CN112465028A - 一种感知视觉安全评估方法及系统 - Google Patents

一种感知视觉安全评估方法及系统 Download PDF

Info

Publication number
CN112465028A
CN112465028A CN202011356298.1A CN202011356298A CN112465028A CN 112465028 A CN112465028 A CN 112465028A CN 202011356298 A CN202011356298 A CN 202011356298A CN 112465028 A CN112465028 A CN 112465028A
Authority
CN
China
Prior art keywords
similarity
encrypted image
local binary
binary pattern
frequency
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
CN202011356298.1A
Other languages
English (en)
Other versions
CN112465028B (zh
Inventor
熊健
王小奇
罗旺
王思雨
吴思凡
高�浩
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.)
Nanjing University of Posts and Telecommunications
Original Assignee
Nanjing University of Posts and Telecommunications
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 Nanjing University of Posts and Telecommunications filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202011356298.1A priority Critical patent/CN112465028B/zh
Publication of CN112465028A publication Critical patent/CN112465028A/zh
Application granted granted Critical
Publication of CN112465028B publication Critical patent/CN112465028B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种感知视觉安全评估方法及系统，包括：从加密图像及其对应的原始图像中分别提取MLBP特征，包括局部二值模式和全局LBP直方图；对加密图像及其对应的原始图像进行DCT变换，得到频率分量；基于MLBP特征分别计算局部二值模式相似度和全局直方图相似度分数，根据DCT的频率分量计算频率相似度分数；将三个分数相乘得到最终的视觉安全评估得分。优点：考虑人的视觉系统的感知度量，本发明从结构信息失真、重要视觉信息泄漏和频率分量变化三个方面对视觉安全评估提出了度量措施，这对评估选择性加密图像的视觉安全度具有重要的意义。

