基于深度图像和Otsu分割的视频水印方法

摘要

本发明公开一种基于深度图像和Otsu分割的视频水印方法，包括以下步骤：获取视频关键帧的深度图像；利用Logistic映射对水印图片进行置乱，生成杂乱无序的一维水印信息；根据深度图像提供的景深信息，利用Otsu阈值分割法将深度图像分割成前景和背景两个区域，并对视频关键帧的前景区域进行判断，在属于前景区域的亮度分量子块的DCT系数上嵌入水印信息；对含有水印的视频进行前景和背景区域判断，在属于前景区域的亮度分量子块的DCT系数上提取出水印信息。本发明根据视频关键帧的深度信息来确定水印的嵌入区域，有效的解决人类视觉系统中没有考虑场景空间位置相关性等问题，并且对椒盐噪声、乘性噪声、高斯噪声、亮度对比度调节等攻击都具有较好的鲁棒性。

说明书

技术领域

本发明涉及一种视频水印方法，尤其是一种基于深度图像和Otsu分割的视 频水印方法，属于视频信息安全技术领域。

背景技术

随着数字技术的快速发展和互联网的广泛应用逐渐将人们带入了数字化时 代。“高清、三维、用户创造内容(UGC)”的驱动下，海量视音频信息的出现也 滋生了日益猖獗的非法盗版和信息内容篡改等行为，给社会带来了巨大的经济损 失，同时也造成了很多安全隐患。因此，视频水印技术一直是当前研究的热点之 一。

在水印信息的嵌入过程中，按照水印信息嵌入的位置，可将其分成时(空) 域数字水印和变换域数字水印^[1]。其中变换域水印又可以进行细分为离散余弦 变换(Discrete Cosine Transform,DCT)、离散小波变换(Discrete Wavelet  Transform,DWT)、离散傅里叶变换(Discrete Fourier Transform,DFT)、奇异 值分解(Singular Value Decomposition,SVD)等域水印。时(空)域水印^[2]是在 数字作品的信号时间或空间上直接增添水印信息，该算法简单易行，但是鲁棒 性和不可见性较弱。变换域水印比时(空)域水印复杂，它需要先对原始载体信 号进行数学变换，并在其变换域中嵌入水印信息。变换域中水印算法可以充分 结合人类视觉系统模型，具有较强的鲁棒性和不可感知性。目前，常见水印算 法基本都是选择在变换域中进行^[3,4]。

深度图是一种特殊形式的灰度图像，其像素值可以清晰的表达场景中的某一 点与摄像机之间的距离。它用于精确地估计和决定场景中物体的形状、位置、 物理特性，以及对景物进行3D重建^[5]。在深度图像中有着明确的、可直接应用 的2.5维信息，简化了人类视觉系统，使其具有更加可靠的识别能力。目前，在 计算机视觉领域中，基于深度信息的视觉研究变得越来越重要。本发明利用深 度图像景深信息去选择水印嵌入区域的算法能够有效的解决人类视觉系统中没 有考虑场景空间位置相关性等问题。

参考文献：

[1]Pitas,I,″A method for signature casting on digital images,"IEEE International  Conferenee on Image Processing,vol.3,pp.215-218,Sep1996.

[2]Friedman GL,The trustworthydigital camera:Restoring credibility to the  photographic image[J].IEEE trans.on Consumer Electronics,1993,39(4)905-910.

[3]Mohamed A.Suhail,Mohammad S.Obaidat.Digital watermarking-based DCT  and JPEG model.[J].IEEE T.Instrumentation and Measurement,2003,52(5): 1640-1647.

[4]Ming-Shing Hsieh,Din-Chang Tseng,Yong-Huai Huang.Hiding digital  watermarks using multi-resolution wavelet transform[J].IEEE Transactions on  Industrial Electronics,2001,48(5):875-882.

[5]D.Marr著，姚国正等译.视觉计算理论科学出版社1988：4-6.

