CN114567710B - 一种基于岭回归预测的可逆数据隐写方法及系统 - Google Patents
一种基于岭回归预测的可逆数据隐写方法及系统 Download PDFInfo
- Publication number
- CN114567710B CN114567710B CN202111463748.1A CN202111463748A CN114567710B CN 114567710 B CN114567710 B CN 114567710B CN 202111463748 A CN202111463748 A CN 202111463748A CN 114567710 B CN114567710 B CN 114567710B
- Authority
- CN
- China
- Prior art keywords
- matrix
- pixel
- data
- point
- training
- 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.)
- Active
Links
Images
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
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于岭回归预测的可逆数据隐写方法及系统,首先基于输入图像I的图像预处理;然后基于特殊的岭回归预测求出预处理后I中的误差矩阵E;接着基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;最后还原像素矩阵I。本发明提供了在一个像素点嵌入多进制数据的方法;提供了在图像边缘点嵌入数据比特的方法;提供了岭回归高维度的嵌入训练集使用方法;提供了对矩阵中部像素点选取支持集的多种方式,使通过岭回归预测的预测值更加准确,从而提高了嵌入容量;在保证图像质量相同的情况下,可嵌入更多的信息。
Description
技术领域
本发明属于信息安全技术领域,涉及一种在图像空域中可逆的信息隐写方法及系统,具体涉及一种基于岭回归预测误差,利用误差直方图嵌入、恢复隐藏信息的方法及系统。
背景技术
数据隐写和加密算法在信息安全保护中起着至关重要的作用。可逆数据隐写是一种特殊的数据隐藏模式,可以解决传统数据隐写方法,图像永久失真的问题。可逆数据隐写能够准确地提取秘密信息并恢复原始图像。由于这一独特特性,可逆数据隐写广泛应用于对图像失真敏感的领域当中,在这些领域中,不允许原始图像发生永久性变化。而可恢复图像隐写方法,可以在提取隐写数据后,无损恢复原始图像。
当前,空域原始图像可逆数据隐写实现方法,大致可分为:基于差分(DE)的隐写,基于统计直方图(HS)的隐写,基于插值(II)图像的隐写三类。其中基于DE方法,其上下溢出问题不可控,导致所需要的位置图标记占用资源不可控,极大影响了其实用嵌入容量。基于II的方法,由于预测器预测精度比较低,嵌入后图像质量普遍不高。当前,HS方法是研究主流。其溢出可控,精度可控。主要研究工作集中在预测器精度之上。本专利也是围绕预测器精度进行的研究。
发明内容
为了提高嵌入容量和视觉质量,提高隐写效率,本发明提出了一种基于岭回归预测的可逆图像隐写方法及系统。
本发明的方法所采用的技术方案是:一种基于岭回归预测的可逆数据隐写方法,包括以下步骤:
步骤1:对输入图像进行预处理;
首先读取图像作为原始像素矩阵I,遍历像素矩阵I中即将嵌入比特数据的像素点;对可能发生上下溢出的像素点的像素值进行修改,记修改过后的像素矩阵记为Hi,像素修改位置信息矩阵记为Hd;压缩位置信息矩阵Hd,压缩之后的Hd标记为d;
步骤2:基于特殊的岭回归预测求出I中的误差矩阵E;
遍历整个像素矩阵Hi,依次分别计算出每个像素点的岭回归预测值Ci,j;由Hi与岭回归预测值C之间的差值,构成预测误差矩阵E,即由Ei,j=Hii,j-Ci,j得到E=Hi-C;
步骤3:基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;
步骤4:从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;
步骤5:还原像素矩阵I。
本发明的系统所采用的技术方案是:一种基于岭回归预测的可逆数据隐写系统,包括以下模块:
模块1,用于对输入图像进行预处理;
首先读取图像作为原始像素矩阵I,遍历像素矩阵I中即将嵌入比特数据的像素点;对可能发生上下溢出的像素点的像素值进行修改,记修改过后的像素矩阵记为Hi,像素修改位置信息矩阵记为Hd;压缩位置信息矩阵Hd,压缩之后的Hd标记为d;
模块2,用于基于特殊的岭回归预测求出I中的误差矩阵E;
