Tăng cường mức độ ổn định của thủy vân dựa trên mô hình ảnh đa tầng và các điểm đặc trưng ảnh

Bài viết trình bày một giải pháp nhằm tăng cường mức độ ổn định của thủy vân khi nhúng vào ảnh dựa trên việc xử lí ảnh trong không gian tỉ lệ DoG (Difference of Gaussian). Ý tưởng chính của thuật toán là việc phân tích ảnh thành các lớp trong không gian tỉ lệ DoG và nhúng thủy vân vào dần các lớp ảnh này sử dụng mô hình JND đa tầng (Just Noticeable Difference).

JOURNAL OF SCIENCE OF HNUE Educational Sci., 2015, Vol 60, No 7A, pp 169-179 This paper is available online at http://stdb.hnue.edu.vn DOI: 10.18173/2354-1075.2015-0064 TĂNG CƯỜNG MỨC ĐỘ ỔN ĐỊNH CỦA THỦY VÂN DỰA TRÊN MƠ HÌNH ẢNH ĐA TẦNG VÀ CÁC ĐIỂM ĐẶC TRƯNG ẢNH Phan Đăng Khuyên1 , Nguyễn Phi Bằng2 , Đặng Thành Trung3 Trường Research THPT Phan Bội Châu, Thành phố Pleiku, Gia Lai Engineer, Engineering Human-Computer Interaction Research Group, LIG, Grenoble INP Khoa Công nghệ Thông tin, Trường Đại học Sư phạm Hà Nội Tóm tắt Bài bào trình bày giải pháp nhằm tăng cường mức độ ổn định thủy vân nhúng vào ảnh dựa việc xử lí ảnh không gian tỉ lệ DoG (Difference of Gaussian) Ý tưởng thuật tốn việc phân tách ảnh thành lớp không gian tỉ lệ DoG nhúng thủy vân vào dần lớp ảnh sử dụng mơ hình JND đa tầng (Just Noticeable Difference) Dựa mơ 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 tốn mặt nạ JND thực tầng không gian tỉ lệ DoG nhằm làm giảm độ phức tạp thuật tốn 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, mơ hình JND, khơng gian gian sai khác DoG, công không đồng Mở đầu Trong thời đại bùng nổ thông tin, ngồi giải pháp bảo mật thơng tin sử dụng phố biến hệ mật mã kĩ 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 cơng Nói chung, chúng phân thành ba loại sau: Loại bao gồm việc nhúng Ngày nhận bài: 10/7/2015 Ngày nhận đăng: 15/11/2015 Liên hệ: Phan Đăng Khuyên, e-mail: admin@thpt-pbcgialai.edu.vn 169 Phan Đăng Khuyên, Nguyễn Phi Bằng, Đặng Thành Trung 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 khơng gian khác Khi tính tốn tương quan hình ảnh thủy vân với phép biến đổi affine, suy biến affine mơ tả thơng 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 cơng xử lí 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 Kĩ thuật ổn định so với việc tạo lưới tam giác ln 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 mơ 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 tốn mặt nạ JND thực tầng không gian tỉ lệ DoG nhằm giảm phức tạp thuật tốn [7] Để đảm bảo tính khách quan, tính tốn mặt nạ JND thực để xác định mức độ tối ưu cho ổn định thủy vân, tức mức độ tối đa thủy vân đạt khơng làm ảnh hưởng đến tính khách quan Giá trị tính tốn 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, mơ hình khơng 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 mơ hình dựa số đặc điểm thống kê cục tín hiệu để thích ứng với ổn định thủy 170 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh 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, chúng tơi 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 2.1 Nội dung nghiên cứu Lược đồ nhúng thủy vân Hình mơ tả tổng quan bước trình nhúng thủy vân Trong lược đồ này, tỉ 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 tỉ 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 tỉ lệ tuyến tính [12] Như mơ tả [13], không gian tỉ lệ Gaussian tầng thứ s định nghĩa sau: Gs (x, y) = gσs ∗ I(x, y) (2.1) Trong gσs biến tỉ lệ Gaussian với độ lệnh chuẩn σs tính là: σs = σ0 2s/S , σ0 mức tỉ 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 phân biệt hệ số nhân k (k = 21/S ) 171 Phan