云计算环境下的QR码双重加密复合数字水印算法

马 婷，李 佳

(中国民用航空飞行学院 计算机学院，四川 广汉 618307)

0 引言

在大数据以及网络等技术取得了迅猛发展的背景下，应运而生的云计算环境可以满足对大数据的存储及运算效力。云计算技术让人们走进了信息共享时代，带来便利的同时也产生了一定的弊端，大量的信息与此同时被转载、盗用，因此上传到云端数据的安全性就显得格外重要。对于共享信息来说，要能够对其版权提供有力保护，有效避免共享信息被盗用，信息隐藏领域的数字水印技术恰好在对上传到云环境的数字产品版权保护方面是最好的选择。

文献[1-4]对联合水印算法提出了不同思路的优化。饶俊慧等[1]以联合离散余弦变换(Discrete Cosine Transform，DCT)和奇异值分解(Singular Value Decomposition，SVD)(DCT-SVD)嵌入半脆弱水印的方法能更好地感知水印，得到了较好的稳健性。王玉莹等[2]以离散小波变换(Discrete Wavelet Transform，DWT)和DCT(DWT-DCT)为理论基础，对一种复合水印算法做出了改进，改进后的算法在对常规攻击问题的解决过程中，能够取得极为出色的抵抗效果，从水印的安全性角度展开分析，算法能够完成对水印信息的2次加密处理，使其具有极高的安全性。黄根岭等[3]采用两变换联合对DWT-DCT-SVD三重联合的水印方法进行了调整，使水印具有了更高的鲁棒性。白浩印[4]和展虎等[5]对一种新的水印技术进行了研究并以非下采样轮廓波变换(Non-subsampled Contourlet Transform，NSCT)为基础，分别提出了DWT-Schur盲检测和DCT-DWT-SVD四变换联合，文献[4]的盲检测对水印的隐蔽性做了很好的处理，文献[5]表明当受到滤波以及泊松噪音等攻击时，该算法能够展现出极强的抗攻击稳定性。文献[6-7]借助二联合变换来完成对水印的处理，并选用ZUC以及Arnold充当加密方法，使水印具有了更高的安全性。毛新光[8]在对水印算法的研究过程中，对快速响应 (Quick Response，QR) 码进行了引入，以此来充当加密方法，从而为QR码提供保护，使其稳定性得到了提升。陈星娥等[9]在对SVD水印算法的研究过程中，对QR码进行了引入，能够清晰地提取QR码。栾炜等[10]以DWT-SVD为理论基础，在其双重水印算法中引入了QR码。吴强等[11]以DWT-FRFT为理论依据，在其双重水印算法中引入了QR码，在对水印图像的提取过程中，部分图像存在失真问题。张汝汝[12]以DWT-DCT-SVD为理论依据，在其三重水印算法中引入了QR码，同时完成了对加密算法的优化，并表示QR码在安全领域中发挥着重要作用。文献[13-15]对彩色图像水印算法进行了研究，引入了QR码，使算法具有了更高的稳定性，证明QR码具有极为广泛的应用范围。

QR 码被广泛运用在各个领域中，人们可借助扫码来快速对相关信息进行获取，各类数据信息均可被存储在QR码中，同时具有极为强大的纠错能力[7]，因此，在QR码中引入水印技术之后，能够使算法的稳定性以及信息的嵌入量得到显著提升。文献[16-17]提出了NSCT，与轮廓波变换相比，NSCT不仅继承了其相关优点，同时在其他方面具有独特优势。对于图像分析来说，其使小波变换存在的缺点得到了有效弥补，不仅能够使多尺度分析得到实现，同时还存在着平移不变性以及多方向异性等优势。在对SVD的使用过程中，可完成对图像特征的解析，以SVD存在的相关特点为依据，其在水印算法中发挥着重要作用，不仅能够使其鲁棒性得到提升，还能够提升其抵抗几何攻击的能力。

以上述分析为依据，针对云环境下数据安全性考虑，以应用性较强的QR码为理论基础，提出了NSCT-DWT-SVD双重加密复合数字水印算法，该算法可在多幅图像的分析过程中发挥重要作用。对其展开仿真分析，以分析结果为依据，该算法可借助双重加密使其安全性得到提升，同时还具有极高的透明性。不同于其他算法，该算法能够大幅度提升鲁棒性，为云计算应用的数据安全、稳固发展提供了可靠的保障手段。

