CN111724373A - 一种基于感知加密光场图像的视觉安全性度量方法 - Google Patents
一种基于感知加密光场图像的视觉安全性度量方法 Download PDFInfo
- Publication number
- CN111724373A CN111724373A CN202010571394.1A CN202010571394A CN111724373A CN 111724373 A CN111724373 A CN 111724373A CN 202010571394 A CN202010571394 A CN 202010571394A CN 111724373 A CN111724373 A CN 111724373A
- Authority
- CN
- China
- Prior art keywords
- light field
- image
- field image
- encrypted
- sub
- 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
- 230000000007 visual effect Effects 0.000 title claims abstract description 53
- 238000000691 measurement method Methods 0.000 title claims abstract description 10
- 238000000034 method Methods 0.000 claims abstract description 62
- 230000008447 perception Effects 0.000 claims abstract description 41
- 238000003708 edge detection Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 15
- 230000003044 adaptive effect Effects 0.000 claims description 18
- 230000008859 change Effects 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 3
- 230000006978 adaptation Effects 0.000 claims 1
- 230000004438 eyesight Effects 0.000 abstract description 7
- 238000011156 evaluation Methods 0.000 description 10
- 238000000605 extraction Methods 0.000 description 10
- 230000008569 process Effects 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000013441 quality evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004590 computer program Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 108091028043 Nucleic acid sequence Proteins 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001303 quality assessment method Methods 0.000 description 1
- 238000013442 quality metrics Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2221/00—Indexing scheme relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/21—Indexing scheme relating to G06F21/00 and subgroups addressing additional information or applications relating to security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F2221/2107—File encryption
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10052—Images from lightfield camera
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Evolutionary Computation (AREA)
