CN108510425A - 基于ippvo和优化mhm的可逆水印方法 - Google Patents
基于ippvo和优化mhm的可逆水印方法 Download PDFInfo
- Publication number
- CN108510425A CN108510425A CN201810140963.XA CN201810140963A CN108510425A CN 108510425 A CN108510425 A CN 108510425A CN 201810140963 A CN201810140963 A CN 201810140963A CN 108510425 A CN108510425 A CN 108510425A
- Authority
- CN
- China
- Prior art keywords
- max
- pixel
- embedded
- watermark
- pixels
- 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
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000002441 reversible effect Effects 0.000 title claims abstract description 23
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 title claims abstract description 18
- 238000005457 optimization Methods 0.000 title claims abstract description 17
- 238000003780 insertion Methods 0.000 claims abstract description 13
- 230000037431 insertion Effects 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 3
- 238000007792 addition Methods 0.000 claims 1
- 238000005516 engineering process Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000007170 pathology Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
- G06T1/0092—Payload characteristic determination in a watermarking scheme, e.g. number of bits to be embedded
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—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
本发明涉及基于IPPVO和优化MHM的可逆水印方法，包括水印嵌入和水印提取。本发明用每一个待预测像素的四个最近邻像素的最大值和最小值来预测当前像素，使得预测更精确；并用该像素的24个近邻像素来评估其所处区域的复杂度，使得评估性能更准确。采用优化的MHM思想来搜寻最优嵌入点组合和降低时间代价：先将复杂度细分成16层，再根据所需容量的大小，为每一层挑选合适的嵌入点作为备选嵌入点，最后，从这些备选嵌入点中选出指定容量下PSNR最大的16个嵌入点的组合。相比所有嵌入点，备选嵌入点的数量大大降低，从而大大减少时间代价。
Description
技术领域
本发明涉及多媒体信号处理的技术领域，尤其涉及到基于IPPVO和优化MHM的可逆水印方法。
背景技术
传统的数字水印技术会造成宿主图像的永久性失真。但在一些实际应用中却不允许对宿主图像有一丁点的永久修改，比如医疗、军事和司法等领域。以医学图像为例，任何形式的失真都是不允许的。任何一幅医学图像的获取需要精密仪器的支持和昂贵的医疗费用，更为重要的是失真可能会造成潜在的误诊。例如，对于一幅ECG(electrocardiographic)信号图，任何一点信号曲线的异常都有可能被解释为某种病理特征。因此，传统的数字水印技术并不适用于医学图像。一种称为可逆水印的技术引起了越来越多人的研究与关注。可逆数字水印能以无损的方式将相关水印信息嵌入到宿主图像中，能在接收端有效地提取水印并精确恢复原始图像。
