基于颜色编码和图像隐写术的可逆灰度方法

针对现有方法存在合成灰度图像视觉质量欠佳、重建彩色图像还原度不足的问题,提出一种基于颜色编码和图像隐写术的可逆灰度方法。其利用可逆神经网络构建更高效的颜色编解码器,并引入密集卷积块和通道注意力机制进一步提升网络模型的性能,综合减少编解码过程中的颜色信息丢失。之后,为使灰度图像负载编码信息以及减小嵌入过程导致的图像失真,设计了一种基于修改方向的图像隐写算法,通过自适应权值参数选择,以接近最优的方式满足不同的嵌入容量需求,减少对灰度图像的修改。在Kodak和McMaster数据集上的实验表明,与现有代表性可逆灰度方法相比较,该方法能够生成质量更高的可逆灰度图像以及重建更加还原的彩色图像,在图像可视化时具有更好的视觉效果,在标准参考图像的相似性评价指标方面也取得了更优的性能。     

基于局部方差和后验概率分类的快速模板匹配算法

具有旋转不变性的模板匹配算法在工业制造上具有广泛的应用。为解决传统的模板匹配方法在目标旋转、匹配速度上的问题，提出一种基于局部方差和后验概率分类的模板匹配方法。为减少计算量，在匹配中通过局部方差过滤掉部分候选窗口，并在后验概率分类模块中通过对比不同区域稳定特征点对的灰度来计算窗口相关性。使用后验概率分类计算窗口相关度能在预处理过程实现旋转不变性，并保证准确率在95%以上。实验结果表明，该算法在80万像素级的任意角度匹配图像上选择合适的窗口移动步长后，可将匹配时间减少到10 ms以内，相较于现有算法速度更快。