CN109410113A - 面向可逆图像水印的预测上下文的误差建模方法及装置 - Google Patents

面向可逆图像水印的预测上下文的误差建模方法及装置 Download PDF

Info

Publication number
CN109410113A
CN109410113A CN201811071211.9A CN201811071211A CN109410113A CN 109410113 A CN109410113 A CN 109410113A CN 201811071211 A CN201811071211 A CN 201811071211A CN 109410113 A CN109410113 A CN 109410113A
Authority
CN
China
Prior art keywords
prediction
pixel
sub
context
image
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
Application number
CN201811071211.9A
Other languages
English (en)
Other versions
CN109410113B (zh
Inventor
翟懿奎
邓文博
徐颖
曹鹤
甘俊英
王天雷
曾军英
秦传波
麦超云
王金鑫
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuyi University
Original Assignee
Wuyi University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuyi University filed Critical Wuyi University
Priority to CN201811071211.9A priority Critical patent/CN109410113B/zh
Priority to PCT/CN2018/107914 priority patent/WO2020051954A1/zh
Priority to US16/753,220 priority patent/US11321796B2/en
Priority to EP18932966.7A priority patent/EP3671622A4/en
Publication of CN109410113A publication Critical patent/CN109410113A/zh
Application granted granted Critical
Publication of CN109410113B publication Critical patent/CN109410113B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T1/0028—Adaptive watermarking, e.g. Human Visual System [HVS]-based watermarking
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
    • H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
    • H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
    • H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
    • H04N1/32347—Reversible embedding, i.e. lossless, invertible, erasable, removable or distorsion-free embedding
    • 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
    • G06T2201/0051—Embedding of the watermark in the spatial domain
    • 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
    • G06T2201/0083—Image watermarking whereby only watermarked image required at decoder, e.g. source-based, blind, oblivious
    • 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
    • G06T2201/0203—Image watermarking whereby the image with embedded watermark is reverted to the original condition before embedding, e.g. lossless, distortion-free or invertible watermarking

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Image Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本发明公开了一种面向可逆图像水印的预测上下文的误差建模方法及装置，通过构建基于全方向上下文的预测器，接着对预测上下文进行自适应误差建模，得到自适应误差模型，最后把自适应误差模型的输出数据反馈到预测器，从而对预测上下文进行更新校正，并且校正当前像素x[i,j]的预测值。由于通过对预测器的预测上下文进行误差建模，能够找出当前像素与其预测上下文之间的非线性关联，即能够找出像素之间的非线性的相关性冗余，所以像素之间的非线性的相关性冗余能够被有效去除，从而能够增大可嵌入的水印容量。

Description

面向可逆图像水印的预测上下文的误差建模方法及装置
技术领域
本发明涉及可逆图像水印技术领域，特别是一种面向可逆图像水印的预测上下文的误差建模方法及装置。
背景技术
可逆水印是目前数字水印技术的研究热点，与传统的数字水印技术比较，可逆水印可无失真地完全恢复原始宿主信息，具有较大的研究价值和良好的应用前景，尤其是对原始宿主信息的保真度要求极高的应用领域，例如航拍情报收集等应用领域。在对图像进行可逆图像水印嵌入处理时，需要对图像进行压缩处理，而在对图像进行压缩处理时，往往会使用预测器，但是，单纯地从预测器中的预测上下文估计当前像素值并不能完全去除图像中存在的冗余。利用预测器进行的预测算法大都是线性的，能够有效地分析出像素之间的线性相关冗余，然而却无法去除存在于像素之间的非线性的相关性冗余，如纹理冗余等。
发明内容
为了克服现有技术的不足，本发明的目的在于提供一种面向可逆图像水印的预测上下文的误差建模方法及装置，通过对预测器的预测上下文进行误差建模，找出当前像素与其预测上下文之间的非线性关联，从而能够有效去除像素之间的非线性的相关性冗余。
本发明解决其问题所采用的技术方案是：
面向可逆图像水印的预测上下文的误差建模方法，包括以下步骤：
S1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
S2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
S3、对预测上下文进行自适应误差建模，得到自适应误差模型；
S4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
进一步，步骤S2中建立基于全方向上下文的预测器，预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
进一步，步骤S3中对预测上下文进行自适应误差建模，包括以下步骤：
S31、把原始图像分解为四个子图像，原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j] |1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1] |1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j] |1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1] |1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H′≤H，W′≤W；
S32、对预测上下文的取值进行量化；
S33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
S34、根据预测误差建立自适应误差模型。
进一步，子图像U1、子图像U2、子图像U3和子图像U4的高度H'和宽度W'，分别满足以下条件：
进一步，步骤S4中把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
一种储存面向可逆图像水印的预测上下文的误差建模方法的装置，包括控制模块和用于储存控制指令的储存介质，控制模块读取储存介质中的控制指令并执行以下步骤：
Q1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
Q2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
Q3、对预测上下文进行自适应误差建模，得到自适应误差模型；
Q4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
进一步，控制模块执行步骤Q2时，建立基于全方向上下文的预测器，预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
进一步，控制模块执行步骤Q3时，对预测上下文进行自适应误差建模，包括以下步骤：
Q31、把原始图像分解为四个子图像，原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j] |1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1] |1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j] |1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1] |1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H′≤H，W′≤W；
Q32、对预测上下文的取值进行量化；
Q33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
Q34、根据预测误差建立自适应误差模型。
进一步，子图像U1、子图像U2、子图像U3和子图像U4的高度H'和宽度W'，分别满足以下条件：
进一步，控制模块执行步骤Q4时，把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
本发明的有益效果是：面向可逆图像水印的预测上下文的误差建模方法及装置，由于单纯地从预测器中的预测上下文估计当前像素值并不能完全去除图像中存在的非线性的相关性冗余，因此，首先构建基于全方向上下文的预测器，接着对预测上下文进行自适应误差建模，从而得到自适应误差模型，最后把自适应误差模型的输出数据反馈到预测器，从而对预测上下文进行更新校正，并且校正当前像素x[i,j]的预测值。由于通过对预测器的预测上下文进行误差建模，能够找出当前像素与其预测上下文之间的非线性关联，即能够找出像素之间的非线性的相关性冗余，所以像素之间的非线性的相关性冗余能够被有效去除，从而能够增大可嵌入的水印容量。
附图说明
下面结合附图和实例对本发明作进一步说明。
图1是本发明的误差建模方法的流程图；
图2是预测器的预测上下文的示意图。
具体实施方式
参照图1－图2，面向可逆图像水印的预测上下文的误差建模方法，包括以下步骤：
S1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
S2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
S3、对预测上下文进行自适应误差建模，得到自适应误差模型；
S4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
其中，步骤S2中建立基于全方向上下文的预测器，预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
其中，步骤S3中对预测上下文进行自适应误差建模，包括以下步骤：
S31、把原始图像分解为四个子图像，原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j] |1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1] |1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j] |1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1] |1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H'和W'分别满足以下条件：
S32、对预测上下文的取值进行量化；
S33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
S34、根据预测误差建立自适应误差模型。
具体地，在上述步骤S34中根据预测误差建立自适应误差模型，自适应误差模型是可逆图像水印技术中常用的一种模型，并且根据实际参数的不同，自适应误差模型可以有不同的表述形式及不同的建立方法。但本发明的面向可逆图像水印的预测上下文的误差建模方法，并不限制于使用某一具体的自适应误差模型，也不限制于某一具体的自适应误差模型的建立方法，本发明的误差建模方法仅利用该自适应误差模型的输出数据对预测器进行反馈从而更新预测器的预测上下文，因此，本发明并不对自适应误差模型的具体建立方法进行赘述。
其中，步骤S4中把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
此外，一种储存面向可逆图像水印的预测上下文的误差建模方法的装置，包括控制模块和用于储存控制指令的储存介质，控制模块读取储存介质中的控制指令并执行以下步骤：
Q1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
Q2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
Q3、对预测上下文进行自适应误差建模，得到自适应误差模型；
Q4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
其中，控制模块执行步骤Q2时，建立基于全方向上下文的预测器，预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
其中，控制模块执行步骤Q3时，对预测上下文进行自适应误差建模，包括以下步骤：
Q31、把原始图像分解为四个子图像，原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j] |1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1] |1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j] |1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1] |1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H′≤H，W′≤W；
Q32、对预测上下文的取值进行量化；
Q33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
Q34、根据预测误差建立自适应误差模型。
其中，子图像U1、子图像U2、子图像U3和子图像U4的高度H'和宽度W'，分别满足以下条件：
其中，控制模块执行步骤Q4时，把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
具体地，由于单纯地从预测器中的预测上下文估计当前像素值并不能完全去除图像中存在的非线性的相关性冗余，因此，首先构建基于全方向上下文的预测器，接着对预测上下文进行自适应误差建模，从而得到自适应误差模型，最后把自适应误差模型的输出数据反馈到预测器，从而对预测上下文进行更新校正，并且校正当前像素x[i,j]的预测值。由于通过对预测器的预测上下文进行误差建模，能够找出当前像素与其预测上下文之间的非线性关联，即能够找出像素之间的非线性的相关性冗余，所以像素之间的非线性的相关性冗余能够被有效去除，从而能够增大可嵌入的水印容量。
无论是基于半方向的预测器，还是基于全方向的预测器，其预测算法大都是线性的，这样的线性算法能够有效地分析出像素之间的线性相关冗余，然而却无法去除存在于像素之间的非线性的相关性冗余，如纹理冗余等。但是，通过对预测器的预测上下文进行建模，则能够找出当前像素与其预测上下文之间的非线性的关联。由于本实施例中所采用的预测器为基于全方向上下文的预测器，而该预测器的预测上下文至少由包围着当前像素的八个像素组成，而且每个像素的取值都在0到255之间，如果直接对该预测器的预测上下文进行建模，则该模型会有8×256种情况，这会带来很大的计算量，从而降低计算效率。因此，首先对预测上下文的取值进行量化处理，然后使用量化后的预测上下文进行自适应误差建模。此外，由于预测误差之间也存在着一定的相关性，因此使用自适应误差建模也可以有效地消除预测器的预测偏差，从而提高预测器的预测精度。接着，把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，由于经过校正的预测值能够减小预测器的预测误差，因此可以增强预测的精度。在对预测上下文的取值进行量化处理时，假设量化后的预测上下文的参数为t，预测器的预测误差为d，则可以得到误差反馈为接着利用误差反馈对预测器进行校正，则当前像素x[i,j]在引入校正后的预测值会由变为即此时，经过校正后得到的比更接近于x，因此预测误差会更小，从而能够有效提高可嵌入的水印容量。
以上是对本发明的较佳实施进行了具体说明，但本发明并不局限于上述实施方式，熟悉本领域的技术人员在不违背本发明精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (10)

1.面向可逆图像水印的预测上下文的误差建模方法，其特征在于：包括以下步骤：
S1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
S2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
S3、对预测上下文进行自适应误差建模，得到自适应误差模型；
S4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
2.根据权利要求1所述的面向可逆图像水印的预测上下文的误差建模方法，其特征在于：所述步骤S2中建立基于全方向上下文的预测器，所述预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
3.根据权利要求2所述的面向可逆图像水印的预测上下文的误差建模方法，其特征在于：所述步骤S3中对预测上下文进行自适应误差建模，包括以下步骤：
S31、把原始图像分解为四个子图像，所述原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，所述四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j]|1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1]|1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j]|1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1]|1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H′≤H，W′≤W；
S32、对预测上下文的取值进行量化；
S33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，所述预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
S34、根据预测误差建立自适应误差模型。
4.根据权利要求3所述的面向可逆图像水印的预测上下文的误差建模方法，其特征在于：所述子图像U1、子图像U2、子图像U3和子图像U4的高度H'和宽度W'，分别满足以下条件：
5.根据权利要求3所述的面向可逆图像水印的预测上下文的误差建模方法，其特征在于：所述步骤S4中把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
6.一种储存面向可逆图像水印的预测上下文的误差建模方法的装置，其特征在于：包括控制模块和用于储存控制指令的储存介质，所述控制模块读取所述储存介质中的控制指令并执行以下步骤：
Q1、对原始图像进行扫描，得到当前像素x[i,j]及其周围的相邻像素；
Q2、根据当前像素x[i,j]及其周围的相邻像素构成预测上下文，并建立基于全方向上下文的预测器；
Q3、对预测上下文进行自适应误差建模，得到自适应误差模型；
Q4、把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值。
7.根据权利要求6所述的装置，其特征在于：所述控制模块执行步骤Q2时，建立基于全方向上下文的预测器，所述预测器的公式为：
其中，为像素x[i,j]的预测值，xn为处于像素x[i,j]正上方的像素，xw为处于像素x[i,j]正左方的像素，xe为处于像素x[i,j]正右方的像素，xs为处于像素x[i,j]正下方的像素。
8.根据权利要求7所述的装置，其特征在于：所述控制模块执行步骤Q3时，对预测上下文进行自适应误差建模，包括以下步骤：
Q31、把原始图像分解为四个子图像，所述原始图像为I＝{x[i,j]|1≤i≤H,1≤j≤W}，其中，H和W分别为原始图像的高度和宽度，所述四个子图像分别为：
U1＝{u1[i,j]＝x[2i,2j]|1≤i≤H',1≤j≤W'}
U2＝{u2[i,j]＝x[2i,2j+1]|1≤i≤H',1≤j≤W'}
U3＝{u3[i,j]＝x[2i+1,2j]|1≤i≤H',1≤j≤W'}
U4＝{u4[i,j]＝x[2i+1,2j+1]|1≤i≤H',1≤j≤W'}
其中，H'和W'分别为子图像U1、子图像U2、子图像U3和子图像U4的高度和宽度，且H′≤H，W′≤W；
Q32、对预测上下文的取值进行量化；
Q33、利用经过量化的预测上下文分别计算四个子图像中像素的预测误差，所述预测误差由以下公式求得：
其中，u[i,j]为子图像中的像素，为子图像中的像素的预测值，e[i,j]为子图像中的像素的预测误差；
Q34、根据预测误差建立自适应误差模型。
9.根据权利要求8所述的装置，其特征在于：所述子图像U1、子图像U2、子图像U3和子图像U4的高度H'和宽度W'，分别满足以下条件：
10.根据权利要求8所述的装置，其特征在于：所述控制模块执行步骤Q4时，把自适应误差模型的输出数据反馈到预测器，对预测上下文进行更新校正，从而校正当前像素x[i,j]的预测值，当前像素x[i,j]的校正后的预测值由以下公式求得：
其中，t为量化后的预测上下文的参数，d为预测器的预测误差，为自适应误差模型反馈给预测器的误差反馈，为当前像素x[i,j]的校正前的预测值。
CN201811071211.9A 2018-09-13 2018-09-13 面向可逆图像水印的预测上下文的误差建模方法及装置 Active CN109410113B (zh)

