CN106803228A - 基于可逆信息隐藏的钝角预测方法、系统 - Google Patents
基于可逆信息隐藏的钝角预测方法、系统 Download PDFInfo
- Publication number
- CN106803228A CN106803228A CN201611118246.4A CN201611118246A CN106803228A CN 106803228 A CN106803228 A CN 106803228A CN 201611118246 A CN201611118246 A CN 201611118246A CN 106803228 A CN106803228 A CN 106803228A
- Authority
- CN
- China
- Prior art keywords
- pixel
- object pixel
- information
- fan
- footpath
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明属于数据隐藏技术领域,提供了一种基于可逆信息隐藏的钝角预测方法、系统,该方法包括获取载体图像和辅助信息,辅助信息包括水印信息和位置图,进行预处理,根据载体图像,确定扫描分块的尺寸和图像粗糙度,根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差,根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,形成载密图像,识别载密图像中的辅助信息,从载密图像中提取水印信息,对已修改像素灰度值的像素进行恢复,还原载体图像。本发明基于可逆信息隐藏的钝角预测方法、系统,能够提高可逆信息隐藏技术的嵌入容量和峰值信噪比,增强预测性能。
Description
技术领域
本发明涉及数据隐藏技术领域,具体涉及一种基于可逆信息隐藏的钝角预测方法、系统。
背景技术
随着计算机和网络技术的发展,越来越多的图像信息在网络中传输,方便用户日常应用。但是,大多数基于可逆信息隐藏技术无法得到良好的嵌入容量和嵌入质量,尤其是对于中高负载、图像粗糙程度较大的载体图像,现有的隐藏技术的峰值信噪比较低,预测性能较差。
如何提高可逆信息隐藏技术的嵌入容量和峰值信噪比,增强预测性能,是本领域技术人员亟需解决的问题。
发明内容
针对现有技术中的缺陷,本发明提供一种基于可逆信息隐藏的钝角预测方法、系统,能够提高可逆信息隐藏技术的嵌入容量和峰值信噪比,增强预测性能。
第一方面,本发明提供一种基于可逆信息隐藏的钝角预测方法,该方法包括:
信息获取步骤:获取载体图像和辅助信息,辅助信息包括水印信息和位置图;
预处理步骤:对载体图像中的像素灰度值进行修改,记录修改位置,保存至位置图,并压缩位置图;
类型选择步骤:根据载体图像,确定扫描分块的尺寸和图像粗糙度;
根据水印信息,确定预测扇形的扇径;
根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置;
信息嵌入步骤:根据辅助信息的最大长度,确定辅助信息的存储位置;
根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差;
根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,形成载密图像;
信息提取步骤:识别载密图像中的辅助信息,并解压位置图;
根据目标像素的预测误差,从载密图像中提取水印信息;
根据解压后的位置图,对已修改像素灰度值的像素进行恢复,还原载体图像。
进一步地,根据水印信息,确定预测扇形的扇径,具体包括:
对于高负载量的水印信息,则确定预测扇形的扇径为第一扇径;
对于中负载量的水印信息,则确定预测扇形的扇径为第二扇径;
对于低负载量的水印信息,则确定预测扇形的扇径为第三扇径,且第一扇径小于第二扇径,第二扇径小于第三扇径;
根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置,具体包括:将图像粗糙度与预获取的最大粗糙度阈值比较:
若图像粗糙度大于等于最大粗糙度阈值,则生成处理错误提示信息,若图像粗糙度小于最大粗糙度阈值,则:
当扇径为第一扇径,则选定参照像素数量为3~4个,
当扇径为第二扇径,则选定参照像素数量为8~10个,
当扇径为第三扇径,则选定参照像素数量为7~15个;
根据选定的参照像素数量,设置目标像素的虚拟位置和上下文像素矢量;
遍历目标像素的虚拟位置,根据上下文像素矢量,获取性能遍历结果;
根据性能遍历结果和预获取的参数比重信息,设置最大预测角度和目标像素的位置。
进一步地,根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差,具体包括:
根据最大预测角度和参照像素数量,确定上下文像素矢量;
将上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;
根据最小像素灰度值和最大像素灰度值,通过如下公式,对目标像素进行预测,获取目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;
根据目标像素的预测值和真实值,通过如下公式,获取目标像素的预测误差,
其中,pe为目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。
进一步地,根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,具体包括:
根据目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为平移和扩展后的预测误差,pe为目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;
根据辅助信息的存储位置,以及平移和扩展后的预测误差,将水印信息嵌入载体图像。
基于上述任意基于可逆信息隐藏的钝角预测方法实施例,进一步地,在预处理步骤之后,类型选择步骤之前,该方法还包括参数比重信息获取步骤:根据载体图像,确定扫描分块的尺寸、目标像素的模拟位置和最大模拟预测角度;
根据扫描分块的尺寸和水印信息,确定预测扇径;
根据预测扇径、目标像素的模拟位置和最大模拟预测角度,确定第一上下文像素矢量;
根据第一上下文像素矢量、预测扇径和目标像素的模拟位置,对目标像素进行预测,获取目标像素的模拟预测误差;
根据目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比;
根据嵌入容量和峰值信噪比,获取参数比重信息。
进一步地,在获取目标像素的模拟预测误差之后,进行平移和扩展之前,该方法还包括:增大预测扇径;
将增大的预测扇径与预设的最大预测扇径比较:
若增大的预测扇径大于等于最大预测扇径,则根据目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比;
若增大的预测扇径小于最大预测扇径,则:
根据增大的预测扇径、目标像素的模拟位置和最大模拟预测角度,确定第二上下文像素矢量;
根据第二上下文像素矢量、增大的预测扇径和目标像素的模拟位置,对目标像素进行预测,获取目标像素的模拟预测误差。
第二方面,本发明提供一种基于可逆信息隐藏的钝角预测系统,该系统包括信息获取子系统、预处理子系统、类型选择子系统、信息嵌入子系统和信息提取子系统,信息获取子系统用于获取载体图像和辅助信息,辅助信息包括水印信息和位置图;预处理子系统用于对载体图像中的像素灰度值进行修改,记录修改位置,保存至位置图,并压缩位置图;类型选择子系统用于根据载体图像,确定扫描分块的尺寸和图像粗糙度;根据水印信息,确定预测扇形的扇径;根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置;信息嵌入子系统用于根据辅助信息的最大长度,确定辅助信息的存储位置;根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差;根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,形成载密图像;信息提取子系统用于识别载密图像中的辅助信息,并解压位置图;根据目标像素的预测误差,从载密图像中提取水印信息;根据解压后的位置图,对已修改像素灰度值的像素进行恢复,还原载体图像。