- Bioethics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于感知加密光场图像的视觉安全性度量方法,包括获取原始感知加密光场图像,提取原始感知加密光场图像的局部特征以及全局特征;对局部特征及全局特征进行自适应加权计算,获得视觉安全性度量数值;其中,提取原始感知加密光场图像的局部特征包括:在光场空间域上采用多阈值边缘检测的方法检测计算原始感知加密光场图像的边缘相似性;提取原始感知加密光场图像的全局特征包括:对原始感知加密光场图像采用极线平面图的梯度相似性计算获取全局特征。本发明提出了一种简单、计算量较少的基于感知加密光场图像的视觉安全性度量方法,可用于评价感知加密光场图像的视觉安全性的优劣。
Description
技术领域
本发明涉及数字图像和数字视频处理技术领域,具体的,涉及一种基于感知加密光场图像的视觉安全性度量方法。
背景技术
由于数据存储技术的发展和智能终端的普及,数字图像的视觉安全变得越来越重要。光场图像作为一种不同于传统图像的成像结构,因其可以捕获空间中丰富的视觉信息而受到越来越多的关注。感知加密光场图像由于巨大的存储需求,通常在角域和空间域中进行稀疏的采样。近年来,研究人员提出了许多针对于数字图像的质量评价方法,能够很好的度量图像的质量优劣。一种经典的方法就是直接通过对比像素之间的相似性作为检验图像的标准,但从人眼视觉系统的安全性分析的感知加密光场研究才逐渐起步。
光场图像加密和隐藏技术是保护图像安全性的有效方法。应用密码学方法来保护内容信息,通过插入密文来保护内部信息,用户可以通过正确的密钥对明文信息进行解密。一些研究人员提出了多种加密方法,例如基于DNA序列和混沌系统的彩色光场图像加密方法、基于比特流的JPEG图像加密方法等。但是,当前的大多数方法都使用经典的加密方法来保护传统的自然图像,而很少用于高维光场图像的安全性度量。
在媒体领域,加密是一种通用技术,可确保授权用户可以看到完整的信息。但是,在某些支付场景中,有必要确保没有完整的真实内容,同时避免高质量的加密图像以吸引更多的用户购买版权并观看。感知加密的图像可防止人类视觉系统看到图像的所有信息,从而防止滥用原始图像数据的视觉属性。在此过程中,视觉质量是人类视觉判断的重要标准之一,可以显着定义图像的安全性。因此,评价感知加密图像的质量对于实际应用和加密方法是有意义的。
近年来,研究人员提出了许多图像质量评价方法,这些方法通常计算参考图像和失真图像之间的固有差异。例如,结构相似度(SSIM)、图像特征相似度(FSIM)和视觉信息保真度(VIF)是代表性的图像质量评估方法。研究人员提出的方法包括基于边缘和纹理的感知视觉安全方法、根据光场图像的客观质量评价方法,这种评价方法提出了六个客观质量指标,并评估了不同光场图像视图之间的质量离散度。
感知加密光场图像的安全性分析是一项创新性的任务,它旨在基于感知的加密光场图像数据集来测量图像的视觉安全性。基于自然加密图像的质量评价方法是已知的,但仍然没有用于感知加密的光场图像数据库,这在一定程度上限制了研究过程。评价可感知加密的光场图像的视觉安全性不仅有助于优化可感知加密方法的类型,而且有助于评估评估系统的有效性。可以感知的加密图像保留了一些视觉信息,但是很难看到高质量的细节。另外,对传统密码技术的分析主要集中在算法的安全性上,即它能否有效抵御外部攻击者的攻击而不泄露明文信息。因此,传统的密码分析方法不适用于感知的加密光场图像的视觉安全性度量。
由于已知的方法存在着许多研究空白和不足,需要一种简便而有效的光场图像视觉安全评价方法,以提高光场图像的质量损失的评价程度。
发明内容
针对现有技术的不足,本发明提供一种基于感知加密光场图像的视觉安全性度量方法,以解决现有光场图像的质量损失的评价程度不准确的问题。
为实现上述目的,本发明通过以下技术方案予以实现:一种基于感知加密光场图像的视觉安全性度量方法,包括:获取原始感知加密光场图像,提取原始感知加密光场图像的局部特征以及全局特征;对局部特征及全局特征进行自适应加权计算,获得视觉安全性度量数值;其中,提取原始感知加密光场图像的局部特征包括:在光场空间域上采用多阈值边缘检测的方法检测计算原始感知加密光场图像的边缘相似性;提取原始感知加密光场图像的全局特征包括:对原始感知加密光场图像采用极线平面图的梯度相似性计算获取全局特征。
优选的,在光场空间域上采用多阈值边缘检测的方法检测计算原始感知加密光场图像的边缘相似性包括:获取光场空间域上的多个子视角图,对每个子视角图像多阈值边缘检测,计算参考光场图像和感知加密光场图像的边缘图中共有的边缘点,获取原始感知加密光场图像的边缘相似性。
优选的,对每个子视角图像多阈值边缘检测包括:对各子视角图像采用不同边缘检测阈值的进行边缘检测。
优选的,对各子视角图像采用不同边缘检测阈值的进行边缘检测包括:对各子视角图像采用预先设定的边缘检测阈值的进行边缘检测。
优选的,计算参考光场图像和感知加密光场图像的边缘图中共有的边缘点包括:计算参考子视角光场图像R的二值图像和加密子视角光场图像P之间的公共边缘区域,设定E(t)为公共边缘点的集合,其中其中,b是边缘检测阈值,用于确定考子视角光场图像R和加密子视角光场图像P之间的亮度变化,i、j分别为图像的横坐标与纵坐标。