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于深度图像和 Otsu分割的视频水印方法。在视频关键帧的前景区域中嵌入水印信息，利用Otsu 阈值法对深度图像的前景区域和背景区域进行有效的划分，找出水印的嵌入位 置。本发明利用深度图像景深信息去选择水印嵌入区域，能够有效的解决人类视 觉系统中没有考虑场景空间位置相关性等问题，且对椒盐噪声、乘性噪声、高斯 噪声、亮度对比度调节等攻击都具有较好的鲁棒性，为视频水印技术提供了一种 新的思想。

技术方案：一种基于深度图像和Otsu分割的视频水印方法，包括以下几个 步骤：

步骤A、获取视频关键帧的深度图像；

步骤B、利用对深度图像的前景区域和背景区域进行有效划分的方法来确定 水印的嵌入区域；其中，在视频帧关键帧亮度分量的前景区域中嵌入水印信息。

步骤C、根据步骤B所确定的嵌入水印的区域，进行水印的嵌入和提取。

作为本发明的一个优选方案，利用以下方法获取视频关键帧的深度图像：

步骤A1、将视频进行解码，确定视频的关键帧；

步骤A2、对视频关键帧的前向第8帧I_ref8和视频关键帧分别提取50个SIFT 特征点，(Descriptor_a1～50，Descriptor_b1～50)，然后采用特征点特征向量的欧式距离 来作为两幅图像中特征点的相似性判定度量。如果视频关键帧中有70％的特证点 与前向第8帧I_ref8中的特征点两两相互匹配，则认为两帧图像相似，否则，再将 视频关键帧的前向第7帧与视频关键帧进行相似性判断，直至找出与视频关键帧 相似的视频帧。

步骤A3、将视频关键帧和其相似的视频帧视作一个视频帧图像对 (I_sim1,I_sim2)，并利用光流算法模型对其进行运动流计算，利用图像对中像素强 度数据的时域变化和相关性来确定视频关键帧中每个像素的运动矢量。

步骤A4、按照公式(1)计算的视频关键帧的深度信息，获取深度图像。

$D(i,j)=c\sqrt{\mathrm{MV}{(i,j)}_x^2+\mathrm{MV}{(i,j)}_y^2}---\left(1\right)$

公式(1)中D(i,j)表示的是深度图像中像素(i,j)的深度值，c是调节尺度 因子，它可以根据视频帧中场景内容不同去调节深度信息的大小，以方便显示 观察。MV(i,j)_x和MV(i,j)_y分别表示像素点(i,j)水平X和垂直Y方向上的运动 矢量。

作为本发明的又一优选方案，利用对深度图像的区域和背景区域进行有效的 划分的方法来确定水印的嵌入区域，具体方法如下：

首先将视频关键帧的深度图像划分成前景区域和背景区域两个区段，然后 将深度图像分割成互不重叠且大小相同的子块；设定阈值T，如果子块中前景 区域和背景区域的像素个数比值大于T，则该子块选择嵌入水印；反之，则不 嵌入水印。由于视频帧和其深度图像位置是相互对应的，因此深度图像中选取 水印的嵌入区域位置也就是视频帧中水印嵌入的位置。

深度图像的分段方法可根据实际需要选取，例如采用最简单的等分方法，本 发明中采用Otsu阈值法对深度图像进行区域分割，该方法具体如下：

步骤B1、将所述深度图像作为待分割图像，以待分割图像中的任意一个灰 度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于 区域C₁，灰度值大于t的像素属于区域C₂；然后求出区域C₀和C₁类间方差

${\sigma }_B^2=w_0{({\mu }_0-{\mu }_T)}^2+w_1{({\mu }_1-{\mu }_T)}^2---\left(4\right)$

其中，w₀，w₁分别表示C₀和C₁出现的概率，μ₀、μ₁、μ_T分别是区域C₀类、 C₁类和待分割图像的均值。计算公式分别如下：

$w_0=\underset{i=0}{\overset{t}{\Sigma }}{P}_i---\left(5\right)$

$w_1=\underset{i=t+1}{\overset{L-1}{\Sigma }}{P}_i---\left(6\right)$

${\mu }_0=\underset{i=0}{\overset{t}{\Sigma }}\frac{{\mathrm{iP}}_i}{w_0}=\frac{\mu \left(t\right)}{w_1}---\left(7\right)$

${\mu }_1=\underset{i=t+1}{\overset{L-1}{\Sigma }}\frac{{\mathrm{iP}}_i}{w_0}=\frac{{\mu }_T-\mu \left(t\right)}{w_1}---\left(8\right)$

