基于幅度调制和视觉掩蔽特性的彩色图像水印

提出了一种基于幅度调制的盲检测彩色图像水印算法,为了改善可见性,根据人眼视觉特性（HVS）自适应选择其嵌入位置。水印嵌入是通过修改图像中像素蓝色通道信息来实现的,而水印提取是基于对嵌入水印位置的邻域像素值的线性组合的预测而完成的。在嵌入过程中通过高斯模板来均衡调整嵌入水印后对宿主图像影响的强度。仿真实验证明该文算法不仅具有非常好的透明性,而且对诸如叠加噪声、JPEG压缩、平滑滤波、几何变换、图像增强等攻击具有很好的鲁棒性。     

基于幅度调制的彩色图像水印算法研究

采用幅度调制方式,实现了具有透明性及鲁棒性的彩色图像盲水印算法。先将二值水印信号进行Arnold变换置乱,再与混沌随机序列进行异或运算。在水印嵌入过程中通过平滑滤波来均衡调整嵌入水印后对宿主图像影响的强度。水印嵌入是通过修改图像中像素蓝色通道信息来实现的,而水印提取是基于对嵌入水印位置的邻域像素值的线性组合的预测而完成的。仿真实验证明该文算法不仅具有非常好的透明性,而且对噪声叠加、旋转、剪切、JPEG压缩等攻击具有很好的鲁棒性。     

一种基于支持向量机的图像数字水印算法

为了使数字水印综合性能更好，根据图像邻域像素之间具有很强的相关性这一特点，提出了一种基于支持向量机的图像水印算法。该算法将支持向量机的思想用于数字水印，并取得了较好的效果。由于支持向量机在有限训练样本的情况下具有很好的学习和泛化能力，因此，可以首先利用回归型支持向量机较好地建立图像邻域像素之间的关系模型，然后，通过调整模型的输出值与中心像素值之间的大小关系来嵌入或提取水印。实验表明，用该技术嵌入水印后的图像不仅具有很好的图像感知质量和较强的鲁棒性，对图像增强、JPEG压缩、噪声、几何剪切等抵抗强，而且安全性好、实用性较强。     

基于支持向量机的鲁棒盲水印算法

提出了一种基于支持向量机的鲁棒盲水印算法.该算法首先用多尺度Harris-Laplace检测算子从载体图像中提取出稳定的特征点,然后根据特征自适应确定局部特征区域,在特征区域选择一些点作为嵌入水印的点,结合图像的邻域相关性,根据灰度图像特点,选取特征向量作为SVR训练模型,进而利用SVR进行预测,调节嵌入点的像素值进行水印的嵌入和提取.实验结果表明,用该技术嵌入水印后的图像具有很好的图像感知质量,时常规信号处理乖去同步攻击特别是JPEG压缩具有较强的鲁棒性.     

支持向量机与奇异值分解的盲水印算法

为进一步提高水印算法的抗攻击性能,提出了基于支持向量机(Support Vector Machine,SVM)与奇异值分解(Singular Value Decomposition,SVD)的盲水印算法。首先对宿主图像进行DWT变换,将低频子带分成互不重叠的子块;然后利用SVM建立子块的局部相关性模型,根据模型预测结果与对应位置的低频系数值的大小关系产生特征序列,该序列与水印进行异或运算产生特征水印序列,将特征水印序列通过奇偶量化规则嵌入原始图像小波低频子带对应子块的最大奇异值。实验结果表明,该算法不仅具有较好的不可感知性,而且具有较强的抗攻击能力。     

基于支持向量机的自适应图像水印技术

提出一种基于支持向量机的自适应图像空域水印嵌入算法.由于支持向量机与人眼视觉系统在自学习、泛化和非线性逼近等方面具有极大的相似性,算法利用支持向量机模拟人眼视觉特征,结合图像的局部相关特性,自适应地确定图像的最佳嵌入位置和嵌入强度.首先,利用无导师的模糊聚类分析方法对图像各像素进行初步的聚类,为有导师的支持向量机找到分类规则;然后,从各类别中选出隶属度超过一定阈值的像素作为支持向量机分类的训练样本集,建立支持向量机的分类模型,根据此模型对图像各像素再次分类,从而确定水印的最佳嵌入位置;最后结合图像自身的局部相关性,自适应地调整水印嵌入位置的像素值.该算法在提取水印时不需要原始载体图像.实验结果表明,此算法对多种图像处理均具有很好的稳健性和图像感知质量,其性能优于相关文献上的相近方法.     

基于支持向量机的多特征彩色图像边缘检测

针对在特殊领域中彩色图像边缘检测,不仅需要准确地检测到目标边缘而且需要去除非目标边缘,提出了一种新的支持向量机多特征彩色图像边缘检测方法.这种方法根据彩色图像边缘的特点,在图像亮度和色度通道上结合像素加权梯度值和像素邻域相关信息构建多维特征向量,通过训练的支持向量机可以准确识别出目标边缘.实验结果表明,该方法比传统边缘检测方法具有更好目标边缘识别能力.     

用于彩色图像分割的支持向量机的快速训练

为了加快用于图像分割的支持向量机算法的训练速度,本文提出主动选择样本简化训练集的新方法.该方法根据像素在颜色空间的统计特性构建可分的训练集,并采用均匀抽样策略大大缩减训练集规模而不降低分类正确率,使得支持向量机可以实时训练,并为参数调整带来便利.由此发展了一种非监督算法与支持向量机相结合的自动图像分割方法.通过支持向量机在线训练,新方法可以获得较高的分割精度,有较好的鲁棒性,现已应用于彩色血细胞图像分割.     