优选的,获取公共边缘点的集合后,计算边缘点值为1的元素的数量,并计算由边缘相似度表示的局部特征L(R,P),其中,其中,α为预设的常数,N是子视角的数量,t是集合T中的一个元素,Ei (t)是参考光场图像与感知加密光场图像之间的公共边缘点集合,ERi (t)是参考光场图像的边缘点。
优选的,对原始感知加密光场图像采用极线平面图的梯度相似性计算获取全局特征包括:获取光场空间域上的多个子视角图,对每个子视角图像进行像素的提取并构建极平面图像,在极平面图像上计算水平方向和垂直方向上的梯度幅度相似度,将应用梯度幅度相似度表示为全局特征。
优选的,在极平面图像上计算水平方向x和垂直方向y的梯度幅度相似度包括:计算参考极线平面图在水平方向x上的梯度Gx和垂直方向y上的梯度Gy:计算感知加密极线平面图在水平方向x上的梯度G′x和垂直方向y上的梯度G′y:其中,Pepi为原始极线平面图,Repi为感知加密后的极线平面图,计算梯度幅度相似度G(Repi,Pepi):其中,
优选的,对局部特征及全局特征进行自适应加权计算包括:计算自适应加权值VSM(R,P)=βL(R,P)+(1-β)G(Repi,Pepi);其中,β为与局部特征L(R,P)相关联的自适应系数。
优选的,自适应系数β由以下公式计算获得:β=1-k(2L(R,P)-1),其中k是预设的权重常数。
与现有技术相比,本发明的有益效果是:
本发明采用简单的方法计算用于对基于感知加密光场图像的视觉安全性度量的视觉安全性度量数值,通过该视觉安全性度量数值与经过与预设设定的度量阈值进行对比,得到最终的视觉安全评价指标。由于本发明的计算方法简单,一方面能够降低度量感知加密光场图像的视觉安全性的成本,另一方面计算量较低,提高通过计算机程序实现度量感知加密光场图像的视觉安全性的速度。
附图说明
图1为本发明方法实施例的流程图。
图2为本发明方法实施例中参考子视角光场图像和感知加密光场子视角图像进行多阈值检测的结果图。
图3是本发明方法实施例中由子视角图像生成极线平面图的结果图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,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。
本发明是申请人研究了深度图质量与光场图像整体质量之间的关系,并提出了一种简化的光场图像参考质量评价方法。在人眼视觉系统中,观察者无法用双眼察觉到某些类型的失真。因此,视觉安全度量通常用于测量参考图像和加密图像之间的质度量。本发明的基于感知加密光场图像的视觉安全性度量方法应用计算机程序实现,具体的,可以在计算机装置上设置存储器与处理器,存储器存储有用于实现基于感知加密光场图像的视觉安全性度量方法的计算机程序,处理器执行计算机程序时可以实现上述的基于感知加密光场图像的视觉安全性度量方法。
本发明的方法首先获取原始感知加密光场图像,优选的,原始感知加密光场图像包括参考光场图像和感知加密光场图像,然后对参考光场图像和感知加密光场图像进行局部特征提取,利用光场空间域上的多个子视角图,对每个子视角图像采取设定不同阈值的多阈值边缘检测,在参考光场图像和感知加密光场图像的边缘图计算其共有的边缘点,以此获得局部特征的光场图像空间域中的边缘相似度。
在计算得到参考光场图像和感知加密光场图像之间进行局部特征结果之后,考虑到各个子视角图像在水平方向上所产生的视差,对每个子视角图像进行像素的提取构建极平面图像,在极平面图像上采用水平和垂直方向上的梯度量级策略用于计算梯度幅度相似度,将所计算的梯度幅度相似度表示为全局特征。
最后,经过局部特征和全局特征的提取之后,将光场的空间域和角域的信息进行联合评价,通过在局部特征和全局特征之间进行自适应加权来计算最终预测到的视觉安全性度量数值,将视觉安全性度量数值与预设的度量阈值对比,例如将视觉安全性度量数值与数据集中的主观分数进行拟合计算得到评估表现值,以该评估表现值来评价图像的视觉安全性的优劣。
参见图1,首先执行步骤S1,获取原始感知加密光场图像,例如,该原始感知加密光场图像包括参考光场图像和感知加密光场图像。
然后,执行步骤S2,对原始感知加密光场图像进行局部特征的提取。具体的,获取光场空间域上的多个子视角图,对每个子视角图像多阈值边缘检测,计算参考光场图像和感知加密光场图像的边缘图中共有的边缘点,从而获取原始感知加密光场图像的边缘相似性。
对于光场空间域的子视角图像,通过设置适当的阈值,可以保留图像中灰度急剧变化的区域,并且可以获得图像的重要结构。因此,在边缘检测处理的过程中,阈值的大小对于获得良好的边缘效果非常重要。本发明是采用光场由空间域表示的子视角图像获得光场图像的局部特征的提取,考虑到边缘特征的重要性,本发明使用下面的公式提取参考光场图像和感知加密光场图像的边缘特征:
ER (t)=EdgeDet(R,t) (式1)
EP (t)=EdgeDet(P,t) (式2)
