基于奇异值的鲁棒图像隐写算法

为提高数字图像隐写算法的鲁棒性和透明性,提出一种基于奇异值分解和矩阵编码的图像隐写算法。分析奇异值分解的稳定性,采用EMD （exploiting modification direction）矩阵编码方法,将秘密信息嵌入在将图像块进行奇异值分解所得的奇异值向量中。图像块奇异值的稳定性保证隐写算法的鲁棒性,采用EM D编码算法嵌入秘密信息比特使得算法具有较高的嵌入效率。实验结果表明,该算法嵌入秘密信息后图像失真小,与原始 EM D算法相比,该算法具有更好的鲁棒性。该算法能够很好的应用于噪声环境下的图像隐写技术。     

嵌入率可调和低修改率的二值图像密写算法

为了提供大而可调的二值图像信息隐藏容量和保持载密二值图像良好的视觉质量,提出一种基于分块和矩阵编码的二值图像信息隐藏算法.将二值图像划分为互不相交的2×2的图像子块,随机选择黑白相间的边缘子块作为可嵌子块,应用(1,n,k)矩阵编码实现最多只改变n块可嵌子块中一块的1个像素即可嵌入k比特信息,以及修改像素的规则.选择不同的矩阵编码方案,可以得到不同的嵌入率和像素修改率.理论分析和实验结果表明,本文算法具有信息嵌入量大,效率高,修改率低,安全性好;其信息嵌入率选择具有高度弹性,可以根据实际要求选择在嵌入率和载密图像质量都很理想的密写方案.     

选择排序的DCT系数对JPEG图像的可逆数据隐藏

JPEG图像压缩算法可以为使用者提供良好的压缩性能,改善图像文件重建质量,在图像和视频处理领域有着广泛的应用价值。 提出了一种可行且有效的对JPEG图像进行可逆信息隐藏的算法。在该算法中,JPEG图像中所有的8×8块中量化的DCT系数重新排列成新的矩阵,纵列为每个块的系数值,横列为同频率下的系数值。对相同频率下的系数进行模拟嵌入比特位,优先选择失真小的频率下的系数嵌入信息,直到嵌入完秘密比特流信息,同时在嵌入秘密信息时根据解码矩阵减少了无效的比特流扩展。实验结果表明,该算法在嵌入同等数量的比特流的情形下能够得到更好的JPEG图像视觉质量和更少的图像比特流扩展。     

作用于块奇偶性的二值图像数据隐藏算法研究

提出一种作用于奇偶性矩阵之上的二值图像数据隐藏算法.算法首先对原始图像进行分块,获取原图的奇偶性矩阵和标志矩阵;再对这些矩阵进行二次分决,使用标志矩阵衡量块的可嵌入性,选取可嵌入的奇偶性矩阵块并在其上修改至多一个值来嵌入数据.嵌入过程中,从要修改的奇偶性矩阵值对应的原始图像块中翻转可修改程度最高的像素,使得奇偶性矩阵块所代表的信息和嵌入信息相一致.文中对算法隐藏容量、数据嵌入后图像质量和安全性进行了分析.实验结果表明,该算法有图像质量好、修改像素少、嵌入容量大等优点,并能很好地应用于二值图像的认证中.     

基于DCT-Winograd快速变换的半盲水印算法

针对目前多数基于傅里叶变换域的方法,其抗几何攻击性能虽很好,嵌入的信息量也很大,但存在抗剪切攻击能力较差的问题,提出了一种基于离散余弦变换与Winograd快速傅里叶变换相结合的半盲水印算法,将Winograd算法分解的对角矩阵与经过DCT变换的图像块相与,产生一个新的对角矩阵,再将数字水印嵌入到该对角矩阵中,最后通过相关逆运算提取水印.实验结果表明,该方法可获得较好的图像视觉效果,对剪切、噪声等攻击皆具有较好的鲁棒性.     

