ lệ DoG (xem hình 2) Sự thay đổi cho phép ảnh khôi phục cách hoàn hảo hình phương trình (6) phần 2.1.4 Hình Biến đổi không gian tỷ lệ 2.1.3.1 Kết hợp nhạy cảm độ tương phản ma trận độ sáng Các nhà tâm sinh lý học đề xuất hàm đánh giá độ nhạy cảm mắt người mức độ tương phản ảnh CSF (Contrast Sensitivity Function) xem hàm số tần số không gian (đơn vị cpd) áp dụng cho miền tần số Để thích ứng tượng cho miền không gian, áp dụng cách tiếp cận [14] Trên thực tế, giai đoạn hình ảnh HVS làm việc máy phân tích đa kênh hàm CSF đo thí nghiệm tâm sinh lý Trong báo này, sử dụng hàm CSF Barten [8] tính linh hoạt đơn giản Hàm CSF Barten mô tả sau: CSF(f ) = a.f exp( −b.f ) + c.exp(b.f ) a= 540(1 + 0.7 / L)− 0.2 12 1+ w(1 + f / 3) b = 0.3(1 + 100 / L) 0.15 (3) c = 0.06 w kích thước hình ảnh gốc, L độ sáng tổng thể đơn vị cd/m2 Các nghiên cứu trước xem xét độ nhạy cảm tương phản thích ứng độ sáng cách phân biệt cách tính hàm CSF mức sáng cố định theo sau ma trận độ sáng Tuy nhiên, từ phương trình (3) thấy hàm CSF biểu diễn phụ thuộc tách rời tần số không gian mức sáng 2.1.3.2 Mặt nạ độ tương phản Hình Không gian Gausian (trên), Qui mô không gian DoG (giữa) mô hình JND tương ứng (dưới) hình ảnh “Ô tô” 0, 2, Mặt nạ tương phản biểu diễn khả hiển thị tín hiệu bị sụt giảm xuất tín hiệu khác Ở đây, sử dụng mô hình tính độ tương phản đề xuất Legge-Foley [10] giá trị điểm ảnh không gian tỉ lệ DoG sử dụng thay cho giá trị tương phản:  Ts (x,y) nÕu DoG s (x,y) ≤ Ts (x,y)  ε JNDs (x,y) =   DoGs (x,y)  ÷÷ ng­îc l¹i  Ts (x,y)   Ts (x,y)   Trong (4) DoGs ( x, y ) phản hồi kênh thứ sth không gian tỉ lệ DoG điểm (x, y), ε hệ số mô tả mức độ mặt nạ, 0.6 ≤ ε ≤ [10] Hình vẽ minh họa hình ảnh mặt nạ JND ba mức không gian tỉ lệ DoG 2.1.4 Nguyên tắc nhúng Với ảnh không gian tỉ lệ DoG, lưới tam giác tạo dựa tập điểm đặc trưng phát cho phép phân tách ảnh đầu vào thành tam giác: Tr = {Tri} Lưới tam giác có số đặc trưng hữu ích: Tính nhất: Lưới tam giác tập hợp điểm đầu vào Thậm chí điểm đầu vào di chuyển bên khu vực (gọi khu vực ổn định) lưới không thay đổi − Cục bộ: Nếu đỉnh biến mất, lưới tam giác bị chỉnh sửa hình tam giác liên kết với đỉnh − Một thủy vân kích thước 64x64 với phần tử nằm tập hợp {-1,1} sinh ngẫu nhiên với phương sai trung bình không (hình 4a) Thủy vân biến đổi nhúng vào tam giác vuông cân Trw (hình 4b) (a) (b) Hình Ảnh (a) thủy vân gốc (64x64); Ảnh (b) thủy vân biến đổi nhúng vào vùng đặc trưng Các thủy vân Trw sau đóng gói vào hình dạng tam giác Tri cách áp dụng phép biến đổi affine Độ lớn góc xếp để thu phép biến đổi [6] Thủy vân Trw thêm vào tam giác mức không gian tỉ lệ DoG sau đánh trọng số tương ứng với giá trị JND: Triw = Tri + JNDTri Trw (5) Ảnh nhúng thủy vân sau xây dựng lại công thức: I w ( x, y ) = S −1 ∑ DoG sw ( x, s =0 y ) + GS ( x , y ) (6) 2.2 Lược đồ phát Lược đồ trình phát thủy vân hiển thị hình Trước hết, điểm đặc trưng phát Tiếp đến, tập hợp điểm đặc trưng so sánh với điểm đặc trưng lấy từ tệp lưu trữ Chỉ điểm đặc trưng trùng khớp với sử dụng cho việc phát thủy vân Tại