公式1与公式2中,ER (t)和EP (t)分别是通过边缘提取参考光场图像R和加密光场图像P获得的二进制图像,t是阈值集合T中的一个元素,EdgeDet是进行边缘提取计算的函数。
因此,在计算参考子视角光场图像R的二值化图像和加密子视角光场图像P之间的公共边缘区域时,将E(t)定义为公共边缘点集合,并使用下面的公式表示:
其中,b是一个阈值,用于确定参考子视角光场图像和加密子视角光场图像之间的亮度变化,其取值范围是0到255,优选的,可以设置为20,使用该数值可以获得一组更准确的公共边缘区域的数据。公式3中,i、j分别为图像像素值的横坐标与纵坐标。
在获取到公共边缘区域后,设定公共边缘点的集合T,在边缘区域处理,对数值为1的元素进行计数,然后计算由边缘相似度表示的局部特征。在统计的过程中,非零元素的比例可以很好地反映参考子视场图像和加密子视角光场图像之间的相似性。由于对不同阈值的敏感性不同,因此需要对不同阈值处的边缘相似度进行加权以获得最终的局部特征。例如,在感知加密光场数据集上提取的光场图像的局部特征为L(R,P),并采用下面的公式表示:
其中,α是一个预先设定的常数,N是子视角的数量。t是公共边缘点的集合T中的一个元素,Ei (t)是参考光场图像与感知加密光场图像之间的公共边缘点集合,ERi (t)是参考光场图像的边缘点。
由于设置适当的阈值对于计算边缘相似度非常重要,通过选择适当的阈值,可以保留图像的有效边缘结构,并且可以删除不感兴趣的边缘部分,因此,本发明应用基于多阶边缘算子的Canny边缘检测方法,以三种不同的阈值检测参考子视场图像和加密子视角光场图像。具体的,所使用的三个阈值是[0,0.1],[0.1,0.2]和[0.2,0.3]。在进行不同阈值的计算时,可以得知当使用较高的阈值时将检测到较少的边缘曲线,并且会忽略图像的某些细节,在这种情况下,基于参考光场图像和加密光场图像,使用不同阈值反映的值是不同的。
然后,执行步骤S3,提取原始感知加密光场图像的全局特征。由于光场图像结构的特殊性,本发明不仅考虑了以空间域表示的子视场图像,还考虑了以角度域表示的图像。根据光场相机在拍摄过程中使用的知识,可以在密集的光场图像中构建连续切片,这种连续的线性结构称为极线平面图像,它主要表示为以直线为边界的均匀区域。
为了可视化由光场相机引起的位置变化,本发明从每个子视场图像的角度域构造极线平面图像,作为全局特征的提取过程。在感知加密光场数据集中,每个场景的参考光场图像具有101个子视场图像,每个图像的分辨率为960×720。此外,基于水平方向上的每个子视图图像中的每一行提取像素。对于每个场景的参考图像以及不同级别的加密图像,提取后可以获得720个极线平面图像,分辨率为906×101。构造完极线平面图像进行观察并分析可知,每个子视场图像的角度的改变导致产生极线平面图像中的线性区域。在极线平面图像中直线的斜率可以表示为:
其中d是目标物体与相机镜头中心之间的距离,△x是相机沿直线水平方向移动的距离,△v是特征在镜头上改变的距离。在极线平面图中,直线的斜率变化非常明显。通过分析参考极线平面图,并计算水平方向的梯度Gx和垂直方向的梯度Gy,例如使用下面的公式进行计算:
其中,x为水平方向上的坐标,y为垂直方向上的坐标。
类似地,可以计算感知加密极线平面图在水平方向x上的梯度G′x和垂直方向y上的梯度G′y:
其中,Pepi为原始极线平面图,Repi为感知加密后的极线平面图。
本发明采用下面的梯度相似度函数来计算参考极线平面图Pepi与感知加密极线平面图Repi之间的相似度G(Repi,Pepi):
在数字图像中,梯度信息可以有效地表示极线平面图之间的相似性。考虑到光场的角平面,基于极线平面图的分析可以用作光场图像的全局特征,并且可以用于分析最终预测分数的全局特征提取过程。
然后,执行步骤S4,对局部特征和全局特征进行自适应加权计算。具体的,基于构造的数据集,对感知加密光场图像的局部和全局特征进行加权计算并且使用计算获得的数值来评价图像的视觉安全性。感知加密光场图像中,局部特征可以表示光场图像的空间平面信息,全局特征可以用作光场图像的角平面的变化。考虑到光场图像的特殊结构与传统图像不同,极线平面图所表示的局部特征和子视角图像所代表的全局特征的贡献差异,本发明采用自适应加权的方式从光场图像中计算局部信息和全局信息。在感知加密光场图像下,通过边缘检测和梯度计算可以观察到图像的轮廓,因此边缘相似性是重要的指标。由于光场图像的多视角结构的内部视差也会影响整体安全性,因此采用基于局部信息和全局信息的自适应加权方法既有效又稳定。
具体的,本发明通过自适应加权计算局部特征和全局特征,然后将自适应加权计算的结果作为参考光场图像P和感知加密光场图像R之间的视觉安全度量的结果,设定自适应加权值VSM(R,P)为参考光场和加密光场之间的局部相似性,则可以通过下面的公式计算自适应加权值VSM(R,P):
VSM(R,P)=βL(R,P)+(1-β)G(Repi,Pepi) (式11)
其中,β为与局部特征L(R,P)相关联的自适应系数,自适应系数β由以下公式计算获得:
β=1-k(2L(R,P)-1) (式12)
其中k是预设的权重常数,优选的,设置k=0.13。