基于混合整数变换的高容量可逆数字水印

提出了一种基于混合整数变换的高容量可逆数字水印算法.该算法首先将图像分割成3×3的小块,从第一个图像块开始进行9像素的整数变换.然后应用压扩算法减小差值,并采用扩差法嵌入水印.引入压扩算法极大地增加了可扩的图像块的数目.对于不可扩的3×3像素块,算法进一步将其分割为3×1的图像块,应用3像素的整数变换,同样采用压扩算法和扩差法嵌入水印.混合嵌入方案和压扩算法的引入能够获得更易压缩的位置图,从而最大限度地提高了水印的容量.该算法一次嵌入的极限容量为8/9 bpp(比特/像素).实验结果表明,本算法的透明性好,容量高.     

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。     

图像块的自适应均衡水印算法

目的 针对水印算法通常利用实验确定强度参数,实验工作量大并且具有随机性,得到的参数无法较好地均衡水印不可见性和鲁棒性,提出一种基于图像块的自适应均衡水印算法。方法 利用尺度不变特征变换（SIFT）提取原始图像中鲁棒性强的特征点作为水印嵌入区域,将提取的嵌入区域分成4个大小相等且互不重叠的图像块,并对各图像块进行奇异值分解（SVD）,得到与各块相应的奇异值矩阵,各块与水印做一级离散小波变换后产生的各子带相叠加,生成嵌入加密水印块,重组得到水印矩阵,降维后将特征点还原到原始图像。根据果蝇优化算法（FOA）中适应度函数迭代确定加密水印强度参数,构造水印图像的自适应嵌入,来均衡水印的不可见性和鲁棒性,水印检测可直接作用在受攻击后的图像上,无需校正恢复。结果 对标准灰度图像进行多组实验,得到含水印图像峰值信噪比均达到43dB以上;对水印载体图像分别进行噪声、压缩、剪切、旋转仿真攻击实验,提取水印图像与原始水印图像的归一化相关系数都达到0.94以上。结论 SIFT算法实现图像块局部嵌入,提取特征点稳定性强,结合SVD算法使水印嵌入性能良好,利用FOA算法自适应确定最优参数,使水印图像嵌入效果达到最佳状态,最终均衡了水印的不可见性和鲁棒性。     

基于经验模式分解的音频水印算法

针对传统基于经验模式分解(EMD)的音频水印算法鲁棒性不强的问题,提出一种基于固有模态函数(IMF)极值的盲音频水印算法.首先对音频信号进行分帧,每个音频帧经过EMD后得到IMF; 接着利用均匀量化的方法将水印信息和同步码嵌入到最后一个IMF的极值中.所提算法的数据嵌入率是46.9~50.3 b/s,且携水印音频保持了原始音频的感知质量.对携水印音频进行加噪、MP3压缩、重新采样、滤波、剪切和重采样攻击后,提取出的水印信息变化不大,算法鲁棒性较好.与时间域和小波域算法相比,提出的算法在保证高数据嵌入率的同时,可以抵抗32 kb/s的MP3压缩攻击.     

基于图像块等级模型的多重认证水印算法

提出了一种新的用于灵活图像认证的多重水印嵌入算法.不同于传统的块独立水印算法中每个图像块只嵌入一个水印信息,算法对每个图像块嵌入多重水印信息.提出了两个通用的图像块等级模型,形成图像块内部的等级结构,对每个图像块以及图像块内部的各等级子块进行独立的水印生成和嵌入.将图像特征值映射为混沌系统的初值,并将图像块的编号映射为混沌系统的迭代次数,经过混沌迭代生成图像块水印,再将水印信号替代图像块中选定像素点的最低有效位,完成水印的嵌入.实验结果表明,该算法可对图像进行多重认证,对篡改区域进行精确的检测与定位,并能选择不同的定位精度.     

基于LDPC的码率自适应分布式视频编码

为了在分布式视频编码（DVC）中取得更好的压缩性能,将校验节点的合并和分裂进行有机结合,提出了一种码率自适应LDPC（RALDPC）编码新方法。该方法首先基于PEG算法构造高压缩比LDPC码字;然后由行均匀分裂得到低压缩比码字;最后通过合并或分裂校验矩阵对应的行来适度调整码率。为保证码字性能,还提出了校验节点合并的3个限制条件,并基于RALDPC提出了一种码率自适应DVC编码方案。实验结果表明,与当前基于Turbo码的DVC方案相比,在原信息和边信息高度或中度相关时,编码性能提高了0.1～0.7dB。     

一种保留社区结构信息的网络嵌入算法

现有网络嵌入算法大多只保留网络的微观结构信息,忽略了网络中普遍存在的社区结构信息。为提高网络表示质量,提出一种保留社区结构信息的网络嵌入算法PCNE。通过最大化节点之间的一阶和二阶相似性,对网络的微观结构进行建模,同时通过分解可反映网络社区结构信息的社区结构嵌入矩阵,对网络的社区结构信息进行建模。将构建的2个模型融合到统一的联合非负矩阵分解框架中,结合相似度矩阵和社区隶属度矩阵得到融合社区结构信息的节点表示向量。在5个真实公开数据集上进行节点分类实验,结果表明,与DeepWalk、Node2vec、LINE算法相比,PCNE可使Micro-F1值提升0.96%~13.1%,验证了算法的有效性。     

Simulation Analysis and Application of SAR Target Motion Parameters based on EMD-RSPWVD Algorithm

When processing multi-component SAR moving target echo data by traditional time-frequency analysis method, there is serious cross-term influence and poor time-frequency clustering. A new time-frequency analysis algorithm named EMD-RSPWVD is proposed. It combines the improved Empirical Mode Decomposition (EMD) algorithm and Reassigned Smoothing Pseudo-Wigner-Ville Distribution (RSPWVD) algorithm. The improved EMD algorithm is used to decompose the multi-component SAR moving target echo signal into independent signal components. Then the time-frequency analysis of independent components which based on RSPWVD algorithm is performed to eliminate cross-terms and obtain high time-frequency resolution. Finally, simulated echo data and real echo data are used to analyze the performance of this algorithm for multi-component SAR motion echo data. The results show that the algorithm has good anti-noise ability, moving target detection ability and high-precision motion parameter estimation performance.     

基于EMD-RSPWVD算法的SAR目标运动参数仿真分析与应用研究

针对传统时频分析方法处理多分量SAR运动目标回波数据时出现的交叉项影响严重和时频聚集性差等问题,提出一种融合改进的经验模式分解（Empirical Mode Decomposition, EMD）算法和重排平滑伪维格纳维尔分布（Reassigned Smoothing Pseudo-Wigner-Ville Distribution, RSPWVD）算法的新时频分析算法——EMD-RSPWVD算法。利用改进的EMD算法将多分量SAR动目标回波信号分解为彼此独立信号分量,然后对独立分量分别做基于RSPWVD算法的时频分析,以消除交叉项和获得高的时间—频率分辨率。分别利用模拟回波信号数据和真实回波信号数据,探究该算法对于多分量SAR运动回波数据的分析性能。结果表明,该算法具有良好的抗噪性和运动目标检测能力,以及高精度的运动参数估计性能。     

Community Discovery Algorithm Based on Multi-Relationship Embedding

Complex systems in the real world often can be modeled as network structures, and community discovery algorithms for complex networks enable researchers to understand the internal structure and implicit information of networks. Existing community discovery algorithms are usually designed for single-layer networks or single-interaction relationships and do not consider the attribute information of nodes. However, many real-world networks consist of multiple types of nodes and edges, and there may be rich semantic information on nodes and edges. The methods for single-layer networks cannot effectively tackle multi-layer information, multi-relationship information, and attribute information. This paper proposes a community discovery algorithm based on multi-relationship embedding. The proposed algorithm first models the nodes in the network to obtain the embedding matrix for each node relationship type and generates the node embedding matrix for each specific relationship type in the network by node encoder. The node embedding matrix is provided as input for aggregating the node embedding matrix of each specific relationship type using a Graph Convolutional Network (GCN) to obtain the final node embedding matrix. This strategy allows capturing of rich structural and attributes information in multi-relational networks. Experiments were conducted on different datasets with baselines, and the results show that the proposed algorithm obtains significant performance improvement in community discovery, node clustering, and similarity search tasks, and compared to the baseline with the best performance, the proposed algorithm achieves an average improvement of 3.1% on Macro-F1 and 4.7% on Micro-F1, which proves the effectiveness of the proposed algorithm.     