${\mu }_T=\underset{i=0}{\overset{L-1}{\Sigma }}{\mathrm{iP}}_i=w_0{\mu }_1+w_1{\mu }_1---\left(9\right)$

其中n_i表示图像中灰度值为i的像素个数，N表示图像中像素的总数： P_i表示图像中灰度值是i的像素出现的概率， $P_i=\frac{n_i}{N},\underset{i=0}{\overset{L-1}{\Sigma }}{P}_i=1,\mu \left(t\right)=\underset{t=0}{\overset{L-1}{\Sigma }}{\mathrm{iP}}_i.$

令取得最大值时候的阈值为t*，其中t*即为当前待分割图像的最佳分割 阈值；

步骤B2、将深度图像分割成互不重叠的且大小相同的图像块block(i,j)，设 定阈值T。如果图像块block(i,j)目标区域和背景区域的像素个数比值大于T， 则该图像块选择嵌入水印；反之，则不嵌入水印。由于视频帧图像和其深度图像 位置是相互对应的，因此深度图像中选取水印的嵌入区域位置也就是视频帧中水 印嵌入的位置。

本发明采用上述技术方案，具有以下有益效果：

本发明利用视频关键帧的深度信息分布，在视频关键帧的前景区域中嵌入 一定数量的水印信息，同时结合了Otsu阈值法和Logistic映射置乱；

本发明将深度信息应用到视频水印中，能够有效的解决人类视觉系统中没有 考虑场景空间位置相关性等问题，并且能够抵抗常规视频处理处理攻击。

附图说明

图1是本发明实施例的水印嵌入流程图；

图2是本发明实施例的水印提取流程图；

图3(a)是待嵌入水印的视频帧，图3(b)是视频帧的深度图像；

图4(a)是原始水印图像，图4(b)是在没有遭受攻击的下提取出来的水 印，图4(c)是嵌入水印的视频帧；

图5是嵌入水印的视频在经过攻击后，提取出来的水印图像按顺序分别是： (a)椒盐噪声强度0.01；(b)椒盐噪声强度0.02；(c)椒盐噪声强度0.03；(d) 乘性噪声强度0.01；(e)乘性噪声强度0.02；(f)乘性噪声强度0.03；(g)高斯 噪声方差0.005；(h)高斯噪声方差0.01；(i)高斯噪声方差0.02；(j)亮度(+5)； (k)亮度(-5)；(l)亮度(+10)；(m)亮度(-10)；(n)对比度(+5)；(o) 对比度(-5)；(p)对比度(+10)；(q)对比度(-10)。

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本 发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发 明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。

本发明的思路是利用视频关键帧的深度图像的景深信息去选择水印嵌入区 域的算法。利用Otsu分割算法对深度图像的前景区域和背景区域进行有效的划 分，找出水印的嵌入位置。本发明够有效的解决人类视觉系统中没有考虑场景空 间位置相关性等问题，同时对各类攻击具有更好的鲁棒性。

本发明方法具体包括以下步骤：

步骤A、获取宿主图像的深度信息分布情况。

图像深度信息的获取可采用现有的各种方法，本发明优选采用光流法进行深 度信息提取具体如下：

步骤A1、对视频进行解码，确定视频的关键帧；

步骤A2、对视频关键帧的前向第8帧I_ref8和视频关键帧分别提取50个SIFT 特征点，(Descriptor_a1～50，Descriptor_b1～50)，然后采用特征点特征向量的欧式距离 来作为两幅图像中特征点的相似性判定度量。如果视频关键帧中有70％的特证点 与前向第8帧I_ref8中的特征点两两相互匹配，则认为两帧图像相似，否则，再将 视频关键帧的前向第7帧与视频关键帧进行相似性判断，直至找出与视频关键帧 相似的视频帧。

步骤A3、将视频关键帧和其相似的视频帧视作一个视频帧图像图 (I_sim1,I_sim2)，并采光流算法模型对其进行运动流计算，利用图像对中像素强度 数据的时域变化和相关性来确定视频关键帧中每个像素的运动矢量。

步骤A4、按照公式(1)计算的视频关键帧的深度信息，获取深度图像。

$D(i,j)=c\sqrt{\mathrm{MV}{(i,j)}_x^2+\mathrm{MV}{(i,j)}_y^2}---\left(1\right)$

公式(1)中D(i,j)表示的是深度图像中像素(i,j)的深度值，c是调节尺度 因子，它可以根据视频帧中场景内容不同去调节深度信息的大小，以方便显示 观察。MV(i,j)_x和MV(i,j)_y分别表示像素点(i,j)水平X和垂直Y方向上的运动 矢量。

步骤B、利用对深度图像的区域和背景区域进行有效的划分的方法来确定水 印的嵌入区域，具体方法如下：

首先将视频关键帧的深度图像划分成目标区域和背景区域两个区段，然后 将深度图像分割成互不重叠且大小相同的子块；设定阈值T，如果子块中目标 区域和背景区域的像素个数比值大于T，则该子块选择嵌入水印；反之，则不 嵌入水印。由于视频帧和其深度图像位置是相互对应的，因此深度图像中选取 水印的嵌入区域位置也就是视频帧中水印嵌入的位置。

深度图像的分割方式可根据实际需要选取，例如采用最简单的等分方法。本 发明中采用Otsu阈值法对深度图像进行区域分割，该方法具体如下：

步骤B1、以所述深度图像作为待分割图像，以待分割图像中的任意一个灰 度级t作为分割阈值，将待分割图像分割为两类区域：灰度值小于t的像素属于 区域C₁，灰度值大于t的像素属于区域C₂；然后求出区域C₀和C₁类间方差

${\sigma }_B^2=w_0{({\mu }_0-{\mu }_T)}^2+w_1{({\mu }_1-{\mu }_T)}^2---\left(4\right)$

其中，w₀，w₁分别表示C₀和C₁出现的概率，μ₀、μ₁、μ_T分别是区域C₀类、 C₁类和待分割图像的均值。计算公式分别如下：

$w_0=\underset{i=0}{\overset{t}{\Sigma }}{P}_i---\left(5\right)$

$w_1=\underset{i=t+1}{\overset{L-1}{\Sigma }}{P}_i---\left(6\right)$

${\mu }_0=\underset{i=0}{\overset{t}{\Sigma }}\frac{{\mathrm{iP}}_i}{w_0}=\frac{\mu \left(t\right)}{w_1}---\left(7\right)$

${\mu }_1=\underset{i=t+1}{\overset{L-1}{\Sigma }}\frac{{\mathrm{iP}}_i}{w_0}=\frac{{\mu }_T-\mu \left(t\right)}{w_1}---\left(8\right)$

${\mu }_T=\underset{i=0}{\overset{L-1}{\Sigma }}{\mathrm{iP}}_i=w_0{\mu }_1+w_1{\mu }_1---\left(9\right)$

其中n_i表示图像中灰度值为i的像素个数，N表示图像中像素的总数： P_i表示图像中灰度值是i的像素出现的概率， $P_i=\frac{n_i}{N},\underset{i=0}{\overset{L-1}{\Sigma }}{P}_i=1,\mu \left(t\right)=\underset{t=0}{\overset{L-1}{\Sigma }}{\mathrm{iP}}_i.$

令取得最大值时候的阈值为t*，其中t*即为当前待分割图像的最佳分割 阈值；

步骤B2、将深度图像分割成互不重叠的且大小相同的图像块block₃₂(i,j)， 设定阈值T。如果图像块block₃₂(i,j)目标区域和背景区域的像素个数比值大于 T，则该图像块选择嵌入水印；反之，则不嵌入水印。由于视频帧图像和其深度 图像位置是相互对应的，因此深度图像中选取水印的嵌入区域位置也就是视频 帧中水印嵌入的位置。

水印嵌入的区域确定以后，即可采用各种现有水印算法进行水印嵌入和提 取。本发明采用DCT变换域水印方法。

为了使公众理解本发明的技术方案，下面以一个实施样例进行说明。该实 施样例中采用MPEG2格式的视频，视频大小为480×270，时长大约6秒，共 200帧。选取尺寸为48×48的二值图像作为原始水印图像。其中视频关键帧和 原始水印图像如图3(a)和图4(a)所示。为了提高水印的鲁棒性，本实施样 例中采用Logistic映射对原始水印图像进行加密。如图1所示，具体的水印嵌入 和提取步骤如下：