进一步地,类型选择子系统在根据水印信息,确定预测扇形的扇径时,具体用于:对于高负载量的水印信息,则确定预测扇形的扇径为第一扇径;对于中负载量的水印信息,则确定预测扇形的扇径为第二扇径;对于低负载量的水印信息,则确定预测扇形的扇径为第三扇径,且第一扇径小于第二扇径,第二扇径小于第三扇径;
类型选择子系统在根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置时,具体用于:将图像粗糙度与预获取的最大粗糙度阈值比较:若图像粗糙度大于等于最大粗糙度阈值,则生成处理错误提示信息,若图像粗糙度小于最大粗糙度阈值,则当扇径为第一扇径,则选定参照像素数量为3~4个,当扇径为第二扇径,则选定参照像素数量为8~10个,当扇径为第三扇径,则选定参照像素数量为7~15个;根据选定的参照像素数量,设置目标像素的虚拟位置和上下文像素矢量;遍历目标像素的虚拟位置,根据上下文像素矢量,获取性能遍历结果;根据性能遍历结果和预获取的参数比重信息,设置最大预测角度和目标像素的位置。
进一步地,信息嵌入子系统在根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差时,具体用于:根据最大预测角度和参照像素数量,确定上下文像素矢量;将上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;根据最小像素灰度值和最大像素灰度值,通过如下公式,对目标像素进行预测,获取目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;根据目标像素的预测值和真实值,通过如下公式,获取目标像素的预测误差,
其中,pe为目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。
进一步地,信息嵌入子系统在根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像时,具体用于:根据目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为平移和扩展后的预测误差,pe为目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;根据辅助信息的存储位置,以及平移和扩展后的预测误差,将水印信息嵌入载体图像。
由上述技术方案可知,本发明基于可逆信息隐藏的钝角预测方法、系统,能够对像素灰度值进行修改,有效防止后续信息处理过程中像素溢出,避免载密图像显示异常,有助于提高可逆性。该方法通过设置钝角预测的最优参数,如最大预测角度、参照像素数量和目标像素的位置,增强参照像素对目标像素的包裹性,有助于提高预测精度,再将水印信息嵌入载体图像,达到最佳性能,即最大化的嵌入容量和最高的峰值信噪比,实现水印信息隐藏。同时,该方法还能够从载密图像中提取水印信息,还原载体图图像,以保证可逆性。
因此,本发明基于可逆信息隐藏的钝角预测方法、系统,能够提高嵌入容量和峰值信噪比,增强预测性能。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中,类似的元件或部分一般由类似的附图标记标识。附图中,各元件或部分并不一定按照实际比例绘制。
图1示出了本发明所提供的第一种基于可逆信息隐藏的钝角预测方法流程图;
图2示出了本发明所提供的一种像素扫描顺序的示意图;
图3示出了本发明所提供的一种RAP型像素分布示意图;
图4示出了本发明所提供的一种OAP-I型像素分布示意图;
图5示出了本发明所提供的一种OAP-II型像素分布示意图;
图6~(a)为Lena图像的RAP型第一预测误差直方图;
图6~(b)为Lena图像的RAP型第二预测误差直方图;
图6~(c)为Lena图像的RAP型第三预测误差直方图;
图7~(a)为Lena图像的OAP-I型第一预测误差直方图;
图7~(b)为Lena图像的OAP-I型第二预测误差直方图;
图7~(c)为Lena图像的OAP-I型第三预测误差直方图;
图8~(a)为Lena图像的OAP-II型第一预测误差直方图;
图8~(b)为Lena图像的OAP-II型第二预测误差直方图;
图8~(c)为Lena图像的OAP-II型第三预测误差直方图;
图9示出了本发明所提供的第二种基于可逆信息隐藏的钝角预测方法流程图;
图10示出了本发明所提供的第三种基于可逆信息隐藏的钝角预测方法流程图;
图11~(a)示出了本发明所提供的测试图像SIPI图像数据集Lena;
图11~(b)示出了本发明所提供的测试图像SIPI图像数据集Airplane-F16;
图11~(c)示出了本发明所提供的测试图像SIPI图像数据集Baboon;
图11~(d)示出了本发明所提供的测试图像SIPI图像数据集Barbara;
图11~(e)示出了本发明所提供的测试图像SIPI图像数据集Boat;
图11~(f)示出了本发明所提供的测试图像SIPI图像数据集Peppers;
图12示出了本发明所提供的不同图像对嵌入容量各权重的变化曲线;
图13示出了本发明所提供的不同图像对移位率各权重的变化曲线;
图14~(a)示出了本发明所提供的测试图像Lena的PSNR变化曲线;
图14~(b)示出了本发明所提供的测试图像Airplane-F16的PSNR变化曲线;
图14~(c)示出了本发明所提供的测试图像Baboon的PSNR变化曲线;
图14~(d)示出了本发明所提供的测试图像Barbara的PSNR变化曲线;
图14~(e)示出了本发明所提供的测试图像Boat的PSNR变化曲线;
图14~(f)示出了本发明所提供的测试图像Peppers的PSNR变化曲线;
图15示出了本发明所提供的一种基于可逆信息隐藏的钝角预测系统的结构示意图。
具体实施方式
下面将结合附图对本发明技术方案的实施例进行详细的描述。以下实施例仅用于更加清楚地说明本发明的技术方案,因此只是作为示例,而不能以此来限制本发明的保护范围。需要注意的是,除非另有说明,本申请使用的技术术语或者科学术语应当为本发明所属领域技术人员所理解的通常意义。
第一方面,本发明实施例提供一种基于可逆信息隐藏的钝角预测方法,结合图1,该方法包括:信息获取步骤S1:获取载体图像和辅助信息,辅助信息包括水印信息和位置图,在此,辅助信息用来记录水印信息提取和载体图像恢复所必须的参数,包括压缩位置图长度,最大粗糙度阈值,参照像素数量,水印信息净荷最后嵌入位置,同时,也便于头信息的提取;
预处理步骤S2:对载体图像中的像素灰度值进行修改,记录修改位置,保存至位置图,并压缩位置图,在此,灰度图像的像素灰度值范围为[0,255],预测排序类算法对像素灰度值的最大修改值为1,因此,先将所有0像素灰度值修改为1像素灰度值,将255像素灰度值修改为254像素灰度值,并用位置图记录下修改的像素,形式为二值矩阵、二值矢量或者二值图像,然后压缩位置图;
类型选择步骤S3:根据载体图像,确定扫描分块的尺寸和图像粗糙度,在此,为兼顾信息嵌入容量和嵌入后图像的保真度,扫描分块不宜过小或过大,最小的扫描分块为2×2分块,最大的扫描分块为4×4分块;
根据水印信息,确定预测扇形的扇径,在此,以目标像素为顶点,以目标像素和参照像素的连线为两边的最大夹角的边所组成的图形为预测扇形。预测扇形中的参照像素与目标像素的临近程度,称为扇径,记为Rs;
根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置,在此,结合图2,扫描顺序为从左到右、自上而下逐个扫描像素,xi,j+1为目标像素,该目标像素的位置为第i行、第j+1列,其右方、下方和右下方的若干像素均为参照像素或上下文像素,具体像素位置和大小可根据情况灵活确定。一般遵循紧邻原则,即优先安排与目标像素最近的像素作为上下文像素,不间隔选择。因此,经常使用的参照像素数量一般为2~15个;为保证可逆性,在指定大小的扫描分块内,目标像素必须位于参考像素之前。
信息嵌入步骤S4:根据辅助信息的最大长度,确定辅助信息的存储位置,在此,根据辅助信息的最大长度,从载体图像的第一个像素开始,按光栅扫描顺序,提取相同长度像素的最低有效位,也称为头信息,利用头信息的位置来存储辅助信息;
根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差;
根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,形成载密图像,并标记水印信息的嵌入位置,且水印信息的嵌入位置之后即为辅助信息的嵌入位置;
信息提取步骤S5:识别载密图像中的辅助信息,并解压位置图,在此,读取载密图像前若干个像素的最低有效位,按照光栅顺序,读取与头信息长度相同的像素的最低有效位,获得并识别辅助信息,解压缩预处理的位置图;
根据目标像素的预测误差,从载密图像中提取水印信息,在此,执行嵌入过程的逆过程,即通过如下公式,获得目标像素的预测误差,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值,
对低于最大粗糙度阈值的局部粗糙度目标像素,计算预测误差,
其中,pe为目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,并按照解扩展和解移位策略进行水印信息的提
取和初步载体图像恢复。
其中,解扩展和解移位策略如下:
其中,PE为平移和扩展后的预测误差,pe为目标像素的预测误差;
根据解压后位置图,对已修改像素灰度值像素进行恢复,还原载体图像,在此,按照解压缩后的位置图,恢复预处理修改像素,即将修改过的1像素灰度值恢复为0像素灰度值,将修改过的254像素灰度值恢复为255像素灰度值,完成载体图像的最后恢复。
在此,结合图3、图4或图5,RAP的和参照像素矢量分别为:
OAP-I的和参照像素矢量分别为:
OAP-II的和参照像素矢量分别为
三种预测方法实际预测扇径内的参照像素矢量维数满足为:时,
时,
时,
不同扇径条件下,所需的参照像素位置和数量不同,为了最大化嵌入容量应采用不同的扫描分块尺寸,表1给出了不同条件下不同方法的扫描像素分块尺寸。
表1不同扇径下不同方法的扫描像素分块尺寸
图6~图8均为预测误差直方图,且0柱的比特用来表示携带水印信息,其他柱数据用来表示被移位,横坐标为预测误差,简明起见,只给出了[-3:1:3]误差对应的直方图。由图6~图8可知,预测误差为零的比特数最多,在0柱位置嵌入信息可获得最高的嵌入容量,扇径越大,可嵌入比特数越少,移位比特数越少,且变化越来越平缓,预测误差的绝对值越大,移位比特数量越少。
表2三种预测方法在三种扇径下的嵌入容量Ncap/D
由表2可知:RAP的参照像素数量和像素最大预测角度均低于OAP-I和OAP-II,因此,前者的嵌入容量明显低于后两种方法。
表3三种预测方法在三种扇径下的移位率Rsft/D
由表3可知:RAP的参照像素数量和像素最大预测角度均低于OAP-I和OAP-II,因此,前者的移位率明显高于后两种方法,嵌入质量最差。
由上述技术方案可知,本实施例基于可逆信息隐藏的钝角预测方法,能够对像素灰度值进行修改,有效防止后续信息处理过程中像素溢出,避免载密图像显示异常,有助于提高可逆性。该方法通过设置钝角预测的最优参数,如最大预测角度、参照像素数量和目标像素的位置,增强参照像素对目标像素的包裹性,有助于提高预测精度,再将水印信息嵌入载体图像,达到最佳性能,即最大化的嵌入容量和最高的峰值信噪比,实现水印信息隐藏。同时,该方法还能够从载密图像中提取水印信息,还原载体图图像,以保证可逆性。
因此,本实施例基于可逆信息隐藏的钝角预测方法,能够提高嵌入容量和峰值信噪比,增强预测性能。
具体地,本实施例基于可逆信息隐藏的钝角预测方法,在根据水印信息,确定预测扇形的扇径时,实现过程如下:
对于高负载量的水印信息,则确定预测扇形的扇径为第一扇径,记为
对于中负载量的水印信息,则确定预测扇形的扇径为第二扇径,记为
对于低负载量的水印信息,则确定预测扇形的扇径为第三扇径,记为且第一扇径小于第二扇径,第二扇径小于第三扇径,在此,结合图3、图4或图5,RAP的 和参照像素矢量分别为:
OAP-I的和参照像素矢量分别为:
OAP-II的和参照像素矢量分别为:
根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置,具体包括:将图像粗糙度与预获取的最大粗糙度阈值比较:
若图像粗糙度大于等于最大粗糙度阈值,则生成处理错误提示信息,若图像粗糙度小于最大粗糙度阈值,则:当扇径为第一扇径,则选定参照像素数量为3~4个,
当扇径为第二扇径,则选定参照像素数量为8~10个,
当扇径为第三扇径,则选定参照像素数量为7~15个;
根据选定的参照像素数量,设置目标像素虚拟位置和上下文像素矢量;
遍历目标像素的虚拟位置,根据所述上下文像素矢量,获取性能遍历结果;
根据性能遍历结果和预获取的参数比重信息,设置最大预测角度和目标像素的位置。扇径越大,嵌入信息的容量越小,该方法能够结合水印信息的负载量,设定预测扇形的扇径,以实现水印信息的有效嵌入。同时,预测方法的性能还和图像内容有关,而信息隐藏性能的优劣,直接决定于对目标像素的预测能力,因此,先确定目标像素预测能力,后选择相应的预测策略,衡量像素预测能力的方法也十分必要,在此,该方法还能够根据不同的扇径,获取性能遍历结果,并结合参数比重信息,以设置最优预测参数,以获取最佳预测性能,有助于提高嵌入容量和嵌入质量。
例如,针对高负载量的水印信息,参数比重信息具体为:最大预测角度影响最大,参照像素数量中等,目标像素的位置最小且稍微偏弱。因此,该方法优先选择维数较高的上下文像素矢量,再遍历可能的目标像素的虚拟位置,选取可获得最优性能的最大预测角度和目标像素位置。针对中等负载量的水印信息,参数比重信息具体为:最大预测角度影响最大,参照像素数量最小且非常小,可忽略,目标像素的位置为中等,占有较大比重。因此,该方法遍历可能的目标像素虚拟位置即可,选取可获得最优性能的目标像素的位置。针对低负载量的水印信息,参数比重信息具体为:最大预测角度影响最大,参照像素数量和目标像素的位置,虽然稍小,但仍占有比较大的比重,且相差不大。因此,该方法根据可能的上下文像素矢量,遍历可能的目标像素虚拟位置,选取可获得最优性能的预测参数。
具体地,在根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差时,该方法实现过程如下:
根据最大预测角度和参照像素数量,确定上下文像素矢量;
将上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;
根据最小像素灰度值和最大像素灰度值,通过如下公式,对目标像素进行预测,获取目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值,在此,分两种情况:第一种情况是上下文像素矢量中的像素灰度值不相等,即min(C)≠max(C),如果目标像素的实际值比上下文像素矢量的最小值还小,那么,将这个最小值作为目标像素的预测值;如果目标像素的实际值比上下文像素矢量的最大值还大,那么,将这个最大值作为目标像素的预测值;针对其它情况,均表示目标像素不可预测。第二种情况是上下文像素矢量中的像素灰度值相等,即min(C)=max(C),如果目标像素的实际值和上下文像素矢量的值都相等,而且都是254,就将254作为目标像素的预测值;如果上下文像素矢量的值都相等为VC,而且,目标像素的实际值小于或者等于VC,就将VC作为目标像素的预测值;针对其它情况,均表示目标像素不可预测。
根据目标像素的预测值和真实值,通过如下公式,获取目标像素的预测误差,
其中,pe为目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。在此,该方法能够结合最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,有助于提高目标像素预测误差的准确性,且为水印信息的嵌入提供有效信息支持。
具体地,在根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像时,该方法的实现过程如下:
根据目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为平移和扩展后的预测误差,pe为目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;
根据辅助信息的存储位置,以及平移和扩展后的预测误差,将水印信息嵌入载体图像,并标记水印信息的嵌入位置,将辅助信息嵌入水印信息嵌入位置之后。在此,扩展的预测误差用来表征嵌入信息的容量,平移的预测误差用来保证可逆性。
具体地,在预处理步骤之后,类型选择步骤之前,结合图9或图10,本实施例基于可逆信息隐藏的钝角预测方法还包括参数比重信息获取步骤:
根据载体图像,确定扫描分块的尺寸、目标像素的模拟位置和最大模拟预测角度,在此,根据载体图像的分辨率和负载大小,确定合适的扫描分块;
根据扫描分块的尺寸和水印信息,确定预测扇径;
根据预测扇径、目标像素模拟位置和最大模拟预测角度,确定第一上下文像素矢量;
根据第一上下文像素矢量、预测扇径和目标像素的模拟位置,对目标像素进行预测,获取目标像素的模拟预测误差;
根据目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比,分析对嵌入质量的影响;
根据嵌入容量和峰值信噪比,分析参照像素数量、最大预测角和目标像素位置的影响比重,获取参数比重信息。
并且,在获取目标像素的模拟预测误差之后,进行平移和扩展之前,结合图10,该方法还包括:增大预测扇径;
将增大的预测扇径与预设的最大预测扇径比较:
若增大的预测扇径大于等于最大预测扇径,则根据目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比;
若增大的预测扇径小于最大预测扇径,则:
根据增大的预测扇径、目标像素的模拟位置和最大模拟预测角度,确定第二上下文像素矢量;
根据第二上下文像素矢量、增大的预测扇径和目标像素的模拟位置,对目标像素进行预测,获取目标像素的模拟预测误差。
为了表示三个因素的影响比重,在此,用如下公式表示:
其中,H表示预测能力指标,D表示参照像素个数,Θ表示最大预测角度,Γ表示目标像素的位置,μ,λ和k分别为相应因素的系数。如果用δ1,δ2和δ3表示各因素的比重,得到如下公式:
其中,有δ1∈[0,1],δ2∈[0,1]和δ3∈[0,1],值越大说明该因子对预测指标的影响越大,反之则越小。
用表2的数据为例来说明嵌入容量的像素预测能力。因容量较大,为便于表达,取H=10-4*Ec,由此得到:当时,
于是,从而,
类似地,可以得到其它两种扇径下的影响因素比重,用表4表示。
表4不同扇径下嵌入容量预测能力影响因素比重
依据表4,我们可以获得如下结论:第一,无论预测扇径大小,三种因素都影响对嵌入容量的预测,而且,最大预测角度的比重最大,均超过了0.5;第二,目标像素位置对嵌入容量的预测能力随着预测扇径的增大而增加;第三,第一扇径时,目标像素位置对嵌入容量的预测能力影响最小;第二、三扇径时,目标像素位置对嵌入容量的预测能力影响均大大超过了参考像素数量。
用表3的数据为例来说明移位率的像素预测能力。移位率数据可直接作为预测能力指标,由此得到:
当时,
于是,从而,
类似地,可以得到其它两种扇径下的影响因素比重,用表5表示。
表5不同扇径下移位率预测能力影响因素比重
依据表5,我们可以获得如下结论:第一,无论预测扇径大小,三种因素都影响对移位率的预测,而且,最大预测角度的比重最大,均超过了0.5。第二,随着预测扇径逐渐增大,参照像素数量对移位率预测能力影响呈现先下降后上升的趋势,第一扇径和第三扇径时,均在25%左右,而第二扇径时,影响比重则骤降至不到10%。第三,随着预测扇径逐渐增大,目标像素位置对移位率预测能力影响呈现先陡然上升后缓慢下降的趋势,第一扇径时,为17%,而第二、三扇径时,则均在高于25%。
针对预测性能的评价,在此,采用嵌入容量和峰值信噪比两个指标进行评价。载体图像选择如图11所示的SIPI标准数据集的8位灰度图像,尺寸均为512×512。所用的水印信息均为相同的随机比特流,仿真采用Matlab 2013a平台。
针对满秩预测的嵌入容量性能:
表6预测的嵌入容量对比
表7不同预测扇径下对嵌入容量的预测能力影响因素权重对比
由表6和表7可知,在第三扇径条件下,不同图像所对应的影响因素权重变化比较大,这说明这种条件下的权重和图像内容相关。
结合图12,图12中横轴为影响因素,坐标(1,2,3,4,5,6,7,8,9)一一对应三种扇径下的影响因素纵坐标为因素权重。在预测扇径为最大时,各影响因素对图像的预测能力因图像内容而不同,最大预测角度的影响变化最大,目标像素位置次之,参照像素数量最小。
Lena,Barbara和Peppers都属于平滑程度一般的图像,具有相同或接近灰度值的区域比较多,区域之间的灰度值差别较大,他们的预测影响因素权重变化一致,参照像素数量的影响最小且变动范围最小σ∈(0,0.02),最大预测角度影响最大,目标位置选择影响居中,二者变动范围较大σ∈(0,1)。
Baboon和Boat属于粗糙图像,像素灰度变化剧烈,分布复杂,影响因素变化一致,参照像素数量影响最小且变动最小σ∈(0,0.01),但和最大预测角度影响差别不大,目标像素位置影响最大
Airplane属于平滑图像,像素点变化缓慢,相同或相近灰度值集中,各因素的权重则为参照像素数量影响最小但超越了平滑图像Lena,Barbara和Peppers,最大预测角度影响居中低于平滑图像且高于粗糙图像,目标像素位置影响最大明显超越了平滑图像。
由此可知:第一,中低预测扇径下,对嵌入容量的预测能力三种影响因素权重基本一致,与图像内容平滑度无关。第二,第一预测扇径下,最大预测角度影响最大,接近60%;参照像素数量次之,接近25%;目标像素位置最小,约为17%。第三,第二、三预测扇径下,最大预测角度影响最大,接近65%;目标像素位置次之,约为27%;参照像素数量最小,约为8%;第四,第三预测扇径下,各因子权重变化不一、大小不一,最大预测角度影变化最大,目标像素位置次之,参照像素数量最小。第五,一般平滑图像最大预测角度影响最大,目标像素位置次之,参照像素数量最小;粗糙图像和平滑图像的目标像素位置影响最大,最大预测角度次之,参照像素数量最小;平滑图像的各影响因素权重处于一般平滑图像和粗糙图像之间。
针对满秩预测的移位率性能:
表8预测的移位率对比
表9不同预测扇径下对嵌入容量的预测能力影响因素权重对比
由表8和表9可知,在第三扇径条件下,不同图像所对应的影响因素权重变化比较大,这说明这种条件下的权重和图像内容相关。
结合图13,图13的坐标意义同图12。不难发现,各影响因子对移位率的预测贡献与预测嵌入容量明显不同。在预测扇径为第三扇径时,各影响因素对图像的预测能力因图像内容而不同,最大预测角度的影响变化最大,参照像素数量次之,目标像素位置最小。平滑图像Airplane和一般平滑图像Lena,Barbara,Peppers的预测影响因素权重变化一致,最大预测角度影响最大,参照像素数量的影响次之目标位置选择影响最小且变动范围都不大σ∈(0,0.02)。Baboon和Boat属于粗糙图像,相对而言,Baboon最为粗糙,Boat粗糙程度略低,介于Baboon和一般图像之间。对Baboon图像来讲,目标像素位置影响最大参照像素数量影响次之最大预测角度影响最小与粗糙程度类似,Boat图像的因子权重也居Baboon和较为平滑图像之间,目标像素位置影响最大最大预测角度影响次之参照像素数量影响最小
由此可知:第一,第一、二扇径下,对移位率的预测能力三种影响因素权重基本一致,与图像内容平滑度无关。第二,第一预测扇径下,最大预测角度影响最大,接近60%;参照像素数量次之,约为25%;目标像素位置最小,约为17%。第三,第二预测扇径下,最大预测角度影响最大,接近65%;目标像素位置次之,约为27%;参照像素数量最小,约为9%。第四,第三预测扇径下,各因子权重变化不一、大小不一,最大预测角度影变化最大,参照像素数量次之,目标像素位置最小。第五,一般平滑图像和平滑图像最大预测角度影响最大,目标像素位置次之,参照像素数量最小;粗糙图像的目标像素位置影响最大,最大预测角度次之,参照像素数量最小;低粗糙度图像的各影响因素权重处于一般平滑图像和粗糙图像之间,目标像素位置影响最大,参照像素数量次之,最大预测角度影响最小。
针对最优性能对比:
表10最优嵌入容量
Image | Luo et al. | Hong | Li et al. | RAP | OAP-I | OAP-II |
Lena | 57.31 | 58.50 | 59.86 | 60.31 | 60.65 | 60.72 |
Airplane | 57.97 | 62.08 | 61.61 | 63.72 | 63.77 | 63.73 |
Baboon | 51.06 | 56.13 | 53.50 | 54.20 | 53.75 | 53.72 |
Barbara | 55.74 | 58.33 | 59.98 | 59.82 | 60.40 | 60.35 |
Boat | 54.06 | 56.63 | 58.11 | 58.43 | 58.47 | 58.32 |
Peppers | 55.29 | 56.10 | 56.12 | 58.81 | 59.13 | 59.04 |
Average | 55.24 | 57.96 | 58.20 | 59.22 | 59.36 | 59.31 |
表11 10000比特时的PSNR对比
Image | Luo et al. | Hong | Li et al. | RAP | OAP-I | OAP-II |
Lena | 53.83 | 54.90 | 56.22 | 56.70 | 56.73 | 56.82 |
Airplane | 55.44 | 58.59 | 58.14 | 59.92 | 59.97 | 59.94 |
Barbara | 52.66 | 54.94 | 54.73 | 55.61 | 56.62 | 56.57 |
Boat | 51.19 | 52.29 | 53.31 | 54.20 | 54.42 | 54.12 |
Peppers | 52.21 | 52.15 | 54.72 | 55.03 | 55.32 | 55.23 |
Average | 53.07 | 54.57 | 55.42 | 56.29 | 56.61 | 56.54 |
表12 20000比特时的PSNR对比
在此,针对该方法和其他几种典型算法的PSNR性能,进行比较,测试图像仍然选择图11所示的SIPI图像数据集中的(a)~(f)图像。为保证测试效果的客观性,水印净荷均采用相同的相应长度的随机数据流。OAP-I和OAP-II是指按照不同像素分块扫描尺寸,不满足OAP条件的使用RAP方法,满足OAP预测条件的使用OAP方法,像素分块尺寸行数和列数大小均可能为2,3,4。因此,Qu et al方法,OAP-I和OAP-II扫描分别采用1-15,1-14和1-13个参照像素,分别执行15,14和13次,取其性能参数最优值。
最优嵌入容量如表10所示,对所有测试图像,OAP-I和OAP-II稍低于RAP方法,但这三种方法的最大嵌入容量大致相同,均高于PVO预测方法。具体来讲,Lena,Airplane,Baboon,Barbara,Boat和Peppers的前三种方法的平均值分别比PVO平均值高出12774,12567和12482。
表11和表12分别列出了净荷负载在10000和20000比特时各测试图像对应的PSNR值,其中Baboon图像的最大嵌入容量小于20000比特,因而没有在表12中列出。
从表11来看,净荷负载为10000比特时,OAP-I方法比RAP方法分别提升了0.34dB,0.05dB,-0.45dB,0.58dB,0.04dB和0.32dB,平均提升0.14dB。OAP-II方法略低于OAP-I方法,但仍比RAP方法分别提升了0.41dB,0.01dB,-0.48dB,0.53dB,0.11dB和0.23dB,平均提升0.09dB。
从表11来看,净荷负载为20000比特时,OAP-I方法比RAP方法分别提升了0.03dB,0.05dB,0.01dB,0.22dB和0.29,平均提升0.32dB。OAP-II方法略低于OAP-I方法,但仍比RAP方法分别提升了0.12dB,0.02dB,-0.04dB,-0.08dB和0.20dB,平均提升0.25dB。
结合图14,整体来看,测试结果有四个特点:第一,不同图像粗糙程度不同,(a)~(e)RAP Qu et al方法的曲线在全部负载区域都高于Luo et al.方法和Hong方法,而Li etal的PVO曲线在低负载时接近RAP曲线,在中高负载部分则下降较多。Lena,Barbara,Boat和Peppers等图像中,Li et al方法在中高负载区高于Hong曲线,低于RAP曲线,Airplane图像则低于Hong曲线。而在低负载区,Barbara和Peppers的Li et al方法则高于RAP曲线。OAP-I和OAP-II两种方法在中高负载时性能获得较大提升,在低负载时不低于RAP。
第二,净荷负载均匀变化时,不同方法的变化趋势相同,但剧烈程度不一;低负载阶段,各算法曲线下降较为明显,降低速度基本相同;进入中等负载区后,Li et al方法则有一个陡降,而后才转为平缓。
第三,在中高负载时,OAP-I和OAP-II算法优势更为凸显,而且对RAP的提升较为明显。Airplane的OAP-I和OAP-II基本重合,Lena的OAP-I稍低于OAP-II,Barbara,Boat和Peppers的OAP-I稍高于OAP-II,而Boat更为明显。
第四,Baboon在测试图像中最为粗糙,各算法区别较大。OAP-I,OAP-II,RAP,Hong算法线性保持较好,在低负载段依次降低,但在中高负载段比较接近。Li算法在低负载段为最高,进入中高负载区时则降低较快,比RAP算法高,但比OAP-I,OAP-II低。Luo算法最低,但变化最为平缓,而且最低值也高于50dB。在此,该方法能够对像素预测能力进行评价,获取钝角预测方法的各个参数影响比重,获取参数比重信息,为目标像素的预测提供有效信息支持。
第二方面,本发明实施例提供一种基于可逆信息隐藏的钝角预测系统,结合图15,该系统包括信息获取子系统1、预处理子系统2、类型选择子系统3、信息嵌入子系统4和信息提取子系统5,信息获取子系统1用于获取载体图像和辅助信息,辅助信息包括水印信息和位置图;预处理子系统2用于对载体图像中的像素灰度值进行修改,记录修改位置,保存至位置图,并压缩位置图;类型选择子系统3用于根据载体图像,确定扫描分块的尺寸和图像粗糙度;根据水印信息,确定预测扇形的扇径;根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置;信息嵌入子系统4用于根据辅助信息的最大长度,确定辅助信息的存储位置;根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差;根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像,形成载密图像;信息提取子系统5用于识别载密图像中的辅助信息,并解压位置图;根据目标像素的预测误差,从载密图像中提取水印信息;根据解压后的位置图,对已修改像素灰度值的像素进行恢复,还原载体图像。
由上述技术方案可知,本实施例基于可逆信息隐藏的钝角预测系统,能够对像素灰度值进行修改,有效防止后续信息处理过程中像素溢出,避免载密图像显示异常,有助于提高可逆性。该系统通过设置钝角预测的最优参数,如最大预测角度、参照像素数量和目标像素的位置,增强参照像素对目标像素的包裹性,有助于提高预测精度,再将水印信息嵌入载体图像,达到最佳性能,即最大化的嵌入容量和最高的峰值信噪比,实现水印信息隐藏。同时,该系统还能够从载密图像中提取水印信息,还原载体图图像,以保证可逆性。
因此,本实施例基于可逆信息隐藏的钝角预测系统,能够提高嵌入容量和峰值信噪比,增强预测性能。
为了进一步提高本实施例基于可逆信息隐藏的钝角预测系统的准确性,类型选择子系统3在根据水印信息,确定预测扇形的扇径时,具体用于:对于高负载量的水印信息,则确定预测扇形的扇径为第一扇径;对于中负载量的水印信息,则确定预测扇形的扇径为第二扇径;对于低负载量的水印信息,则确定预测扇形的扇径为第三扇径,且第一扇径小于第二扇径,第二扇径小于第三扇径。
类型选择子系统3在根据扇径和图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置时,具体用于:将图像粗糙度与预获取的最大粗糙度阈值比较:若图像粗糙度大于等于最大粗糙度阈值,则生成处理错误提示信息,若图像粗糙度小于最大粗糙度阈值,则当扇径为第一扇径,则选定参照像素数量为3~4个,当扇径为第二扇径,则选定参照像素数量为8~10个,当扇径为第三扇径,则选定参照像素数量为7~15个;根据选定的参照像素数量,设置目标像素的虚拟位置和上下文像素矢量;遍历目标像素的虚拟位置,根据上下文像素矢量,获取性能遍历结果;根据性能遍历结果和预获取的参数比重信息,设置最大预测角度和目标像素的位置。在此,该系统能够结合水印信息的负载量,设定预测扇形的扇径,以实现水印信息的有效嵌入。同时,预测系统的性能还和图像内容有关,而信息隐藏性能的优劣,直接决定于对目标像素的预测能力,因此,先确定目标像素预测能力,后选择相应的预测策略,衡量像素预测能力的系统也十分必要,在此,该系统还能够根据不同的扇径,获取性能遍历结果,并结合参数比重信息,以设置最优预测参数,以获取最佳预测性能,有助于提高嵌入容量和嵌入质量。
信息嵌入子系统4在根据最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,获取目标像素的预测误差时,具体用于:根据最大预测角度和参照像素数量,确定上下文像素矢量;将上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;根据最小像素灰度值和最大像素灰度值,通过如下公式,对目标像素进行预测,获取目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;根据目标像素的预测值和真实值,通过如下公式,获取目标像素的预测误差,
其中,pe为目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。在此,该系统能够结合最大预测角度、参照像素数量和目标像素的位置,对目标像素进行预测,有助于提高目标像素预测误差的准确性,且为水印信息的嵌入提供有效信息支持。
信息嵌入子系统4在根据目标像素的预测误差和辅助信息的存储位置,将水印信息嵌入载体图像时,具体用于:根据目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为平移和扩展后的预测误差,pe为目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为上下文像素矢量中最小像素灰度值,max(C)为上下文像素矢量中最大像素灰度值,VC为上下文像素矢量中像素灰度值;根据辅助信息的存储位置,以及平移和扩展后的预测误差,将水印信息嵌入载体图像。在此,该系统采用扩展的预测误差用来表征嵌入信息的容量,平移的预测误差用来保证可逆性。
最后应说明的是:以上各实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述各实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分或者全部技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的范围,其均应涵盖在本发明的权利要求和说明书的范围当中。
Claims (10)
1.一种基于可逆信息隐藏的钝角预测方法,其特征在于,包括:
信息获取步骤:获取载体图像和辅助信息,所述辅助信息包括水印信息和位置图;
预处理步骤:对所述载体图像中的像素灰度值进行修改,记录修改位置,保存至所述位置图,并压缩所述位置图;
类型选择步骤:根据所述载体图像,确定扫描分块的尺寸和图像粗糙度;
根据所述水印信息,确定预测扇形的扇径;
根据所述扇径和所述图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置;
信息嵌入步骤:根据所述辅助信息的最大长度,确定所述辅助信息的存储位置;
根据所述最大预测角度、所述参照像素数量和所述目标像素的位置,对所述目标像素进行预测,获取所述目标像素的预测误差;
根据所述目标像素的预测误差和所述辅助信息的存储位置,将所述水印信息嵌入所述载体图像,形成载密图像;
信息提取步骤:识别所述载密图像中的所述辅助信息,并解压所述位置图;
根据所述目标像素的预测误差,从所述载密图像中提取所述水印信息;
根据所述解压后的位置图,对已修改像素灰度值的像素进行恢复,还原所述载体图像。
2.根据权利要求1所述基于可逆信息隐藏的钝角预测方法,其特征在于,根据所述水印信息,确定预测扇形的扇径,具体包括:
对于高负载量的水印信息,则确定所述预测扇形的扇径为第一扇径;
对于中负载量的水印信息,则确定所述预测扇形的扇径为第二扇径;
对于低负载量的水印信息,则确定所述预测扇形的扇径为第三扇径,且所述第一扇径小于所述第二扇径,所述第二扇径小于所述第三扇径;
根据所述扇径和所述图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置,具体包括:
将所述图像粗糙度与预获取的最大粗糙度阈值比较:
若所述图像粗糙度大于等于所述最大粗糙度阈值,则生成处理错误提示信息,若所述图像粗糙度小于所述最大粗糙度阈值,则:
当所述扇径为所述第一扇径,则选定所述参照像素数量为3~4个,
当所述扇径为所述第二扇径,则选定所述参照像素数量为8~10个,
当所述扇径为所述第三扇径,则选定所述参照像素数量为7~15个;
根据选定的参照像素数量,设置所述目标像素的虚拟位置和上下文像素矢量;
遍历所述目标像素的虚拟位置,根据所述上下文像素矢量,获取性能遍历结果;
根据所述性能遍历结果和预获取的参数比重信息,设置所述最大预测角度和所述目标像素的位置。
3.根据权利要求1或2所述基于可逆信息隐藏的钝角预测方法,其特征在于,根据所述最大预测角度、所述参照像素数量和所述目标像素的位置,对所述目标像素进行预测,获取所述目标像素的预测误差,具体包括:
根据所述最大预测角度和所述参照像素数量,确定上下文像素矢量;
将所述上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;
根据所述最小像素灰度值和所述最大像素灰度值,通过如下公式,对所述目标像素进行预测,获取所述目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为所述上下文像素矢量中最小像素灰度值,max(C)为所述上下文像素矢量中最大像素灰度值,VC为所述上下文像素矢量中像素灰度值;
根据所述目标像素的预测值和真实值,通过如下公式,获取所述目标像素的预测误差,
其中,pe为所述目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。
4.根据权利要求3所述基于可逆信息隐藏的钝角预测方法,其特征在于,根据所述目标像素的预测误差和所述辅助信息的存储位置,将所述水印信息嵌入所述载体图像,具体包括:
根据所述目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为所述平移和扩展后的预测误差,pe为所述目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为所述上下文像素矢量中最小像素灰度值,max(C)为所述上下文像素矢量中最大像素灰度值,VC为所述上下文像素矢量中像素灰度值;
根据辅助信息的存储位置,以及所述平移和扩展后的预测误差,将所述水印信息嵌入所述载体图像。
5.根据权利要求1所述基于可逆信息隐藏的钝角预测方法,其特征在于,在所述预处理步骤之后,类型选择步骤之前,该方法还包括参数比重信息获取步骤:根据所述载体图像,确定扫描分块的尺寸、目标像素的模拟位置和最大模拟预测角度;
根据所述扫描分块的尺寸和所述水印信息,确定预测扇径;
根据所述预测扇径、所述目标像素的模拟位置和所述最大模拟预测角度,确定第一上下文像素矢量;
根据所述第一上下文像素矢量、所述预测扇径和所述目标像素的模拟位置,对所述目标像素进行预测,获取所述目标像素的模拟预测误差;
根据所述目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比;
根据所述嵌入容量和所述峰值信噪比,获取所述参数比重信息。
6.根据权利要求5所述基于可逆信息隐藏的钝角预测方法,其特征在于,在获取所述目标像素的模拟预测误差之后,进行平移和扩展之前,该方法还包括:
增大预测扇径;
将增大的预测扇径与预设的最大预测扇径比较:
若所述增大的预测扇径大于等于所述最大预测扇径,则根据所述目标像素的模拟预测误差,进行平移和扩展,获取嵌入容量和峰值信噪比;
若所述增大的预测扇径小于所述最大预测扇径,则:
根据所述增大的预测扇径、所述目标像素的模拟位置和所述最大模拟预测角度,确定第二上下文像素矢量;
根据所述第二上下文像素矢量、增大的预测扇径和目标像素的模拟位置,对目标像素进行预测,获取目标像素的模拟预测误差。
7.一种基于可逆信息隐藏的钝角预测系统,其特征在于,包括:
信息获取子系统:用于获取载体图像和辅助信息,所述辅助信息包括水印信息和位置图;
预处理子系统:用于对所述载体图像中的像素灰度值进行修改,记录修改位置,保存至所述位置图,并压缩所述位置图;
类型选择子系统:用于根据所述载体图像,确定扫描分块的尺寸和图像粗糙度;根据所述水印信息,确定预测扇形的扇径;根据所述扇径和所述图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置;
信息嵌入子系统:用于根据所述辅助信息的最大长度,确定所述辅助信息的存储位置;根据所述最大预测角度、所述参照像素数量和所述目标像素的位置,对所述目标像素进行预测,获取所述目标像素的预测误差;根据所述目标像素的预测误差和所述辅助信息的存储位置,将所述水印信息嵌入所述载体图像,形成载密图像;
信息提取子系统:用于识别所述载密图像中的所述辅助信息,并解压所述位置图;根据所述目标像素的预测误差,从所述载密图像中提取所述水印信息;根据所述解压后的位置图,对已修改像素灰度值的像素进行恢复,还原所述载体图像。
8.根据权利要求7所述基于可逆信息隐藏的钝角预测系统,其特征在于,所述类型选择子系统在根据所述水印信息,确定预测扇形的扇径时,具体用于:对于高负载量的水印信息,则确定所述预测扇形的扇径为第一扇径;对于中负载量的水印信息,则确定所述预测扇形的扇径为第二扇径;对于低负载量的水印信息,则确定所述预测扇形的扇径为第三扇径,且所述第一扇径小于所述第二扇径,所述第二扇径小于所述第三扇径;
所述类型选择子系统在根据所述扇径和所述图像粗糙度,选定最大预测角度、参照像素数量和目标像素的位置时,具体用于:将所述图像粗糙度与预获取的最大粗糙度阈值比较:若所述图像粗糙度大于等于所述最大粗糙度阈值,则生成处理错误提示信息,若所述图像粗糙度小于所述最大粗糙度阈值,则当所述扇径为所述第一扇径,则选定所述参照像素数量为3~4个,当所述扇径为所述第二扇径,则选定所述参照像素数量为8~10个,当所述扇径为所述第三扇径,则选定所述参照像素数量为7~15个;根据选定的参照像素数量,设置所述目标像素的虚拟位置和上下文像素矢量;遍历所述目标像素的虚拟位置,根据所述上下文像素矢量,获取性能遍历结果;根据所述性能遍历结果和预获取的参数比重信息,设置所述最大预测角度和所述目标像素的位置。
9.根据权利要求7或8所述基于可逆信息隐藏的钝角预测系统,其特征在于,所述信息嵌入子系统在根据所述最大预测角度、所述参照像素数量和所述目标像素的位置,对所述目标像素进行预测,获取所述目标像素的预测误差时,具体用于:根据所述最大预测角度和所述参照像素数量,确定上下文像素矢量;将所述上下文像素矢量中上下文像素的像素灰度值进行排序,获取最小像素灰度值和最大像素灰度值;根据所述最小像素灰度值和所述最大像素灰度值,通过如下公式,对所述目标像素进行预测,获取所述目标像素的预测值,
其中,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值,min(C)为所述上下文像素矢量中最小像素灰度值,max(C)为所述上下文像素矢量中最大像素灰度值,VC为所述上下文像素矢量中像素灰度值;根据所述目标像素的预测值和真实值,通过如下公式,获取所述目标像素的预测误差,
其中,pe为所述目标像素的预测误差,为第i行、第j列的目标像素的预测值,xi,j为第i行、第j列的目标像素的真实值。
10.根据权利要求9所述基于可逆信息隐藏的钝角预测系统,其特征在于,所述信息嵌入子系统在根据所述目标像素的预测误差和所述辅助信息的存储位置,将所述水印信息嵌入所述载体图像时,具体用于:根据所述目标像素的预测误差,通过如下公式,进行平移和扩展,获取平移和扩展后的预测误差,
其中,PE为所述平移和扩展后的预测误差,pe为所述目标像素的预测误差,xi,j为第i行、第j列的目标像素的真实值,min(C)为所述上下文像素矢量中最小像素灰度值,max(C)为所述上下文像素矢量中最大像素灰度值,VC为所述上下文像素矢量中像素灰度值;根据辅助信息的存储位置,以及所述平移和扩展后的预测误差,将所述水印信息嵌入所述载体图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611118246.4A CN106803228B (zh) | 2016-12-07 | 2016-12-07 | 基于可逆信息隐藏的钝角预测方法、系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611118246.4A CN106803228B (zh) | 2016-12-07 | 2016-12-07 | 基于可逆信息隐藏的钝角预测方法、系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106803228A true CN106803228A (zh) | 2017-06-06 |
CN106803228B CN106803228B (zh) | 2020-07-31 |
Family
ID=58984532
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611118246.4A Expired - Fee Related CN106803228B (zh) | 2016-12-07 | 2016-12-07 | 基于可逆信息隐藏的钝角预测方法、系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106803228B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108184122A (zh) * | 2018-01-11 | 2018-06-19 | 马睿和 | 基于多元线性回归的图像可逆信息隐藏方法和装置 |
CN108805788A (zh) * | 2018-05-22 | 2018-11-13 | 南开大学 | 基于图像拓扑结构的可逆水印方法 |
CN109410113A (zh) * | 2018-09-13 | 2019-03-01 | 五邑大学 | 面向可逆图像水印的预测上下文的误差建模方法及装置 |
CN109671010A (zh) * | 2018-11-02 | 2019-04-23 | 中山大学 | 一种基于多个二维直方图修改的可逆信息隐藏及提取方法 |
CN109948307A (zh) * | 2019-03-01 | 2019-06-28 | 北京交通大学 | 基于像素多尺度预测的可逆数据隐藏方法 |
CN110400246A (zh) * | 2019-05-28 | 2019-11-01 | 齐鲁工业大学 | 带约束的多元线性回归自适应图像可逆信息隐藏误差预测优化方法 |
CN111179145A (zh) * | 2019-12-10 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种可逆水印方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080022255A (ko) * | 2006-09-06 | 2008-03-11 | 주식회사 마크애니 | 히스토그램 변형에 기반한 디지털 리버서블 워터마크의삽입, 검출 및 원본 영상 복원 방법 |
CN104159117A (zh) * | 2014-07-22 | 2014-11-19 | 宁波大学 | 一种hevc视频的信息隐藏方法 |
CN104835109A (zh) * | 2015-05-28 | 2015-08-12 | 陕西师范大学 | 一种迭代自适应可逆水印嵌入和提取方法 |
CN105447808A (zh) * | 2015-11-12 | 2016-03-30 | 华北电力大学(保定) | 可逆数据隐藏方法以及恢复方法 |
-
2016
- 2016-12-07 CN CN201611118246.4A patent/CN106803228B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080022255A (ko) * | 2006-09-06 | 2008-03-11 | 주식회사 마크애니 | 히스토그램 변형에 기반한 디지털 리버서블 워터마크의삽입, 검출 및 원본 영상 복원 방법 |
CN104159117A (zh) * | 2014-07-22 | 2014-11-19 | 宁波大学 | 一种hevc视频的信息隐藏方法 |
CN104835109A (zh) * | 2015-05-28 | 2015-08-12 | 陕西师范大学 | 一种迭代自适应可逆水印嵌入和提取方法 |
CN105447808A (zh) * | 2015-11-12 | 2016-03-30 | 华北电力大学(保定) | 可逆数据隐藏方法以及恢复方法 |
Non-Patent Citations (1)
Title |
---|
HONGYIN XIANG等: ""Hybrid Predictor and Field-Biased Context Pixel Selection Based on PPVO"", 《MATHEMATICAL PROBLEMS IN ENGINEERING》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108184122A (zh) * | 2018-01-11 | 2018-06-19 | 马睿和 | 基于多元线性回归的图像可逆信息隐藏方法和装置 |
CN108805788A (zh) * | 2018-05-22 | 2018-11-13 | 南开大学 | 基于图像拓扑结构的可逆水印方法 |
CN108805788B (zh) * | 2018-05-22 | 2022-04-26 | 南开大学 | 基于图像拓扑结构的可逆水印方法 |
CN109410113A (zh) * | 2018-09-13 | 2019-03-01 | 五邑大学 | 面向可逆图像水印的预测上下文的误差建模方法及装置 |
CN109410113B (zh) * | 2018-09-13 | 2023-08-29 | 五邑大学 | 面向可逆图像水印的预测上下文的误差建模方法及装置 |
CN109671010A (zh) * | 2018-11-02 | 2019-04-23 | 中山大学 | 一种基于多个二维直方图修改的可逆信息隐藏及提取方法 |
CN109948307A (zh) * | 2019-03-01 | 2019-06-28 | 北京交通大学 | 基于像素多尺度预测的可逆数据隐藏方法 |
CN110400246A (zh) * | 2019-05-28 | 2019-11-01 | 齐鲁工业大学 | 带约束的多元线性回归自适应图像可逆信息隐藏误差预测优化方法 |
CN111179145A (zh) * | 2019-12-10 | 2020-05-19 | 中国科学院深圳先进技术研究院 | 一种可逆水印方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106803228B (zh) | 2020-07-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106803228A (zh) | 基于可逆信息隐藏的钝角预测方法、系统 | |
CN107680054B (zh) | 雾霾环境下多源图像融合方法 | |
CN113516135B (zh) | 一种基于深度学习的遥感影像建筑物提取及轮廓优化方法 | |
Yu et al. | A new edge detection approach based on image context analysis | |
CN110070091B (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
CN112258488A (zh) | 一种医疗影像病灶分割方法 | |
CN105761196A (zh) | 基于三维预测误差直方图的彩色图像可逆数字水印方法 | |
CN113592794B (zh) | 基于混合注意力机制的2d卷积神经网络的脊椎图分割方法 | |
CN115035114B (zh) | 基于图像处理的干草粉碎机状态监测方法 | |
CN107292834B (zh) | 红外图像细节增强方法 | |
CN114612664A (zh) | 一种基于双边分割网络的细胞核分割方法 | |
CN106228501A (zh) | 一种基于整数变换的自适应可逆数字水印方法 | |
CN115375711A (zh) | 基于多尺度融合的全局上下文关注网络的图像分割方法 | |
CN114648541A (zh) | 非小细胞肺癌大体肿瘤靶区自动分割方法 | |
CN115278369A (zh) | 一种医疗远程监控系统的数据传输方法 | |
CN113256494A (zh) | 一种文本图像超分辨率方法 | |
CN101937562A (zh) | 灰度级信息量直方图构造方法 | |
CN117542488B (zh) | 一种用于脑肿瘤ct数据的智能处理方法 | |
CN113222904B (zh) | 改进PoolNet网络结构的混凝土路面裂缝检测方法 | |
CN110910347A (zh) | 一种基于图像分割的色调映射图像无参考质量评价方法 | |
CN114612315A (zh) | 一种基于多任务学习的高分辨率影像缺失区域重建方法 | |
CN117649385A (zh) | 一种基于全局和局部注意力机制的肺部ct图像分割方法 | |
CN112052854A (zh) | 一种实现自适应对比度增强的医疗图像可逆信息隐藏方法 | |
CN116823868A (zh) | 一种黑色素肿瘤图像分割方法 | |
Lai et al. | Novel mean-shift based histogram equalization using textured regions |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20200731 Termination date: 20211207 |
|
CF01 | Termination of patent right due to non-payment of annual fee |