An extended matrix encoding algorithm for steganography of high embedding efficiency

F5 steganography is much different from most of LSB replacement or matching steganographic schemes, because matrix encoding is employed to increase embedding efficiency while reducing the number of necessary changes. By using this scheme, the hidden message inserted into carrier media imperceptibly can be transferred via a more secure subliminal channel. The embedding domain is the quantized DCT coefficients of JPEG image, which makes the scheme be immune to visual attack and statistical attack from the steganalyst. Based on this effective scheme, an extended matrix encoding algorithm is proposed to improve the performance further in this paper. By changing the hash function in matrix encoding and converting the coding mode, the embedding efficiency and embedding rate get increased to a large extent. Eventually, the experimental results demonstrate the extended algorithm is superior to the classic F5 steganography.     

基于矩阵的频繁项集挖掘算法

如何高效地挖掘频繁项集是关联规则挖掘的主要问题。该文根据集合论和矩阵理论,提出一种基于矩阵的频繁项集挖掘算法。该算法只需扫描数据库一次,就能把所有事务转化为矩阵的行,把所有项和项集转化为矩阵的列,在对矩阵操作时能一次性产生所有频繁项集,且当支持度阈值改变时无需重新扫描数据库。实验结果表明,该算法的挖掘效率高于Apriori算法。     

应用二维EMD和独立成分分析的掌纹识别

提出一种基于二维经验模式分解（Two-dimensional Empirical Mode Decomposition,2-D EMD）和独立成分分析（Independent Comment Analysis,ICA）相结合的掌纹识别新方法。利用2-D EMD自适应的时频局域化多尺度和ICA II表征数据的高阶统计特性来提取掌纹特征。首先,对预处理过的掌纹图像进行2-D EMD分解得到多层本征模函数（Intrinsic Mode Function,IMF）;其次,利用基于PCA（Principal Component Analysis）降维处理的FastICA II算法提取IMF子图像集的掌纹特征基向量;最后,设计实验测试（2-D EMD+ICA II）的识别性能。实验结果表明,该方法能更有效地提取掌纹特征,与传统的ICA II相比,具有重构图像信噪比好、识别率高等优点。     

非方阵指派问题的求解

本文将2 类方阵指派问题——极大极小和总体极小指派问题——的矩阵作业解法推广到非方阵情形, 即求解任务与人员数目不等的指派问题,且维持矩阵作业法的效率．假定m > n,则按本文行优先选取算法求解 m￡n 非方阵指派问题的最大逻辑运算量为O(mn2),其效率通常与执行一轮覆盖的矩阵作业法相当．     

融合Garbor小波和流形学习的人脸表情识别

通过Garbor小波提取人脸表情特征,为降低Garbor变换后向量维数和提取有效的鉴别特征,将手动选取特征点和监督局部线性嵌入（SLLE）结合起来,利用人脸表情图像数据本身的非线性流形结构信息和样本标签信息来调整点到点之间的距离,并形成距离矩阵,而后基于被调整的距离矩阵进行线性近邻重建来实现维数约简,提取低维鉴别特征用于人脸表情识别。结果表明该方法能更为有效地提取反映表情状态的特征,识别率优于传统的PCA算法,取得了较好的识别效果。最后实验分析了SLLE算法近邻数K和嵌入维数对识别率的影响,得到了SLLE算法的最优近邻数K和低维嵌入维数。