Description

一种感知视觉安全评估方法及系统
技术领域
本发明涉及一种感知视觉安全评估方法及系统，属于视觉安全度评价技术领域。
背景技术
感知加密，也称为选择性加密，是一种用于多媒体数据加密的有效技术。由于多媒体数据量巨大，加密是一项耗时的任务。为了满足多媒体处理和传输应用的实时性要求，并根据视频内容的特点，只选取一部分多媒体数据进行加密处理，这种方法称为感知加密或选择性加密。它可以保持多媒体内容的机密性，同时减少计算开销。因此，近十年来，许多研究者致力于图像和视频的感知加密。然而，在不同的应用场景中，安全性程度有很大差异。例如，在娱乐应用程序中提供了低强度加密；而在一些敏感应用程序中，高强度加密是极其重要的。
可伸缩的选择性加密方法用于加密安全度可调的多媒体数据。因此，一个客观的度量不仅对安全度的评估是必要的，还可以用来优化加密算法及其参数。另外，由于HVS是加密图像的最终接收者，主观评价是评价视觉安全性最准确可靠的方法。然而，由人工进行的主观测试对于实时和自动化应用来说是非常困难的，甚至是不可行的。因此，在对选择性加密图像进行视觉安全性评估时，必须考虑视觉感知安全性。
现已做出了许多工作来研究感知视觉安全性评估(Perceptual Visual SecurityAssessment,PVSA)指标。最初，由于用于PVSA的度量很少，所以采用了例如峰值信噪比、结构相似性和视觉信息保真度等图像质量评估(Image Quality Assessment,IQA)指标度量来评估选择性加密图像的视觉安全度。峰值信噪比是根据信号的均方误差设计的，在图像质量评价中有着广泛的应用。
然而，基于均方误差的度量没有考虑HVS特性。考虑到HVS，结构相似性包含了对比度、结构和亮度的相似性，它也被用来评估视觉安全性。此外，视觉信息保真度量化了视觉信息的损失，也用于评估视觉安全度。然而，这些IQA指标最初集中在图像质量的评价上，HVS对图像质量的响应与视觉安全性的响应并不完全一致。因此，这些IQA指标通常在视觉安全性评估方面表现出不理想的表现。
PVSA度量主要是基于结构信息的相似性来设计的，这些相似性由局部的对比度特征来表示，如边缘、纹理、梯度等。与原始图像空间对比度相似性低的加密图像被认为具有较高的安全性。然而，视觉安全主要涉及到重要视觉信息的泄漏，并且有许多加密是在频域上进行的。这些局部特征不能准确测量重要视觉信息的泄漏，不能覆盖各种频率的变化。更具体地说，对于大多数类型的加密方案，基于空间对比度相似性的度量可以获得可接受的性能。然而，加密图像与原始图像之间的空间对应关系被其他一些加密方案严重破坏，对于这些加密，空间对比度相似度不能准确地表示视觉安全度。此外，许多加密都是在频域上进行的，HVS对各种频率分量的变化非常敏感。空间对比度特征不能覆盖很宽的频率范围，从而可能导致视觉安全性评估的偏差。
发明内容
本发明所要解决的技术问题是克服现有技术的缺陷，提供一种感知视觉安全评估方法及系统。
为解决上述技术问题，本发明提供一种感知视觉安全评估方法，包括：
获取感知加密的加密图像以及其对应的原始图像；
分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量；
根据提取的加密图像以及其对应的原始图像的局部二值模式计算局部二值模式相似度；根据提取的加密图像以及其对应的原始图像的全局直方图计算全局直方图相似度分数；根据提取的加密图像以及其对应的原始图像的频率分量计算频率相似度分数；
将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数。
进一步的，所述分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量的过程包括：
分别对加密图像以及其对应的原始图像进行MLBP特征提取，得到局部二值模式和全局直方图；
分别对加密图像以及其对应的原始图像进行DCT变换，得到频率分量。
进一步的，所述将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数的过程包括：
将局部二值模式相似度、全局直方图相似度分数和频率相似度分数相乘得到视觉安全评估分数。
进一步的，所述局部二值模式相似度的计算公式为：
Figure BDA0002802700840000031
其中，Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度；Lmul(i,j)表示像素位置(i,j)处的多尺度局部二值模式相似度，M(i,j)表示通过对T进行阈值处理来获得显著图，T表示为最大γ个梯度幅值中的最小值；
Figure BDA0002802700840000032
Figure BDA0002802700840000036
向下取整运算符，s为尺度，
Figure BDA0002802700840000033
表示尺度为s时坐标为
Figure BDA0002802700840000034
的局部二值模式；
