I. Khám phá thuật toán watermarking ảnh số trên phân tích đa giải
Sự bùng nổ của Internet đã thay đổi cách thức chia sẻ dữ liệu đa phương tiện. Hình ảnh, video, âm thanh số có thể bị sao chép và chỉnh sửa dễ dàng. Điều này đặt ra yêu cầu cấp thiết về bảo vệ bản quyền và xác thực nội dung. Thuật toán watermarking ảnh số ra đời như một giải pháp hiệu quả. Kỹ thuật này nhúng một thông tin ẩn (watermark) vào dữ liệu gốc để chứng minh quyền sở hữu. Luận án "Xây dựng thuật toán watermarking ảnh số trên phân tích đa phân giải" của Nguyễn Chí Sỹ đã đi sâu vào các phương pháp tiên tiến, đặc biệt là sử dụng phân tích đa phân giải. Hướng tiếp cận này không chỉ tăng cường an ninh mà còn đảm bảo chất lượng hình ảnh, mở ra nhiều ứng dụng thực tiễn từ y tế, quân sự đến quản lý bản quyền số (DRM). Các nghiên cứu trong lĩnh vực này không ngừng tăng, cho thấy tầm quan trọng của việc tìm ra các giải pháp watermarking ngày càng tối ưu.
1.1. Lịch sử và tầm quan trọng của thủy vân số hiện nay
Kỹ thuật thủy vân (watermarking) có lịch sử lâu đời, bắt nguồn từ việc tạo ra các hình mờ trên giấy vào thế kỷ 13 tại Ý để xác định xuất xứ. Tuy nhiên, watermarking ảnh số là một lĩnh vực tương đối mới, phát triển mạnh mẽ từ những năm 1990. Ban đầu, các phương pháp còn đơn giản và dễ bị tấn công. Ngày nay, với sự phát triển của công nghệ, các thuật toán trở nên tinh vi hơn, đặc biệt là các phương pháp dựa trên phân tích đa phân giải. Tầm quan trọng của nó thể hiện rõ trong việc chống lại nạn sao chép và phân phối trái phép nội dung số. Theo thống kê từ IEEE và Science Direct, số lượng công bố khoa học về "Digital Image Watermarking" đã tăng liên tục, cho thấy sự quan tâm đặc biệt của cộng đồng nghiên cứu. Nó không chỉ là công cụ bảo vệ bản quyền mà còn ứng dụng trong xác thực dữ liệu, giám sát phát sóng và pháp y kỹ thuật số.
1.2. Phân loại các phương pháp watermarking ảnh số phổ biến
Các thuật toán watermarking ảnh số được phân loại dựa trên nhiều tiêu chí khác nhau. Dựa vào miền nhúng, có hai nhánh chính: miền không gian và miền biến đổi. Watermarking miền không gian trực tiếp thay đổi giá trị pixel của ảnh, đơn giản nhưng kém bền vững. Ngược lại, watermarking miền biến đổi (như DCT, DWT) thay đổi các hệ số tần số của ảnh, mang lại độ bền cao hơn. Dựa vào khả năng cảm nhận, có watermarking hữu hình (nhìn thấy được) và vô hình (không nhìn thấy được). Luận án này tập trung vào watermarking vô hình. Dựa vào quá trình trích xuất, có watermarking không mù (cần ảnh gốc), nửa mù và watermarking mù (không cần ảnh gốc), trong đó watermarking mù được ưa chuộng vì tính thực tiễn cao. Cuối cùng, dựa vào khả năng chống tấn công, có watermarking dễ vỡ (dùng để xác thực), bán dễ vỡ và bền vững (dùng để bảo vệ bản quyền).