步骤1：将原始水印图像进行Logistic映射置乱，产生一维水印信息W′；

步骤2：将MPEG-2格式的视频文件进行解码，获取视频的关键帧， 其中水印信息将嵌入在由关键帧解码所获得的亮度分量Y_v上。

步骤3：关键帧的深度图像获取

(1)对视频关键帧的前向第8帧I_ref8和视频关键帧分别提取50个SIFT特征 点，(Descriptor_a1～50，Descriptor_b1～50)，然后采用特征点特征向量的欧式距离来作 为两幅图像中特征点的相似性判定度量。如果视频关键帧中有70％的特证点与前 向第8帧I_ref8中的特征点两两相互匹配，则认为两帧图像相似，否则，再将视频 关键帧的前向第7帧与视频关键帧进行相似性判断，直至找出与视频关键帧相似 的视频帧。

(2)将视频关键帧和其相似的视频帧视作一个视频帧图像对(I_sim1,I_sim2)， 并利用光流算法模型对其进行运动流计算，利用图像对中像素强度数据的时域变 化和相关性来确定视频关键帧中每个像素的运动矢量。

(3)按照公式(1)计算的视频关键帧的深度信息，获取深度图像。

$D(i,j)=c\sqrt{\mathrm{MV}{(i,j)}_x^2+\mathrm{MV}{(i,j)}_y^2}---\left(1\right)$

公式(1)中D(i,j)表示的是深度图像中像素(i,j)的深度值，c是调节尺度 因子，它可以根据视频帧中场景内容不同去调节深度信息的大小，以方便显示 观察。MV(i,j)_x和MV(i,j)_y分别表示像素点(i,j)水平X和垂直Y方向上的运动 矢量。

步骤4：嵌入区域的选择

(1)利用Otsu算法将视频关键帧的深度图像划分成目标区域和背景区域；

(2)将深度图像分割成互不重叠的32×32图像块block₃₂(i,j)，设定阈值 T。如果图像块block₃₂(i,j)目标区域和背景区域的像素个数比值大于T，则该图 像块选择嵌入水印；反之，则不嵌入水印。由于视频帧图像和其深度图像位置 是相互对应的，因此深度图像中选取水印的嵌入区域位置也就是视频帧中水印 嵌入的位置。

步骤5：水印的嵌入规则：

设D(u,v)是8×8子块的DCT系数，R₁和R₂分别是数值在0～1之间，大小 为1×8的随机矩阵，K是一个数值为0，大小是1×8的矩阵，δ是水印嵌入阈 值，D′(u,v)是嵌入水印后的DCT系数，

当嵌入水印信息W_q(k)＝1的时候：K＝R₁；

当嵌入水印信息W_q(k)＝0的时候：K＝R₂；

按照公式(10)修改D(u,v)中8个对角线上的系数值，被修改的DCT系数 位置分别为(1,8)、(2,7)、(3,6)、(4,5)、(5,4)、(6,3)、(7,2)、(8,1)。

D′(i,j)＝D(i,j)+δ×K[i]    (10)

其中，i，j分别是DCT系数的修改位置。

具体实现的关键代码为：

K＝zeros(1,8)

if W_q(k)＝1,K＝R₁；

else K＝R₂；

for u＝1:8

v＝9-u

D′(u,v)＝D(u,v)+δ×K[u]；

end

步骤6、将视频Y_v分量分成m个互不重叠的8×8图像块，对每个子块块进 行DCT变换得到D(u,v)；

步骤7、按照水印的嵌入规则嵌入水印信息，并进行DCT逆变换，最后将 所有的图像块按照次序进行组合，即可得到含有水印信息的视频帧f′(x,y)。

$f^{\prime }(x,y)=\underset{k=0}{\overset{m}{\cup }}{\mathrm{DCT}}^{-1}\left(D^{\prime }(u,v)\right),0<u,v<7---\left(11\right)$