Figure BDA0002802700840000035
M(i,j)＝1，表示位于(i,j)处的像素是显著像素，M(i,j)＝0，表示则为非显著像素，G(i,j)表示像素(i,j)的梯度幅值。
进一步的，计算所述全局直方图相似度分数的过程包括：
根据全局直方图计算不同尺度全局直方图相似度，将所有尺度的全局直方图相似度相乘得到最终整体的全局直方图相似度。
进一步的，所述频率相似度分数的计算公式为：
Figure BDA0002802700840000041
其中，Sdct表示加权频率相似度，fs(u，v)表示为每个子带(u，v)上评估的频率相似性，w(u，v)表示高斯加权函数；
Figure BDA0002802700840000042
sme和smo分别表示对加密图像和原始图像进行DCT变换得到相应的幅度谱，C1表示为任意小的非零常量；
Figure BDA0002802700840000043
参数σ表示高斯函数的标准差。
一种感知视觉安全评估系统，包括：
获取模块，用于获取感知加密的加密图像以及其对应的原始图像；
提取模块，用于分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量；
计算模块，用于根据提取的加密图像以及其对应的原始图像的局部二值模式计算局部二值模式相似度；根据提取的加密图像以及其对应的原始图像的全局直方图计算全局直方图相似度分数；根据提取的加密图像以及其对应的原始图像的频率分量计算频率相似度分数；
融合模块，用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数。
进一步的，所述提取模块包括：
MLBP特征提取模块，用于分别对加密图像以及其对应的原始图像进行MLBP特征提取，得到局部二值模式和全局直方图；
DCT变换模块，用于分别对加密图像以及其对应的原始图像进行DCT变换，得到频率分量。
进一步的，所述融合模块用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数相乘得到视觉安全评估分数。
进一步的，所述计算模块包括：
第一计算模块，用于根据局部二值模式相似度计算公式计算加权局部二值模式相似度，所述局部二值模式相似度计算公式为：
Figure BDA0002802700840000051
其中，Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度；Lmul(i，j)表示像素位置(i，j)处的多尺度局部二值模式相似度，M(i，j)表示通过对T进行阈值处理来获得显著图，T表示为最大γ个梯度幅值中的最小值；
Figure BDA0002802700840000052
Figure BDA0002802700840000056
向下取整运算符，s为尺度，
Figure BDA0002802700840000053
表示在尺度为s时像素(i，j)的对应的局部二值模式；
Figure BDA0002802700840000054
M(i，j)＝1，表示位于(i，j)处的像素是显著像素，M(i，j)＝0，表示非显著像素，G(i，j)表示像素(i，j)的梯度幅值；
第二计算模块，用于根据全局直方图计算不同尺度全局直方图相似度，将所有尺度的全局直方图相似度相乘得到最终整体的全局直方图相似度；
第三计算模块，用于根据频率相似度分数计算公式计算加权频率相似度，所述频率相似度分数计算公式为：
Figure BDA0002802700840000055
其中，Sdct表示加权频率相似度，fs(u，v)表示为每个子带(u，v)上评估的频率相似性，w(u，v)表示高斯加权函数；
Figure BDA0002802700840000061
sme和smo分别表示对加密图像和原始图像进行DCT变换得到相应的幅度谱，C1表示为任意小的非零常量；
Figure BDA0002802700840000062
参数σ表示高斯函数的标准差。
本发明所达到的有益效果：
本发明所提出的感知视觉安全评估方法，与现有的度量方法相比，该度量具有更高的性能和更强的鲁棒性。发明的主要创新点在于提出了计算局部二值模式相似度来度量与HVS感知一致的空间结构信息失真方法；计算全局直方图相似度度量重要视觉信息泄漏的方法；采用了低通加权DCT频率相似性客观检测各频率分量变化的方法。
附图说明
图1为感知视觉安全评估指标方法摘要附图；
图2为基本LBP的一个例子；
图3为垂直Sobel滤波器的系数；
图4为水平Sobel滤波器的系数。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
如图1所示，一种感知视觉安全评估方法包括以下步骤：
步骤一：
第1步：从加密图像及其对应的原始图像中分别提取MLBP特征，包括局部二值模式和全局直方图，执行第2步；
第2步：根据局部二值模式通过公式(1)计算不同尺度全局直方图相似度，通过公式(2)将所有尺度GHS(全局直方图相似度分数)相乘得到最终整体GHS(全局直方图相似度分数)。
步骤二：
第3步：由第1步提取的MLBP特征的全局直方图。通过公式(3)、公式(4)计算相应局部二值模式之间的归一化汉明距离来得到像素之间LPS。通过公式(5)将所有尺度的LPS(局部二值模式相似度)相乘来计算总体LPS(局部二值模式相似度)得分。执行第4步；
第4步：使用Sobel滤波器生成梯度，通过公式(6)对进行阈值处理来获得显著图，在只考虑显著像素的情况下，通过公式(7)来测量加权LPS。
步骤三：
第5步：对加密图像及其对应的原始图像进行DCT变换分别得到其频谱，通过公式(8)对频谱每个子带评估的频率相似性。执行第6步；
第6步：使用近似低通对比敏感度函数模型的高斯加权函数，即公式(9)对频率相似性进行加权，通过公式(10)得到加权频率相似度。执行第7步；
步骤四：
第7步：通过公式(11)将局部二值模式相似度、全局直方图相似度、频率相似度相乘得到最终的视觉安全得分。
1)LBP及多尺度LBP表示
基本LBP算子通过将图像中每个像素的3x3邻域与中心像素二值化来记录图像中每个像素的局部二值模式，即每个局部二值模式是一个8位二进制字符串。
图2为基本LBP运算符的示例。LBP代码被转换成十进制值，然后构建成一个全局直方图。由于LBP直方图具有对光照变化的鲁棒性和计算简单等优点，在图像分类中得到了广泛的应用。
然而，基本LBP对噪声非常敏感，因为它是一个局部像素级算子，即像素级LBP。为了提高鲁棒性，多尺度块的LBP算法是基于多尺度块的平均值计算局部二值模式，即分块LBP。在视觉信息的表示上，分块LBP比像素级LBP具有更强的鲁棒性。该度量涉及像素级LBP和分块LBP算子。本发明采用4X4和16X16两个区块尺度。
2)全局直方图相似度
全局LBP直方图作为一种强大的特征被用来度量重要视觉信息的泄漏。由于像素级LBP在表示视觉信息时对噪声更为敏感，因此全局直方图相似度只在分块LBP上计算。输入图像采用4和16两种尺度下采样。对于一对加密图像和原始图像(E，O)，尺度s＝4，16的GHS被测量为：
Figure BDA0002802700840000081
其中，符号
Figure BDA0002802700840000082
分别表示加密图像和原始图像在s尺度下的全局LBP直方图。参数C1是一个小常数，以避免分母为零，并设置为C1＝0.110。
为了简单起见，
Figure BDA0002802700840000083
表示为gs，即
Figure BDA0002802700840000084
也就是说，g4和g16分别表示尺度为4和16的GHS。总GHS计算为：
Sghs＝g4·g16 (2)
其中Sghs表示最终整体GHS。
3)局部二值模式相似度
局部二值模式描述了图像的空间结构，传达了重要的结构信息。因此，局部二值模式相似度用于测量结构信息的变化。在整个LPS的评估中包括了像素级和分块的局部二值模式。
对于位于(i，j)的像素，LPS的尺度s＝1，4，16表示为Ls(i，j)。即L1表示像素级LPS，L4和L16分别表示尺度4和16的块LPS。对于尺度s的图像对(E，O)，像素(i，j)相应局部二值模式表示为
Figure BDA0002802700840000085
和
Figure BDA0002802700840000086
由于局部二值模式是二进制字符串，因此将根据相应局部二值模式之间的归一化汉明距离来计算(i，j)处的LPS。它表示为：
Figure BDA0002802700840000091
函数nham(·)表示两个局部二值模式之间的归一化汉明距离。汉明距离是两个等长字符串对应位置的不同字符个数。对于两个二进制字符串x和y，它们之间的归一化汉明距离表示为：
Figure BDA0002802700840000092
符号
Figure BDA0002802700840000093
表示异或运算符，N表示字符串的长度。对于基本LBP算子，每个局部二值模式的长度为8，即N＝8。
然后，通过将所有尺度的LPS相乘来计算总体LPS。由于分块LBP是基于块区域的平均值来计算的，因此分块LPS的大小比像素LPS小。以s值的大小对分块LPS进行上采样。即像素位置(i，j)处的多尺度LPS计算如下：
Figure BDA0002802700840000094
其中
Figure BDA0002802700840000095
向下取整运算符。
4)基于梯度的注意力图池
对于整个图像的视觉内容而言，HVS更加关注显著区域。视觉显著性模型广泛应用于视觉安全性的评估和IQA度量。HVS更关注产生更大对比度值的像素。在本发明中，按梯度值大小取γ个梯度值大的像素为显著像素。使用Sobel滤波器生成梯度。水平和垂直梯度滤波器的系数如图3和图4所示。
垂直梯度Gy(i，j)和水平梯度Gx(i，j)通过使用相应的滤波器进行卷积来计算。梯度大小为
Figure BDA0002802700840000096
我们将T表示为最大γ个梯度幅值中的最小值。然后通过对T进行阈值处理来获得显著图M，即：
Figure BDA0002802700840000097
公式M(i，j)＝1，表示位于(i，j)处的像素是显著像素。然后，在只考虑显著像素的情况下，通过平均来测量加权LPS。它表示为：
Figure BDA0002802700840000101
其中Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度。
5)低通DCT频率相似度
HVS对图像中各种频率分量的变化非常敏感，尤其是对低频分量的变化。将频率相似度作为视觉安全性评价的有效手段是合理的。对加密图像和原始图像进行DCT变换得到相应的幅度谱分别表示为sme和smo。我们将在每个子带(u，v)上评估的频率相似性表示为fs(u，v)。它被测量为：
Figure BDA0002802700840000102
HVS具有作为对比敏感度函数(CSF)的特征。低通和带通CSF模型已被广泛用于显着的失真曲线和IQA度量。其将误差图像分解为频率分量，并且通过HVS的频率响应对每个频率分量进行加权。同样，CSF加权频率相似性对于评估视觉安全性也是有效的。基于人视觉的测试，在超阈值条件下查看复杂图像时，低通CSF模型优于带通CSF模型。为简单起见，使用高斯加权函数w(u，v)来近似低通CSF模型。表示为：
Figure BDA0002802700840000103
参数σ表示高斯函数的标准差，它确定不同频率范围的权重分布。用于标准差的典型值为σ＝ζ·(W+H)。
通过引入加权函数，加权频率相似度计算如下：
Figure BDA0002802700840000104
其中Sdct表示加权频率相似度。
6)总体测量
获得全局直方图相似度，局部二值模式相似度和频率相似度后，我们可以得到总体视觉安全评分为：
Soverall(E，O)＝Sdct·Sghs·Slps (11)
其中Soverall(f，O)表示整体视觉安全评分。
相应的本发明还提供一种感知视觉安全评估系统，包括：
获取模块，用于获取感知加密的加密图像以及其对应的原始图像；
提取模块，用于分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量；
计算模块，用于根据提取的加密图像以及其对应的原始图像的局部二值模式计算局部二值模式相似度；根据提取的加密图像以及其对应的原始图像的全局直方图计算全局直方图相似度分数；根据提取的加密图像以及其对应的原始图像的频率分量计算频率相似度分数；
融合模块，用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数。
所述提取模块包括：
MLBP特征提取模块，用于分别对加密图像以及其对应的原始图像进行MLBP特征提取，得到局部二值模式和全局直方图；
DCT变换模块，用于分别对加密图像以及其对应的原始图像进行DCT变换，得到频率分量。
所述融合模块用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数相乘得到视觉安全评估分数。
所述计算模块包括：
第一计算模块，用于根据局部二值模式相似度计算公式计算加权局部二值模式相似度，所述局部二值模式相似度计算公式为：
Figure BDA0002802700840000111
其中，Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度；Lmul(i，j)表示像素位置(i，j)处的多尺度局部二值模式相似度，M(i，j)表示通过对T进行阈值处理来获得显著图，T表示为最大γ个梯度幅值中的最小值；
Figure BDA0002802700840000121
Figure BDA0002802700840000126
向下取整运算符，s为尺度，
Figure BDA0002802700840000122
表示请尺度为s时像素(i，j)对应的局部二值模式；
Figure BDA0002802700840000123
M(i，j)＝1，表示位于(i，j)处的像素是显著像素，M(i，j)＝0，表示非显著像素，G(i，j)表示像素(i，j)的梯度幅值；
第二计算模块，用于根据全局直方图相似度分数计算公式计算最终整体的全局直方图相似度分数，所述全局直方图相似度分数计算公式为：
Sghs＝g4·g16
其中Sghs表示最终整体的全局直方图相似度分数。
第三计算模块，用于根据频率相似度分数计算公式计算加权频率相似度，所述频率相似度分数计算公式为：
Figure BDA0002802700840000124
其中，Sdct表示加权频率相似度，fs(u，v)表示为每个子带(u，v)上评估的频率相似性，w(u，v)表示高斯加权函数；
Figure BDA0002802700840000125
sme和smo分别表示对加密图像和原始图像进行DCT变换得到相应的幅度谱，C1表示为一个任意小的非零常量，以使得分母不为零；
Figure BDA0002802700840000131
参数σ表示高斯函数的标准差。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (10)

1.一种感知视觉安全评估方法，其特征在于，包括：
获取感知加密的加密图像以及其对应的原始图像；
分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量；
根据提取的加密图像以及其对应的原始图像的局部二值模式计算局部二值模式相似度；根据提取的加密图像以及其对应的原始图像的全局直方图计算全局直方图相似度分数；根据提取的加密图像以及其对应的原始图像的频率分量计算频率相似度分数；
将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数。
2.根据权利要求1所述的感知视觉安全评估方法，其特征在于，所述分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量的过程包括：
分别对加密图像以及其对应的原始图像进行MLBP特征提取，得到局部二值模式和全局直方图；
分别对加密图像以及其对应的原始图像进行DCT变换，得到频率分量。
3.根据权利要求1所述的感知视觉安全评估方法，其特征在于，所述将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数的过程包括：
将局部二值模式相似度、全局直方图相似度分数和频率相似度分数相乘得到视觉安全评估分数。
4.根据权利要求1所述的感知视觉安全评估方法，其特征在于，所述局部二值模式相似度的计算公式为：
Figure FDA0002802700830000011
其中，Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度；Lmul(i，j)表示像素位置(i，j)处的多尺度局部二值模式相似度，M(i，j)表示通过对T进行阈值处理来获得显著图，T表示为最大γ个梯度幅值中的最小值；
Figure FDA0002802700830000021
Figure FDA0002802700830000022
向下取整运算符，s为尺度，
Figure FDA0002802700830000023
表示尺度为s时坐标为
Figure FDA0002802700830000024
的局部二值模式；
Figure FDA0002802700830000025
M(i，j)＝1，表示位于(i，j)处的像素是显著像素，M(i，j)＝0，表示则为非显著像素，G(i，j)表示像素(i，j)的梯度幅值。
5.根据权利要求1所述的感知视觉安全评估方法，其特征在于，计算所述全局直方图相似度分数的过程包括：
根据全局直方图计算不同尺度全局直方图相似度，将所有尺度的全局直方图相似度相乘得到最终整体的全局直方图相似度。
6.根据权利要求1所述的感知视觉安全评估方法，其特征在于，所述频率相似度分数的计算公式为：
Figure FDA0002802700830000026
其中，Sdct表示加权频率相似度，fs(u，v)表示为每个子带(u，v)上评估的频率相似性，w(u，v)表示高斯加权函数；
Figure FDA0002802700830000027
sme和smo分别表示对加密图像和原始图像进行DCT变换得到相应的幅度谱，C1表示为任意小的非零常量；
Figure FDA0002802700830000028
参数σ表示高斯函数的标准差。
7.一种感知视觉安全评估系统，其特征在于，包括：
获取模块，用于获取感知加密的加密图像以及其对应的原始图像；
提取模块，用于分别对加密图像以及其对应的原始图像进行特征提取，得到局部二值模式、全局直方图和频率分量；
计算模块，用于根据提取的加密图像以及其对应的原始图像的局部二值模式计算局部二值模式相似度；根据提取的加密图像以及其对应的原始图像的全局直方图计算全局直方图相似度分数；根据提取的加密图像以及其对应的原始图像的频率分量计算频率相似度分数；
融合模块，用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数进行融合得到视觉安全评估分数。
8.根据权利要求7所述的感知视觉安全评估系统，其特征在于，所述提取模块包括：
MLBP特征提取模块，用于分别对加密图像以及其对应的原始图像进行MLBP特征提取，得到局部二值模式和全局直方图；
DCT变换模块，用于分别对加密图像以及其对应的原始图像进行DCT变换，得到频率分量。
9.根据权利要求7所述的感知视觉安全评估系统，其特征在于，所述融合模块用于将局部二值模式相似度、全局直方图相似度分数和频率相似度分数相乘得到视觉安全评估分数。
10.根据权利要求7所述的感知视觉安全评估系统，其特征在于，所述计算模块包括：
第一计算模块，用于根据局部二值模式相似度计算公式计算加权局部二值模式相似度，所述局部二值模式相似度计算公式为：
Figure FDA0002802700830000031
其中，Slps表示加权局部二值模式相似度，W和H表示图像的宽度和高度；Lmul(i，j)表示像素位置(i，j)处的多尺度局部二值模式相似度，M(i，j)表示通过对T进行阈值处理来获得显著图，T表示为最大γ个梯度幅值中的最小值；
Figure FDA0002802700830000041
Figure FDA0002802700830000042
向下取整运算符，s为尺度，
Figure FDA0002802700830000043
表示在尺度为s时像素(i，j)的对应的局部二值模式；
Figure FDA0002802700830000044
M(i，j)＝1，表示位于(i，j)处的像素是显著像素，M(i，j)＝0，表示非显著像素，G(i，j)表示像素(i，j)的梯度幅值；
第二计算模块，用于根据全局直方图计算不同尺度全局直方图相似度，将所有尺度的全局直方图相似度相乘得到最终整体的全局直方图相似度；
第三计算模块，用于根据频率相似度分数计算公式计算加权频率相似度，所述频率相似度分数计算公式为：
Figure FDA0002802700830000045
其中，Sdct表示加权频率相似度，fs(u，v)表示为每个子带(u，v)上评估的频率相似性，w(u，v)表示高斯加权函数；
Figure FDA0002802700830000046
sme和smo分别表示对加密图像和原始图像进行DCT变换得到相应的幅度谱，C1表示为任意小的非零常量；
Figure FDA0002802700830000047
参数σ表示高斯函数的标准差。
CN202011356298.1A 2020-11-27 2020-11-27 一种感知视觉安全评估方法及系统 Active CN112465028B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011356298.1A CN112465028B (zh) 2020-11-27 2020-11-27 一种感知视觉安全评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011356298.1A CN112465028B (zh) 2020-11-27 2020-11-27 一种感知视觉安全评估方法及系统