遍历整个像素矩阵Hi,依次分别计算出每个像素点的岭回归预测值Ci,j;由Hi与岭回归预测值C之间的差值,构成预测误差矩阵E,即由Ei,j=Hii,j-Ci,j得到E=Hi-C;
模块3,用于基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;
模块4,用于从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;
模块5,用于还原像素矩阵I。
本发明与现有技术相比,有如下的优点与有益效果:
(1)提供了在一个基于岭回归的,多进制数据的方法。当需要嵌入容量大的时候,通过位置图标记,溢出控制,除二进制外,本方法可以使用三进制,四进制等任意进制方法嵌入方法,从而在嵌入后图像质量与嵌入容量上有比较完美的平衡;
(2)提供了在图像边缘点进行岭回归嵌入数据比特的方法。通常岭回归只提供中间点的训练与支持集的选择,会造成边缘点使用不足问题。本专利提供边缘点训练方法,即将边缘点也计入嵌入范围,相当于增加了嵌入面积,从而提高嵌入容量;
(3)提供了具体岭回归高维度嵌入训练集使用方法。基于预测编码的嵌入方法,主要是基于周边像素信息,提高嵌入点的预测精度,或者说降低其预测条件熵。一般情况下,越多的周边信息(越大的支持集,训练集),对降低条件熵,提高嵌入容量有利。本专利提供了高维度弹性尺寸的训练集,支持集选择以及训练方法的一般性技术。因此能更好的提高预测精度,提升嵌入后图像质量与嵌入容量;
(4)提供了对矩阵中部像素点选取支持集的多种方式,使通过岭回归预测的预测值更加准确,从而提高了嵌入容量;
(5)在保证图像质量相同的情况下,可嵌入更多的信息。
附图说明
图1为本发明实施的方法流程图。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
本发明包括如下定义:将用于信息隐藏的初始像素矩阵Image,简称I;通过I计算出的误差矩阵Error,简称E;隐藏的秘密数据Data,简称D;嵌入数据后的像素矩阵NewImage,简称Ni。
请见图1,本发明提供的一种基于岭回归预测的可逆数据隐写方法,包括以下步骤:
步骤1:对输入图像进行预处理;
本实施例中,步骤1的具体实现包括以下子步骤:
步骤1.1,首先读取图像作为原始像素矩阵I,遍历像素矩阵I中即将嵌入比特数据的像素点;
步骤1.2,对可能发生上下溢出的像素点的像素值进行修改,记修改过后的像素矩阵记为Hi;像素修改位置信息矩阵记为Hd;上下溢出的像素点判断和像素值更改的具体实现如下,以Ii,j表示像素矩阵I的第i行第j列像素,以Hii,j表示修改后像素矩阵Hi的第i行第j列像素,以Hdi,j表示像素修改位置信息矩阵Hd的第i行第j列,根据以下公式,矩阵Hi以及Hd:
其中k为信息隐藏时像素点的最大变化阈值。
例如k=1时,
步骤1.3,用游程编码,哈夫曼编码等压缩编码方式压缩位置信息矩阵Hd,压缩之后的Hd标记为d。
步骤2:基于特殊的岭回归预测求出I中的误差矩阵E;
遍历整个像素矩阵Hi,基于特殊选取支持集的岭回归预测,依次分别计算出每个像素点的岭回归预测值Ci,j;由Hi与岭回归预测值C之间的差值,构成预测误差矩阵E,即由Ei,j=Hii,j-Ci,j得到E=Hi-C;
本实施例中,基于特殊选取支持集的岭回归预测,依次分别计算出每个像素点的岭回归预测值Ci,j的具体实现包括以下子步骤:
步骤2.1:按从左上角开始,依次经过左下角,右下角,右上角最后回到左上角的顺序遍历图像矩阵Hi外层的两层像素点,按从左到右从上到下的顺序遍历图像矩阵Hi其余处在中部的像素点,依次将Hi分为不同的预测点Hii,j以及对应支持集若Hi为m行n列的矩阵;
步骤2.1.2,对不同的预测点Hii,j其训练集Y以及训练集Y的持集X按如下规律选择;
满足i∈[1,m-1],j=1,Hii,j的训练集Y按如下规律选取:
Hii,j | Y1 | Y2 |
Y3 |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Ya | Xa1 |
Xa2 |
满足i=m,j∈[1,n-1],Hii,j的训练集Y按如下规律选取:
Y2 | |
Y1 | Y3 |
Hii,j |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa1 | |
Ya | Xa2 |
满足i∈[2,m],j=n,Hii,j的训练集Y按如下规律选取:
Y3 | ||
Y2 | Y1 | Hii,j |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa2 | |
Xa1 | Ya |
满足i=1,j∈[2,n],Hii,j的训练集Y按如下规律选取:
Hii,j | |
Y3 | Y1 |