基于幅度调制的彩色图像水印

提出了一种基于幅度调制的彩色数字图像水印方案.通过改变蓝色通道的信息,实现了在空域嵌入水印.水印的嵌入位置通过一个密钥控制来实现随机的选取.为了提高鲁棒性,每一位水印被多次嵌入在不相关的多个位置中.同时,在有效水印的前面增加了一个模式序列,形成一个完整的水印序列,这个模式能够在水印提取过程中生成一个自适应的阈值,提高了水印提取的鲁棒性.水印提取不需要原始的宿主图像.试验结果显示该方案具有较强的抵御信号处理和几何攻击的鲁棒性.     

基于回归型支持向量机的小波域盲水印算法

以回归型支持向量机（Support Vector Regression,SVR）理论为基础,提出了一种新的基于SVR的小波域盲水印算法。算法核心思想是先对图像进行小波分解,然后利用图像小波分解后的子图系数之间的关系和图像局部相关性获得SVR训练模型,并利用SVR训练模型在小波域嵌入和提取水印。该算法以保证鲁棒性和透明性的良好平衡为前提,实现了数字水印的盲检测。仿真实验表明,该文算法不仅具有较好的透明性,而且对JPEG压缩和一般的图像处理具有很强的鲁棒性,其整体性能明显优于现有基于SVM的空间域上的水印算法。     

基于光滑支持向量机的图像水印技术

一些基于标准支持向量机的图像水印技术,使图像水印的效果得到一定改善,但降低了图像水印技术的效率.针对这个问题,用光滑支持向量机取代标准支持向量机,结合图像的局部相关特性来确定图像的最佳嵌入位置和嵌入强度,提出一种基于光滑支持向量机的图像水印技术,并做了仿真实验.实验表明,这种技术与以往基于标准支持向量机的图像水印技术相比,不仅效果更优,而且效率也显著提高.     

基于分块DCT和Tucker分解的彩色图像数字水印

提出了一种通过分块DCT和Tucker分解将水印信息同时嵌入彩色图像R、G、B通道的离散余弦变换(DCT)直流系数中的水印算法。首先对彩色图像R、G、B通道进行8×8分块DCT,然后将各分块系数矩阵的直流系数分量构成三阶张量,再经过Tucker分解后获得核心张量,通过在核心张量中嵌入水印信息使得水印信息同时扩散到三通道的直流系数中。通过实验表明,该算法对于压缩、噪声、滤波、缩放等攻击具有一定的鲁棒性。与传统的基于YCbCr颜色空间的算法比较,该算法具有更好的不可见性。     

基于时序核函数的支持向量回归机

为克服维数灾难和过拟合等传统算法所不可规避的问题,利用支持向量机（Support Vector Machine,SVM）提出基于时序数据时间相关性的核函数修正选择方法,并以真实的二氧化硫（SO2）数据为实验数据验证该方法的有效性．实验结果表明采用时序核函数对测试数据集的拟合效果更好,并对模型泛化能力有一定的提高．     

基于小波变换和Tucker分解的彩色图像数字水印

提出了一种通过小波变换和Tucker分解将水印信息同时嵌入彩色图像R、G、B通道的水印算法。首先对彩色图像R、G、B三通道进行小波变换,然后将获得的三个低频系数构成三阶张量,再经过Tucker分解后获得核心张量,通过在核心张量中嵌入水印信息使得水印信息扩散到原彩色图像的R、G、B三个分量中。通过实验表明,本算法对于压缩、噪声、滤波、缩放等攻击具有一定的鲁棒性,并与在同样嵌入规则下,直接将Tucker分解应用于彩色图像的算法比较,该算法具有更好的稳定性。     

基于二代小波和图像置乱的数字图像盲水印算法

针对基于第一代小波的多分辨率水印算法运算速度慢、图像的重构质量与变换时延拓边界的方式有关等不足,根据第二代小波变换的特点,结合Amold置乱算法,给出一种基于小波多级提升和水印图像置乱来实现的改进型多分辨率图像水印算法,并分别采用Haar、Db2、Db4、9/7小波进行仿真实验。结果表明,该算法不仅保持了传统小波多分辨率图像水印算法的优点,而且有效提高了处理速度,并弥补了传统小波多分辨率图像水印算法中当滤波器增长时,含水印图像质量下降的不足。     

基于奇异值与提升小波的彩色图像水印算法

本文提出了一种基于奇异值与提升小波的彩色图像水印算法,该方法首先将彩色图像从RGB空间转换到YUV彩色空间,然后对YUV空间中的亮度分量Y进行提升小波变换,对低频分量进行奇异值(SVD)分解,然后将水印图像的奇异值嵌入到低频分量的奇异值中,仿真结果表明,该算法不仅具有较好的水印不可见性,而且对常规攻击和几何攻击都具有较好的鲁棒性,而且算法简单、运行速度快,能够满足实时和快速的水印应用要求,算法采用灰度图像作为水印,增加了嵌入的信息量,在版权保护方面具有一定的应用价值。     

利用支持向量机识别汽车颜色

大类别数分类时支持向量机(SVM)数量较多,文中通过类别合并和特征空间分解,结合决策树判别方法．对SVM数量进行优化,提出了一种基于优化SVM的汽车颜色识别方法．该方法与最近邻分类方法相比,无论是在速度上还是识别正确率上都得到了提高．实验结果表明,该方法是一种快速且正确率较高的多类别分类方法,可以满足实时识别的要求．