Publications (2)

Publication Number Publication Date
CN112465028A true CN112465028A (zh) 2021-03-09
CN112465028B CN112465028B (zh) 2023-11-14

Family

ID=74809783

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011356298.1A Active CN112465028B (zh) 2020-11-27 2020-11-27 一种感知视觉安全评估方法及系统

Country Status (1)

Country Link
CN (1) CN112465028B (zh)

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267520A1 (en) * 2007-04-25 2008-10-30 Chao-Ho Chen Method of image authentication and restoration
US20130058535A1 (en) * 2010-06-11 2013-03-07 Technische Universitat Darmstadt Detection of objects in an image using self similarities
CN106156765A (zh) * 2016-08-30 2016-11-23 南京邮电大学 基于计算机视觉的安全检测方法
KR101971278B1 (ko) * 2018-12-13 2019-04-26 주식회사 알고리고 인공신경망을 이용한 비정상 데이터 구분 장치
CN109784167A (zh) * 2018-12-13 2019-05-21 南京邮电大学 一种基于计算机视觉的家庭安全检测系统
CN110223324A (zh) * 2019-06-05 2019-09-10 东华大学 一种基于鲁棒特征表示的孪生匹配网络的目标跟踪方法
US20190311415A1 (en) * 2018-04-09 2019-10-10 International Business Machines Corporation Adaptive Multi-Perceptual Similarity Detection and Resolution
CN110490906A (zh) * 2019-08-20 2019-11-22 南京邮电大学 一种基于孪生卷积网络和长短期记忆网络的实时视觉目标跟踪方法
CN111724373A (zh) * 2020-06-22 2020-09-29 江西财经大学 一种基于感知加密光场图像的视觉安全性度量方法
CN111898504A (zh) * 2020-07-20 2020-11-06 南京邮电大学 一种基于孪生循环神经网络的目标跟踪方法及系统