Y2 |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa2 | Ya |
Xa1 |
满足i∈[2,m-2],j=2,Hii,j的训练集Y按如下规律选取:
Hii,j | Y1 | |
Y2 | Y3 |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa1 | ||
Xa2 | Ya | Xa3 |
Xa4 |
满足i=m-1,j∈[2,n-2],Hii,j的训练集Y按如下规律选取:
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa1 | ||
Xa2 | Ya | Xa3 |
Xa4 |
满足条件i∈[3,m-1],j=n-1,Hii,j的训练集Y按如下规律选取:
Y3 | Y2 | |
Y1 | Hii,j |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa1 | ||
Xa2 | Ya | Xa3 |
Xa4 |
满足条件i=2,j∈[3,n-1],Hii,j的训练集Y按如下规律选取:
Hii,j | |
Y2 | |
Y3 | Y1 |
相应训练点Y1,Y2,Y3的支持集X按如下规律选取:
Xa1 | ||
Xa2 | Ya | Xa3 |
Xa4 |
满足条件i∈[3,n-2],j∈[3,n-2],Hii,j的训练集Y按如下规律选取:
以3×3为例
Y1 | Y2 | |
Hii,j | ||
Y3 | Y4 |
以5×5为例
Y1 | Y2 | Y5 | Y6 | |
Y3 | Y4 | Y7 | Y8 | |
Hii,j | ||||
Y9 | Y10 | Y13 | Y14 | |
Y11 | Y12 | Y15 | Y16 |
其中训练点Y1,…,Yn的支持集X按如下规律选取:
Xa1 | ||
Xa2 | Ya | Xa3 |
Xa4 |
步骤2.1.3,根据上述步骤取得的训练集Y和Y对应支持集X,记系数Wi,j=(X′X+λI)-1X′Y;其中,λ表示岭回归系数,建议取值为矩阵Y的行数;
例如图像矩阵Hi如下:
对第二行第一列的像素点进行预测:
Hii,j=213
对第四行第四列的像素点进行预测:
Hii,j=175
步骤3:基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;
本实施例中,嵌入被隐写数据D的具体实现包括以下子步骤:
步骤3.1:遍历步骤2.3中的误差矩阵E,对Ei,j=-1或0的点,嵌入k+1进制数据,其余误差值分别向正负两端增大或减小k,从而得到新的误差值,记为Ne,具体操作公式如下:
其中,Nei,j表示矩阵Ne的第i行第j列,Dα为从D中依次读出的k+1进制数据。
其中数据D应该包含对于压缩数据d的表达,具体方法不限。
例如当k=1,得到Ne的公式为:
步骤3.2:根据上述步骤算出的嵌入后的误差值Ne,在步骤2.2岭回归预测值C,得到嵌入数据后的图像,或称像素矩阵,Ni=C+Ne。
步骤4:从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;
本实施例中,步骤4的具体实现包括以下子步骤:
步骤4.1:以与步骤2.1相反的顺序遍历整个像素矩阵Ni;特别是对每个点的遍历顺序需要完全相反,否则会出现图像恢复错误。
步骤4.2:计算出每个像素点Nii,j的预测值Nci,j,其计算方法与步骤2.2完全相同,即用Nii,j替换对应Hii,j即可完成预测对应操作。
步骤4.3:由Ni与步骤4.2预测值Nc之间的差值,构成预测误差矩阵Ne,即Ne=Ni-Nc;
步骤4.4:遍历Ne,按步骤3.1的逆步骤,从嵌入比特的误差值中依次提取k+1进制数据,对未嵌入数据的误差值向中间0点增大或减小k,还原E,具体操作公式如下;
最终,按嵌入顺序的逆序,由Dα组装得到D。
例如当k=1,还原原始误差矩阵E和被隐写数据D的公式为:
步骤5:还原像素矩阵I;
本实施例中,步骤5的具体实现包括以下子步骤:
步骤5.1:根据还原的误差矩阵E和步骤4.2岭回归预测值Nc,还原像素矩阵Hi=Nc+E;
步骤5.2:从提后的数据D提取出的数据d,由d解压还原位置信息矩阵Hd;
步骤5.3:依据位置信息矩阵Hd,像素矩阵Hi,还原为I;
将Hd按从左到右从上到下的顺序排成与Hi大小相同的矩阵;根据Hd将Hi还原为I,若Hdi,j=1,则计算Ii,j的公式为:
若Hdi,j=0,则Ii,j=Hii,j。
例如k=1时,若Hdi,j=1,则计算Ii,j的公式为:
若Hdi,j=0,则Ii,j=Hii,j。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于岭回归预测的可逆数据隐写方法,其特征在于,包括以下步骤:
步骤1:对输入图像进行预处理;
首先读取图像作为原始像素矩阵I,遍历像素矩阵I中即将嵌入比特数据的像素点;对可能发生上下溢出的像素点的像素值进行修改,记修改过后的像素矩阵记为Hi,像素修改位置信息矩阵记为Hd;压缩位置信息矩阵Hd,压缩之后的Hd标记为d;
步骤2:基于特殊的岭回归预测求出I中的误差矩阵E;
遍历整个像素矩阵Hi,依次分别计算出每个像素点的岭回归预测值Ci,j;由Hi与岭回归预测值C之间的差值,构成预测误差矩阵E,即由Ei,j=Hii,j-Ci,j得到E=Hi-C;
其中,遍历整个像素矩阵Hi,基于特殊选取支持集的岭回归预测,依次分别计算出每个像素点的岭回归预测值Ci,j;具体实现包括以下子步骤:
步骤2.1:按从左上角开始,依次经过左下角,右下角,右上角最后回到左上角的顺序遍历图像矩阵Hi外层的两层像素点,按从左到右从上到下的顺序遍历图像矩阵Hi其余处在中部的像素点,依次将Hi分为不同的预测点Hii,j以及对应支持集若Hi为m行n列的矩阵;
步骤2.2:对不同的预测点Hii,j,获取训练集Y,Y对应的持集X;
步骤2.3:根据上述步骤取得的训练集Y和Y对应支持集X,计算预测系数矩阵:Wi,j=(X′X+λI)-1X′Y;其中,λ表示岭回归系数;
步骤3:基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;
步骤4:从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;
步骤5:还原像素矩阵I。
5.根据权利要求1-4任意一项所述的基于岭回归预测的可逆数据隐写方法,其特征在于,步骤4的具体实现包括以下子步骤:
步骤5.1:根据还原的误差矩阵E和步骤4中岭回归预测值Nc,还原像素矩阵Hi=Nc+E;
步骤5.2:从提后的数据D提取出的数据d,由d解压还原位置信息矩阵Hd;
步骤5.3:依据位置信息矩阵Hd,像素矩阵Hi,还原为I。
7.一种基于岭回归预测的可逆数据隐写系统,其特征在于,包括以下模块:
模块1,用于对输入图像进行预处理;
首先读取图像作为原始像素矩阵I,遍历像素矩阵I中即将嵌入比特数据的像素点;对可能发生上下溢出的像素点的像素值进行修改,记修改过后的像素矩阵记为Hi,像素修改位置信息矩阵记为Hd;压缩位置信息矩阵Hd,压缩之后的Hd标记为d;
模块2,用于基于特殊的岭回归预测求出I中的误差矩阵E;
遍历整个像素矩阵Hi,依次分别计算出每个像素点的岭回归预测值Ci,j;由Hi与岭回归预测值C之间的差值,构成预测误差矩阵E,即由Ei,j=Hii,j-Ci,j得到E=Hi-C;
其中,遍历整个像素矩阵Hi,基于特殊选取支持集的岭回归预测,依次分别计算出每个像素点的岭回归预测值Ci,j;具体实现包括以下子模块:
模块2.1,用于按从左上角开始,依次经过左下角,右下角,右上角最后回到左上角的顺序遍历图像矩阵Hi外层的两层像素点,按从左到右从上到下的顺序遍历图像矩阵Hi其余处在中部的像素点,依次将Hi分为不同的预测点Hii,j以及对应支持集若Hi为m行n列的矩阵;
模块2.2,用于对不同的预测点Hii,j,获取训练集Y,Y对应的持集X;
模块2.3,用于根据取得的训练集Y和Y对应支持集X,计算预测系数矩阵:Wi,j=(X′X+λI)-1X′Y;其中,λ表示岭回归系数;
模块3,用于基于误差矩阵E的直方图移位法,嵌入被隐写数据D,得到嵌入数据后的像素矩阵Ni;
模块4,用于从嵌入数据后的像素矩阵Ni中提取被隐写的数据D;
模块5,用于还原像素矩阵I。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463748.1A CN114567710B (zh) | 2021-12-03 | 2021-12-03 | 一种基于岭回归预测的可逆数据隐写方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111463748.1A CN114567710B (zh) | 2021-12-03 | 2021-12-03 | 一种基于岭回归预测的可逆数据隐写方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114567710A CN114567710A (zh) | 2022-05-31 |
CN114567710B true CN114567710B (zh) | 2023-06-06 |
Family
ID=81711931