Đăng Khuyên, Nguyễn Phi Bằng, Đặng Thành Trung 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: DoGs (x, y) = Gs+1 (x, y) − Gs (x, y) ≈ (k − 1)σ02 ∆2 G (2.2) Những hình ảnh khơng gian tỉ lệ DoG coi tập hình ảnh tựa dải tần với tần số cao f0 /σ0 , , f0 /σS f0 tần số cao khơng 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 (2.2) cung cấp xấp xỉ gần với đạo hàm không gian tỉ lệ tầng Gaussian σ02 ∆2 G Bài báo [13] chứng minh cực đại cực tiểu σ02 ∆2 Glà 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 khơng 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 Mơ hình JND đa tầng Trong phần này, mơ hình JND đa tầng đề xuất để đánh trọng số mức độ nhận thức người nhìn thủy vân Mơ hình xem xét ba u tố liên quan đến hệ thống thị giác người (HVS): độ nhạy cảm tương phản, ma trận độ sáng ma trận độ tương phản Mơ hình JND tương tự mơ hình kim tự tháp Laplacian [14] phát triển riêng cho ngữ cảnh báo Tuy nhiên, cần phải ý rằng, phân tách khơng 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 tốn cho tầng khơng gian tỉ lệ DoG (xem hình 2) Sự thay đổi cho phép ảnh khơi phục cách hồn hảo hình phương trình (2.6) phần 2.1.4 * Kết hợp nhạy cảm độ tương phản ma trận độ sáng Các nhà tâm sinh lí 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 lí Trong báo này, sử dụng hàm CSF Barten [8] tính linh hoạt đơn giản Hàm CSF Barten mô tả sau: 172 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh Hình Biến đổi khơng gian tỉ lệ (2.3) CSF (f ) = a.f exp(−b.f ) + c exp(b.f ) a= 540(1 + 0.7/L)−0.2 12 + w(1+f /3) b = 0.3(1 + 100/L)0.15 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 (2.3) thấy hàm CSF biểu diễn phụ thuộc tách rời tần số không gian mức sáng * Mặt nạ độ tương phản Mặt nạ tương phản biểu diễn khả hiển thị tín hiệu bị sụt giảm xuất tín hiệu khác Ở đây, chúng tơi sử dụng mơ 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: JN Ds (x, y) = Ts (x, y) Ts (x, y) |DoGs (x,y)| Ts (x,y) |DoGs (x, y)| ≤ Ts (x, y) ε ngược lại (2.4) Trong 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: T r = T ri 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 khơng thay đổi 173 Phan Đăng Khuyên, Nguyễn Phi Bằng, Đặng Thành Trung Hình Khơng gian Gausian (trên), Quy mơ khơng gian DoG (giữa) mơ hình JND tương ứng (dưới) hình ảnh “Ơ tơ” 0, 2, - 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 khơng (hình 4a) Thủy vân biến đổi nhúng vào tam giác vng cân T rw (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 T rw sau đóng gói vào hình dạng tam giác T ri cách áp dụng phép biến đổi affine Độ lớn góc xếp để thu phép biến 174 Tăng cường mức độ ổn định thủy vân dựa mô hình ảnh đa tầng điểm đặc trưng ảnh đổi [6] Thủy vân T rw thêm vào tam giác mức không gian tỉ lệ DoG sau đánh trọng số tương ứng với giá trị JND: T riw = T ri + JN DT ri T rw (2.5) Ảnh nhúng thủy vân sau xây dựng lại cơng thức: S−1 DoGsw (x, y) + GS (x, y) Iw (x, y) = (2.6) s=0 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 tốn dựa tập hợp điểm đặc trưng lựa chọn Hình Lược đồ phát thủy vân Mỗi tam giác T ria sau phân tách bị biến dạng thành hình dạng T rw (tam giác cân góc bên phải) Sau đó, tất tam giác cộng gộp lại mối tương quan tuyến tính với T rw tính sau: Cors = L T rsum (x, y)T rw (x, y) (2.7) (x,y) Trong L kích thước trình tự thủy vân (64x64) T rsum tổng hợp tất tam giác T ria 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 khơng Theo tiêu chuẩn Neyman-Pearson, ngưỡng tính cách sửa chữa ngưỡng định Cho đến nay, phát tối ưu phát triển cho kênh AWGN (được mơ hình hóa số luật phân phối đơn giản trường hợp khơng có cơng cơng