随着5G时代的到来和各类图像分享平台以及APP的兴起,数字图像的传播更加快速和便捷,与此同时,盗版的成本也随之降低。数字水印作为一种防止盗版的手段,越来越受到研究者的重视。数字水印技术是指将版权等水印信息嵌入到数字图像等载体中,在嵌入数字水印后,图像的视觉质量不会发生变化。在发生侵权行为时,可以通过检测水印信息达到维护版权的目的。为了提高水印算法的保真度和鲁棒性,研究者们将恰可识别失真(Just Noticeable Difference,JND)模型引用到了数字水印算法设计中。但是传统的JND模型在模拟人类感知特性时没有考虑到纹理规则特征对于人类视觉系统的掩蔽作用。因此不能对真实的视觉冗余进行有效估计。本文充分考虑到了人类视觉系统对图像纹理特征的感知特性,利用图像的视觉显著图计算图像块的纹理规则度特征,并将纹理特征因子作为JND模型的调制因子。本文将所提视觉JND模型应用于数字水印算法,使得水印算法能够更加准确地计算视觉冗余,在保持图像质量的前提下,提高了水印算法的鲁棒性。图像的纹理特征是指图像中所包含元素的重复和排列顺序,能够反映图像或者图像中事物的表面特征。图像的纹理特征不是某个像素点的特征,而是在某个区域内所有像素所得到的特征,其具有较强的抗干扰能力和旋转不变性。传统的纹理规则性的度量方法大多是在像素域和光谱域中直接进行计算,没有考虑到人类的感知特性。本文在基于人类视觉特性的基础上提出了基于视觉显著图的无参考纹理规则性度量方法,并解决了显著图与图像尺寸不匹配时纹理的规则性度量问题。论文主要的研究成果有:1、为解决视觉显著图与原图像尺寸不同时图像纹理规则性度量问题,本文提出了一种基于任意尺寸视觉显著图的图像纹理规则性度量方法。通过分析视觉显著图中每个区域内纹理规则性得到区域规则性得分,进而得到整幅图像的纹理规则性度量。经过实验证明所提方法能够较好地反映整幅图像的纹理规则性程度。2、针对在水印处理过程中人类视觉系统对图像纹理规则度的敏感特性,本文提出了一种基于图像块的纹理规则度的计算方法,并将其作为因子构成JND模型。该因子作为组成JND模型的重要元素,融合了图像块内和块间的纹理规则度因素,能够更加有效地描述人类视觉系统的视觉特性,令提出的JND模型具有更强的鲁棒性。3、为提高数字水印算法的鲁棒性和不可见性,将提出的视觉JND模型应用在图像数字水印算法中得到联合全局与局部纹理特征的数字水印算法。实验结果表明该方法能够更加准确地分析人眼的视觉冗余,在保持图像保真度的前提下,提高水印的鲁棒性。