如何在保持载体图像视觉质量的情况下显著提高水印嵌入的数据容量，成为近年来图像可逆水印算法研究的主要方向之一。Qu等人(X.Qu,H.J.Kim,Pixel-based pixelvalue ordering predictor for high-fidelity reversible data hiding,SignalProcess.111(2015)249–260.)提出一种基于PPVO的可逆水印技术。
在Qu等人的算法中，对于某一个像素点p，取其右邻的n个像素点(n∈{3,…,15})构成p的邻域C(如图1所示)，并将邻域C内的所有像素值按大小值排序后，x用排序后的最大值max(C)或最小值min(C)去预测p，由于min(C)、max(C)和p具有很强的相关性，因此用min(C)和max(C)预测p取得了不错的嵌入性能。
综上，Qu等人用p的n(n∈{3,…,15})个邻域像素去评估p的邻域复杂度，然而，大量的实验证明仅依据15个像素不足以反映出p所处的真实局部环境，和p有强相关性的像素c16、c17和c18也没有用于评估p的邻域复杂度(参见图1)。基于以上原因，Qu的方法可以进一步改进。另外，预测误差0是预测误差直方图中峰值点，为了将水印嵌入到峰值点中，就必须平移介于峰值点和零点之间的所有预测误差以便为峰值点腾出嵌入空间。相比于其它预测误差，尽管预测误差0获得的容量最大，但是修改预测误差0引入的失真也是很大的，由此可得出预测误差0并不一定是最优嵌入点(嵌入点指的是能携带水印信息的预测误差或像素)。
发明内容
本发明的目的在于克服现有技术的不足，提供一种评估性能更精确、能有效降低由灰度平移所引入的嵌入失真的基于IPPVO和优化MHM的可逆水印方法。
为实现上述目的，本发明所提供的技术方案为：
包括水印嵌入和水印提取；其中，水印嵌入的具体步骤如下：
A1、计算原始图像的局部平滑性：
按照从左到右、从上到下的次序遍历原始图像I得到一维像素序列D＝{xi}(i∈{1,…R×C})，对于D中任一个像素xi，将其24个最近邻像素构成邻域C1，即C1＝{c1,…c24}，计算其局部复杂度σi，其中σi定义为邻域C1内水平方向上和垂直方向上相邻两像素差值绝对值的和；
A2、预测过程：
采用四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin预测xi，并得到预测值其中cmax＝max{c1,c2,c3,c4}，cmin＝min{c1,c2,c3,c4}；
A3、构造位置图：
对于xi，i∈{1,…R×C}，计算其四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin，若xi,j≥cmax或xi,j≤cmin，则将其归入像素集合S，S中像素数量记为N，产生一个和S中像素一一对应的一维位置图LM＝{LMi}(i∈{1,…,N})，对于S中任一个像素xi(i∈{1,…N})，若xi∈{0,255}，则在位置图中相应位置标识1，即LMi＝1，否则标识0，即LMi＝0；将生成的位置图经算术编码压缩后得到长度为LS的二进制比特流B；
A4、将局部复杂度分成16层：
计算xi(i∈{1,…N})的邻域复杂度，并得到所有邻域复杂度中最大值，记为LCmax；将[0,LCmax]分成16层，每一层包含[N/16]个像素，即[0,LCmax]＝[0,L1)∪[L1,L2)∪…∪[L14,L15)∪[L15,LCmax]且0<L1<L2<…<L15<LCmax，其中[0,L1)…[L15,LCmax]分别表示第1层到第16层，L1,L2,…,L15由[N/16]决定，[0,L1)包含复杂度属于[0,L1)区间的[N/16]个像素，[L1,L2)包含复杂度属于[L1,L2)区间的[N/16]个像素，以此类推，逐一得到L1,L2,…,L15；
A5、选择16个最优嵌入点er,t(t∈{1,…,16})：构造每一层的预测误差直方图H(et,t)(t∈{1,…,16})；采用穷尽式搜索得到给定容量下失真最低的第t层的两个嵌入点的一个，记为et,r，-et,r-1为另一个嵌入点；
A6、产生附加信息：1)压缩后的码流B；2)、L1([log2LCmax]比特)、L2([log2LCmax]比特)、…、L15([log2LCmax]比特)；将所有附加信息连接成一码流，其长度L∑等于[log2LCmax]×15+LS；