phân phối Gaussian) Do đó, chúng tơi xem xét ngưỡng định thủy vân 175 Phan Đăng Khuyên, Nguyễn Phi Bằng, Đặng Thành Trung ngẫu nhiên Trong trường hợp này, đầu phát sau luật phân phối Gaussian Do đó, ngưỡng định tính sau: Th erf c √ (2.8) 2σH0 √ Trong thực nghiệm, chọnT h = 3.9 2σH0 cho ngưỡng để đánh giá 10−8 σH0 ước tính trực tiếp ảnh khơng sử dụng thủy vân 10000 trình tự khác Pf a = P (Cors > T h|H0 ) = Hình ảnh DSIS Komparator PSNRwav Bảng Đánh giá tính vơ hình thủy vân Khỉ đầu chó Thuyền Ơ tơ Lena Hồ tiêu 4.8 4.9 4.2 4.6 527.56 263.68 229.33 368.18 327.26 15.96 19.96 21.62 21.99 23.04 Máy bay 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 ảnh màu Trên thực tế, độ sáng ảnh sử dụng để thực tính tốn thành phần quan trọng ảnh Hình ảnh chuyển đổi thành khơng 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 chúng tơi 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 vơ hình thủy vân Để đánh giá tính vơ 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-khơng thể cảm nhận, 4-chấp nhận được, 3-hơi có nhiễu, 2-có nhiễu, 1-khơng 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 176 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh 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 vơ hình phương pháp đề xuất so với ảnh gốc thể Bảng Các giá trị cho thấy tính vơ hình thuật tốn 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 kĩ thuật công xử lí tín hiệu kĩ thuật công không đồng Do hạn chế công cụ thời gian, xem xét ba kĩ thuật công bao gồm: ảnh máy quay, ảnh máy in máy quét, ảnh bị cơng phép tốn cơng khơng đồng [18] - Tấn công "Máy quay": cơng thực cách chụp hình ảnh hình máy tính với máy ảnh Canon IXUS 125HS - Tấn công "máy in máy qt": cơng 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 cơng hình học cổ điển Barni đề xuất cộng [18] Họ chứng minh ổn định bị cơng so với công Stirmark Các kết thực nghiệm trình bày Bảng 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 kĩ thuật cơng thuộc nhóm "xử lí tín hiệu" giống ảnh nén, ảnh bị làm nhiễu, v.v so với phương pháp Digimarc Tấn công In-Scan Nén Jpeg Xoay Jpeg2000 (bpp) Lọc Gaussian Phương pháp Đề xuất Bas Digimarc Đề xuất Bas Digimarc Đề xuất Bas Digimarc Đề xuất Digimarc Đề xuất Digimarc Bảng Đánh giá ổn định Khỉ đầu chó Thuyền Ơ tơ Ok Ok Ok Failed Ok Ok Failed Failed Failed 35% 40% 20% 50% 50% 50% 18% 30% 25% 250 250 300 0 10 10 100 All All All 0,6 0,3 0,3 0,3 0,4 0,3 Ok Ok Ok Ok Ok Ok Lena Ok Ok Failed 45% 50% 30% 300 100 All 0,3 0,3 Ok Ok Hồ tiêu Ok Ok Failed 40% 50% 30% 250 100 All 0,3 0,3 Ok Ok Máy bay Ok Ok Failed 30% 50% 30% 350 100 All 0,2 0,3 Ok Ok 177 Phan Đăng Khuyên, Nguyễn Phi Bằng, Đặng Thành Trung 2.4 Kết luận 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 mơ 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 thơng qua hàm CSF Barten Thứ hai, mơ hình mặt nạ tương phản tích hợp từ việc biến đổi mơ hình sở Legge Foley cho khơng gian tỉ lệ Các kết thực nghiệm cho thấy phương pháp đề xuất có hiệu suất tốt ổn định tính vơ 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 Workshop, pp 207-218 (1999) [2] Kutter, M Watermarking resisting to translation, rotation and scaling In Proc of SPIE: Multimedia Systems and Applications, vol 3528, pp 423-431 (1998) [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 (1998) [4] Dong, P., Brankov, J G., Galatsanos, N P., Yang, Y and Davoine, F Digital watermarking robust to geometric distortions In IEEE Transactions on Image Processing, vol 14, pp 2140-2150 (2003) [5] Kutter, M., Bhattacharjee, S K., Ebrahimi, T Towards second generation watermarking schemes In International Conference on Image Processing, vol 1, pp 320-323 (1999) [6] Bas, P., Chassery, J M and Macq, B Geometrically invariant watermarking using feature points In IEEE Trans on Image Processing, vol 11, No 9, pp 1014-1028, (2002) [7] Lee, H Y., Kim, H and Lee, H K., 2006 Robust Image Watermarking using local Invariant Features In SPIE Journal of Optical Engineering, 45(3), pp 1-11 [8] Barten, P G J., 1990 Evaluation of Subjective Image Quality with the Square-Root Integral Method In Journal of the Optical Society of America A: Optics, Image Science, and Vision, vol 7, issue 10, pp 2024-2031 [9] Chou, C H and Li, Y C., 1995 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 [10] Legge, G E and Foley, J M., 1980 Contrast Masking in Human Vision In Journal of the Optical Society of America 70, pp 1458-1471 [11] Voloshynovskiy, S., Herrigel, A., Baumgăartner, N., Pun, T., 2000 A stochastic approach to content adaptive digital image watermarking LNCS, vol 1768, pp 211-236, Springer, Heidelberg 178 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh [12] Lindeberg, T., 1994 Scale-Space Theory in Computer Vision Kluwer Academic Publishers [13] Lowe, D G., 2004 Distinctive image features from scale-invariant keypoints In International Journal of Computer Vision, 60(2), pp 91-110 [14] Nguyen, P B., Beghdadi, A and Luong, M., 2008 Perceptual watermarking using pyramidal JND maps In Proc of 10th IEEE International Symposium on Multimedia, pp 418-423, Berkeley, CA, USA [15] Iternational Telecommunication Union, 2012 Methodology for the Subjective Assessment of the Quality of Television Pictures Https://www.itu.int/rec/R-REC-BT.500-13-201201-I/en [16] Barba, D and Le Callet, P., 2003.A robust quality metric for color image quality assessment In Proc of IEEE International Conference on Image Processing, pp.437-440 [17] Beghdadi, A and Pesquet-Popescu, B., 2003, A New Image Distortion Measure Based on Wavelet Decomposition In Proc of 7th IEEE ISSPA, vol 2, pp 485-488, Paris, France [18] Barni, M., D’Angelo, A and Merhav, N., 2007 Expanding the class of watermark de synchronization attacks In Proc of 9th ACM Workshop on Multimedia and Security, pp 195-204, Dallas, USA [19] Phi Bang Nguyen, Azeddine Beghdadi, and Marie Luong, 2009 Robust Watermarking in DoG Scale Space Using a Multi-scale JND Model L2TI ABSTRACT Enhance robustness for watermarking based on keypoint features In this paper, an improvement is presented to enhance the robustness of watermarking based on a DoG scale space and a multiscale JND model The object of our propsal is to decompose an image into DoG space and insert a 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 de-synchronization attacks, we make use of SIFT features (Scale Invariant Feature Tranformation) Both keypoint detection and JND masking are implemented in the DoG scale space to reduce complexity Several experiments were completed and the results obtained show outstanding performance of our method The watermark is transparent and able to resist attacks such as print-scan and camorder Keywords: Watermarking, SIFT, JND, DoG, De-synchronization Attack 179 ... kiểm soát ổn định thủy vân Hai mơ hình dựa số đặc điểm thống kê cục tín hiệu để thích ứng với ổn định thủy 170 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh vân Có... vào hình dạng tam giác T ri cách áp dụng phép biến đổi affine Độ lớn góc xếp để thu phép biến 174 Tăng cường mức độ ổn định thủy vân dựa mơ hình ảnh đa tầng điểm đặc trưng ảnh đổi [6] Thủy vân. .. 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