如图2所示，水印的提取算法的具体步骤如下：

步骤1、将含有水印的的视频解码，确定含有视频的关键帧。

步骤2、按照嵌入过程中步骤3方法，获取视频关键帧的深度图像。

步骤3：利用Otsu算法将深度图像分割成目标和背景两个区域，设阈值T， 找出水印嵌入的区域；

步骤4：水印提取规则如下：

设D″(u,v)是8×8图像块的DCT系数，W′(k)表示一维水印信号的像素值， coor(A,B)表示矩阵A和B之间的相似度；

令K′是一个大小为1×8的矩阵，其中数值分别为D″(u,v)中8个对角线上 的DCT系数值，其中DCT系数位置分别为(1,8)、(2,7)、(3,6)、(4,5)、(5,4)、 (6,3)、(7,2)、(8,1)。

如果corr2(K′,R₁)＞corr2(K′,R₂)的时候：嵌入的水印信息W′(k)＝1；

如果corr2(K′,R₁)≤corr2(K′,R₂)的时候：嵌入的水印信息W′(k)＝0。

具体实现的关键代码为：

for u＝1:8

v＝9-u；

K′[u]＝D″(u,v)；

end

if(corr2(K′,R₁)＞corr2(K′,R₂))W′(k)＝1

else W′(k)＝0

end

步骤5、将视频帧Y_v'分量分割成互不重叠的8×8子块，同时对每个子块做 DCT变换，按照步骤4中的规则在水印的嵌入区域中提取出水印信息W′(k)。

步骤6、将提取的水印信息按照与嵌入过程相反方法进行变换，然后根据原 始水印图像的规格大小排列，即可提取出水印图像W′(i,j)。图4(b)为在无攻 击情况下提取出的水印图像。

本实施例中初始值X₀＝0.2、μ＝3.6、δ＝50。嵌入水印信息的视频帧如图4 (c)所示。

为了测试本发明抵抗各种攻击的鲁棒性，这里对嵌入水印的视频添加椒盐噪 声、乘性噪声、高斯噪声、亮度调节、对比度调节等攻击操作。通过相关系数 NC(Normalized Correlation)衡量提取的水印图像与原始水印图像之间的相似 性。同时借助于一种评价图像的客观标准峰值信噪比PSNR(Peak Signal-to-Noise  Ratio)来衡量含水印图像和原始图像的差异性，PSNR值越大则表示水印的透明 性越好，图像失真越小。

图4(a)是嵌入水印的视频帧。其中PSNR是28.71dB，图4(b)是没有 受到攻击时提取的水印图像，NC值是0.9997。可见本算法在无攻击的情况下， 提取出的水印清晰，效果好。

表1～表5是本发明在常见视频攻击下的实验结果。

(1)添加椒盐噪声

对嵌入水印的视频分别添加密度为0.01，0.03，0.05的椒盐噪声，表1分别是 提取出来的水印图像和NC值。实验提取的水印图像见图5(a)～图5(c)。

表1椒盐噪声

(2)乘性噪声攻击

对嵌入水印的视频分别添加密度为0.01，0.03，0.05的乘性噪声，表2分别 是提取出来的水印图像和NC值。实验提取的水印图像见图5(d)～图5(f)。

表2乘性噪声

(3)高斯噪声攻击

对嵌入水印的视频添加均值为0，方差是0.005，0.01，0.015的高斯噪声， 表5.3分别是提取出来的水印图像和NC值。实验提取的水印图像见图5(g)～图 5(i)。

表3高斯噪声

(4)亮度攻击

对嵌入水印的视频分别按照亮度(+5)、亮度(-5)、亮度(+10)、亮度 (-10)进行攻击，表4分别是提取出来的水印图像和NC值。实验提取的水印 图像见图5(j)～图5(m)。

表4亮度攻击

(5)对比度攻击

对嵌入水印的视频分别按照对比度(+5)、对比度(-5)、对比度(+10)、 对比度(-10)进行攻击，表5分别是提取出来的水印图像和NC值。实验提取 的水印图像见图5(n)～图5(q)。

表5对比度攻击

实验结果表明，本发明中提出的算法能够抵抗住椒盐噪声、高斯噪声、乘 性噪声、亮度对比度等一定程度上的攻击，并且随着攻击程度的不断加大，提 取出的水印质量不断下降，相应的NC值也在减少，但是NC系数基本上保持在 0.9以上。总的来说，在遭受攻击的情况下，提取出的水印信息和原始水印信息 视觉上相差不大，完全能够辨别出来。