CN110351450A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN110351450A CN110351450A CN201910640639.9A CN201910640639A CN110351450A CN 110351450 A CN110351450 A CN 110351450A CN 201910640639 A CN201910640639 A CN 201910640639A CN 110351450 A CN110351450 A CN 110351450A
- Authority
- CN
- China
- Prior art keywords
- histogram
- image
- error
- prediction
- image block
- 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
-
- 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
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明实施例公开了一种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、装置、设备及计算机可读存储介质。其中,方法包括获取载体图像的每个图像块的局部特征,各图像块的局部特征包括纵向像素差总和及横向像素差总和;并为各图像块设置类别标签;计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图;利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合;基于嵌入点组合,利用直方图平移方法对载体图像进行水印嵌入,生成载密图像。本申请在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
Description
技术领域
本发明实施例涉及多媒体信号处理技术领域,特别是涉及一种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、装置、设备及计算机可读存储介质。
背景技术
随着数字化时代的来临,多媒体信息已经可以在互联网中高速传播,并且可以被随意拷贝和修改。因此,多媒体信息安全成为近年来关注的热点。图像作为多媒体信息传输的主要载体之一,其安全性可由信息隐藏技术来实现。
传统的信息隐藏技术会对图像造成永久失真,而可逆信息隐藏技术可保证水印信息无损提取之后还能完全恢复载体图像。这一特性使得可逆信息隐藏技术广泛运用于医疗、军事和司法等不允许图像失真的领域。
尽管采用可逆信息隐藏方法进行图像水印嵌入可保证载密图像具有高保真效果,但是,相关技术在采用可逆信息隐藏方法进行图像水印嵌入时,寻找最佳嵌入点时间较长,水印嵌入时间代价较大。
发明内容
本公开实施例提供了一种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、装置、设备及计算机可读存储介质,在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
为解决上述技术问题,本发明实施例提供以下技术方案:
本发明实施例一方面提供了一种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,包括:
获取载体图像的每个图像块的局部特征,并为各图像块设置类别标签;各图像块的局部特征包括纵向像素差总和及横向像素差总和;
计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图;
利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合;
基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像。
可选的,所述利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合包括:
利用预设嵌入点组合公式预先构建容量-失真模型,以用于表示各预测误差直方图的嵌入点组合,所述嵌入点组合公式为:
式中,hi为第i个预测误差直方图,Payload为嵌入容量值,为第i个预测误差直方图的嵌入点组合,为预测误差直方图的总个数;
基于最优嵌入点组合计算公式结合遗传算法计算各预测直方图的最优嵌入点组合,所述最优嵌入点组合计算公式为:
式中,Di,j为第i类商品的第j个商品的质量,vi,j是第i类商品的第j个商品的价值,mi为第i类包含商品总数。
可选的,所述计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图包括:
利用菱形预测计算公式计算每个图像块的中心像素点的预测值所述菱形预测计算公式为:
利用计算预测误差;
式中,Xi,j为中心像素点的实际值,为向上取整;Xi,j-1、Xi-1,j、Xi,j+1及Xi+1,j为当前图像块中心像素点Xij的相邻像素点;
对隶属同一类别标签的每个图像块的预测误差进行统计,以得到各类别对应的预测误差直方图;
计算各预测误差直方图的信息熵,并按照所述信息熵从小到大对各预测直方图进行排序。
可选的,所述获取载体图像的每个图像块的局部特征,并为各图像块设置类别标签包括:
预先将所述载体图像按照从上到下,从左到右的顺序分割为多个图像块,各图像块尺寸为5×5,步长为2;
预先为所述载体图像构建位置图,并作为附加信息嵌入至所述载体图像中;
利用模糊聚类算法将各图像块进行分类,并为每个图像块设置类别标签。
可选的,所述获取载体图像的每个图像块的局部特征之后,还包括:
对每个图像块,基于当前图像块的局部特征为所述当前图像块生成特征向量;
利用主成分分析方法对各图像块特征向量的冗余部分进行压缩。
可选的,所述基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像包括:
利用水印嵌入公式对所述载体图像进行水印嵌入,所述水印嵌入公式为:
所述载体图像第i个像素嵌入水印后的像素值为:
式中,ei为所述载体图像的第i个像素的预测误差值,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt,w为水印信息,为第i个像素的预测像素值,为第i个像素的像素值。
可选的,还包括:
利用水印提取公式从所述载密图像中提取水印信息w,所述水印提取公式为:
式中,为所述载密图像的第i个像素的预测误差,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt;
利用依次对所述载密图像的每个像素点进行操作,以恢复得到所述载体图像;
式中, 为第i个像素的像素值,xi为恢复得到的载密图像的第i个像素的像素值。。
本发明实施例另一方面提供了一种基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置,包括:
特征获取模块,用于获取载体图像的每个图像块的局部特征;
标签设置模块,用于为各图像块设置类别标签;
预测误差直方图生成模块,用于计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图;
最优嵌入点组合确定模块,用于利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合;
载密图像生成模块,用于基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像。
本发明实施例还提供了一种基于纵横交叉算法进行多直方图选点的可逆信息隐藏设备,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如前任一项所述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的步骤。
本发明实施例最后还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序,所述基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序被处理器执行时实现如前任一项所述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的步骤。
本申请提供的技术方案的优点在于,由于图像的纵向像素差总和及横向像素差总和更能代表图像块的梯度大小,将纵向像素差总和及横向像素差总和作为各图像块的局部特征,有利于降低载密图像的失真程度;利用纵横交叉算法从多预测误差直方图中选取最优的嵌入点组合,在保证载密图像失真度较小的同时,大大地降低了嵌入的时间代价。在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
此外,本发明实施例还针对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提供了相应的实现装置、设备及计算机可读存储介质,进一步使得所述方法更具有实用性,所述装置、设备及计算机可读存储介质具有相应的优点。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
为了更清楚的说明本发明实施例或相关技术的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种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的流程示意图;
图2为本发明实施例提供的载体图像分块示意图;
图3为本发明实施例提供的另一种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的流程示意图;
图4为本发明实施例提供的一种纵横交叉算法的流程示意图;
图5为本发明实施例提供的载体图像水印嵌入及提取的流程示意图;
图6为本发明实施例提供的基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置的一种具体实施方式结构图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,下面结合附图和具体实施方式对本发明作进一步的详细说明。显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本申请的说明书和权利要求书及上述附图中的术语“包括”和“具有”以及他们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可包括没有列出的步骤或单元。
当前实现图像水印嵌入的方法大多是基于像素点预测的可逆信息隐藏方法,例如一种基于多直方图的可逆信息隐藏方法,通过计算将载体图像划分为不同复杂度的图像块,并根据复杂度的不同对图像块进行分类。每类图像块通过菱形预测得到多直方图,再通过暴力迭代的方式寻找最佳的嵌入点。在上述方法的基础上,另一种基于模糊聚类的可逆信息隐藏方法被提出,该方法对每个图像块增加特征表示,并使用聚类的方法把相似的特征块聚到一起。然后计算每一类图像块中心像素点的预测值从而得到多个预测误差直方图,最后使用暴力迭代的方式寻找最佳嵌入位置。
鉴于此,本申请的发明人经过研究发现,通过分类的方法能够更好的区分图像的纹理块和平滑块,可使用平滑块嵌入水印可减少由于直方图平移所带来的嵌入失真代价,因此,选取合适的特征参数去衡量一个图像块的特征尤为重要。此外,通过增加图像块纵向像素差总和以及横向像素差总和作为特征参数更能代表图像块的梯度大小;且将纵横交叉算法应用在多直方图嵌入点的组合选取问题中,在保证图像失真度较小的同时,嵌入的时间代价远远低于现有技术中的时间代价。
在介绍了本发明实施例的技术方案后,下面详细的说明本申请的各种非限制性实施方式。
首先参见图1,图1为本发明实施例提供的一种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的流程示意图,本发明实施例可包括以下内容:
S101:获取载体图像的每个图像块的局部特征,并为各图像块设置类别标签。
可以理解的是,可预先将载体图像按照从上到下,从左到右的顺序分割为多个图像块,例如图2所示,图2的Xi,j为中心像素点,其余为中心像素点的相邻像素点。各图像块的尺寸例如但并限制于可为5×5,步长例如可为但并限制于2。预先初始化一个尺寸与载体图像一致的全零矩阵LM,然后按照从上到下,从左到右的顺序遍历载体图像,当像素点Xij满足Xij∈[1,254],且Xij∈N+时,LMi,j=0;当像素点Xij满足Xij=0或Xij=255时,LMi,j=1;将得到的位置图由二维矩阵转化成一维行向量,其长度为Row×Column,其中Row和Column分别代表载体图像的行长和列宽。最后将位置图经算数编码压缩后得到长度为Ls的比特流,并将其作为附加信息嵌入到载体图像中。
在本申请中,为了更好的区分图像的纹理块和平滑块,可为每个图像块设置标签。为了快速进行标签设置,可预先将载体图像的所有图像块进行分类,例如可利用模糊聚类算法(FCM)将各图像块进行分类,对隶属的同一类的每个图像块设置相同的类别标签。对每个图像块,可以用任何一种特征提取方法提取图像块的特征,在得到各图像块特征后,为了便于后续数据处理,还可将同一个图像块的所有特征构成特征向量,并可利用主成分分析方法(PCA)对各图像块特征向量的冗余部分进行压缩,加快后续特征向量的处理效率。
需要说明的是,由于增加图像块纵向像素差总和以及横向像素差总和作为特征参数更能代表图像块的梯度大小,为了提升载密图像的高保真度,各图像块的局部特征可包括纵向像素差总和及横向像素差总和。当然,图像块的局部特征还可包括其他类型特征,本申请对此不做任何限定。
S102:计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图。
在本实施例中,可先计算得到中心像素点的预测像素值,然后根据预测像素值和实际像素点计算得到预测误差。可采用任何一种相关技术计算中心像素点的预测像素值,本申请对此不做任何限定,例如可采用菱形预测算法计算中心像素点的预测误差,利用图像块中心像素Xij的相邻像素点对其进行预测,并计算预测误差,也即可利用菱形预测计算公式计算每个图像块的中心像素点的预测值上述菱形预测计算公式可为:
利用计算预测误差;
式中,Xi,j为中心像素点的实际值,也就是说载体图像的第i行第j列的像素点为中心像素点,为向上取整;Xi,j-1、Xi-1,j、Xi,j+1及Xi+1,j为当前图像块中心像素点Xij的相邻像素点,各相邻像素点与中心像素点的位置关系可如图2所示。
然后可对隶属同一类别标签的每个图像块的预测误差进行统计,从而得到各类别对应的预测误差直方图;为了便于后续图像处理,还可计算各预测误差直方图的信息熵,并按照信息熵从小到大对各预测直方图进行排序,如图3所示。
S103:利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合。
本申请中,由于纵横交叉算法可保证载密图像失真度较小的同时,大大地降低了嵌入的时间代价,故本申请在从预测误差直方图中选取最优嵌入点组合时,可采用纵横交叉算法进行寻优计算。
S104:基于嵌入点组合,利用直方图平移方法对载体图像进行水印嵌入,生成载密图像。
S103得到嵌入点组合后,利用直方图平移方法从每个嵌入点对载体图像进行水印嵌入,嵌入操作完成后生成载密图像。
在本发明实施例提供的技术方案中,由于图像的纵向像素差总和及横向像素差总和更能代表图像块的梯度大小,将纵向像素差总和及横向像素差总和作为各图像块的局部特征,有利于降低载密图像的失真程度;利用纵横交叉算法从多预测误差直方图中选取最优的嵌入点组合,在保证载密图像失真度较小的同时,大大地降低了嵌入的时间代价。在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
作为一种可选的实施方式,S101可提取每个图像块的10个局部特征,并将计算得到的这10个特征参数组成一个十维度的行向量,图像块的局部特征可表示为f=[F1,F2,F3,F4,F5,F6,F7,F8,F9,F10];每个特征参数可按照下述公式进行计算:
式中,V为当前图像块中心像素点Xij的相邻像素点集合,例如图2所示,ΔV1=|Xi,j-1-Xi-1,j|,ΔV2=|Xi-1,j-Xi,j+1|,ΔV3=|Xi,j+1-Xi+1,j|,ΔV4=|Xi+1,j-Xi,j-1|;对角二阶差值矩阵
图像块左梯度差总和:
图像块右梯度差总和:
将载体图像分割的N块图像块的特征参数构成一个大小为N×10的矩阵,矩阵可表示为:
标准化F矩阵后得到F*矩阵,标准化计算公式可为:
其中,E(·)和D(·)分别为f(m)的期望和方差,m为图像块的同一特征列号。
然后可根据下述公式计算F*矩阵的协方差矩阵:
其中,(A)T为A的转置矩阵。
接着对协方差矩阵Cov(F*)进行奇异值分解,得到Cov(F*)=PDPT。
其中,D为对角阵,D=diag(λ1,λ2,…,λ10),而λk,k∈[1,10]是协方差矩阵的特征值。最大特征值对应的特征向量方向为第一主成分的方向,次大特征值对应的特征向量方向则为第二主成分的方向,以此类推。为了达到压缩维度的目的,选取前l个特征值,l个特征值的总和与所有特征值的总和的百分比如下:
当φ(l)越大,则表示原矩阵的信息保留的越多。
前l个特征值对应的特征向量构成大小为10×l的矩阵P,该矩阵含有F*矩阵的主要信息,最终原图像块经过PCA操作后的输出为Output,其表达式为:
Output=F*·P;
此时,原图像块的特征向量由10维降到l维,且l<10。
在另外一种实施方式中,根据图像块的局部特征,利用模糊聚类算法分类不同特征的图像块的过程可包括:
A、确定载体图像的分类数目为K类。
B、随机初始化隶属度矩阵UN,K={usi|s∈[1,N],i∈[1,K]},其中N为载体图像分割图像块的总个数,且隶属度矩阵UN,K满足约束条件:
C、初始化聚类中心矩阵C,其大小为K×l,K表示K个聚类中心,l表示每个聚类中心的维度为l维。
模糊聚类的目标函数为:
其中,b为预设的隶属度因子;dsi=||Outputi-Ci||2,||·||2为二范数符号;Ci为第i个聚类中心。
为了以迭代的方式优化目标函数J(U,C,Output),可根据拉格朗日乘法,将上述约束条件与目标函数相结合,得到更新聚类中心和隶属度矩阵的公式为:
D、设置停止迭代条件:
1、计算当前的聚类中心和上一次聚类中心的欧氏距离,当小于预设阈值T时,停止迭代。
2、设置迭代次数,当到达该次数时停止迭代。
E、通过隶属度矩阵获得所有图像块最终聚类的结果,即UN,K的各行中最大元素所在的列表示该图像块所属类别,返回行最大值位置的计算公式如下所示:
L=arg{max(uij)|i∈[1,N],j∈[1,K]}。
在一种具体的实施方式中,S103的具体实现过程可包括:
可先确定每个直方图的峰值点Pk,将每一个直方图按照峰值点Pk分为左右两部分,第一部分的定义域为{x|x<Pk},第二部分的定义域为{x|x≥Pk}。根据直方图平移技术,当选定了直方图的嵌入点在峰值点右侧,则将在该嵌入点右侧的Bins全部往右移动一个单位;同理,若选定的嵌入点在峰值点左侧,则将在该嵌入点左侧的Bins全部往左移动一个单位。嵌入点的高度总和等价于信息嵌入的容量,两侧的Bins移动的距离等价于信息嵌入带来的失真代价。若直方图左侧选点为an,右侧选点为bn,则失真代价计算公式为相应的可得到嵌入容量大小计算鉴于此,可利用预设嵌入点组合公式预先构建容量-失真模型,以用于表示各预测误差直方图的嵌入点组合,嵌入点组合公式可为:
式中,hi为第i个预测误差直方图,Payload为嵌入容量值,(an,bn)为第i个预测误差直方图的嵌入点组合,为预测误差直方图的总个数。
可利用多选择背包问题解决直方图嵌入点组合的计算问题,失真等价于商品价格,嵌入容量等价于商品的质量。可将每个直方图从峰值点处划分为两部分,则k个直方图划分为2k部分,每一部分都选择一个并仅选取一个嵌入点,并计算选择该嵌入点后所付出的失真代价。直方图的组合选点嵌入问题中参数一一对应于多选择背包问题参数,2k部分等价于2k类商品,每一部分可选择的嵌入点数等价于每一类中不同的商品个数。也就是说,可基于最优嵌入点组合计算公式结合遗传算法计算各预测直方图的最优嵌入点组合,最优嵌入点组合计算公式为:
式中,Di,j为第i类商品的第j个商品的质量,vi,j是第i类商品的第j个商品的价值,mi为第i类包含商品总数。
基于最优嵌入点组合计算公式,利用遗传算法计算得到最优嵌入点组合的过程,请参与图4,具体实现过程可如下所述:
对遗传算法的颜色体进行编码,编码方式如下,假设第i类商品有m个,分别用表1表示其参数:
表1商品参数表示表
商品标签 | 1 | 2 | … | m |
价格(失真) | D<sub>i,1</sub> | D<sub>i,2</sub> | … | D<sub>i,m</sub> |
重量(嵌入容量) | V<sub>i,1</sub> | V<sub>i,2</sub> | … | V<sub>i,m</sub> |
当该类商品选择第一个时,编码为
当该类商品选择第二个时,编码为
当该类商品选择第三个时,编码为
以此类推,当该类商品选择第m个时,编码为
假设K类商品中有S个商品,则用(S-1)位二进制数表示,如果选取其中第Z个商品,则Z=(S-1)位二进制数里“1”的个数+1。
所以,一个个体的染色体可表示为:即一条染色体里存在着2k个子块,即2k维,每一个子块为长度不一的二进制码字。
设置遗传算法的过程可为:
(1)初始化种群,个数为N,预设遗传代数为Gen,染色体长度l为2k。
(2)由于该背包问题是最小化问题,所以需要计算个体的适度值并将适度值按照由小到大的方式对父代染色体进行排序,公式如下:
(3)两点横向交叉操作流程如下:
输入:染色体Pk(k=1,2,…,N),交叉率pc,染色体长度为l
输出:子代染色体Ck
Step0:k从1到N,循环Step1~Step4;
Step1:生成区间为[0,1]的随机实数num;
Step2:如果满足num<pc,则随机选取染色体i,j(i,j∈[1,N])作为交叉对象。如果不满足,则返回Step1;
Step3:在区间[1,l-1]中随机选择p点作为第一个交叉点,然后在区间[p,l]中随机选取q点作为第二个交叉点;
Step4:将两个染色体在p和q点处切断,则两条染色体均被分成三部分,选取中间部分进行交换,得到新的两条子代染色体c1和c2;
Step5:经迭代后,输出所有的子代Ck。
(4)横向交叉操作和纵向交叉操作区别在于横向交叉操作是对两条父代染色体进行操作,而纵向交叉操作是针对一条父代染色体操作。纵向交叉步骤主要包括:
输入:染色体Pk(k=1,2,…,N),交叉率pc,染色体长度为l
输出:子代染色体Ck
Step0:k从1到N,循环Step1~Step4;
Step1:生成区间为[0,1]的随机实数num;
Step2:如果满足num<pc,则随机选取染色体i(i∈[1,N])作为交叉对象。如果不满足,则返回Step1。
Step3:在区间[1,l]中随机选择p和q点作为交叉点。
Step4:将染色体子块p和子块q交换,产生新的子代c1。由于染色体中,每一个子块的码长不一样,当交换后,码长较长的子块被交换到码长较短的子块时,会产生溢出现象,所以交换子块时,短的子块可交换到长的子块当中,而长的子块不被交换到短的子块中,并将短的子块内容全部置为“1”,即选择该类商品的最后一个商品。
Step5:经迭代后,输出所有的子代Ck。
(5)变异操作
输入:染色体Pk(k=1,2,…,N),变异率pm,染色体长度为l
输出:子代染色体Ck
Step0:k从1到N,循环Step1~Step4;
Step1:生成区间为[0,1]的随机实数num;
Step2:如果满足num<pc,则随机选取染色体i(i∈[1,N])作为交叉对象。如果不满足,则返回Step1。
Step3:在区间[1,l]中随机选择p点作为变异点。
Step4:将染色体i的子块p作为变异块,并在对应变异块的区间[1,mp-1]中随机选取一点进行0、1翻转,产生新的子代c1。
Step5:经迭代后,输出所有的子代Ck。
(6)选择操作步骤如下:
遗传算法采用精英保留政策,即上一代父代和经过静交叉和变异操作产生的新的子代一起构成当代个体。为了更好保留优势个体以及维持种群个体的多样性,以达到更好收敛和防止局部最优的目的。因此,在选择过程中,下一代的个体数N,应由当代的染色体按比例复制。首先计算新旧个体的适度值并按照适度值从小到大排序。然后,复制排在前面的0.4×N个个体,和复制操作后排在最后的0.6×N个个体作为下一代种群。
(7)反编码操作:
经过Gen代遗传之后,筛选出适度值最小的个体。
统计得到染色体每个子块中“1”的个数,然后将每个子块中“1”的个数分别加一即可得到每类所选择的商品标签,即直方图的待嵌入点组合。
可选的,请参阅图5,S104根据直方图平移技术实现水印的嵌入的一种具体的实施方式可如下所述:
对于一个预测误差直方图Ht,经过上述遗传算法操作后所选的点组合为at和bt,且at<bt,可利用水印嵌入公式对载体图像进行水印嵌入,水印嵌入公式为:
载体图像第i个像素点嵌入水印后的像素值为:
式中,ei为载体图像的第i个像素的预测误差值,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt,w为水印信息,为第i个像素的预测像素值,为第i个像素的像素值。
可以理解的是,在对载体图像嵌入水印后,为了准确恢复载体图像,还需嵌入附加信息和载荷。附件信息包括压缩后的位置图(Ls)、主成分分析后的特征维度l<10(4比特)、聚类数K∈[1,25](5比特)、聚类中心停止迭代的次数N∈[1,100](7比特)、多直方图的嵌入点组合[ai,bi],i∈[1,K](5*2K比特)。附加信息综合为Aux=Ls+16+10K。对载体图像嵌入一部分水印后,收集嵌入水印后图像的前Aux个像素的最不重要位LSB,然后把收集到的Aux个LSB添加到载荷Payload的后面,同时,将附加信息嵌入到空出来的Aux个LSB上,并将代替后的LSB和载荷Payload一起嵌入到原始图像剩余的像素块中,最终得到载密图像。
可以理解的是,通过将载密图像中的水印信息提取出来,便可得到载体图像,在根据载密图像恢复得到载体图像的过程可包括:
(1)位置图与附加信息的提取:
信息提取过程与嵌入过程的顺序相同,收集前Aux个像素的LSB位形成一串比特流,在此比特流中找到算数编码的结束符,利用从开始到结束符的比特数据经过解压缩操作后得到原始位置图。然后按照先前预设的各个附加信息长度逐一还原出特征维度,聚类数和迭代次数。
(2)分割载密图像并计算子块的特征
使用和嵌入过程一致的图像分块方式对载密图像进行分块,并计算每个图像块的特征,每个图像块的特征例如可形成一个十维的行向量。
(3)对图像块特征去冗余并聚类
运用主成分分析算法对每个图像块的高维特征进行压缩,根据附加信息的目标特征维度对图像块进行降维操作,并使用模糊聚类的方法,将各个每个图像块进行分类并打上对应类别的标签。
(4)生成多预测误差直方图:
例如可采用菱形预测算法得到子块中心像素点的预测误差并将预测误差按照标签进行分类及统计各类预测误差值得到多个预测误差直方图。计算每个预测误差直方图的信息熵并按照信息熵由小到大对其进行排序。
(5)水印信息的提取和原图恢复
还原附加信息中各个直方图的嵌入点组合[ai,bi],i∈[1,K],并可利用水印提取公式从载密图像中提取水印信息w,水印提取公式为:
式中,为载密图像的第i个像素的预测误差,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt。
然后可利用依次对载密图像的每个像素点进行操作,以恢复得到载体图像;
式中, 为第i个像素的像素值,xi为恢复得到的载密图像的第i个像素的像素值。
由上可知,本发明实施例不仅在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强;还可对载密图像实施可逆操作得到还原准确度高的载体图像。
本发明实施例还针对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提供了相应的实现装置,进一步使得所述方法更具有实用性。下面对本发明实施例提供的基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置进行介绍,下文描述的基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置与上文描述的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可相互对应参照。
参见图6,图6为本发明实施例提供的基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置在一种具体实施方式下的结构图,该装置可包括:
特征获取模块601,用于获取载体图像的每个图像块的局部特征。
标签设置模块602,用于为各图像块设置类别标签。
预测误差直方图生成模块603,用于计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图。
最优嵌入点组合确定模块604,用于利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合。
载密图像生成模块605,用于基于嵌入点组合,利用直方图平移方法对载体图像进行水印嵌入,生成载密图像。
可选的,在本实施例的一些实施方式中,所述装置例如还可以包括图像恢复模块,所述图像恢复模块可包括:
水印提取子模块,用于利用水印提取公式从载密图像中提取水印信息w,水印提取公式为:
式中,为载密图像的第i个像素的,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt;
图像恢复子模块,用于利用依次对载密图像的每个像素点进行操作,以恢复得到载体图像;
式中, 为第i个像素的像素值,xi为恢复得到的载密图像的第i个像素的像素值。
可选的,在本实施例的另一些实施方式中,所述最优嵌入点组合确定模块604还可以包括:
嵌入点组合表示子模块,用于利用预设嵌入点组合公式预先构建容量-失真模型,以用于表示各预测误差直方图的嵌入点组合,嵌入点组合公式为:
式中,hi为第i个预测误差直方图,Payload为嵌入容量值,(an,bn)为第i个预测误差直方图的嵌入点组合,为预测误差直方图的总个数;
嵌入点组合计算子模块,用于基于最优嵌入点组合计算公式结合遗传算法计算各预测直方图的最优嵌入点组合,最优嵌入点组合为:
式中,Di,j为第i类商品的第j个商品的质量,vi,j是第i类商品的第j个商品的价值,mi为第i类包含商品总数。
此外,所述预测误差直方图生成模块603例如还可包括:
中心像素点的预测值计算子模块,用于利用菱形预测计算公式计算每个图像块的中心像素点的预测值菱形预测计算公式为:
利用计算预测误差;
式中,Xi,j为中心像素点的实际值,为向上取整;Xi,j-1、Xi-1,j、Xi,j+1及Xi+1,j为当前图像块中心像素点Xij的相邻像素点;
预测误差直方图生成子模块,用于对隶属同一类别标签的每个图像块的预测误差进行统计,以得到各类别对应的预测误差直方图;
预测误差直方图排序子模块,用于计算各预测误差直方图的信息熵,并按照信息熵从小到大对各预测直方图进行排序。
可选的,在一些其他实施方式中,所述特征获取模块601还可包括:
图像分割子模块,用于预先将载体图像按照从上到下,从左到右的顺序分割为多个图像块,各图像块尺寸为5×5,步长为2;
位置图生成子模块,用于预先为载体图像构建位置图,并作为附加信息嵌入至载体图像中;
特征向量生成子模块,用于对每个图像块,基于当前图像块的局部特征为当前图像块生成特征向量;
特征压缩子模块,用于利用主成分分析方法对各图像块特征向量的冗余部分进行压缩。
在另外一些实施方式中,所述载密图像生成模块605例如还可包括:
水印嵌入信息计算子模块,用于利用水印嵌入公式对载体图像进行水印嵌入,水印嵌入公式为:
水印嵌入子模块,用于载体图像第i个像素点嵌入水印后的像素值为:
式中,ei为载体图像的第i个像素的预测误差值,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt,w为水印信息,为第i个像素的预测像素值,为第i个像素的像素值。
本发明实施例所述基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
本发明实施例还提供了一种基于纵横交叉算法进行多直方图选点的可逆信息隐藏设备,具体可包括:
存储器,用于存储计算机程序;
处理器,用于执行计算机程序以实现如上任意一实施例所述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的步骤。
本发明实施例所述基于纵横交叉算法进行多直方图选点的可逆信息隐藏设备的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
本发明实施例还提供了一种计算机可读存储介质,存储有基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序,所述基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序被处理器执行时如上任意一实施例所述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的步骤。
本发明实施例所述计算机可读存储介质的各功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可以参照上述方法实施例的相关描述,此处不再赘述。
由上可知,本发明实施例在保证载密图像的高保真前提下,实现了快速寻找最佳嵌入点组合,大大地降低了计算复杂度,降低了水印嵌入的时间代价,实用性强。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
以上对本发明所提供的一种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、装置、设备及计算机可读存储介质进行了详细介绍。本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想。应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以对本发明进行若干改进和修饰,这些改进和修饰也落入本发明权利要求的保护范围内。
Claims (10)
1.一种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,其特征在于,包括:
获取载体图像的每个图像块的局部特征,并为各图像块设置类别标签;各图像块的局部特征包括纵向像素差总和及横向像素差总和;
计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图;
利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合;
基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像。
2.根据权利要求1所述的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,其特征在于,所述利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合包括:
利用预设嵌入点组合公式预先构建容量-失真模型,以用于表示各预测误差直方图的嵌入点组合,所述嵌入点组合公式为:
式中,hi为第i个预测误差直方图,Payload为嵌入容量值,(an,bn)为第i个预测误差直方图的嵌入点组合,为预测误差直方图的总个数;
基于最优嵌入点组合计算公式结合遗传算法计算各预测直方图的最优嵌入点组合,所述最优嵌入点组合计算公式为:
式中,Di,j为第i类商品的第j个商品的质量,vi,j是第i类商品的第j个商品的价值,mi为第i类包含商品总数。
3.根据权利要求1所述的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,其特征在于,所述计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图包括:
利用菱形预测计算公式计算每个图像块的中心像素点的预测值所述菱形预测计算公式为:
利用计算预测误差;
式中,Xi,j为中心像素点的实际值,为向上取整;Xi,j-1、Xi-1,j、Xi,j+1及Xi+1,j为当前图像块中心像素点Xij的相邻像素点;
对隶属同一类别标签的每个图像块的预测误差进行统计,以得到各类别对应的预测误差直方图;
计算各预测误差直方图的信息熵,并按照所述信息熵从小到大对各预测直方图进行排序。
4.根据权利要求3所述的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,其特征在于,所述获取载体图像的每个图像块的局部特征,并为各图像块设置类别标签包括:
预先将所述载体图像按照从上到下,从左到右的顺序分割为多个图像块,各图像块尺寸为5×5,步长为2;
预先为所述载体图像构建位置图,并作为附加信息嵌入至所述载体图像中;
利用模糊聚类算法将各图像块进行分类,并为每个图像块设置类别标签。
5.根据权利要求4所述的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,其特征在于,所述获取载体图像的每个图像块的局部特征之后,还包括:
对每个图像块,基于当前图像块的局部特征为所述当前图像块生成特征向量;
利用主成分分析方法对各图像块特征向量的冗余部分进行压缩。
6.根据权利要求5所述的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,其特征在于,所述基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像包括:
利用水印嵌入公式对所述载体图像进行水印嵌入,所述水印嵌入公式为:
所述载体图像第i个像素嵌入水印后的像素值为:
式中,ei为所述载体图像的第i个像素的预测误差值,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt,w为水印信息,为第i个像素的预测像素值,为第i个像素的像素值。
7.根据权利要求1至6任意一项所述的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,其特征在于,还包括:
利用水印提取公式从所述载密图像中提取水印信息w,所述水印提取公式为:
式中,为所述载密图像的第i个像素的预测误差,(at,bt)为预测误差直方图Ht的嵌入点组合,且at<bt;
利用依次对所述载密图像的每个像素点进行操作,以恢复得到所述载体图像;
式中, 为第i个像素的像素值,xi为恢复得到的载密图像的第i个像素的像素值。
8.一种基于纵横交叉算法进行多直方图选点的可逆信息隐藏装置,其特征在于,包括:
特征获取模块,用于获取载体图像的每个图像块的局部特征;
标签设置模块,用于为各图像块设置类别标签;
预测误差直方图生成模块,用于计算每个图像块中心像素点的预测误差,并为每个类别生成预测误差直方图;