A7.水印嵌入过程：对于S中的每一个像素xi(i∈{1,…N})，若LMi＝1，则yi＝xi；否则得到xi≥cmax或xi≤cmin条件下的预测值然后计算预测误差pe,i，比较σi和L1，L2，…，L15的大小关系，决定xi属于哪一层，具体的嵌入公式如下:
其中(-et,r-1，et,r)为xi所属层的两个最优嵌入点，yi为含水印的像素，w代表1比特水印信息；
A8、嵌入附加信息和载荷：对于D中前L∑个像素若则收集yi的最不重要位LSB；如果它不属于S，则收集xi的LSB，然后把收集到的L∑个LSB添加到载荷P的后面，同时，将附加信息嵌入到空出来的L∑个LSB上，最后将代替后的LSB和载荷P一起嵌入到D中剩余像素中，在D中所有像素经步骤A7处理完之后，产生含水印图像IW，完成可逆信息隐藏；
水印提取的具体步骤如下：
B1、位置图的恢复：
按照与嵌入过程相同的顺序，收集前L∑个像素的LSB形成一个比特流，在此比特流中找到算术编码的结束符，从开始到结束符的比特流被解压缩得到原始位置图；原始位置图被得到之后，按照各自的比特长度，L1，L2，…，L15一个一个被抽取出来；
B2、计算局部复杂度：
对于当前像素yi，j，i∈{R，R-1，…，1}，j∈{C，C-1，…，1}，若其在位置图中相应的位置上标记为0，则计算其的24个邻域像素的局部复杂度σi，j；
B3、预测过程：
采用四个最近邻像素c1，c2，c3，c4的最大值cmax和最小值cmin预测yi，j；
B4、水印提取过程：
比较σi和L1，L2，…，L15的大小关系来决定xi属于哪一层，并得到所属层的两个最佳嵌入点(-et，r-1，et，r)；
按如下公式恢复原始像素：
并按如下公式抽取水印信息：
待所有像素都被抽取之后，得出恢复的原始图像。
进一步地，步骤1中xi的局部复杂度σi的计算公式为：
σi＝|c2-c6|+|c6-c14|+|c15-c7|+|c7-c3|+|c3-c1|+|c1-c4|+|c4-c10|+|c10-c18|+|c19-c11|+|c11-c8|+|c8-c5|+|c5-c9|+|c9-c12|+|c12-c22|+|c23-c20|+|c20-c16|+|c16-c13|+|c13-c17|+|c17-c21|+|c21-c24|+|c4-c2|+|c6-c10|+|c14-c18|+|c19-c15|+|c11-c7|+|c8-c3|+|c5-c1|+|c9-c4|+|c12-c10|+|c22-c18|+|c23-c19|+|c20-c11|+|c16-c8|+|c13-c5|+|c17-c9|+|c21-c12|+|c24-c22|。
进一步地，步骤A2预测过程中，预测值计算如下：
其中，当Cmax>xi>Cmin时，x不用于水印嵌入，得不到预测误差，用φ代表空集，预测误差
进一步地，步骤B3预测过程中，预测值计算如下：
其中，Cmax＝max{c1，c2，c3，c4}，Cmin＝min{c1，c2，c3，c4}；预测误差
与现有技术相比，本方案原理和优点如下：
1.采用IPPVO的基本思想，用每一个待预测像素的四个最近邻像素的最大值和最小值来预测当前像素，并用该像素的24个近邻像素来评估其所处区域的复杂度，如图2所示。由于相邻像素间存在强相关性，因此用四个最近邻像素来预测当前像素会使得预测更精确。另外，24个近邻像素用于复杂度评估将使得评估性能更准确。
2.采用优化的MHM思想来搜寻最优嵌入点组合和降低时间代价。具体地说，先将复杂度细分成16层，再根据所需容量的大小，为每一层挑选合适的嵌入点作为备选嵌入点，最后，从这些备选嵌入点中选出指定容量下PSNR最大的16个嵌入点的组合。相比所有嵌入点，备选嵌入点的数量大大降低，从而大大减少花费的时间。
附图说明
图1为现有技术由p右邻的15个像素组成的邻域C的示意图；
图2为本发明由x右邻的24个像素组成的邻域C的示意图；
图3为本发明基于IPPVO和优化MHM的可逆水印方法的总流程图；
图4为本发明基于IPPVO和优化MHM的可逆水印方法中水印嵌入的流程图；
图5为本发明基于IPPVO和优化MHM的可逆水印方法中水印提取的流程图。
具体实施方式
下面结合具体实施例对本发明作进一步说明：
参见附图2-5所示，本实施例所述的基于IPPVO和优化MHM的可逆水印方法，包括水印嵌入和水印提取两个过程，载体图像I和水印信息W在嵌入前和提取后保持不变，从而达到信息隐藏的可逆。
其中，水印嵌入的具体步骤如下：
A1、计算原始图像的局部平滑性：
按照从左到右、从上到下的次序遍历原始图像I得到一维像素序列D＝{xi}(i∈{1,…R×C})，对于D中任一个像素xi，将其24个最近邻像素构成邻域C1，即C1＝{c1,…c24}，计算其局部复杂度σi，其中σi定义为邻域C1内水平方向上和垂直方向上相邻两像素差值绝对值的和；