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20080267520A1 (en) * 2007-04-25 2008-10-30 Chao-Ho Chen Method of image authentication and restoration
US20130058535A1 (en) * 2010-06-11 2013-03-07 Technische Universitat Darmstadt Detection of objects in an image using self similarities
CN106156765A (zh) * 2016-08-30 2016-11-23 南京邮电大学 基于计算机视觉的安全检测方法
US20190311415A1 (en) * 2018-04-09 2019-10-10 International Business Machines Corporation Adaptive Multi-Perceptual Similarity Detection and Resolution
KR101971278B1 (ko) * 2018-12-13 2019-04-26 주식회사 알고리고 인공신경망을 이용한 비정상 데이터 구분 장치
CN109784167A (zh) * 2018-12-13 2019-05-21 南京邮电大学 一种基于计算机视觉的家庭安全检测系统
CN110223324A (zh) * 2019-06-05 2019-09-10 东华大学 一种基于鲁棒特征表示的孪生匹配网络的目标跟踪方法
CN110490906A (zh) * 2019-08-20 2019-11-22 南京邮电大学 一种基于孪生卷积网络和长短期记忆网络的实时视觉目标跟踪方法
CN111724373A (zh) * 2020-06-22 2020-09-29 江西财经大学 一种基于感知加密光场图像的视觉安全性度量方法
CN111898504A (zh) * 2020-07-20 2020-11-06 南京邮电大学 一种基于孪生循环神经网络的目标跟踪方法及系统

Also Published As

Publication number Publication date
CN112465028B (zh) 2023-11-14

Similar Documents

Publication Publication Date Title
CN114972329B (zh) 基于图像处理的表面缺陷检测仪的图像增强方法及系统
Li et al. No-reference image blur assessment based on discrete orthogonal moments
CN105335947A (zh) 图像去噪方法和图像去噪装置
CN106530200A (zh) 一种基于深度学习模型的隐写图像检测方法及系统
CN111612741B (zh) 一种基于失真识别的精确无参考图像质量评价方法
KR101786754B1 (ko) 나이 추정 장치 및 방법
CN108257125B (zh) 一种基于自然场景统计的深度图像质量无参考评价方法
CN108876756A (zh) 图像相似性的度量方法和装置
CN110378893B (zh) 图像质量评价方法、装置和电子设备
CN106651792A (zh) 一种卫星影像条带噪声去除方法及装置
Nevriyanto et al. Image enhancement using the image sharpening, contrast enhancement, and Standard Median Filter (Noise Removal) with pixel-based and human visual system-based measurements
CN111784658B (zh) 一种用于人脸图像的质量分析方法和系统
CN111325728B (zh) 产品缺陷检测方法、装置、设备及存储介质
CN107689039A (zh) 估计图像模糊度的方法和装置
Yang et al. No-reference quality assessment of noise-distorted images based on frequency mapping
Trivedi et al. A no-reference image quality index for contrast and sharpness measurement
CN105791635B (zh) 基于gpu的视频增强去噪方法及装置
CN105303538B (zh) 一种基于nsct和pca的高斯噪声方差估计方法
CN114119560A (zh) 图像质量评价方法、系统、计算机可读存储介质
WO2019205603A1 (zh) 图像模糊度检测方法、装置、计算机设备及可读存储介质
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN100353381C (zh) 图像检查设备和方法
Yang et al. Image decomposition-based structural similarity index for image quality assessment
CN112465028B (zh) 一种感知视觉安全评估方法及系统
CN111369531A (zh) 图像清晰度的评分方法、设备及存储装置

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