最优嵌入点组合确定模块,用于利用纵横交叉算法从多个预测误差直方图中确定嵌入点组合;
载密图像生成模块,用于基于所述嵌入点组合,利用直方图平移方法对所述载体图像进行水印嵌入,生成载密图像。
9.一种基于纵横交叉算法进行多直方图选点的可逆信息隐藏设备,其特征在于,包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至7任一项所述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的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序,所述基于纵横交叉算法进行多直方图选点的可逆信息隐藏程序被处理器执行时实现如权利要求1至7任一项所述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的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640639.9A CN110351450B (zh) | 2019-07-16 | 2019-07-16 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910640639.9A CN110351450B (zh) | 2019-07-16 | 2019-07-16 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110351450A true CN110351450A (zh) | 2019-10-18 |
CN110351450B CN110351450B (zh) | 2022-01-11 |
Family
ID=68176471
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910640639.9A Active CN110351450B (zh) | 2019-07-16 | 2019-07-16 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110351450B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242826A (zh) * | 2020-01-09 | 2020-06-05 | 鹏城实验室 | 图像优化方法、装置、设备及存储介质 |
CN111954086A (zh) * | 2020-08-19 | 2020-11-17 | 浙江无极互联科技有限公司 | 隐形视频版权水印算法 |
CN113191931A (zh) * | 2020-12-02 | 2021-07-30 | 四川大学 | 一种基于pca的鲁棒数字水印嵌入与提取方法 |
CN113923314A (zh) * | 2021-10-09 | 2022-01-11 | 河海大学 | 一种基于多重残差直方图平移的可逆数据隐藏方法及装置 |
CN113938574A (zh) * | 2021-11-15 | 2022-01-14 | 西安邮电大学 | 一种基于中心预测的可逆信息隐藏方法 |
CN114399419A (zh) * | 2021-12-16 | 2022-04-26 | 淮阴工学院 | 基于预测误差扩展的可逆图像水印算法 |
CN114969671A (zh) * | 2022-05-23 | 2022-08-30 | 广西师范大学 | 一种基于行标签压缩的可逆信息隐藏方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098287A1 (en) * | 2008-10-17 | 2010-04-22 | Guorong Xuan | Reversible data hiding |
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 |
KR20110090247A (ko) * | 2010-02-03 | 2011-08-10 | 금오공과대학교 산학협력단 | 차이값 히스토그램을 이용한 가역 워터마크 삽입, 추출 및 원본 복원 방법 |
CN103310406A (zh) * | 2013-06-25 | 2013-09-18 | 同济大学 | 基于直方图对的图像可逆数据隐藏方法 |
CN105761196A (zh) * | 2016-01-28 | 2016-07-13 | 西安电子科技大学 | 基于三维预测误差直方图的彩色图像可逆数字水印方法 |
CN107689026A (zh) * | 2017-08-24 | 2018-02-13 | 中国科学技术大学 | 基于最优编码的可逆隐写方法 |
CN108510425A (zh) * | 2018-02-11 | 2018-09-07 | 广东工业大学 | 基于ippvo和优化mhm的可逆水印方法 |
-
2019
- 2019-07-16 CN CN201910640639.9A patent/CN110351450B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100098287A1 (en) * | 2008-10-17 | 2010-04-22 | Guorong Xuan | Reversible data hiding |
KR20110090247A (ko) * | 2010-02-03 | 2011-08-10 | 금오공과대학교 산학협력단 | 차이값 히스토그램을 이용한 가역 워터마크 삽입, 추출 및 원본 복원 방법 |
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 |
CN103310406A (zh) * | 2013-06-25 | 2013-09-18 | 同济大学 | 基于直方图对的图像可逆数据隐藏方法 |
CN105761196A (zh) * | 2016-01-28 | 2016-07-13 | 西安电子科技大学 | 基于三维预测误差直方图的彩色图像可逆数字水印方法 |
CN107689026A (zh) * | 2017-08-24 | 2018-02-13 | 中国科学技术大学 | 基于最优编码的可逆隐写方法 |
CN108510425A (zh) * | 2018-02-11 | 2018-09-07 | 广东工业大学 | 基于ippvo和优化mhm的可逆水印方法 |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111242826A (zh) * | 2020-01-09 | 2020-06-05 | 鹏城实验室 | 图像优化方法、装置、设备及存储介质 |
CN111242826B (zh) * | 2020-01-09 | 2023-08-25 | 鹏城实验室 | 图像优化方法、装置、设备及存储介质 |
CN111954086A (zh) * | 2020-08-19 | 2020-11-17 | 浙江无极互联科技有限公司 | 隐形视频版权水印算法 |
CN111954086B (zh) * | 2020-08-19 | 2022-10-14 | 浙江无极互联科技有限公司 | 一种隐形视频版权水印方法 |
CN113191931A (zh) * | 2020-12-02 | 2021-07-30 | 四川大学 | 一种基于pca的鲁棒数字水印嵌入与提取方法 |
CN113923314A (zh) * | 2021-10-09 | 2022-01-11 | 河海大学 | 一种基于多重残差直方图平移的可逆数据隐藏方法及装置 |
CN113923314B (zh) * | 2021-10-09 | 2022-08-05 | 河海大学 | 一种可逆数据隐藏方法及装置 |
CN113938574A (zh) * | 2021-11-15 | 2022-01-14 | 西安邮电大学 | 一种基于中心预测的可逆信息隐藏方法 |
CN113938574B (zh) * | 2021-11-15 | 2023-06-16 | 西安邮电大学 | 一种基于中心预测的可逆信息隐藏方法 |
CN114399419A (zh) * | 2021-12-16 | 2022-04-26 | 淮阴工学院 | 基于预测误差扩展的可逆图像水印算法 |
CN114399419B (zh) * | 2021-12-16 | 2024-03-26 | 淮阴工学院 | 基于预测误差扩展的可逆图像水印算法 |
CN114969671A (zh) * | 2022-05-23 | 2022-08-30 | 广西师范大学 | 一种基于行标签压缩的可逆信息隐藏方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110351450B (zh) | 2022-01-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110351450A (zh) | 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 | |
Lin et al. | Cascaded feature network for semantic segmentation of RGB-D images | |
CN104036012B (zh) | 字典学习、视觉词袋特征提取方法及检索系统 | |
CN111695467A (zh) | 基于超像素样本扩充的空谱全卷积高光谱图像分类方法 | |
CN104969257A (zh) | 图像处理设备和图像处理方法 | |
CN111126488A (zh) | 一种基于双重注意力的图像识别方法 | |
CN104428793B (zh) | 用于转换基于梯度直方图的图像描述符的方法和相关图像处理设备 | |
CN109902808B (zh) | 一种基于浮点数位变异遗传算法优化卷积神经网络的方法 | |
Tseng et al. | A genetic algorithm for MRF-based segmentation of multi-spectral textured images | |
CN112633457A (zh) | 一种基于多目标水稻育种算法的高光谱图像波段选择方法 | |
Raveaux et al. | Learning graph prototypes for shape recognition | |
Choe et al. | Neural network schemes for detecting rare events in human genomic DNA | |
Wang et al. | Hierarchical space tiling for scene modeling | |
Awad et al. | Multi-component image segmentation using a hybrid dynamic genetic algorithm and fuzzy C-means | |
Chakrapani et al. | Genetic algorithm applied to fractal image compression | |
CN114840326B (zh) | 资源调度方法、装置、电子设备及存储介质 | |
CN106909894B (zh) | 车辆品牌型号识别方法和系统 | |
Nguyen et al. | A novel multi-branch wavelet neural network for sparse representation based object classification | |
Tai et al. | Genetic algorithm for single bit map absolute moment block truncation coding of color images | |
Cui et al. | Deeply‐Recursive Attention Network for video steganography | |
Lee et al. | A labelled graph based multiple classifier system | |
Snášel et al. | Developing genetic algorithms for boolean matrix factorization | |
Yu et al. | Multi-pose Face Recognition Based on TP-GAN | |
CN109919834A (zh) | 一种基于svd的图像水彩风格转换方法及装置 | |
Lee et al. | An efficient design of a nearest neighbor classifier for various-scale problems |
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 |