自适应加权值VSM(R,P)是度量视觉安全性的标准,该数值的峰值信噪比越大,表示感知加密光场图像的视觉安全性越好。从以上分析可以看出,局部特征L(R,P)对视觉安全性的影响更为重要,并且可以从视觉系统中清楚地看到差异,但也不可忽略全局特征的重要性,极线平面图代表的全局特征在一定程度上起着内部特征的作用,这与传统图像的安全性评价有所不同。
因此,本发明可以通过设定一个安全性的度量阈值,如果自适应加权值VSM(R,P)的峰值信噪比大于预先设定的安全性的度量阈值,则表示该感知加密光场图像的视觉安全性满足要求,否则,还需要对感知加密光场图像的视觉安全性进行改进。
本发明能够获得良好的视觉质量评价效果,而且算法简单,运行效率高,具有一定的实用性。
下面结合图2与图3介绍本发明在实际应用时的实验效果。其中,图2的第一列图像是参考子视角光场图像和感知加密光场子视角图像,所选取的是感知加密方法中的一种,由第一列的图像可知,感知加密方法并不是完全置乱或扩散图像像素,仍然能够看到场景的轮廓,图像没有丢失很多内容信息,但依然在一些细节信息上是丢失了。
图2的第二列是参考子视角光场图像和感知加密光场子视角图像选取第一种阈值,即选取的阈值为[0,0.1]的计算结果;由第二列图像可知,当使用第一种阈值的时候,图像中的场景边缘被充分的提取,但在一些细节部分感知加密图像缺失了部分边缘。
图2的第三列是参考子视角光场图像和感知加密光场子视角图像选取第二种阈值,即选取的阈值为[0.1,0.2]的结果,通过与第二列图像的边缘检测图像进行对比,可以在视觉上看到,第三列图像在一部分边缘细节信息缺失的更加明显,这便是阈值增加的影响。
当所选取的阈值进一步增加,从而计算信息缺失更为明显的边缘相似性。从图2的第四列可以看出,当选取的更深一步的阈值,例如[0.2,0.3]时,图像的边缘细节信息缺失的更加明显。
因此,应用本发明的方法,在光场的空间域下的子视角图像检测,能很好地通过多阈值对参考光场图像和感知加密光场图像进行边缘检测并提取信息,图像中的场景边缘细节能最大化的检测到以计算其相似性,从人眼视觉感知角度来看,本发明的方法具有良好的适用性。
同样地,在光场的角域下用极线平面图像来反应光场图像的全局特征,图3的第一行是通过多视角图像下进行像素提取后得到的极线平面的图像,从图像中可以看出,由于视差的变换产生的平滑的斜率,斜率信息能够很好的反映出光场的角域信息。
图3的第二行是由参考光场子视角图像所得到的极线平面图像,参考子视角图像信息没有任何损失,只有视差变换,可以看出极线平面中构成的线边缘变化非常平滑,没有产生明显的失真,而线的斜率则能反映出在水平方向上视角的变化程度,斜率越大,说明视角变化越急剧。
图3的第三行是由感知加密光场子视角图像所得到的极线平面图像结果,通过与第二行的极线平面图像对比可以看出,子视角图像在经过感知加密方法加密后,图像像素内容产生了一定的失真,图像的轮廓不清晰和分辨率降低。不同的视角下图像的信息都有一定的丢失,从而使得所提取的极线平面图也产生了一定的信息损失,由视差产生的不再是光滑的直线,而是在直线边缘表现为锯齿状,且难以计算到线的斜率,因此将感知加密的极线平面图与参考的极线平面图进行梯度相似性度量是有显著意义的。本发明的方法能很好地对光场角域下的极线平面图进行边缘检测操作,从而评估其图像内部的质量损失情况。
需要说明的是,在本文中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。
尽管已经示出和描述了本发明的实施例,对于本领域的普通技术人员而言,可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由所附权利要求及其等同物限定。
Claims (10)
1.一种基于感知加密光场图像的视觉安全性度量方法,其特征在于,包括:
获取原始感知加密光场图像,提取所述原始感知加密光场图像的局部特征以及全局特征;
对所述局部特征及所述全局特征进行自适应加权计算,获得视觉安全性度量数值;
其中,提取所述原始感知加密光场图像的局部特征包括:在光场空间域上采用多阈值边缘检测的方法检测计算原始感知加密光场图像的边缘相似性;
提取所述原始感知加密光场图像的全局特征包括:对所述原始感知加密光场图像采用极线平面图的梯度相似性计算获取所述全局特征。
2.根据权利要求1所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
在光场空间域上采用多阈值边缘检测的方法检测计算原始感知加密光场图像的边缘相似性包括:获取光场空间域上的多个子视角图,对每个所述子视角图像多阈值边缘检测,计算参考光场图像和感知加密光场图像的边缘图中共有的边缘点,获取所述原始感知加密光场图像的边缘相似性。
3.根据权利要求2所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
对每个所述子视角图像多阈值边缘检测包括:对各所述子视角图像采用不同边缘检测阈值的进行边缘检测。
4.根据权利要求3所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