tầng thứ s không gian tỉ lệ DoG, lưới tam giác tính toán dựa tập hợp điểm đặc trưng lựa chọn Hình Lược đồ phát thủy vân Mỗi tam giác Tria sau phân tách bị biến dạng thành hình dạng Trw (tam giác cân góc bên phải) Sau đó, tất tam giác cộng gộp lại mối tương quan tuyến tính với Trw tính sau: Cors = Trsum (x, y)Trw (x, y) L ( x ,y) ∑ (7) Trong L kích thước trình tự thủy vân (64x64) Trsum tổng hợp tất tam giác Tria Tiếp đến giá trị tương quan so sánh với ngưỡng định Th để định xem thủy vân có tồn hay không Lưu ý Cors>Th cần thực cấp đủ để xác định thủy vân hình ảnh thử nghiệm hay không Theo tiêu chuẩn Neyman-Pearson, ngưỡng tính cách sửa chữa ngưỡng định Cho đến nay, phát tối ưu phát triển cho kênh AWGN (được mô hình hóa số luật phân phối đơn giản trường hợp công công phân phối Gaussian) Do đó, xem xét ngưỡng định thủy vân ngẫu nhiên Trong trường hợp này, đầu phát sau luật phân phối Gaussian Do đó, ngưỡng định tính sau: Pfa = P(Cors > Th | H ) =  erfc    Trong thực nghiệm, chọn Th = 3.9 Th 2σH0 2σH0  ÷ ÷  (8) cho ngưỡng để đánh giá 10-8 σH0 ước tính trực tiếp ảnh không sử dụng thủy vân 10000 trình tự khác Bảng Đánh giá tính vô hình thủy vân Hình ảnh DSIS Komparator PSNRwav Khỉ đầu chó Thuyền Ô tô 527.56 15.96 Lena 4.8 4.9 4.2 263.68 229.33 368.18 19.96 21.62 21.99 Hồ tiêu Máy bay 4.6 327.26 23.04 4.1 244.97 22.59 Chú ý Komparator cho thấy mức độ biến dạng PSNRwav cho thấy độ trung thực ảnh gốc ảnh thủy vân 2.3 Các kết thực nghiệm Mặc dù chứng minh kết cho ả nh màu Trên thực tế, độ sáng ảnh sử dụng để thực tính toán thành phần quan trọng ảnh Hình ảnh chuyển đổi thành không gian màu YCbCr sau có thành phần độ sáng Y sử dụng để nhúng thủy vân Như hình 6, ảnh gốc ảnh thủy vân mặt nhận thức phân biệt Các thí nghiệm khác thực loạt hình ảnh tự nhiên để xác nhận việc thực phương pháp ổn định khó phát mắt thường Do không gian hạn chế để tạo điều kiện cho việc so sánh, đánh giá kết cho hình ảnh Hình Ảnh gốc (trái), ảnh nhúng thủy vân (giữa) ảnh sai khác (phải) 2.3.1 Đánh giá tính vô hình thủy vân Để đánh giá tính vô hình thủy vân, thử nghiệm chủ quan DSIS (Double Stimuli Impair Scale) thực người quan sát với điều kiện kiểm tra [15] Có mức độ đánh giá bao gồm 5-không thể cảm nhận, 4-chấp nhận được, 3-hơi có nhiễu, 2-có nhiễu, 1-không chấp nhận Bên cạnh đó, đánh giá khách quan thực hai số Komparator [16] PSNRwav [17] Các số lựa chọn sau so sánh đánh giá tổng số 16 số tương quan số chủ quan MOS Theo thử nghiệm, hai số đo độ tương quan Komparator PSNRwav cao so với số đo độ chủ quan MOS Các kết đánh giá mức độ vô hình phương pháp đề xuất so với ảnh gốc thể Bảng Các giá trị cho thấy tính vô hình thuật toán đề xuất tốt Tuy nhiên, số chưa khả quan số hình ảnh như: khỉ đầu chó, máy bay Điều chủ yếu cấu trúc hình ảnh có xu hướng tạo thuận lợi cho hình ảnh mặt nạ mức độ biến dạng cao đo số 2.3.2 Đánh giá ổn định Để đánh giá ổn định phương pháp đề xuất, loạt thí nghiệm áp dụng dụng cho ảnh thủy vân bao gồm kỹ thuật công xử lý tín hiệu kỹ thuật công không đồng Do hạn chế công cụ thời gian, xem