II. Thách thức lớn Cân bằng tính bền vững và tính vô hình
Mục tiêu cốt lõi của một thuật toán watermarking ảnh số hiệu quả là đạt được sự cân bằng tối ưu giữa hai yêu cầu trái ngược nhau: tính bền vững (robustness) và tính vô hình (imperceptibility). Tính bền vững đòi hỏi watermark phải tồn tại và có thể được trích xuất chính xác ngay cả khi ảnh đã qua xử lý hoặc bị tấn công (như nén, lọc nhiễu, cắt xén). Trong khi đó, tính vô hình yêu cầu việc nhúng watermark không được làm suy giảm chất lượng ảnh gốc một cách đáng kể, để mắt thường không thể nhận ra sự khác biệt. Việc tăng cường độ bền vững thường đi kèm với việc can thiệp sâu hơn vào dữ liệu ảnh, dẫn đến giảm tính vô hình và ngược lại. Đây chính là bài toán đánh đổi kinh điển. Các nhà nghiên cứu phải tìm ra các miền nhúng và phương pháp điều chỉnh thông minh để tối ưu hóa đồng thời cả hai yếu tố này, đảm bảo ảnh vừa được bảo vệ an toàn, vừa giữ được giá trị thương mại và thẩm mỹ.
2.1. Yếu tố ảnh hưởng đến tính bền vững robustness của watermark
Tính bền vững là khả năng của watermark chống lại các hoạt động xử lý tín hiệu có chủ ý hoặc vô ý. Các yếu tố chính ảnh hưởng đến đặc tính này bao gồm miền nhúng và độ lợi (strength factor). Việc nhúng watermark vào các thành phần tần số thấp của ảnh thường tăng độ bền vững trước các tấn công như nén JPEG hay lọc thông thấp, nhưng lại dễ làm giảm chất lượng ảnh. Ngược lại, nhúng vào vùng tần số cao dễ bị loại bỏ. Các kỹ thuật phân tích đa phân giải như biến đổi wavelets rời rạc (DWT) hay Curvelets cho phép chọn lựa các băng con tần số trung bình. Đây là vùng lý tưởng để cân bằng, vì chúng ít bị ảnh hưởng bởi các thuật toán nén và cũng ít tác động đến chất lượng thị giác của ảnh. Các thuật toán tiên tiến còn sử dụng các mô hình học sâu như mạng nơ-ron tích chập (CNN) để học các đặc trưng bền vững của ảnh, từ đó cải thiện đáng kể khả năng chống lại các cuộc tấn công đa dạng.
2.2. Đảm bảo tính vô hình imperceptibility để giữ chất lượng ảnh
Tính vô hình là yếu tố quyết định giá trị thương mại của ảnh sau khi nhúng watermark. Một watermark vô hình không được gây ra bất kỳ biến dạng nào có thể nhận thấy bằng mắt thường. Để đạt được điều này, các thuật toán phải khai thác đặc điểm của hệ thống thị giác con người (HVS). HVS ít nhạy cảm với các thay đổi nhỏ ở những vùng ảnh có nhiều chi tiết (texture) hoặc ở các kênh tần số cao. Do đó, việc nhúng watermark vào các khu vực này hoặc sử dụng các phép biến đổi như DWT và biến đổi cosine rời rạc (DCT) để xác định các hệ số ít quan trọng là một chiến lược phổ biến. Độ lợi nhúng phải được kiểm soát cẩn thận. Độ lợi quá cao sẽ làm ảnh bị nhiễu, trong khi quá thấp sẽ làm giảm tính bền vững. Các thuật toán hiện đại thường sử dụng các mô hình HVS để điều chỉnh độ lợi một cách thích ứng, đảm bảo watermark được giấu một cách tối ưu mà không làm giảm chất lượng cảm nhận.
2.3. Các tham số đo lường hiệu năng thuật toán PSNR NC SSIM
Để đánh giá hiệu quả của một thuật toán watermarking ảnh số, các tham số đo lường khách quan được sử dụng. Tỷ số tín hiệu đỉnh trên nhiễu (PSNR) là thước đo phổ biến nhất cho tính vô hình. Giá trị PSNR càng cao (thường trên 38-40 dB) cho thấy sự khác biệt giữa ảnh gốc và ảnh đã nhúng watermark càng nhỏ. Tương quan được chuẩn hóa (NC) được dùng để đo lường tính bền vững. Nó so sánh sự tương đồng giữa watermark gốc và watermark được trích xuất sau khi bị tấn công. Giá trị NC gần bằng 1 cho thấy watermark được phục hồi gần như hoàn hảo. Ngoài ra, chỉ số đo lường sự tương tự dựa trên cấu trúc (SSIM) cũng được sử dụng. SSIM đánh giá sự suy giảm chất lượng ảnh dựa trên cấu trúc, độ sáng và độ tương phản, gần với cách cảm nhận của con người hơn PSNR. Việc kết hợp các tham số này giúp đưa ra một đánh giá toàn diện về hiệu năng của thuật toán.
III. Phương pháp Watermarking Miền không gian và miền biến đổi
Các kỹ thuật watermarking ảnh số chủ yếu được chia thành hai nhóm lớn: thực hiện trong miền không gian và miền biến đổi. Mỗi phương pháp có ưu và nhược điểm riêng, phù hợp với các ứng dụng khác nhau. Phương pháp trong miền không gian tác động trực tiếp lên giá trị các điểm ảnh. Kỹ thuật này đơn giản, tốc độ xử lý nhanh, nhưng nhược điểm lớn là tính bền vững thấp. Watermark dễ dàng bị phá hủy bởi các phép xử lý ảnh cơ bản. Ngược lại, phương pháp trong miền biến đổi hoạt động trên các hệ số tần số của ảnh sau khi áp dụng các phép biến đổi toán học như biến đổi cosine rời rạc (DCT) hoặc biến đổi wavelets rời rạc (DWT). Cách tiếp cận này phức tạp hơn nhưng mang lại độ bền vững vượt trội. Bằng cách nhúng watermark vào các thành phần tần số quan trọng, thuật toán có khả năng chống lại nhiều loại tấn công, đặc biệt là nén ảnh và lọc nhiễu, trở thành lựa chọn ưu tiên cho các ứng dụng bảo vệ bản quyền.
3.1. Kỹ thuật LSB trong miền không gian Ưu và nhược điểm
Kỹ thuật Tách bit có trọng số thấp nhất (Least Significant Bit - LSB) là một trong những phương pháp watermarking miền không gian đơn giản và phổ biến nhất. Nguyên tắc của nó là thay thế bit cuối cùng (bit có trọng số thấp nhất) của mỗi giá trị pixel trong ảnh gốc bằng một bit của watermark. Ưu điểm chính của LSB là dễ thực hiện và đạt được tính vô hình rất cao, vì sự thay đổi giá trị pixel là cực kỳ nhỏ. Tuy nhiên, nhược điểm chí mạng của nó là tính bền vững rất kém. Bất kỳ một thao tác xử lý ảnh nào, dù là nhỏ nhất như nén ảnh có tổn hao (JPEG), thêm một lượng nhiễu nhỏ, hay thay đổi độ sáng, đều có thể dễ dàng phá hủy hoàn toàn watermark. Do đó, LSB và các kỹ thuật tương tự trong miền không gian thường không phù hợp cho các ứng dụng bảo vệ bản quyền mà chủ yếu được dùng trong giấu tin (steganography) hoặc xác thực tính toàn vẹn ở mức độ cơ bản.
3.2. Biến đổi DCT và DWT Nền tảng cho watermarking bền vững
Để khắc phục nhược điểm của miền không gian, các kỹ thuật miền biến đổi được phát triển. Biến đổi cosine rời rạc (DCT) phân tích ảnh thành các thành phần tần số khác nhau. Đây là nền tảng của chuẩn nén JPEG. Việc nhúng watermark vào các hệ số DCT ở dải tần số trung bình giúp cân bằng giữa tính vô hình và tính bền vững. Phương pháp này chống chịu tốt với tấn công nén JPEG. Một kỹ thuật mạnh mẽ hơn là biến đổi wavelets rời rạc (DWT). DWT là một công cụ phân tích đa phân giải, cho phép phân tích ảnh ở nhiều mức độ phân giải và định vị tốt cả về không gian và tần số. Điều này giúp lựa chọn vùng nhúng tối ưu hơn, chẳng hạn như các băng con tần số trung bình (HL, LH), nơi thông tin quan trọng của ảnh được lưu giữ nhưng ít ảnh hưởng đến thị giác. DWT cho thấy hiệu năng tốt hơn DCT trong việc chống lại nhiều loại tấn công, trở thành nền tảng cho các thuật toán watermarking bền vững.
3.3. Giải pháp kết hợp DCT DWT nhằm tối ưu hiệu năng
Nhằm tận dụng ưu điểm của cả hai phép biến đổi, nhiều nghiên cứu đã đề xuất giải pháp lai kết hợp DCT và DWT. Một quy trình phổ biến là trước tiên áp dụng DWT để phân tích ảnh gốc thành các băng con tần số (LL, HL, LH, HH). Sau đó, chọn một hoặc nhiều băng con (thường là LH hoặc HL) và chia chúng thành các khối 8x8. Cuối cùng, áp dụng DCT lên từng khối này và nhúng watermark vào các hệ số DCT tần số trung bình. Luận án của Nguyễn Chí Sỹ đề xuất một thuật toán tương tự, trong đó DWT được áp dụng hai mức để chọn ra các băng con HL2 và LH2. Việc nhúng watermark vào cả hai băng con và chỉ nhúng bit '0' giúp tăng cả tính bền vững và tính vô hình. Kết quả thực nghiệm cho thấy phương pháp kết hợp này đảm bảo sự cân bằng tốt hơn, chống lại hiệu quả các tấn công nén JPEG và lọc nhiễu, khẳng định tiềm năng của việc kết hợp các kỹ thuật miền biến đổi khác nhau.
IV. Các thuật toán watermarking ảnh số trên biến đổi định hướng
Các phép biến đổi truyền thống như DCT và DWT có hạn chế trong việc biểu diễn các đặc trưng định hướng như đường cong và cạnh trong ảnh. Để giải quyết vấn đề này, các kỹ thuật phân tích đa phân giải thế hệ mới, gọi là biến đổi định hướng, đã được phát triển. Các biến đổi như Curvelets và Contourlets có khả năng biểu diễn thưa (sparse representation) các chi tiết theo nhiều hướng và tỷ lệ khác nhau. Điều này mang lại lợi thế lớn cho thuật toán watermarking ảnh số. Bằng cách nhúng watermark vào các hệ số tương ứng với các đặc trưng định hướng quan trọng, thuật toán có thể đạt được tính bền vững cao hơn, đặc biệt đối với các ảnh chứa nhiều đường nét và chi tiết phức tạp. Đồng thời, vì các phép biến đổi này nắm bắt cấu trúc ảnh hiệu quả hơn, việc nhúng watermark có thể được thực hiện một cách tinh vi để đảm bảo tính vô hình tối đa. Ngoài ra, Laplacian Pyramid (LP) cũng là một kỹ thuật đa phân giải hiệu quả, nổi bật với độ phức tạp tính toán thấp.
4.1. Biến đổi Curvelets Hiệu quả với ảnh có nhiều đường cong
Biến đổi Curvelets được thiết kế đặc biệt để biểu diễn hiệu quả các đối tượng có dạng đường cong trong ảnh. Không giống như Wavelets chỉ phân tích theo hướng ngang, dọc và chéo, Curvelets phân tích tín hiệu theo nhiều hướng và tỷ lệ khác nhau. Điều này giúp nó "bắt" được các cạnh cong với số lượng hệ số ít hơn nhiều. Trong watermarking, ưu điểm này cho phép nhúng thông tin vào các hệ số curvelet quan trọng mà không gây ra các biến dạng rõ rệt. Luận án cho thấy việc nhúng watermark vào miền Curvelets, đặc biệt là sử dụng biến đổi Curvelets rời rạc nhanh (FDCT), mang lại tính bền vững và tính vô hình tốt hơn so với phương pháp DCT-DWT kết hợp, nhất là khi ảnh bị tấn công bởi nén JPEG, nhiễu speckle và nhiễu Gaussian. Đây là một phương pháp watermarking mù, bền vững và hiệu quả cho các ứng dụng thực tiễn.
4.2. Biến đổi Contourlets Tối ưu cho ảnh có nhiều thông tin hướng
Biến đổi Contourlets là một kỹ thuật phân tích đa phân giải định hướng khác, có khả năng nắm bắt các đường viền (contour) và cấu trúc hình học trong ảnh. Nó kết hợp một bộ lọc kim tự tháp (tương tự Laplacian Pyramid) để phân tích đa tỷ lệ và một bộ lọc định hướng để nắm bắt các chi tiết theo hướng. Đặc tính này làm cho Contourlets rất phù hợp cho các ảnh có nhiều thông tin hướng tính. Kết quả thực nghiệm trong luận án khi áp dụng thuật toán trên cơ sở dữ liệu ảnh màu chuẩn cho thấy watermarking trong miền Contourlets (CT) vượt trội hơn so với miền DWT về cả tính vô hình và tính bền vững. Đặc biệt, các ảnh có nhiều chi tiết hướng như ảnh kiến trúc hay thiên nhiên cho thấy sự cải thiện rõ rệt về độ bền của watermark. Điều này chứng minh rằng việc lựa chọn phép biến đổi phù hợp với đặc tính của ảnh chủ là một yếu tố quan trọng để tối ưu hóa hiệu năng thuật toán.
4.3. Ứng dụng biến đổi Laplacian Pyramid LP cho watermarking
Laplacian Pyramid (LP) là một phương pháp phân tích đa phân giải cổ điển nhưng vẫn rất hiệu quả. LP phân rã một ảnh thành một chuỗi các ảnh băng thông giới hạn, mỗi ảnh chứa chi tiết ở một tỷ lệ khác nhau. Một trong những ưu điểm lớn nhất của LP là sự đơn giản và tốc độ tính toán nhanh. Luận án đã đề xuất một giải thuật watermarking mới dựa trên biến đổi LP cải tiến. Bằng cách khảo sát và lựa chọn các băng con tần số thấp và trung bình để nhúng watermark, thuật toán đạt được tính bền vững cao trước các tấn công nén JPEG và lọc thông thấp Gaussian. So với các phương pháp phức tạp hơn như Curvelets, giải thuật dựa trên LP cho thấy hiệu quả tương đương hoặc tốt hơn trong một số trường hợp, trong khi thời gian xử lý lại ngắn hơn đáng kể. Điều này làm cho LP trở thành một giải pháp hấp dẫn cho các ứng dụng yêu cầu xử lý thời gian thực hoặc có tài nguyên tính toán hạn chế.
V. Hướng dẫn watermarking ảnh số hiệu quả bằng mạng nơ ron CNN
Sự phát triển của học sâu (deep learning) đã mở ra một hướng đi mới và đầy tiềm năng cho lĩnh vực watermarking. Thay vì thiết kế các quy tắc nhúng và trích xuất thủ công, các mô hình học sâu, đặc biệt là mạng nơ-ron tích chập (CNN), có thể tự động học cách giấu và tìm watermark một cách tối ưu. Hướng tiếp cận này kết hợp sức mạnh của các phép biến đổi truyền thống như DWT với khả năng học đặc trưng của CNN để tạo ra một thuật toán watermarking ảnh số có tính bền vững vượt trội. Mô hình được huấn luyện để chống lại một loạt các cuộc tấn công đa dạng, từ nén, nhiễu đến các biến đổi hình học phức tạp. Bằng cách học mối quan hệ phi tuyến tính giữa ảnh gốc, watermark và ảnh bị tấn công, CNN có thể phục hồi watermark với độ chính xác cao ngay cả trong những điều kiện khắc nghiệt nhất, đánh dấu một bước tiến quan trọng trong công nghệ bảo vệ bản quyền số.