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111463748.1A Active CN114567710B (zh) | 2021-12-03 | 2021-12-03 | 一种基于岭回归预测的可逆数据隐写方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114567710B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115379066B (zh) * | 2022-08-26 | 2023-07-25 | 西安理工大学 | 基于自适应压缩编码的加密图像可逆数据加密解密方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760280A (zh) * | 2012-06-15 | 2012-10-31 | 苏州工业职业技术学院 | 一种大容量可逆水印的嵌入和提取方法及其实现系统 |
CN105872304A (zh) * | 2016-03-31 | 2016-08-17 | 柳州城市职业学院 | 一种基于载体误差向量的隐写方法 |
CN109949199A (zh) * | 2019-02-27 | 2019-06-28 | 北京交通大学 | 基于二维预测误差直方图自适应扩展的可逆信息隐藏方法 |
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 |
CN110113505A (zh) * | 2019-04-24 | 2019-08-09 | 湖北工业大学 | 一种基于中国剩余定理的低扰动信息安全隐写编码方法 |
CN110110535A (zh) * | 2019-04-24 | 2019-08-09 | 湖北工业大学 | 一种基于像素矩阵的低失真隐写方法 |
CN112333348A (zh) * | 2020-10-26 | 2021-02-05 | 吉林大学 | 一种基于预测误差的可逆数据隐藏方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7356158B2 (en) * | 2002-12-17 | 2008-04-08 | New Jersey Institute Of Technology | Methods and apparatus for lossless data hiding |
US7415155B2 (en) * | 2003-05-06 | 2008-08-19 | New Jersey Institute Of Technology | Methods and apparatus for reversible data hiding through histogram modification |
US8175324B2 (en) * | 2008-10-17 | 2012-05-08 | New Jersey Institute Of Technology | Reversible data hiding |
US20160019394A1 (en) * | 2013-03-04 | 2016-01-21 | Thomson Licensing | Method and system for privacy preserving counting |
-
2021
- 2021-12-03 CN CN202111463748.1A patent/CN114567710B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102760280A (zh) * | 2012-06-15 | 2012-10-31 | 苏州工业职业技术学院 | 一种大容量可逆水印的嵌入和提取方法及其实现系统 |
CN105872304A (zh) * | 2016-03-31 | 2016-08-17 | 柳州城市职业学院 | 一种基于载体误差向量的隐写方法 |
CN109949199A (zh) * | 2019-02-27 | 2019-06-28 | 北京交通大学 | 基于二维预测误差直方图自适应扩展的可逆信息隐藏方法 |
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 |
CN110113505A (zh) * | 2019-04-24 | 2019-08-09 | 湖北工业大学 | 一种基于中国剩余定理的低扰动信息安全隐写编码方法 |
CN110110535A (zh) * | 2019-04-24 | 2019-08-09 | 湖北工业大学 | 一种基于像素矩阵的低失真隐写方法 |
CN112333348A (zh) * | 2020-10-26 | 2021-02-05 | 吉林大学 | 一种基于预测误差的可逆数据隐藏方法及系统 |
Non-Patent Citations (4)
Title |
---|
