9、多媒体水印检测与加密技术解析

多媒体水印检测与加密技术解析

1. 多媒体水印检测技术

1.1 检测基础假设与边界

在水印检测中，假设水印强度为 1 时，在原假设 $H_0$ 下，统计量向量 $T$ 的期望 $E(T) = (0, 0)$；在备择假设 $H_1$ 下，$E(T) = (1, 1)$。两种情况下，$T$ 的协方差 $cov(T) = (2\sigma^2/L)I$，其中 $\sigma^2$ 是信号系数方差的平均值。当样本数量 $L$ 较大时，根据中心极限定理，$T_1$ 和 $T_2$ 服从高斯分布是合理的。若原始样本相互独立，$T_1$ 和 $T_2$ 也相互独立。此时，决策边界为一条直线（给定均值时斜率为 -1）。若将该直线分形化，多维空间中的相应决策边界将变为非参数的。

1.2 检测过程

检测过程原理简单但操作复杂。若向量 $T$ 落在某个假设的分区内，则将其分类到该假设。然而，由于边界具有分形性质，分类并不容易。具体步骤如下：
1. 定义明确区域：如图 2.17 所示，明确区域是分形曲线最大振荡范围之外的区域（即虚线之外的区域）。
2. 处理模糊区域的点：对于模糊区域内的点，从该点向两个假设的均值分别延伸两条直线。若其中一条直线不与边界曲线相交，则将该点分类到相应的假设。需要强调的是，边界曲线存储在检测器中，应保密。

1.3 算法性能

该技术通用性强，可应用于任何水印方案，无需更改嵌入算法。算法性能通常与采用最优检测器的底层水印算法相似，但对于某些水印项目，可能需要增加水印强度。实际中，两个统计量的方差较小，新旧决策边界下的性能基本相同。例如，对于大小为 512×512、8 位/像素的图像，假设像