离散小波变换和零树编码在数字水印中的应用研究

采用小波变换和零树编码对图像进行水印嵌入和提取,通过对原始图像和水印图像分别进行不同级别的小波变换,选取原始图像小波的重要系数,将水印图像小波系数以一定的方式嵌入进去,使图像具有很好的稳健性及抗压缩性.     

基于分形和HVS的小波域数字图像水印算法

针对数字图像版权的保护,本文提出了一种基于分形的小波域数字图像水印算法。首先将载体图像进行Haar 小波变换,将小波系数树分为同方向小波树,并在同方向小波树中构造域子树和值子树,通过分形匹配将域子树分为嵌入域子 树和非嵌入域子树,然后在嵌入域子树中加入水印。在水印嵌入时,只嵌入部分水印信息来减少水印的嵌入量,同时运用人类 视觉系统HVS 模型控制水印嵌入的强度,保证其不可见的同时最大限度增强了其鲁棒性并实现了水印的盲提取。     

基于小波系数树的扩频水印

文章在分析图像小波分解系数的树结构关系的基础上,提出了一种基于图像小波系数树的扩频盲水印,该方法将一位水印信息通过扩频嵌入到宿主图像的一棵小波树所有系数中,并结合人眼的视觉特性确定水印嵌入强度。提取水印时,用相关检测方法独立提取每一位水印信息。实验结果表明:该方法保证了水印的不可见性,对包括JPEG压缩、图像剪切、图像扭曲、旋转有较强的鲁棒性,是一种很有前途的水印技术。     

基于人眼视觉特性的小波树量化水印

在分析图像小波分解系数的树结构关系以及人眼视觉系统 (HVS)模型的基础上 ,提出了一种基于人眼视觉特性的小波系数树量化水印 ,该方法在宿主图像的两棵小波系数树中嵌入一位水印信息 ,通过量化使它们呈现足够大的统计差别从而使水印检测时能提取水印信息 .实验结果和分析表明 :该方法水印有较好的不可视性和鲁棒性 ,检测水印的虚警概率很低     

一种基于重要系数小波树的数字水印算法

现有的基于小波变换的算法大多将水印嵌入在各个方向的中频或高频中,水印的稳定性差。文中提出一种基于重要系数小波树的数字水印算法,利用小波零树思想和人跟视觉的掩蔽特性,在彩色图像的蓝色分量小波域中构造重要系数树,然后将加密后的水印信息一部分嵌入到低频重要系数中,一部分嵌入到中频重要系数中。实验结果表明：该算法不仅具有较好的不可见性,并且对常见的图像处理操作具有较强的鲁棒性。     

一种基于重要系数小波树的数字水印算法

现有的基于小波变换的算法大多将水印嵌人在各个方向的中频或高频中,水印的稳定性差.文中提出一种基于重要系数小波树的数字水印算法,利用小波零树思想和人眼视觉的掩蔽特性,在彩色图像的蓝色分量小波域中构造重要系数树,然后将加密后的水印信息一部分嵌入到低频重要系数中,一部分嵌入到中频重要系数中.实验结果表明:该算法不仅具有较好的不可见性,并且对常见的图像处理操作具有较强的鲁棒性.     

一种复合型自适应数字水印算法

提出一种同时嵌入鲁棒性水印和易损性水印的复合型数字水印算法。其中鲁棒性水印的算法,利用图像小波系数的零树结构,基于零树小波编码,构造出重要系数小波树,将水印信息自适应地以不同强度嵌入载体图像的合适位置。实验结果表明,本算法在用于版权认证的同时还能对篡改进行有效的检测,具有较好的双重保护性能。     

基于LabVIEW平台的数字音频水印系统

用LabVIEW实现了在数字音频中嵌入二值图像水印。系统主要由水印的嵌入与水印的提取两部分组成。由LabVIEW的"简易读取声音文件"节点,将音频信号读取进来。首先对音频信号进行离散小波分解,根据人耳听觉特性选择嵌入点,然后修改原始音频信号小波系数小数点后有效位的奇偶性进行水印数据的嵌入,在提取水印时,检测小波系数小数点后有效位的奇偶性进行水印提取。使用LabVIEW实现了既有嵌入程序又有提取程序的数字音频水印系统。     

基于小波零树结构的自适应图像水印算法

文中提出了一种基于小波零树结构的数字图像水印嵌入算法，该算法能自适应地选取和修改小波的重要系数，进行信息的嵌入，具有很好的稳健性及抗压缩性；算法利用了小波各层分解系数的相似性，对系数进行插值处理，使嵌入水印的图像透明性较好；水印的恢复只借助少量原始系数特征。模拟结果表明，该算法是有效和可行的.     

基于整数小波变换的医学图像易碎水印方法

为了对医学图像进行快速鲁棒的认证提出了一种基于整数小波变换的易碎水印算法.该算法首先利用小波分解后的四叉树结构结合树节点上的统计信息和密钥来选择嵌入水印的位置,然后对确定嵌入水印的位置只嵌入1bit的水印信息.该算法具有以下特点：（1）图像嵌入水印后具有较高的信噪比,适用于医学图像的认证;（2）结合小波系数的统计信息来选择嵌入水印的位置,可保证水印的易碎性;（3）小波分解在空频域的特性使得算法对篡改有很强的定位能力;（4）可利用密钥对本算法进行保护,即使算法公开,也能抵挡恶意攻击.实验结果表明,该算法适用于医学图像的认证,并且复杂度较低,实用性较强.     