σi的计算公式为：
σi＝|c2-c6|+|c6-c14|+|c15-c7|+|c7-c3|+|c3-c1|+|c1-c4|+|c4-c10|+|c10-c18|+|c19-c11|+|c11-c8|+|c8-c5|+|c5-c9|+|c9-c12|+|c12-c22|+|c23-c20|+|c20-c16|+|c16-c13|+|c13-c17|+|c17-c21|+|c21-c24|+|c4-c2|+|c6-c10|+|c14-c18|+|c19-c15|+|c11-c7|+|c8-c3|+|c5-c1|+|c9-c4|+|c12-c10|+|c22-c18|+|c23-c19|+|c20-c11|+|c16-c8|+|c13-c5|+|c17-c9|+|c21-c12|+|c24-c22|。
A2、预测过程：
采用四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin预测xi，并得到预测值其中cmax＝max{c1,c2,c3,c4}，cmin＝min{c1,c2,c3,c4}；
预测值计算如下：
其中，当Cmax>xi>Cmin时，x不用于水印嵌入，得不到预测误差，用φ代表空集，预测误差
A3、构造位置图：
对于xi，i∈{1,…R×C}，计算其四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin，若xi,j≥cmax或xi,j≤cmin，则将其归入像素集合S，S中像素数量记为N，产生一个和S中像素一一对应的一维位置图LM＝{LMi}(i∈{1,…,N})，对于S中任一个像素xi(i∈{1,…N})，若xi∈{0,255}，则在位置图中相应位置标识1，即LMi＝1，否则标识0，即LMi＝0；将生成的位置图经算术编码压缩后得到长度为LS的二进制比特流B；
A4、将局部复杂度分成16层：
计算xi(i∈{1,…N})的邻域复杂度，并得到所有邻域复杂度中最大值，记为LCmax；将[0,LCmax]分成16层，每一层包含[N/16]个像素，即[0,LCmax]＝[0,L1)∪[L1,L2)∪…∪[L14,L15)∪[L15,LCmax]且0<L1<L2<…<L15<LCmax，其中[0,L1)…[L15,LCmax]分别表示第1层到第16层，L1,L2,…,L15由[N/16]决定，[0,L1)包含复杂度属于[0,L1)区间的[N/16]个像素，[L1,L2)包含复杂度属于[L1,L2)区间的[N/16]个像素，以此类推，逐一得到L1,L2,…,L15；
A5、选择16个最优嵌入点er,t(t∈{1,…,16})：
构造每一层的预测误差直方图H(et,t)(t∈{1,…,16})；采用穷尽式搜索得到给定容量下失真最低的第t层的两个嵌入点的一个，记为et,r，-et,r-1为另一个嵌入点；
H(et,t)计算如下：
H(et,t)＝#{1≤i≤N:pe＝et,LC(et)＝t}
其中，H为直方图函数，#代表集合中元素的个数。
A6、产生附加信息：1)压缩后的码流B；2)、L1([log2LCmax]比特)、L2([log2LCmax]比特)、…、L15([log2LCmax]比特)；将所有附加信息连接成一码流，其长度L∑等于[log2LCmax]×15+LS；
A7.水印嵌入过程：对于S中的每一个像素xi(i∈{1,…N})，若LMi＝1，则yi＝xi；否则得到xi≥cmax或xi≤cmin条件下的预测值然后计算预测误差pe,i，比较σi和L1，L2，…，L15的大小关系，决定xi属于哪一层，具体的嵌入公式如下:
其中(-et,r-1，et,r)为xi所属层的两个最优嵌入点，yi为含水印的像素，w代表1比特水印信息；
A8、嵌入附加信息和载荷：对于D中前L∑个像素若则收集yi的最不重要位LSB；如果它不属于S，则收集xi的LSB，然后把收集到的L∑个LSB添加到载荷P的后面，同时，将附加信息嵌入到空出来的L∑个LSB上，最后将代替后的LSB和载荷P一起嵌入到D中剩余像素中，在D中所有像素经步骤A7处理完之后，产生含水印图像IW，完成可逆信息隐藏；
水印提取的具体步骤如下：
B1、位置图的恢复：
按照与嵌入过程相同的顺序，收集前L∑个像素的LSB形成一个比特流，在此比特流中找到算术编码的结束符，从开始到结束符的比特流被解压缩得到原始位置图；原始位置图被得到之后，按照各自的比特长度，L1，L2，…，L15一个一个被抽取出来；
B2、计算局部复杂度：