对各所述子视角图像采用不同边缘检测阈值的进行边缘检测包括:对各所述子视角图像采用预先设定的边缘检测阈值的进行边缘检测。
7.根据权利要求6所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
对所述原始感知加密光场图像采用极线平面图的梯度相似性计算获取所述全局特征包括:获取光场空间域上的多个子视角图,对每个子视角图像进行像素的提取并构建极平面图像,在所述极平面图像上计算水平方向和垂直方向上的梯度幅度相似度,将应用所述梯度幅度相似度表示为全局特征。
9.根据权利要求8所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
对所述局部特征及所述全局特征进行自适应加权计算包括:
计算自适应加权值VSM(R,P)=βL(R,P)+(1-β)G(Repi,Pepi);
其中,β为与所述局部特征L(R,P)相关联的自适应系数。
10.根据权利要求9所述的一种基于感知加密光场图像的视觉安全性度量方法,其特征在于:
所述自适应系数β由以下公式计算获得:
β=1-k(2L(R,P)-1),其中k是预设的权重常数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571394.1A CN111724373B (zh) | 2020-06-22 | 2020-06-22 | 一种基于感知加密光场图像的视觉安全性度量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010571394.1A CN111724373B (zh) | 2020-06-22 | 2020-06-22 | 一种基于感知加密光场图像的视觉安全性度量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111724373A true CN111724373A (zh) | 2020-09-29 |
CN111724373B CN111724373B (zh) | 2024-05-14 |
Family
ID=72569808
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010571394.1A Active CN111724373B (zh) | 2020-06-22 | 2020-06-22 | 一种基于感知加密光场图像的视觉安全性度量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111724373B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465028A (zh) * | 2020-11-27 | 2021-03-09 | 南京邮电大学 | 一种感知视觉安全评估方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050232485A1 (en) * | 2000-05-04 | 2005-10-20 | International Business Machines Corporation | Method and apparatus for determining a region in an image based on a user input |
US20080063300A1 (en) * | 2006-09-11 | 2008-03-13 | Porikli Fatih M | Image registration using joint spatial gradient maximization |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
US20160330439A1 (en) * | 2016-05-27 | 2016-11-10 | Ningbo University | Video quality objective assessment method based on spatiotemporal domain structure |
JP2017090450A (ja) * | 2015-11-02 | 2017-05-25 | コグネックス・コーポレイション | ビジョンシステムでラインを検出するためのシステム及び方法 |
CN108447059A (zh) * | 2018-04-09 | 2018-08-24 | 华侨大学 | 一种全参考光场图像质量评价方法 |
CN109360235A (zh) * | 2018-09-29 | 2019-02-19 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于光场数据的混合深度估计方法 |
US20190236796A1 (en) * | 2016-10-18 | 2019-08-01 | Photonic Sensors & Algorithms, S.L. | Device and method for obtaining distance information from views |
CN110796635A (zh) * | 2019-09-12 | 2020-02-14 | 宁波大学 | 一种基于剪切波变换的光场图像质量评价方法 |
-
2020
- 2020-06-22 CN CN202010571394.1A patent/CN111724373B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050232485A1 (en) * | 2000-05-04 | 2005-10-20 | International Business Machines Corporation | Method and apparatus for determining a region in an image based on a user input |
US20080063300A1 (en) * | 2006-09-11 | 2008-03-13 | Porikli Fatih M | Image registration using joint spatial gradient maximization |
CN105006001A (zh) * | 2015-08-19 | 2015-10-28 | 常州工学院 | 一种基于非线性结构相似度偏差的有参图像的质量评估方法 |
JP2017090450A (ja) * | 2015-11-02 | 2017-05-25 | コグネックス・コーポレイション | ビジョンシステムでラインを検出するためのシステム及び方法 |
US20160330439A1 (en) * | 2016-05-27 | 2016-11-10 | Ningbo University | Video quality objective assessment method based on spatiotemporal domain structure |
US20190236796A1 (en) * | 2016-10-18 | 2019-08-01 | Photonic Sensors & Algorithms, S.L. | Device and method for obtaining distance information from views |
CN108447059A (zh) * | 2018-04-09 | 2018-08-24 | 华侨大学 | 一种全参考光场图像质量评价方法 |
CN109360235A (zh) * | 2018-09-29 | 2019-02-19 | 中国航空工业集团公司上海航空测控技术研究所 | 一种基于光场数据的混合深度估计方法 |
CN110796635A (zh) * | 2019-09-12 | 2020-02-14 | 宁波大学 | 一种基于剪切波变换的光场图像质量评价方法 |
Non-Patent Citations (9)
Title |
---|
TAO XIANG ETC.: "Perceptual Visual Security Index Based on Edge and Texture Similarities", IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, vol. 11, no. 05, 6 January 2016 (2016-01-06) * |
TAO XIANG ETC.: "Visual Security Evaluation of Perceptually Encrypted Images Based on Image Importance", IEEE, 22 November 2019 (2019-11-22) * |
YUMING FANG ETC.: "Perceptual Quality Assessment for Screen Content Images by Spatial Continuity", IEEE, 5 November 2019 (2019-11-05) * |
张淑芳等: "基于背景消除的小波域视频质量评价模型", 天津大学学报(自然科学与工程技术版), no. 12, 15 December 2017 (2017-12-15) * |
温阳等: "基于视觉注意的全参考彩色图像质量评价方法", 计算机测量与控制, no. 06, 25 June 2017 (2017-06-25) * |
田钰等: "利用边缘相似度的光场图像质量评价", 信号处理, no. 10, 25 October 2018 (2018-10-25) * |
高隽等: "光场深度估计方法的对比研究", 模式识别与人工智能, no. 09, 15 September 2016 (2016-09-15) * |
黄至娇等: "基于剪切波变换的光场图像质量评价方法", 光电子・激光, no. 02, 15 February 2020 (2020-02-15) * |
黄隆华: "基于质量相关因素及结构失真测量的图像质量评价方法", 中国优秀硕士学位论文全文数据库 信息科技辑, 15 April 2007 (2007-04-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112465028A (zh) * | 2020-11-27 | 2021-03-09 | 南京邮电大学 | 一种感知视觉安全评估方法及系统 |
CN112465028B (zh) * | 2020-11-27 | 2023-11-14 | 南京邮电大学 | 一种感知视觉安全评估方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111724373B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105959684B (zh) | 基于双目融合的立体图像质量评价方法 | |
Kirchner et al. | Hiding traces of resampling in digital images | |
WO2016176840A1 (zh) | 深度图/视差图的后处理方法和装置 | |
CN104574366B (zh) | 一种基于单目深度图的视觉显著性区域的提取方法 | |
CN109816676B (zh) | 一种拼接图像篡改检测方法 | |
Tian et al. | Light field image quality assessment via the light field coherence | |
Pei et al. | The improved wavelet transform based image fusion algorithm and the quality assessment | |
CN109345502B (zh) | 一种基于视差图立体结构信息提取的立体图像质量评价方法 | |
Wang et al. | No-reference synthetic image quality assessment with convolutional neural network and local image saliency | |
CN115633193B (zh) | 一种监控视频加密方法及系统 | |
Wen et al. | Visual quality assessment for perceptually encrypted light field images | |
Wu et al. | Visual structural degradation based reduced-reference image quality assessment | |
CN114648482A (zh) | 立体全景图像的质量评价方法、系统 | |
Kim et al. | Natural scene statistics predict how humans pool information across space in surface tilt estimation | |
CN109345552A (zh) | 基于区域权重的立体图像质量评价方法 | |
TW201227602A (en) | Method and computer-readable medium for calculating depth of image | |
CN111724373B (zh) | 一种基于感知加密光场图像的视觉安全性度量方法 | |
Lee et al. | Stereoscopic watermarking by horizontal noise mean shifting | |
Zhou et al. | Hierarchical visual comfort assessment for stereoscopic image retargeting | |
CN106055632B (zh) | 基于场景帧指纹的视频认证方法 | |
Bashier et al. | Graphical password: Pass-images Edge detection | |
CN109685757B (zh) | 一种基于灰度差分统计的无参考图像质量评价方法及系统 | |
Chhikara | Performance evaluation of first and second order features for steganalysis | |
Md et al. | Multiscale-ssim index based stereoscopic image quality assessment | |
CN111445430B (zh) | 基于差异特征幅值区间融合有效度分布的双模态红外图像融合算法选择方法 |
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 |