Priority Applications (4)

Application Number Priority Date Filing Date Title
CN201811071211.9A CN109410113B (zh) 2018-09-13 2018-09-13 面向可逆图像水印的预测上下文的误差建模方法及装置
PCT/CN2018/107914 WO2020051954A1 (zh) 2018-09-13 2018-09-27 面向可逆图像水印的预测上下文的误差建模方法及装置
US16/753,220 US11321796B2 (en) 2018-09-13 2018-09-27 Error modeling method and device for prediction context of reversible image watermarking
EP18932966.7A EP3671622A4 (en) 2018-09-13 2018-09-27 METHOD AND DEVICE FOR ERROR MODELING OF A PREDICTIVE CONTEXT ORIENTED TOWARDS A REVERSIBLE IMAGE WATERMARK

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811071211.9A CN109410113B (zh) 2018-09-13 2018-09-13 面向可逆图像水印的预测上下文的误差建模方法及装置

Publications (2)

Publication Number Publication Date
CN109410113A true CN109410113A (zh) 2019-03-01
CN109410113B CN109410113B (zh) 2023-08-29

Family

ID=65464275

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811071211.9A Active CN109410113B (zh) 2018-09-13 2018-09-13 面向可逆图像水印的预测上下文的误差建模方法及装置

Country Status (4)