Fingerprint Classification Using Improved Directional Field and Fuzzy Wavelet Neural Network;Wei Wang, Jianwei Li and Weimin Chen;Proceedings of the 6th World Congress on Intelligent Control and Automation;全文 * |
双伪装图像自适应高容量可逆隐写算法;牛雪静;马猛;殷赵霞;;合肥师范学院学报(06);全文 * |
基于线性分组码标准阵列的数据分组隐藏方法;高宝建,王薇,汪俊;CNKI通 信 学 报;第30卷(第3期);全文 * |
基于线性分组码标准阵列的数据分组隐藏方法;高宝建;王薇;汪俊;;通信学报(03);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114567710A (zh) | 2022-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111461232A (zh) | 一种基于多策略批量式主动学习的核磁共振图像分类方法 | |
CN114567710B (zh) | 一种基于岭回归预测的可逆数据隐写方法及系统 | |
CN110162986B (zh) | 基于相邻像素预测模型的可逆信息隐藏方法 | |
CN102857831B (zh) | H.264视频完整性认证方法 | |
CN106067157A (zh) | 变方向差值扩展和同步嵌入的可逆水印嵌入和提取方法 | |
CN112634120A (zh) | 基于cnn预测的图像可逆水印方法 | |
CN102760280B (zh) | 一种大容量可逆水印的嵌入和提取方法及其实现系统 | |
CN109391819B (zh) | 一种基于像素值动态预测的可逆信息隐藏方法 | |
CN102194204B (zh) | 可逆水印嵌入、提取方法及装置和图像恢复方法及装置 | |
CN116743936A (zh) | 一种基于残差网络的密文域多方可逆信息隐藏方法 | |
CN115118836B (zh) | 基于像素预测的多策略组合的可逆数据隐藏方法 | |
CN105894437A (zh) | 一种基于马尔科夫链的隐写算法 | |
CN114363622B (zh) | 一种基于像素相关性预测的可逆数据隐写方法及系统 | |
WO2022155565A1 (en) | Enhancement of coarse resolution imagery using super-resolution and convolution neural networks to be used for fit-for-purpose systematic land titling and land valuation | |
CN113099068B (zh) | 基于双图像的大容量像素值排序可逆信息隐藏方法 | |
CN103440616A (zh) | 一种基于自适应预测模型的高容量可逆水印方法 | |
CN114298197A (zh) | 增量学习方法、装置、电子设备及机器可读存储介质 | |
CN109389546B (zh) | 多分块可逆水印嵌入方法及装置、水印提取方法及装置 | |
Wang et al. | Hierarchical reversible data hiding based on statistical information: Preventing embedding unbalance | |
JP3581549B2 (ja) | 半導体記憶装置及び使用方法並びにコンピュータ読み取り可能な記憶媒体 | |
CN112380551B (zh) | 一种基于双图像的可逆数据隐藏方法与系统 | |
Sonawane et al. | Reversible image watermarking using adaptive prediction error expansion and pixel selection | |
Ma et al. | An improved reversible watermarking scheme | |
CN117648723B (zh) | 一种基于人工智能的电子签章数据安全监管方法及系统 | |
TW201023587A (en) | Method of high capacity reversible data hiding scheme using edge prediction error |
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 |