对于当前像素yi,j，i∈{R,R-1,…,1}，j∈{C,C-1,…,1},若其在位置图中相应的位置上标记为0，则计算其的24个邻域像素的局部复杂度σi,j；
B3、预测过程：
采用四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin预测yi,j；并得到预测值
预测值计算如下：
其中，Cmax＝max{c1，c2，c3，c4}，Cmin＝min{c1，c2，c3，c4}；预测误差
B4、水印提取过程：
比较σi和L1，L2，…，L15的大小关系来决定xi属于哪一层，并得到所属层的两个最佳嵌入点(-et,r-1，et,r)；
按如下公式恢复原始像素：
并按如下公式抽取水印信息：
待所有像素都被抽取之后，得出恢复的原始图像。
本实施例采用IPPVO的基本思想，用每一个待预测像素的四个最近邻像素的最大值和最小值来预测当前像素，并用该像素的24个近邻像素来评估其所处区域的复杂度。由于相邻像素间存在强相关性，因此用四个最近邻像素来预测当前像素会使得预测更精确。另外，24个近邻像素用于复杂度评估将使得评估性能更准确。采用优化的MHM思想来搜寻最优嵌入点组合和降低时间代价。具体地说，先将复杂度细分成16层，再根据所需容量的大小，为每一层挑选合适的嵌入点作为备选嵌入点，最后，从这些备选嵌入点中选出指定容量下PSNR最大的16个嵌入点的组合。相比所有嵌入点，备选嵌入点的数量大大降低，从而大大减少花费的时间。
以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。
Claims (5)
1.基于IPPVO和优化MHM的可逆水印方法，其特征在于：包括水印嵌入和水印提取；其中，水印嵌入的具体步骤如下：
A1、计算原始图像的局部平滑性：
按照从左到右、从上到下的次序遍历原始图像I得到一维像素序列D＝{xi}(i∈{1,…R×C})，对于D中任一个像素xi，将其24个最近邻像素构成邻域C1，即C1＝{c1,…c24}，计算其局部复杂度σi，其中σi定义为邻域C1内水平方向上和垂直方向上相邻两像素差值绝对值的和；
A2、预测过程：
采用四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin预测xi，并得到预测值其中cmax＝max{c1,c2,c3,c4}，cmin＝min{c1,c2,c3,c4}；
A3、构造位置图：
对于xi，i∈{1,…R×C}，计算其四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin，若xi,j≥cmax或xi,j≤cmin，则将其归入像素集合S，S中像素数量记为N，产生一个和S中像素一一对应的一维位置图LM＝{LMi}(i∈{1,…,N})，对于S中任一个像素xi(i∈{1,…N})，若xi∈{0,255}，则在位置图中相应位置标识1，即LMi＝1，否则标识0，即LMi＝0；将生成的位置图经算术编码压缩后得到长度为LS的二进制比特流B；
A4、将局部复杂度分成16层：
计算xi(i∈{1,…N})的邻域复杂度，并得到所有邻域复杂度中最大值，记为LCmax；将[0,LCmax]分成16层，每一层包含[N/16]个像素，即[0,LCmax]＝[0,L1)∪[L1,L2)∪…∪[L14,L15)∪[L15,LCmax]且0<L1<L2<…<L15<LCmax，其中[0,L1)…[L15,LCmax]分别表示第1层到第16层，L1,L2,…,L15由[N/16]决定，[0,L1)包含复杂度属于[0,L1)区间的[N/16]个像素，[L1,L2)包含复杂度属于[L1,L2)区间的[N/16]个像素，以此类推，逐一得到L1,L2,…,L15；
A5、选择16个最优嵌入点er,t(t∈{1,…,16})：构造每一层的预测误差直方图H(et,t)(t∈{1,…,16})；采用穷尽式搜索得到给定容量下失真最低的第t层的两个嵌入点的一个，记为et,r，-et,r-1为另一个嵌入点；
A6、产生附加信息：1)压缩后的码流B；2)、L1([log2LCmax]比特)、L2([log2LCmax]比特)、...、L15([log2LCmax]比特)；将所有附加信息连接成一码流，其长度L∑等于[log2LCmax]×15+LS；
A7.水印嵌入过程：对于S中的每一个像素xi(i∈{1,…N})，若LMi＝1，则yi＝xi；否则得到xi≥cmax或xi≤cmin条件下的预测值然后计算预测误差pe,i，比较σi和L1，L2，…，L15的大小关系，决定xi属于哪一层，具体的嵌入公式如下：