基于神经网络的实用小波域零水印技术

提出一种基于神经网络的小波域零水印技术。不同于传统的水印算法,零水印技术对宿主图像进行离散小波变换,并在低频子带随机选择一些系数作为提取的特征,将其作为水印用于版权证明,以避免嵌入水印导致的图像变形。通过建立神经网络模型对所选特征系数进行管理、存储和检测,以提高算法的实用性。     

基于中值滤波的小波域水印算法

提出一种小波域鲁棒图像水印算法,水印信息被嵌入小波变换的低频子带。为检测对视觉不敏感的离散小波变换低频系数,将小离散波变换的低频子带进行中值滤波,并与原小波变换低频子带的小波变换系数比较,对变化程度小的系数嵌入水印信息。实验结果表明,该算法与基于小波低通滤波的水印算法相比,保证不可见性,对压缩、中值滤波、剪切、锐化等具有更强的鲁棒性。     

小波变换中边界问题对水印算法性能影响的研究

在众多的数字水印算法中,基于离散小波变换的方案得到了广泛应用.然而小波变换中的边界问题通常会对水印的提取产生影响.通过大量分析,作者得出以下结论:对于基于离散小波变换的数字水印算法,水印应该避免嵌入小波分解后的边界系数中.理论分析和数值仿真证明了这一点.最后,作者把研究结果应用到3个现有的水印算法中,仿真结果表明改进的算法可消除边界问题的影响,从而提高原有算法的水印提取能力.     

基于混沌和DWT的水印算法

针对数字图像DWT系数的分布特点,分别对在不同频段系数中嵌入和提取水印进行了研究与实验.选用了有意义的灰度图像作为水印,采用基于混沌序列的加密方法对水印进行处理,在水印嵌入域上,选择了具有与人眼视觉特性十分相符的离散小波变换,通过将原始图像进行多级小波分解,在中间某一级或几级的小波系数中嵌入水印信息,从而加大了水印嵌入的灵活性.实验结果表明,在DWT低频域嵌入水印,对算法的透明性影响较大;在中高频域嵌入水印,对透明性的影响相对小一些,并且可加入的水印容量相对较大,但对低通类图像处理鲁棒性较弱.因此可以将各种方案相互融合、相互补充以均衡抵抗各种不同类别的攻击,并根据实际需求进行方案的选择.     

基于小波变换的多功能数字水印

提出一种基于小波域的多功能数字水印算法,根据人类视觉特性和原始图像的自身内容确定可见水印在低频子带和各高频子带的拉伸系数。对嵌入可见水印图像的低频小波系数进行量化,并将合适的量化步长嵌入不可见水印。实验结果表明,该算法生成的水印图像满足可见水印的要求,且不可见水印对一般的图像处理和攻击具有很好的鲁棒性,可以同时实现版权通知和版权保护。     

基于特征定位的数字图像盲水印技术

提出了一种基于小波变换的特征定位数字水印算法,利用图像自身特性,在小波系数低频子带中提取特征点作为水印嵌入位置的索引。该技术适合于水印盲检测,仿真表明,算法在检测时定位精度很高,基本不受水印嵌入的影响,具有很好的透明性和鲁棒性,实用性也较高。     

基于伪Zernike矩和Contourlet变换的抗几何攻击图像水印算法

在研究Contourlet变换和伪Zernike矩理论的基础上,提出了一种新颖的抗几何攻击数字图像水印算法。该算法首先 用Contourlet变换处理 原始图像,提取出图像的低频区域;然后依据人眼的视觉特性以及嵌入水印前、后系数的相关性,采取量化调制伪Zernike矩的幅值将数字水印信息嵌入图像的低频区域中。其无须借助于原始图像,就能进行水印提取,实现真正的盲检测。实验结果表明,该算法对平移变换的抵抗力最强,对旋转和缩放也有很好的抵抗力,而且经过JPEG压缩之后,数字水印也不会失真。     

基于Arnold置乱和小波包分解的自适应水印算法

针对小波变换的不足,根据原始图像各子块对水印信息的适应程度不同,提出一种基于Arnold置乱和小波包分解的自适应水印算法。首先,该算法采用Arnold变换对水印图像进行预处理,然后对原始图像进行小波包分解,小波包分解能够提供一种更为精细的分解方法,将频带进行了多层次的划分,最后将水印图像嵌入到小波包分解后的子带中,水印的嵌入强度和嵌入位置均根据原始图像的内容自适应地决定,这样很好地解决了水印鲁棒性和不可见性之间的矛盾。仿真实验结果表明,算法对常见的图像攻击具有较强的鲁棒性和稳健性。     

基于频带特征融合的GL-CNN遥感图像场景分类

高分辨率卫星遥感图像场景信息的分类对影像分析和解译具有重要意义,传统的高分辨卫星遥感图像场景分类方法主要依赖于人工提取的中、低层特征且不能很好的利用图像丰富的场景信息,针对这一问题,提出一种基于频带特征融合与GL-CNN(Guided Learning Convolutional Neural Network,指导学习卷积神经网络)的分类方法。首先通过NSWT（Non-Subsampled Wavelet Transform,非下采样小波变换）提取出图像的高低频子带,将高频子带进行频带特征融合得到融合高频子带,然后联合频谱角向能量分布曲线的平稳区间分析实现融合高频子带与低频子带的样本融合,最后指导卷积神经网络自动提取图像的高低频子带包含的高层特征来实现场景分类。通过对UCM_LandUse 21类数据进行试验表明,本文方法的分类正确率达到94.52%,相比以往算法有显著提高。