xét ba kỹ thuật công bao gồm: ảnh máy quay, ảnh máy in máy quét, ảnh bị công phép toán công không đồng [18] Tấn công "Máy quay": công thực cách chụp hình ảnh hình máy tính với máy ảnh Canon IXUS 125HS − Tấn công "máy in máy quét": công bao gồm in hình ảnh mức độ đen trắng tờ giấy A4 máy in laser shot LBP-1120 quét độ phân giải 600dpi − Tấn công không đồng (Desynchornization Attacks): công không đồng phần mở rộng công hình học cổ điển Barni đề xuất cộng [18] Họ chứng minh ổn định bị công − so với công Stirmark Các kết thực nghiệm trình bày Bả ng Dựa giá trị này, thấy rõ phương pháp đề xuất tốt phương pháp Bas Digimarc cho hầu hết công Đặc biệt, thủy vân tồn qua nhiều công nghiêm trọng như: máy quay, máy in máy quét mà phương pháp Digimarc thực Tuy nhiên, phương pháp đề xuất phương pháp Bas không hiệu kỹ thuật công thuộc nhóm "xử lý tín hiệu" giống ảnh nén, ảnh bị làm nhiễu, v.v so với phương pháp Digimarc 10 Bảng Đánh giá ổn định Tấn công In-Scan Nén Jpeg Xoay Jpeg2000 (bpp) Lọc Gaussian Phương pháp Khỉ đầu chó Thuyền Ô tô Đề xuất Bas Digimarc Đề xuất Bas Digimarc Đề xuất Bas Digimarc Đề xuất Digimarc Đề xuất Digimarc Ok Failed Failed 35% 50% 18% 250 100 All 0.6 0.3 Ok Ok Lena Hồ tiêu Máy bay Ok Ok Ok Ok Ok Ok Ok Ok Failed Failed Failed Failed 40% 20% 45% 40% 50% 50% 50% 50% 30% 25% 30% 30% 250 300 300 250 0 10 10 10 100 All All All All 0.3 0.3 0.3 0.3 0.4 0.3 0.3 0.3 Ok Ok Ok Ok Ok Ok Ok Ok Ok Ok Failed 30% 50% 30% 350 100 All 0.2 0.3 Ok Ok 2.4 Kết luận hướng phát triển Bài báo trình bày cách tiếp cận cho việc nhúng thủy vân ảnh không gian tỉ lệ DoG nhằm tăng mức độ ổn định để chống lại công không đồng Việc dùng mô hình JND đa tầng đơn giản hiệu cách khai thác đặc trưng HVS Thứ nhất, độ nhạy tương phản độ sáng thích nghi kết hợp thông qua hàm CSF Barten Thứ hai, mô hình mặt nạ tương phản tích hợp từ việc biến đổi mô hình sở Legge Foley cho không gian tỷ lệ Các kết thực nghiệm cho thấy phương pháp đề xuất có hiệu suất tốt ổn định tính vô hình thủy vân Trong tương lại, nghiên cứu xa cho việc nhúng thủy vân vào video tiến hành Tài liệu tham khảo [1] Madeira SC, Oliveira AL Biclustering Algorithms for Biological Data Analysis: A Sur Pereira, S and Pun, T.: Fast robust template matching for affine resistant image watermarks In Proc of 3rd Int Information Hiding [2] Workshop, pp 207-218 (1999) Kutter, M.: Watermarking resisting to translation, rotation and scaling In Proc of SPIE: Multimedia Systems and Applications, vol 3528, pp 423-431 (1998) 11 [3] O’Ruanaidh, J J K and Pun, T.: Rotation, scale and translation invariant digital image watermarking In Signal Processing, vol 66, No 3, pp 303-317 [4] (1998) Dong, P., Brankov, J G., Galatsanos, N P., Yang, Y and Davoine, F.: Digital watermarking robust to geometric distortions In IEEE Transactions [5] on Image Processing, vol 14, pp 2140-2150 (2003) Kutter, M., Bhattacharjee, S K., Ebrahimi, T.: Towards second generation watermarking schemes In International Conference on Image Processing, [6] vol 1, pp 320-323 (1999) Bas, P., Chassery, J