Country Link
US (1) US11321796B2 (zh)
EP (1) EP3671622A4 (zh)
CN (1) CN109410113B (zh)
WO (1) WO2020051954A1 (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1237369A2 (en) * 2001-02-28 2002-09-04 Eastman Kodak Company Copy protection for digital motion picture image data
CN102036079A (zh) * 2010-12-16 2011-04-27 北京航空航天大学 一种基于全方向预测误差直方图修改的可逆图像水印算法
CN102034219A (zh) * 2010-12-16 2011-04-27 北京航空航天大学 一种利用上下文建模和泛化扩展的图像可逆水印方法
JP2011147017A (ja) * 2010-01-15 2011-07-28 Osaka Prefecture Univ 電子透かし埋め込み方法
CN106803228A (zh) * 2016-12-07 2017-06-06 华北电力大学（保定） 基于可逆信息隐藏的钝角预测方法、系统

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6282299B1 (en) * 1996-08-30 2001-08-28 Regents Of The University Of Minnesota Method and apparatus for video watermarking using perceptual masks
US6895101B2 (en) * 2002-06-28 2005-05-17 University Of Rochester System and method for embedding information in digital signals
CN101105857B (zh) 2007-07-20 2010-09-29 北京交通大学 一种基于预测和压扩技术的高容量可逆水印方法
CN108022197B (zh) 2017-11-21 2021-03-12 安徽大学 一种基于多纹理度划分的医学图像可逆信息隐藏方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1237369A2 (en) * 2001-02-28 2002-09-04 Eastman Kodak Company Copy protection for digital motion picture image data
JP2011147017A (ja) * 2010-01-15 2011-07-28 Osaka Prefecture Univ 電子透かし埋め込み方法
CN102036079A (zh) * 2010-12-16 2011-04-27 北京航空航天大学 一种基于全方向预测误差直方图修改的可逆图像水印算法
CN102034219A (zh) * 2010-12-16 2011-04-27 北京航空航天大学 一种利用上下文建模和泛化扩展的图像可逆水印方法
CN106803228A (zh) * 2016-12-07 2017-06-06 华北电力大学（保定） 基于可逆信息隐藏的钝角预测方法、系统

Also Published As

Publication number Publication date
WO2020051954A1 (zh) 2020-03-19
US11321796B2 (en) 2022-05-03
EP3671622A4 (en) 2021-06-02
US20200250785A1 (en) 2020-08-06
EP3671622A1 (en) 2020-06-24
CN109410113B (zh) 2023-08-29

Similar Documents

Publication Publication Date Title
CN110162986B (zh) 基于相邻像素预测模型的可逆信息隐藏方法
CN1713730A (zh) 估计图像噪声的方法和设备和消除噪声的方法和记录介质
CN115375589B (zh) 一种去除图像阴影模型及其构建方法、装置及应用
CN110930327B (zh) 基于级联深度残差网络的视频去噪方法
CN109949217B (zh) 基于残差学习和隐式运动补偿的视频超分辨率重建方法
CN112529813B (zh) 图像去雾处理方法、装置及计算机存储介质
CN112801918A (zh) 图像增强模型的训练方法、图像增强方法及电子设备
CN109360140B (zh) 基于预测误差加法扩展的可逆图像水印方法及装置
US20120237139A1 (en) System and method for predicting the file size of images subject to transformation by scaling and a change of quality-controlling parameters
CN112634120A (zh) 基于cnn预测的图像可逆水印方法
CN102637295B (zh) 一种快速图像电子稳定方法及装置
CN117333398A (zh) 一种基于自监督的多尺度图像去噪方法及装置
CN103312941A (zh) 基于凸优化理论的视频联合去噪及超分辨率方法和系统
Miyata et al. Novel inverse colorization for image compression
Goto et al. Learning-based super-resolution image reconstruction on multi-core processor
CN107682699A (zh) 一种近无损图像压缩方法
CN109410113A (zh) 面向可逆图像水印的预测上下文的误差建模方法及装置
CN108510425B (zh) 基于ippvo和优化mhm的可逆水印方法
CN102300086A (zh) 对参考帧边界进行扩展和对运动补偿参考样本位置进行限定的方法
Wang et al. Deep correlated image set compression based on distributed source coding and multi-scale fusion
CN112508807B (zh) 一种基于多方向全变分的图像去噪方法
CN114862711A (zh) 基于双重互补先验约束的低照度图像增强与去噪方法
CN102480620B (zh) 图像压缩设备和图像压缩方法
CN112132877A (zh) 一种基于sift特征的图像配准改进算法
US8369637B2 (en) Image processing apparatus, image processing method, and program

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