5.1. Mô hình kết hợp DWT và mạng nơ ron tích chập CNN
Giải pháp được đề xuất trong luận án kết hợp những ưu điểm của cả hai phương pháp. Đầu tiên, ảnh chủ được phân tích qua biến đổi wavelets rời rạc (DWT) ở nhiều mức để tách thành các băng con tần số khác nhau. Các băng con này (ví dụ, băng tần số thấp và băng tần số giữa) được sử dụng làm dữ liệu đầu vào và dữ liệu đích để huấn luyện mô hình CNN. Mô hình CNN được thiết kế với kiến trúc phức tạp gồm nhiều lớp tích chập, lớp gộp và lớp kết nối đầy đủ. Mạng nơ-ron sẽ học quy trình nhúng watermark vào ảnh và sau đó là quy trình trích xuất watermark từ ảnh đã bị biến dạng. Quá trình này không dựa trên một công thức toán học cố định mà là một quá trình học thích ứng, giúp mô hình có khả năng tổng quát hóa cao và chống lại các kiểu tấn công mà nó chưa từng gặp trong quá trình huấn luyện. Đây là một phương pháp watermarking mù hiện đại và mạnh mẽ.
5.2. Quy trình huấn luyện mô hình CNN cho nhúng và trích watermark
Quá trình huấn luyện là giai đoạn quan trọng nhất. Một tập dữ liệu lớn gồm nhiều ảnh chủ đa dạng được chuẩn bị. Đối với mỗi ảnh, một watermark được tạo ra. Mô hình CNN cho việc nhúng sẽ nhận ảnh và watermark làm đầu vào và tạo ra ảnh đã nhúng watermark. Sau đó, ảnh này sẽ được cho qua một lớp mô phỏng tấn công (attack simulation layer), nơi các phép biến đổi như thêm nhiễu Gaussian, nén JPEG, cắt xén, xoay ảnh được áp dụng ngẫu nhiên. Cuối cùng, mô hình CNN cho việc trích xuất sẽ nhận ảnh đã bị tấn công làm đầu vào và cố gắng khôi phục lại watermark gốc. Hàm mất mát (loss function) được thiết kế để tối thiểu hóa sự khác biệt giữa watermark được trích xuất và watermark gốc, đồng thời giữ cho tính vô hình của ảnh nhúng ở mức cao. Quá trình này lặp lại hàng nghìn lần cho đến khi mô hình hội tụ, tạo ra một bộ giải mã và mã hóa watermark cực kỳ hiệu quả.
5.3. Kết quả vượt trội khi chống lại các tấn công phức tạp
Kết quả thực nghiệm đã chứng minh hiệu năng vượt trội của phương pháp kết hợp DWT và mạng nơ-ron tích chập (CNN). Giải thuật đề xuất cho thấy tính bền vững cao trước một loạt các tấn công phổ biến và khó nhằn. Các tấn công này bao gồm nén JPEG có tổn hao ở nhiều mức chất lượng, các loại nhiễu (muối tiêu, Gaussian, speckle), các bộ lọc (trung bình, trung vị), điều chỉnh độ sáng và các biến đổi hình học như thay đổi tỷ lệ, cắt xén và xoay ảnh. So với các phương pháp trước đó, kể cả các phương pháp dựa trên phân tích đa phân giải tiên tiến, mô hình CNN cho thấy khả năng phục hồi watermark tốt hơn đáng kể, với chỉ số NC luôn ở mức cao. Điều này khẳng định rằng học sâu là một hướng đi đầy hứa hẹn, có khả năng giải quyết triệt để bài toán cân bằng giữa tính bền vững và tính vô hình trong watermarking.
VI. Tương lai của watermarking ảnh số và các hướng phát triển mới
Lĩnh vực watermarking ảnh số đang không ngừng phát triển để đối phó với những thách thức mới trong kỷ nguyên số. Các nghiên cứu tổng kết trong luận án của Nguyễn Chí Sỹ đã chỉ ra rằng các phương pháp dựa trên phân tích đa phân giải và học sâu đang định hình tương lai của công nghệ này. Trong khi các biến đổi định hướng như Curvelets và Contourlets đã chứng tỏ hiệu quả vượt trội trong việc xử lý các ảnh có cấu trúc phức tạp, sự trỗi dậy của trí tuệ nhân tạo và mạng nơ-ron tích chập (CNN) hứa hẹn sẽ tạo ra những bước đột phá lớn hơn nữa. Các thuật toán trong tương lai sẽ không chỉ bền vững hơn trước các cuộc tấn công đã biết mà còn có khả năng thích ứng và chống lại các kỹ thuật tấn công mới. Hướng phát triển sẽ tập trung vào việc tạo ra các giải pháp watermarking mù thông minh, tự động, có độ phức tạp tính toán thấp và có thể tích hợp liền mạch vào các hệ thống quản lý nội dung số quy mô lớn.
6.1. Tổng kết hiệu năng các thuật toán phân tích đa phân giải
Nghiên cứu đã khẳng định rõ ràng rằng việc chuyển từ miền không gian sang miền biến đổi là một bước tiến quan trọng để tăng tính bền vững. Trong đó, các kỹ thuật phân tích đa phân giải cho thấy hiệu quả vượt trội. Biến đổi wavelets rời rạc (DWT) cung cấp sự cân bằng tốt giữa hiệu năng và độ phức tạp. Các biến đổi định hướng như Curvelets và Contourlets nâng cao đáng kể hiệu quả đối với các loại ảnh đặc thù, chứa nhiều chi tiết hướng và cạnh cong. Laplacian Pyramid (LP) lại là một lựa chọn tối ưu cho các ứng dụng yêu cầu tốc độ xử lý nhanh. Mỗi phương pháp có một thế mạnh riêng, và việc lựa chọn thuật toán phù hợp phụ thuộc vào đặc điểm của dữ liệu và yêu cầu của ứng dụng cụ thể. Xu hướng kết hợp các phép biến đổi khác nhau để tận dụng thế mạnh của từng loại cũng là một hướng đi hiệu quả đã được chứng minh.
6.2. Triển vọng ứng dụng học sâu và trí tuệ nhân tạo
Hướng phát triển có nhiều tiềm năng nhất chính là tích hợp học sâu và trí tuệ nhân tạo vào các thuật toán watermarking ảnh số. Mô hình mạng nơ-ron tích chập (CNN) đã cho thấy khả năng tạo ra các hệ thống nhúng và trích watermark cực kỳ bền vững. Trong tương lai, các kiến trúc mạng nơ-ron phức tạp hơn như Generative Adversarial Networks (GANs) có thể được sử dụng. Một mạng sẽ cố gắng nhúng watermark một cách tối ưu, trong khi một mạng khác đóng vai trò "kẻ tấn công", cố gắng phá hủy watermark đó. Quá trình đối đầu này sẽ giúp tạo ra các thuật toán watermarking có độ bền vững chưa từng có. Ngoài ra, AI cũng có thể được dùng để tự động xác định vùng nhúng lý tưởng nhất trong một bức ảnh, tối ưu hóa độ lợi nhúng một cách linh hoạt, và thậm chí là phát hiện các kỹ thuật loại bỏ watermark mới. Đây chính là tương lai của công nghệ bảo vệ bản quyền thông minh và tự động.
