基于DCT域内拉普拉斯值排序的人脸识别方法

基于DCT域内的人脸识别方法的关键是如何选择有效的DCT系数,提出了一种基于DCT域内拉普拉斯值排序的人脸识别方法。首先将图像划分为若干个大小相同的子块,对每一个子块进行DCT变换,得到分块DCT系数,然后利用拉普拉斯值作为局部保持能力判据选择那些能够很好保持样本流形结构的分块DCT系数,最后对选定的DCT系数执行LPP算法提取识别特征,在ORL和Yale人脸数据库上的实验结果证明了该方法的有效性。     

基于DCT的自适应图像盲水印算法

数字水印技术是多媒体信息安全领域的一个重要的研究课题.提出了一种基于DCT域的盲水印算法,该算法将图像经DCT变换后进行8×8分块,然后将二值水印嵌入到每一个图像分块的中频系数中.在嵌入过程中利用每一块的中频系数的性质,自适应的确定嵌入强度,从而保证了所嵌入的水印对一些常用的图像处理操作具有很强的鲁棒性.实验结果验证了提出方法的有效性.     

基于血流图的小波域分块DCT + FLD红外人脸识别方法

为了从生物特征角度同时结合人脸的局部特征和整体特征提高红外人脸的识别性能,提出了一种基于血流图的小波域分块DCT+FLD(Fisher线性判别)红外人脸识别方法.首先利用血流模型把温谱图转换成血流图,然后用小波变换对人脸血流图像做两级小波分解,再对低频子带进行分块并对每个分块进行DCT变换,提取部分变换后的系数作为子块的特征值,对这些子块的特征值构成的组合特征值从整体上做Fisher线性分析,得到特征子空间,最后根据欧氏距离和三阶近邻分类器进行识别,得到最终的识别结果.实验表明,同基于传统PCA+FLD,DCT+FLD以及DWT+PCA+FLD方法相比,所提出的方法得到了更好的识别效果.     

基于DDCT与TCSVD的人脸特征提取与识别算法

提出一种基于分块离散余弦变换(DCT)与奇异值分解阈值压缩(TCSVD)的人脸特征提取与识别算法。该算法对人脸图像进行分块DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征矩阵,通过对每个图像块的特征矩阵进行SVD阈值压缩和特征组合来构建人脸鉴别特征,并利用分类器进行特征分类与识别。AR人脸库上的实验结果验证了该算法的有效性。     

基于双边转移概率矩阵的JPEG图像隐写检测

针对当前基于JPEG图像的典型隐写算法,基于离散余弦变换(DCT)域分块内及分块间相邻系数之间的相关性进行分析,通过将相邻三个系数的中间位置的系数作为条件,统计两边系数的条件分布概率矩阵,将提取的所得矩阵作为隐写检测敏感特征,提出了一种基于DCT系数双边转移概率分布的JPEG图像隐写检测算法。实验结果表明,在不同嵌入率下,该算法的检测性能均优于已有检测算法。     

基于双向马尔可夫模型的JPEG图象隐写分析

提出了一种基于双向马尔可夫模型的JPEG图象的通用隐写分析方法,利用量化后分块DCT系数的中低频系数间的相关性,提取DCT块内和块间的特征,采用阈值贝叶斯分类方法进行识别,并且与SVM分类器的识别效果进行了比较。针对4种公认的JPEG嵌入方法——F5、Outguess、MB1和MB2进行隐写分析,在CorelDraw图象库上做实验,取得了很好的性能。     

基于离散余弦变换低频分量特征及学习向量量化的煤岩识别方法

针对现有煤岩识别方法适用范围小、识别正确率低等问题,采用图像分块离散余弦变换处理煤岩图像,将每一个图像块的DCT变换系数以"Z"字型排列,构成表达图像块的向量;采用2种方式提取煤岩图像特征:一种是用图像块向量每一维的均值和所有图像块向量的总体方差构成煤岩图像特征向量,另一种是按照图像块DCT变换顺序,将图像块向量级联构成煤岩图像特征向量;采用学习向量量化神经网络进行煤岩识别,2种特征提取方式的识别准确率均为96.67%,比Haar小波方法提高了3.3%,比Daubechies小波方法提高了5.8%。     

DCT结合特征选择的红外人脸识别

为了从生物特征和统计角度来提高识别的性能,提出了一种基于血流图的离散余弦变换（discrete cosine transform,DCT）与特征选择相结合的人脸识别方法。该方法首先利用血流模型把红外温谱图转换成血流图,得到更具丰富频率的特征。其次,采用DCT变换可以有效地消除血流图的相关性。最后,在DCT域特征提取阶段,为了提高特征提取的有效性,特征选择和子空间学习基于一致的可分性目标：特征选择引入基于可分性的DCT系数选择算法以抽取鉴别能力强的DCT系数,对抽取的DCT系数采用基于可分性的线性鉴别分析（linear discriminant analysis,LDA）方法。实验结果表明,该红外人脸识别方法可以快速有效地提取血流图中适合分类的特征,识别率优于传统DCT＋LDA方法。     

一种基于DCT和SVD的音频水印算法

提出一种基于离散余弦变换(DCT)和奇异值分解(SVD)的音频水印算法.该算法将原始音频进行分段后再分块,对每一块进行DCT 变换,利用Zig-Zag算法将变换后的系数分成4个象限,通过对每个象限进行SVD变换得到对角阵,并在对角阵的第1个元素内嵌入水印.实验结果证明,该算法具有良好的透明性,在嵌入强度为0.2时峰值信噪比较高,同时可以抵抗重采样、回声、噪声等攻击,具有较高的鲁棒性.     

基于灰度值统计特征的数字水印方法

提出了一种基于图像分块灰度值统计特征的数字水印方法,算法利用图像分块的灰度差异值判定水印信息的嵌入位置,对选定的图像分块进行DCT变换,然后将水印信息嵌入到中频系数当中。由于水印信息嵌入到了纹理复杂度因予比较大的块中,因此就增强了水印信息的不可见性。实验表明,本算法较好地保持了原始图像的品质,对非几何攻击和有损压缩具有较好的稳健性。     

基于隐马尔科夫模型的人脸识别

对于人脸识别系统来说,人脸图像的特征提取和匹配是决定人脸识别系统性能的关键所在。文中提出基于隐马尔科夫模型的人脸识别方法。首先,根据人脸的特点建立马尔科夫模型,然后对图像进行预处理,再利用采样窗对人脸图像进行采样并进行离散余弦变换,提取变换后的系数作为观察向量。最后对人脸图像进行HMM训练,训练结束后即建立了一个人的HMM。基于DCT系数的二维隐马尔科夫模型由于充分利用了人脸图像的二维统计特性,具有较高的识别率。实验结果证明此方法在准确性方面具有良好的性能。     

信息熵加权的HOG特征提取算法研究

针对人脸图像中不同部位所含的信息熵不同,对识别的影响程度不同等因素,提出了一种信息熵加权的HOG特征提取方法。该算法将待识别的人脸图像进行分块,对分块后的图像进行HOG特征提取,计算每块图像所含的信息熵作为权重系数加到各个分块中形成新的HOG特征,通过PCA算法对特征进行降维,得到信息熵加权的HOG特征。通过在ORL和YALE实验结果表明,该算法相较于其他传统识别方法具有更高的识别精度和准确度,并且对于人脸在光照、姿态表情等干扰因素下均具有良好的有效性和鲁棒性。     

基于DCT与改进分块2DPCA算法的人脸识别

提出一种离散余弦变换和改进的分块二维主元分析相结合的人脸识别方法。该算法利用DCT压缩人脸图像以去掉人眼不敏感的中频分量与高频分量,这样有效降低所需特征的维数,减少计算量。通过IM2DPCA进行特征提取得到人脸识别特征,运用最近邻分类器完成人脸的识别。在基于ORL、YaleB、CAS-PEAL及Feret人脸数据库的实验结果证明该算法的有效性与稳健性。     

提升方案小波和DCT下的图像盲水印算法

在研究HVS对图像掩蔽特性的基础上,提出一种基于提升方案小波和DCT的彩色图像盲水印算法．首先将宿主图像亮度分量进行基于提升方案的小波分解,然后对其较低频子带进行基于分块的DCT分解,最后将二值图像的水印信息嵌人到各分块DCT域的中频系数中．文中算法结合HVS的掩蔽特性,使得水印信息的嵌人能量具有自适应的特性,从而保证了所嵌人的水印在不可见性的前提下,对常见的一些图像处理操作具有很强的鲁棒性．实验结果验证了文中算法的有效性．     

基于图像梯度补偿的人脸快速识别算法

针对传统人脸识别算法运行效率低的问题, 提出一种采用图像梯度补偿模式(IGC)的人脸快速识别算法. 首先, 提取人脸图像四个方位的梯度; 其次, 将所获的四个梯度进行多方式融合, 产生两个梯度算子; 再次, 使用新产生的梯度算子对原图像进行适度补偿, 形成人脸图像的IGC特征图; 然后将所获IGC特征图分块统计直方图, 并将各个分块的直方图串联成用于人脸图像描述的特征向量; 最后使用PCA方式对特征向量进行降维处理, 利用SVM分类器进行识别. 在ORL和CMU_PIE数据库上完成测试, 结果表明本文算法在具有较高识别率的同时, 其算法的运行效率具有卓越的表现.     

结合纹理复杂度和JND模型的图像水印算法

针对目前基于灰度共生矩阵相关水印算法存在容量较小的问题,提出一种将纹理复杂度和DCT域JND模型相结合的图像水印算法。首先将原图像分成子块,利用各子块灰度共生矩阵的四个纹理特性计算其纹理复杂度,并据此对子块进行排序以确定水印嵌入的子块位置后对原图像素矩阵进行DCT变换,结合新的分区方式计算各块JND值,根据JND值以及新的嵌入规则确定子块内水印嵌入方式。算法有效考虑了图像块的纹理特性和人眼视觉敏感性,加强了嵌入水印后的图像质量,提高了水印嵌入容量。实验结果表明,所提方法在嵌入相同容量的水印时,图像平均峰值信噪比（PSNR）较现有方法高出4.27%左右,在嵌入超过原方法容量上限一倍的水印时,图像平均PSNR仍有53.449 8 dB。     

基于二维MB-LBP特征的人脸识别

提出了一种基于二维多尺度局部二进制模式的人脸识别方法,对一幅人脸图像进行分块,对每一块的图像进行MB-LBP（Multi-scale Block Local Binary Patterns）算子运算,将MB-LBP与灰度共现矩阵结合起来得到了可以更好地描述局部纹理空间结构的二维MB-LBP特征,将各子块的二维MB-LBP特征进行连接形成人脸特征。该算法在ORL和CMU-PIE人脸数据库上进行测试,选择了支持向量机（SVM）作为分类器,并与传统的基于一维LBP特征进行比较,结果表明提出的算法在人脸识别问题上的有效性和优越性。