其中(-et,r-1，et,r)为xi所属层的两个最优嵌入点，yi为含水印的像素，w代表1比特水印信息；
A8、嵌入附加信息和载荷：对于D中前L∑个像素若则收集yi的最不重要位LSB；如果它不属于S，则收集xi的LSB，然后把收集到的L∑个LSB添加到载荷P的后面，同时，将附加信息嵌入到空出来的L∑个LSB上，最后将代替后的LSB和载荷P一起嵌入到D中剩余像素中，在D中所有像素经步骤A7处理完之后，产生含水印图像IW，完成可逆信息隐藏；
水印提取的具体步骤如下：
B1、位置图的恢复：
按照与嵌入过程相同的顺序，收集前L∑个像素的LSB形成一个比特流，在此比特流中找到算术编码的结束符，从开始到结束符的比特流被解压缩得到原始位置图；原始位置图被得到之后，按照各自的比特长度，L1，L2，...，L15一个一个被抽取出来；
B2、计算局部复杂度：
对于当前像素yi,j，i∈{R,R-1,…,1}，j∈{C,C-1,…,1},若其在位置图中相应的位置上标记为0，则计算其的24个邻域像素的局部复杂度σi,j；
B3、预测过程：
采用四个最近邻像素c1,c2,c3,c4的最大值cmax和最小值cmin预测yi,j；
B4、水印提取过程：
比较σi和L1，L2，…，L15的大小关系来决定xi属于哪一层，并得到所属层的两个最佳嵌入点(-et,r-1，et,r)；
按如下公式恢复原始像素：
并按如下公式抽取水印信息：
待所有像素都被抽取之后，得出恢复的原始图像。
2.根据权利要求1所述的基于IPPVO和优化MHM的可逆水印方法，其特征在于：步骤1中所述xi的局部复杂度σi的计算公式为：
σi＝|c2-c6|+|c6-c14|+|c15-c7|+|c7-c3|+|c3-c1|+|c1-c4|
+|c4-c10|+|c10-c18|+|c19-c11|+|c11-c8|+|c8-c5|+|c5-c9|
+|c9-c12|+|c12-c22|+|c23-c20|+|c20-c16|+|c16-c13|+|c13-c17|
+|c17-c21|+|c21-c24|+|c4-c2|+|c6-c10|+|c14-c18|+|c19-c15|
+|c11-c7|+|c8-c3|+|c5-c1|+|c9-c4|+|c12-c10|+|c22-c18|
+|c23-c19|+|c20-c11|+|c16-c8|+|c13-c5|+|c17-c9|+|c21-c12|+|c24-c22|。
3.根据权利要求1所述的基于IPPVO和优化MHM的可逆水印方法，其特征在于：所述步骤A2预测过程中，预测值计算如下：
其中，当Cmax＞xi＞Cmin时，x不用于水印嵌入，得不到预测误差，用φ代表空集，预测误差
4.根据权利要求1所述的基于IPPVO和优化MHM的可逆水印方法，其特征在于：所述步骤A5中，H(et，t)计算如下：
H(et，t)＝#{1≤i≤N：pe＝et，LC(et)＝t}
其中，H为直方图函数，#代表集合中元素的个数。
5.根据权利要求1所述的基于IPPVO和优化MHM的可逆水印方法，其特征在于：所述步骤B3预测过程中，预测值计算如下：
其中，Cmax＝max{c1，c2，c3，c4}，Cmin＝min{c1，c2，c3，c4}；预测误差
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140963.XA CN108510425B (zh) | 2018-02-11 | 2018-02-11 | 基于ippvo和优化mhm的可逆水印方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810140963.XA CN108510425B (zh) | 2018-02-11 | 2018-02-11 | 基于ippvo和优化mhm的可逆水印方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108510425A true CN108510425A (zh) | 2018-09-07 |
| CN108510425B CN108510425B (zh) | 2022-03-25 |
Family