1 基本理论

1.1 小波变换

小波变换是一种在时频域能量较集中的变换分析方法，在傅里叶变换基础上，发展了视频局部化思想，并拥有一个根据频率变换随之变化的窗口，对信号频域分析起到了较好的作用。小波变换的作用对象为数字信号，能够对其分辨率以及所处的区域展开多尺度分析，假如f(x)∈L2(R)，则：

(1)

图像离散小波函数为：

φj,k(x)=2jφ(2-jx-k)，

(2)

式中，j,k∈Z，尺度j与平移因子k是离散的。二维离散小波能够被广泛应用在水印领域之中，以∀f(x)离散小波变换为研究对象，可对其进行如下定义：

(3)

式中，离散小波的变换系数f(x)>=WTf(j,k)。

借助小波分析完成了对512 pixel×512 pixel Lena图像的处理之后，对所获取的系数进行了展示，如图1所示，其由低频以及高频系数构成，由于低频聚集绝大部分的能量，可将水印嵌入到该部分之中，从而可确保图像具有较高的稳定性，细节信息被包含在高频部分之中，对水印的嵌入具有较低的稳定性，以小波变换为研究对象。

(a)近似值系数A1

(b)水平细节系数H1

(c)垂直细节系数V1

(d)对角细节系数D1图1 对Lena图像进行小波分解后的系数Fig.1 Coefficient of Lena image after wavelet decomposition

1.2 SVD

以SVD的理论基础为特征解析，可在任意矩阵中完成对其扩充，假如通过矩阵A来对某个数字图像进行表示，其属于m×n型矩阵，对于SVD来说，其酉矩阵分别为U以及V，可将其视为正交矩阵，奇异值矩阵由S来表示，可将其视为半正定对角阵，则：

(4)

式中，S=diag(S1,S2,…,St),S1≥S2≥S3≥…≥St≥0，t为S的秩。

SVD在水印算法和机器学习等领域应用也较多，主要是因为它具有较好的特征，部分特征如下：

① 转置：无论是矩阵A，还是其转置矩阵AT，存在完全相同的奇异值；

② 稳定性：借助奇异值矩阵来完成对奇异值的调整，使其稳定性得到提升；

③ 图像的部分特征及內部特征包含在奇异值中。

1.3 NSCT

在图像分析领域中，与轮廓波以及DWT等变换相比，NSCT更具优势，不仅能够使多尺度分析得到实现，同时还存在着高冗余性等优点，在对水印信息的嵌入过程中，能够对更多的信息进行保存，降低信息丢失的概率，防止子带信息出现重叠的频谱。以NSCT为研究对象，其主要包含两大部分，框架图如图2(a)所示，首先是非采样塔式滤波器组(Nonsubsampled Pyramid Filter Bank,NSPFB)，在完成了对低频带通部分的分解之后，该部分无需通过采样便可完成对其的卷积处理，以非下采样双通道滤波器为处理对象，完成对其插值处理，具有以下精确重构条件：

(a)NSCT

(b)Lena图进行2层NSCT图2 NSCT和Lena图进行2层NSCTFig.2 NSCT and Lena diagram of two layers NSCT

H0(w)G0(w)+H1(w)G1(w)=1。

(5)

其次，为非采样方向滤波器组(Non-subsampled Directional Filter Bank,NSDFB)，该部分能够对图像展开多尺度分析，并移除低频带通部分，只对高频带通展开方向分析。在以上2部分的共同作用下，使NSCT具有多尺度分析性、多方向性以及平移不变性等优势。

以Lena图像为处理对象，完成对其的NSCT处理，如图2(b)所示。可以看出，与原始图像相比，所获取的带通子带图像与其具有相同的尺寸[8]。

1.4 QR码

QR码是目前使用广泛，通过扫码可以获得大量数据信息的载体，数据信息包含数字、汉字等不同数据类型。二维码属于矩阵式二维条码，以二进制进行存档，其中黑用二进制“1”表示，白用二进制“0”表示，QR码的主要部分包括功能区和编码区，如图3所示。

图3 QR码结构Fig.3 QR code structure

原始水印包含的信息为“飞行学院”，如图4(a)所示，借助QR码来完成对图4(a)水印信息编码，生成QR码水印，如图4(b)所示。

(a)原水印

(b)QR码水印图4 原水印图像和QR码的水印图像Fig.4 Original watermark image and QR code watermark image

2 QR码双重加密复合数字水印算法

本文算法原理如图5所示。

图5 算法原理Fig.5 Watermark embedding process

对于一个优秀的水印算法，在载体图像中完成对水印信息的嵌入时，需实现对图像加入版权信息失真问题的有效控制，在满足算法隐蔽性的前提下，确保版权加入后的信息能够对各类攻击进行抵抗，并具有极为出色的鲁棒性，保障对“云”端环境下图像安全保护。NSCT在该算法中发挥着重要作用，可借助其高冗余性实现对大量信息的嵌入，完成对低频部分的分解之后，出错的边缘轮廓信息便会被集中在该部分之中，即便其发生变化，依然不会因处理而对信息有较大的影响。

2.1 水印嵌入过程

首先，对“飞行学院”的水印信息通过编码转换成QR编码的水印信息，为了确保水印的安全性，再将QR码的水印信息进行Arnold变换置乱再次进行加密。原始载体Lena图像首先进行3层NSCT，选择储存信息更多的低频部分进行DWT，然后对图像抵抗力较强的低频图像进行SVD，对奇异值加权叠加与SVD的酉矩阵重构低频图像，连同高频各部分执行小波逆变换，与各系数进行逆NSCT，将水印信息嵌入到载体图像中。

与原图像相比，变换后的图像与其大小相同，借助对低频的处理，使嵌入的信息量增多，在嵌入强度满足相关标准的前提下，水印加权重构低频，统一完成对各个系数的小波反变换处理，同时对其展开逆NSCT，对水印图像进行获取。此多重算法强化了抵抗几何攻击的能力，具体实现步骤如下：

① 对水印信息进行读取，包含的内容为“飞行学院”，然后完成对其的QR编码，从而实现对QR水印图像的获取，使信息具有较高的安全性，借助Arnold变换来完成对水印信息的置乱以及加密处理；

② 对载体图像进行3层NSCT，变换后选择储存信息更多的低频部分进行2级DWT；

③ 借助小波分解后的低频展开SVD处理如下:A=USVT，处理后获得奇异值区间，即S=[λ1λ2…λt]；

④ 对嵌入强度进行确定，在完成了对水印信息的分解处理后，需在奇异值矩阵上完成对其的分解处理，从而可得S′=S+αW；

⑥ 完成了对低频部分的重构后，通过对其的逆DWT来完成对系数的重构，然后通过逆NSCT来对水印图像进行获取。

2.2 水印提取过程

水印嵌入流程的逆过程可用来对水印进行提取，具体步骤如下：

① 对原载体图像和已嵌入水印的图像分别进行3层NSCT，获取低频子带矩阵进行2级小波变换；

③ 完成对奇异值矩阵以及水印奇异值的获取后，将二者做差处理；

⑤ 完成对水印图像的获取后，对其进行解密处理。

3 仿真实验

本文在水印透明性和鲁棒性2方面对算法进行评估，水印隐蔽性及视觉效果通过峰值信噪比 (Peak Signal to Noise Ratio，PSNR)作为衡量标准，计算如式(6)所示，水印的鲁棒性通过用相似度 (Normalized Cross-correlation，NC)作为评判标准，计算如式(7)所示。

(6)

(7)

式中，A代表原始载体图像，通过嵌入算法进行水印嵌入；B代表图像；a代表原始水印图像，通过提取算法提取水印；b代表水印。对于隐蔽性以及PSNR值来说，二者存在正比关系，算法的不可见性会随其值的不断增大而变好。NC的取值为0～1，其与鲁棒性存在着正比关系，当其趋近于1时，则表示该算法具有良好的稳定性。

3.1 水印透明性测试

实验所选用的原始载体图像由Lena，Baboon，Barbara，Peppers以及Gameraman等图像组成，其分辨率均为512 pixel×512 pixel，水印图像由实用性较强的QR码水印图像充当，其是由64×64“飞行学院”信息编码而成，选用‘pkva’和‘maxflat’作为基函数来完成NSCT，原始载体以及嵌入水印后等图像如图6所示。

(a)Lena嵌入水印前、后的图像

(b)Baboon 嵌入水印前、后的图像

(c)Gameraman 嵌入水印前、后的图像

(d)Barbara 嵌入水印前、后的图像

(e)Peppers 嵌入水印前、后的图像图6 嵌入水印前、后的图像Fig.6 Watermark image before embedding and embedded watermark image

经实验得到峰值计算结果，载体Lena图像的PSNR值为32.631 4 dB，载体Barbara图像的PSNR值为33.852 5 dB，载体Gameraman图像的PSNR值为33.826 5 dB，载体Peppers图像的PSNR值为33.831 4 dB，载体Baboon图像的PSNR值为33.735 2 dB，PSNR值均大于20 dB。在不同的图像中进行算法实验，可以看出，5幅原始载体图像与嵌入水印后的图像在视觉上看不出任何差异，证明本文算法满足水印隐蔽性测试需求，达到了较好的视觉效果。

3.2 水印安全及鲁棒性测试

原水印和提取的水印图像如图7所示。

(a)原水印图像

(b)QR码水印

(c)置乱的水印图像

(d)提取的水印图像图7 原水印和提取的水印图像Fig.7 Original watermark and extracted watermark image

实验将“飞行学院”组成的原水印图像经QR码提取得到QR码水印图像，同时为了对安全性起到更深层的防护，将QR码水印图像再次进行Arnold置乱加密，得到置乱的水印图像，将置乱的水印图像通过提取算法提取水印图像得到提取的水印图像。由图7(d)和图7(b)可以看出，2幅图几乎一样，说明算法鲁棒性较好，5幅图像通过式(7)计算的NC值如表1所示，均为1.000 0。

表1 未攻击的性能指标Tab.1 Unattacked performance metrics

以本算法为研究对象，为了完成对其鲁棒性的测试，本文对其展开了一系列抗攻击测试，在完成了对Lena含水印图像的攻击之后，对相应的水印图像进行提取，如图8所示。由图8可以看出，可对较清晰的水印图像进行提取，即能够轻易实现对图像信息的识别。

(a)椒盐噪声

(b)高斯噪声

(c)剪切

(d)JPEG压缩

(e)旋转

(f)高斯滤波

(g)中值滤波

(h)椒盐滤波图8 含水印图像受椒盐噪声、高斯噪声、剪切、JPEG压缩及旋转和高斯滤波攻击后的图像Fig.8 Images after watermarked images attacked by salt and pepper noise, Gaussian noise, cut, JPEG compression and rotation, and Gaussian filtering

算法对5幅含水印图像均进行相同的攻击，计算得到的NC值如表2所示。

表2 本文算法鲁棒性测试Tab.2 Algorithm robustness test

可以看出，本文算法抵抗攻击的能力较强，尤其对剪切、压缩、旋转和滤波攻击，都表现出了较好的鲁棒性，NC值都在0.94以上。

3.3 算法比较

与其他算法相比，本文算法有诸多优势。与文献[10,18]所提出的相关算法相比，文献[10]对DWT-SVD以及QR进行了综合运用，文献[18]则实现了对SVD，NSCT以及DCT等的有效融合，本文所研究的水印图像中含有QR编码，由其来充当水印信息，然后通过Arnold完成对水印的置乱，从而使算法具有较高的透明性以及安全性，实现了对SVD，NSCT以及DCT等的有效融合，在对各类攻击的抵抗方面，具有更高的稳定性。具体的测试比较如表3所示。

表3 本文算法与文献[10，18]算法攻击测试比较Tab.3 Comparison of proposed algorithm and Literature[10，18] algorithm attack test

4 结束语

“云”端环境下，为避免数字图像信息共享遭受侵权行为，以水印信息为研究对象，为了使其安全性得到提升，完成对Arnold置乱以及QR码的有效结合，以双重加密为理论依据，提出了相应的水印算法，该算法对SVD，NSCT以及DWT等进行了综合运用，在复合数字水印算法中引入了双重加密算法，以“云”端普遍使用的QR码为理论基础，提出一种NSCT-DWT-SVD双重加密复合数字水印算法，联合变换为该算法的核心内容，能够对大量信息进行嵌入，具有极强的稳定性，可将算法运用在多图像之中，并展开相关测试，不仅能够成功完成透明性测试，同时在对各类攻击的抵抗方面，其稳定性得到了大幅度提升。不同于文献[10,18]，本文算法在面对滤波、剪切、旋转以及压缩等攻击时均表现出较强劲的鲁棒性，在“云”端环境下有较好的应用保护价值。