可有效抵抗一般性几何攻击的数字水印检测方法

以回归型支持向量机理论为基础, 结合性能稳定的伪Zernike矩和Krawtchouk矩, 提出了一种可有效抵抗一般性几何攻击的强鲁棒数字图像水印检测算法. 该算法首先选取图像的低阶Krawtchouk矩作为特征向量, 然后利用SVR对几何变换参数进行训练学习并对待检测图像进行数据预测, 最后对其进行几何校正并提取水印信息. 仿真实验结果表明, 该数字图像水印检测算法不仅具有较好的不可感知性, 而且对常规信号处理和一般性几何攻击均具有较好的鲁棒性.     

结合SIFT和Krawtchouk矩不变量的图像配准方法

提出了一种基于SIFT和Krawtchouk矩不变量的图像配准方法。通过SIFT关键点检测方法检测关键点;对每个关键点计算其邻域的Krawtchouk矩不变量,并将其构成描述关键点的特征向量;计算关键点特征向量之间的欧氏距离找出相匹配的关键点对。实验结果表明,该算法的配准性能与标准SIFT算法相当,而运算速度比标准SIFT算法有较大程度提高。     

基于Krawtchouk不变矩的复制-粘贴篡改盲检测算法

针对数字图像检测中一类常见的复制-粘贴图像篡改,提出一种基于小波变换和径向Krawtchouk不变矩的盲检测算法。算法利用小波变换提取图像的低频分量,对低频分量分块提取径向Krawtchouk不变矩特征,这种特征描述方式对图像旋转后处理具有鲁棒性,然后将特征向量进行按字典排序,并结合数学形态学进行图像复制篡改区域的检测和定位。实验表明该算法能有效地定位出复制和粘贴的图像篡改区域,并对粘贴区域旋转操作具有很强的鲁棒性。     

一种基于Krawtchouk矩的水印算法

提出一种基于Krawtchouk矩的水印算法,通过修改一些原始Krawtchouk矩并重构图像以获得水印图像.基于Krawtchouk矩与几何矩的关系,提出采用具有平移、比例缩放和旋转不变性的几何不变矩来检测水印.实验表明,与用Krawtchouk不变矩检测相比,该算法对于大角度旋转和图像平移的几何攻击具有更好的鲁棒性.     

基于Contourlet域KPCA-Krawtchouk矩的印章图像配准

提出了一种基于Contourlet域KPCA-Krawtchouk矩的印章图像配准算法。首先对印章图像进行Contourlet分解并提取低频分量,然后利用KPCA提取低频分量的主成分,并计算其Krawtchouk矩不变量,构成描述关键点的特征向量,最后计算关键点特征向量之间的欧氏距离找出相匹配的关键点对。采用Logistic映射混沌粒子群算法寻找最优阈值,大大加快了算法运行速度。实验结果表明,该算法不仅配准结果精确,且运行时间明显减少。     

基于Krawtchouk不变矩和SVD-LWT的双重水印研究

为提高数字图像水印的鲁棒性和透明性,提出了一种基于Krawtchouk不变矩、奇异值分解(SVD)和提升小波变换(LWT)的彩色图像双水印算法。该算法首先从载体RGB图像中提取绿色分量进行两级提升小波变换,利用Krawtchouk不变矩对平移、旋转和缩放的不变性以及Krawtchouk矩良好的局部特性和重构性,计算其低频分量的Krawtchouk低阶矩不变量构造水印系统;然后对其变换后的中频分量奇异值进行分解,嵌入混沌置乱后的水印图像的奇异值作为另一水印系统。仿真实验结果表明,该算法不仅有良好的不可见性,而且对常见攻击和几何攻击都具有很好的鲁棒性,并具有一定的应用价值。     

基于变换域和形状特征的感知图像哈希算法

提出一种基于非下采样轮廓波变换(NSCT)分解和Zernike矩的图像哈希算法.通过预处理操作后的彩色RGB图像转换到YCbCr空间;分别对每个通道进行一级NSCT分解得到低频图像和高频纹理图像,对Y通道的高频图像使用Canny算子提取边缘后计算Zernike矩作为中间哈希序列H1;将3个通道得到的低频图像分块求取6个统计特征得到18个特征向量,使用PCA降维再进行压缩得到中间哈希序列H2;结合高频哈希序列H1和低频哈希序列H2作为最终哈希h.实验结果表明,该算法比几种对比算法具有更好的区分性和更高的效率.     

基于Krawtchouk矩和小波变换的数字水印算法

提出了一种基于Krawtchouk矩和小波变换的抵抗几何攻击的内容认证水印算法。该方法首先对图像进行一次小波分解，然后计算其低频成分的Krawtchouk低阶矩不变量来构建水印。水印提取过程简单，只需计算所得图像的几个低阶Krawtchouk矩不变量。文中给出了实验结果，并与Alghoniemy提出的基于几何矩不变量的数字水印算法进行了比较。结果表明，该方法简单、有效，对旋转、缩放、剪切、组合攻击等几何攻击以及JPEG压缩攻击具有更高的稳健性。     

基于Krawtchouk-RBF的印章图像分类识别

为了有效地对印章图像进行分类,提出了一种基于Krawtchouk矩和RBF神经网络的印章图像分类识别方法。首先提取标准印章图像的Krawtchouk矩不变量,将其作为RBF神经网络的原始训练样本;然后提取全部待鉴印章图像的Krawtchouk矩不变量,将其作为RBF神经网络的输入量进行分类识别。实验结果表明,使用Krawtchouk矩来描述印章图像的特征并通过RBF神经网络来对其进行分类识别的方法十分有效,与同类的Brushlet-RBF法和KPCA-RBF法相比,其识别率更高,且更准确。     

Krawtchouk矩的误差传递分析及算法改进

提出了Krawtchouk矩的误差传递模型,分析了其误差传递的机理,提出一种基于GMP大数库的分段迭代算法来精确计算Krawtchouk多项式,且此方法对参数p取任意值均有效。该方法的原理为：根据经典Krawtchouk矩的传递误差累积趋势,将其迭代过程分为若干段,每段迭代的初值均由GMP库计算得到,通过保证初值的精确性和控制迭代的次数来降低多项式计算的误差,提高高阶矩计算的精度。实验证明该方法确实能有效抑制且在一定程度上控制高阶Krawtchouk矩的累积误差,消除重构图像的劣化。