ID=63375727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810140963.XA Expired - Fee Related CN108510425B (zh) | 2018-02-11 | 2018-02-11 | 基于ippvo和优化mhm的可逆水印方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510425B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110351450A (zh) * | 2019-07-16 | 2019-10-18 | 广东工业大学 | 基于纵横交叉算法进行多直方图选点的可逆信息隐藏方法 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130114848A1 (en) * | 2011-11-03 | 2013-05-09 | Verance Corporation | Efficient extraction of embedded watermarks in the presence of host content distortions |
| CN104933668A (zh) * | 2015-06-11 | 2015-09-23 | 广东工业大学 | 一种基于局部定位和Alattar整数变换的可逆水印的处理方法 |
| CN106023058A (zh) * | 2016-05-25 | 2016-10-12 | 广东工业大学 | 一种高保真可逆水印嵌入方法 |
| CN106067157A (zh) * | 2016-05-27 | 2016-11-02 | 陕西师范大学 | 变方向差值扩展和同步嵌入的可逆水印嵌入和提取方法 |
| CN106485640A (zh) * | 2016-08-25 | 2017-03-08 | 广东工业大学 | 一种基于多层次ipvo的可逆水印计算方法 |
| CN107169915A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 一种基于分块合并策略的pvo数字水印方法 |
-
2018
- 2018-02-11 CN CN201810140963.XA patent/CN108510425B/zh not_active Expired - Fee Related
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130114848A1 (en) * | 2011-11-03 | 2013-05-09 | Verance Corporation | Efficient extraction of embedded watermarks in the presence of host content distortions |
| CN104933668A (zh) * | 2015-06-11 | 2015-09-23 | 广东工业大学 | 一种基于局部定位和Alattar整数变换的可逆水印的处理方法 |
| CN106023058A (zh) * | 2016-05-25 | 2016-10-12 | 广东工业大学 | 一种高保真可逆水印嵌入方法 |
| CN106067157A (zh) * | 2016-05-27 | 2016-11-02 | 陕西师范大学 | 变方向差值扩展和同步嵌入的可逆水印嵌入和提取方法 |
| CN106485640A (zh) * | 2016-08-25 | 2017-03-08 | 广东工业大学 | 一种基于多层次ipvo的可逆水印计算方法 |
| CN107169915A (zh) * | 2017-05-26 | 2017-09-15 | 西安电子科技大学 | 一种基于分块合并策略的pvo数字水印方法 |
Non-Patent Citations (3)
| Title |
|---|
| QU,XIAOCHAO等: "Pixel-based pixel value ordering predictor for high-fidelity reversible data hiding", 《SIGNAL PROCESSING》 * |
| 周武杰: "立体图像数字水印技术及其应用研究", 《中国博士学位论文全文数据库信息科技辑》 * |
| 张天聪: "1 bit/pixel嵌入率的差扩展可逆水印方案", 《计算机应用》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN110351450A (zh) * | 2019-07-16 | 2019-10-18 | 广东工业大学 | 基于纵横交叉算法进行多直方图选点的可逆信息隐藏方法 |