M and Macq, B.: Geometrically invariant watermarking using feature points In IEEE Trans on Image Processing, vol [7] 11, No 9, pp 1014-1028, (2002) Lee, H Y., Kim, H and Lee, H K.: Robust Image Watermarking using local Invariant Features In SPIE Journal of Optical Engineering, 45(3), pp [8] 1-11 (2006) Barten, P G J.: Evaluation of Subjective Image Quality with the SquareRoot Integral Method In Journal of the Optical Society of America A: [9] Optics, Image Science, and Vision, vol 7, issue 10, pp 2024-2031 (1990) Chou, C H and Li, Y C.: A perceptually Tuned Subband Image Coder Based on the Measure of Just-Noticeable-Distortion Profile In IEEE Transaction on Circuits and Systems for Video Technology 5, vol 6, pp 467–476 (1995) [10] 10 Legge, G E and Foley, J M.: Contrast Masking in Human Vision In Journal of the Optical Society of America 70, pp 1458–1471 (1980) [11] 11 Voloshynovskiy, S., Herrigel, A., Baumgärtner, N., Pun, T.: A stochastic approach to content adaptive digital image watermarking LNCS, vol 1768, pp 211-236, Springer, Heidelberg (2000) [12] 12 Lindeberg, T.: Scale-Space Theory in Computer Vision Kluwer Academic Publishers (1994) [13] 13 Lowe, D G.: Distinctive image features from scale-invariant keypoints In International Journal of Computer Vision, 60, pp 91-110, (2004) 14 Nguyen, P B., Beghdadi, A and Luong, M.: Perceptual watermarking using pyramidal JND maps [14] In Proc of 10th IEEE International Symposium on Multimedia, pp 418-423, Berkeley, CA, USA (2008) 15 ITU-R BT.500-10 Recommendation, “Methodology for the Subjective Assessment of the Quality [15] of Television Pictures”, Draft Revision 12 [16] 16 Barba, D and Le Callet, P.: A robust quality metric for color image quality assessment In Proc of IEEE International Conference on Image Processing, pp.437-440 (2003) 17 Beghdadi, A and Pesquet-Popescu, B.: A New Image Distortion Measure Based on Wavelet [17] Decomposition In Proc of 7th IEEE ISSPA, vol 2, pp 485-488, Paris, France (2003) 18 Barni, M., D'Angelo, A and Merhav, N.: Expanding the class of watermark de synchronization [18] attacks In Proc of 9th ACM Workshop on Multimedia and Security, pp 195-204, Dallas, USA, (2007) 19 Phi Bang Nguyen, Azeddine Beghdadi, and Marie Luong “Robust Watermarking in DoG Scale [19] Space Using a Multi-scale JND Model”, L2TI Laboratory, Galilee Institute 99, Ave J B Clement 93430 Villetaneuse, France, 2009 13 ... thủy vân với hình tròn nhiều điểm đặc trưng khác chưa phát Trong báo này, đề xuất phương pháp nhằm tăng cường mức ổn định thủy vân nhúng vào ảnh dựa điểm đặc trưng ảnh không phát mắt thường Trên. .. soát ổn định thủy vân Hai mô hình dựa số đặc điểm thống kê cục tín hiệu để thích ứng với ổn định thủy vân Có ý kiến cho khu vực hoạt động cao (kết cấu, cạnh) cho phép nhúng thủy vân vào ảnh ổn định. .. bình không (hình 4a) Thủy vân biến đổi nhúng vào tam giác vuông cân Trw (hình 4b) (a) (b) Hình Ảnh (a) thủy vân gốc (64x64); Ảnh (b) thủy vân biến đổi nhúng vào vùng đặc trưng Các thủy vân Trw sau