在当今社会,手机和个人电脑等智能终端的普及在给人们生活提供便利的同时也带来了一系列的问题。一方面,终端上出现的各种图片和视频编辑工具使得针对原始数据的篡改变得更加容易,从而导致一系列的盗版问题;另一方面,随着多媒体数据内容的多样化,针对不同类型的多媒体数据的安全保护和认证变得更加困难。其中,作为数据安全保护、认证的一项重要技术手段,数字水印技术在近十年来得到了迅速的发展,在解决版权保护、票据防伪等安全问题方面发挥了重要的作用。然而,在当前数据爆炸式增长和安全性问题普遍存在环境下,如何保障和提升水印算法的性能一直激励着研究人员不断地前行。作为数字水印技术的两个重要技术指标——鲁棒性和不可见性,二者的矛盾问题限制了算法的进一步应用,因此如何实现两者性能的同时提升一直是鲁棒水印算法设计的核心问题。在传统的解决方案中,基于视觉特性设计的鲁棒水印算法因其在视觉保真度和算法鲁棒性方面取得的成就引起了研究者们的广泛关注。然而在实际的特征设计过程中,很多算法并不能够保证在水印嵌入和检测端的视觉参考特征一致性,因此就会导致水印检测出现性能下降。除此之外,随着对人类视觉系统研究的深入以及视觉计算的发展,出现更丰富的视觉特征来表征人类视觉系统的特性。因此,本文充分研究和利用人类视觉系统在图像感知过程中展现出的视觉特性,设计相应的鲁棒视觉特征,引导水印的嵌入,实现鲁棒性和不可见性的有效提升。具体地,本文的工作从以下几个方面展开:1、本文首先提出一种基于模式复杂度的恰可察觉失真(Just Noticeable Distortion,JND)模型引导的水印算法,该算法考虑不同图像模式复杂度对视觉内容的掩蔽效应,利用图像块经过离散余弦变换(Discrete Cosine Transform,DCT)后得到的三个交流系数(Alternating Current,AC)有效表征不同方向的能量,实现模式复杂度的度量,并作为新的视觉掩蔽因素确定JND值的大小,进而设计到水印框架中计算每个图像块的水印量化强度,以提高水印信息的不可见性和算法的鲁棒性。2、其次,依据人类视觉系统对图像方向和颜色属性的感知差异,本论文提出一种基于方向多样性和颜色复杂度的彩色图像水印算法。采用新的方向特征提取方式计算图像亮度通道内每个图像块的方向特征,并通过方向特征分析周围图像块对当前块的视觉掩蔽影响。另外,为反映在彩色图像观察过程中人眼视觉对颜色变化引起的色差感知差异,利用图像色度通道的颜色信息统计每个图像块的颜色复杂度掩蔽效果。最终将结合两种新的视觉掩蔽特征得到的鲁棒感知JND模型,通过所提出的视觉JND模型设计水印的嵌入和提取,实现水印处理中的图像质量和算法鲁棒性的有效权衡。3、利用人类大脑对图像不同区域的注意力分配差异对视觉敏感度进行表征,本文提出一种基于双层视觉显著性(Visual Saliency,VS)引导的JND模型水印算法。首先在DCT域内计算图像的聚焦值并根据聚焦区域构建自顶向下的显著特征,然后利用中心凹理论将视觉注意图映射到加权图,并结合传统的亮度和纹理两种自底向上显著特征得到新的双层融合的鲁棒VS模型。利用得到的VS模型对JND模型进行调制并引导水印处理,实现图像质量和算法鲁棒性的提升。4、另外,针对特殊的屏幕内容图像(Screen Content Images,SCIs),本文提出一种混合JND模型引导的彩色屏幕内容图像水印算法。该算法考虑SCIs中文本内容和图像内容本身的差异,利用两种内容之间的特征统计差异进行文本块和图像块的分类,并依据不同的块类型呈现的视觉掩蔽差异,设计相应视觉JND模型引导水印的处理过程,从而实现水印图像质量和算法鲁棒性之间的平衡。5、最后,针对传统水印算法设计过程中的特征设计复杂和嵌入准则选择困难问题,本文提出一种新的基于深度学习框架的鲁棒数字水印技术。该算法利用卷积神经网络(Convolutional Neural Network,CNN)实现多层次的视觉特征提取,并利用水印检测和嵌入前后的损失函数来引导水印的嵌入,通过嵌入和提取过程的不断迭代实现模型的不断更新和优化,找到最优的嵌入位置和嵌入大小,最终得到具有较高质量的水印图像和较强的算法鲁棒性。