| CN110351450B (zh) * | 2019-07-16 | 2022-01-11 | 广东工业大学 | 基于纵横交叉算法进行多直方图选点的可逆信息隐藏方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108510425B (zh) | 2022-03-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Ou et al. | Reversible data hiding based on PDE predictor | |
| CN100452094C (zh) | 聚类 | |
| CN106056114B (zh) | 名片内容识别方法和装置 | |
| CN105741224B (zh) | 基于pvo和自适应块分割的可逆水印算法 | |
| CN106023058B (zh) | 一种高保真可逆水印嵌入方法 | |
| KR100937543B1 (ko) | 세그먼트된 계층화 이미지 시스템, 사진 복사기, 문서 스캐너, 광학 문자 인식 시스템, pda, 팩스 장치, 디지털 카메라, 디지털 비디오 카메라, 비디오 게임 시스템, 마스크의 생성 방법, 마스크 분리기 컴포넌트, 문서 이미지 압축 시스템, 데이터 패킷 및 컴퓨터 판독가능 매체 | |
| US20020064310A1 (en) | Image matching | |
| JP2008199587A (ja) | 画像符号化装置、画像復号化装置および方法 | |
| CN103577818A (zh) | 一种图像文字识别的方法和装置 | |
| CN106485640A (zh) | 一种基于多层次ipvo的可逆水印计算方法 | |
| Cao et al. | Local complexity based adaptive embedding mechanism for reversible data hiding in digital images | |
| CN108510425A (zh) | 基于ippvo和优化mhm的可逆水印方法 | |
| EP2165525A1 (en) | Method of processing moving picture and apparatus thereof | |
| Zhou et al. | Attention transfer network for nature image matting | |
| CN115222974A (zh) | 特征点匹配方法及装置、存储介质及电子设备 | |
| CN114048851A (zh) | 基于不均衡间隔的语义特征自学习方法、设备及存储介质 | |
| CN107169915B (zh) | 一种基于分块合并策略的pvo数字水印方法 | |
| Ali et al. | A meta-heuristic method for reassemble bifragmented intertwined JPEG image files in digital forensic investigation | |
| CN107943903A (zh) | 视频检索方法及装置、计算机设备、存储介质 | |
| CN116469172A (zh) | 一种多时间尺度下的骨骼行为识别视频帧提取方法及系统 | |
| JP4525064B2 (ja) | 動きベクトル検出装置、および動きベクトル検出方法、並びにコンピュータ・プログラム | |
| Wang et al. | Improving multi-histogram-based reversible watermarking using optimized features and adaptive clustering number | |
| CN106127670A (zh) | 一种可逆水印图像的处理方法 | |
| Sun et al. | PRN: Panoptic Refinement Network | |
| CN103440616B (zh) | 一种基于自适应预测模型的高容量可逆水印方法 |
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: 20220325 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |