基于PCA和DWT的强鲁棒数字水印算法

针对传统离散小波变换(DWT)数字水印算法抗几何攻击能力较弱的问题,提出一种基于主成分分析(PCA)和DWT的新的数字水印算法。新算法对载体图像进行一级小波分解,在低频子带上用主成分分析提取出既含有高频又含有低频成分的主成分系数,将水印嵌入到提取出的主成分系数中。实验结果表明,与传统DWT水印算法相比,该算法不仅明显提高了抗剪裁、旋转等抗几何攻击能力,对加噪、图像灰度值变化等攻击也表现出了很强的鲁棒性。     

基于小波变换的图像数字水印技术的研究

随着信息技术和计算机网络技术的迅速发展,数字化产品越来越多,随之而来的数字化产品的版权保护和所有权认证问题必须得到很好的解决。从而数字水印技术应运而生。论文首先简单介绍了数字水印的起源、研究内容,接着阐述了数字水印技术的特点,分类,基本框架,各种常见数字水印算法,评价标准及各种攻击手段。最后确定从小波变换入手,介绍了一种稳健的DWT域图像水印算法,实现了数字水印的嵌入和提取,并使用剪切、滤波、添加噪声等几种攻击手段验证该算法的鲁棒性。本算法主要具有抗基本攻击鲁棒性较好地优点,是一种简单易实现,嵌入水印效果好,提取水印效率高的算法。     

基于纹理复杂度与DCT变换的彩色图像数字水印

利用共生矩阵模型对图像复杂度进行了分析,结合人类视觉系统,提出一种基于纹理复杂度的数字水印算法。该算法将彩色宿主图像从RGB空间转换到YUV空间,提取Y分量,并且根据宿主图像的纹理平均复杂度度量对宿主图像进行纹理区域划分;对水印图像进行二值化处理并且进行Arnold置乱;对宿主图像进行DCT变换,利用Watson视觉模型控制水印嵌入强度。实验表明,该算法取得较好的效果,并且对水印攻击具有较好的鲁棒性。     

一种鲁棒的数字水印算法

数字水印是信息隐藏和版权保护的有效手段。针对一般数字水印算法的视觉性和鲁棒性无法兼顾的问题,对JPEG 2000的图像格式提出了一种自适应的盲水印算法。算法使用m+n位的线性反馈移位寄存器对水印图像进行移位置乱,然后利用JPEG 2000图像的特点,对原始图像进行小波变换处理后选择低频子带进行水印的嵌入,在量化处理的同时完成了水印的嵌入,提高了水印嵌入的速度。根据LSFR的性质,算法对水印进行有效地检测和移位复原,实现了水印的盲提取。实验表明,该算法具有良好的视觉性和抵抗攻击的鲁棒性。     

基于灰度共生矩阵的纹理特征值提取

图像分类识别的常用方法是先提取图像特征,再进行特征值的归类。图像特征包括几何特征、形状特征、颜色特征、纹理特征等等。本系统主要针对图像的纹理特征进行提取、分析,通过研究灰度的空间相关特性来描述纹理,利用灰度共生矩阵产生的四个纹理特征值使其能有效的描述相应图片的纹理特征,最后实现具有显著纹理特性的图像的分类识别。     

基于多特征融合的自适应烟雾检测算法

烟雾检测技术在火灾早期预警阶段发挥着重要的作用,准确快速地烟雾检测算法具有非常重要的实际应用价值。针对现存的烟雾检测算法抗干扰能力差、实时性不强、复杂场景下适应性差的问题,本文提出基于多特征融合的自适应烟雾检测算法。首先,算法通过改进的三帧差分法提取基于图像块的运动区域;其次,提取烟雾图像块的HSV颜色特征、纹理特征、能量特征、面积变化率和LBP特征,多特征融合之后通过支持向量机(SVM)算法训练烟雾检测模型,进行烟雾检测。为了有效评估基于多特征自适应的烟雾检测模型的有效性,在复杂的烟雾场景中进行试验,试验结果证明该烟雾检测算法具有良好的鲁棒性。     

一种基于神经网络的扇贝图像识别方法

为了满足计算机视觉辅助下应用机器人进行扇贝自动分拣的实时性和鲁棒性要求,提出了一种基于神经网络的扇贝识别和分级方法。首先对图像进行灰度化处理,并用canny算子检测目标边界,然后用8-连通邻域追踪算法提取目标边界像素坐标,最后计算目标边界到中心点的平均距离及其绝对平均误差,并作为特征信息训练BP神经网络,实现对扇贝图像识别和分类。实验结果表明,该方法可以快速实现扇贝的自动识别和分级工作。     

提升小波和模糊聚类在图像数字水印中的应用

将提升小波变换与模糊聚类相结合,提出一种基于变换域的自适应盲水印算法。算法利用提升小波变换得到图像的低频子图,结合人类视觉特征进行模糊C均值聚类,进一步划分出最适合水印嵌入的纹理区域,并嵌入经过混沌映射加密的水印。对比攻击实验表明该算法具有较好的透明性和鲁棒性,能有效抵抗多种类型的攻击。     

基于图像网格化分割的实时车道线识别算法

车道线识别技术是利用光学传感器对环境进行感知,为车辆行为的决策和控制提供重要的车道信息,其本质是从图像中提取车道线的轨迹坐标。基于深度学习的车道线识别算法大多采用密集预测型方法提取车道线轨迹,因而在提取过程会重复处理大量的冗余信息。针对这一问题提出一种改进算法,该算法将图像划分为多个小网格,并对各网格进行分类,从而减少提取过程中冗余信息的处理次数。在此基础上,设计深度神经网络用于网格分类,其与常规密集预测型神经网络的区别在于:利用了无参数的亚像素卷积替代转置卷积以避免棋盘格效应;采用1×1卷积替代全连接层分类器,实现在网格分类过程中保留关键空间位置信息,同时降低网络规模。在CULane数据集上分别训练Lane Net与改进算法,并进行对比分析,分析结果表明,改进后的车道线检测算法在准确性与实时性方面均具有明显优势。     

一种结合纹理特征的极化SAR图像分类方法

为充分提取极化SAR图像中的信息来提高极化SAR图像分类精度,首先通过极化目标分解得到多个参数组成极化分解特征向量,然后提取纹理特征值得到纹理特征向量,最后将纹理特征向量与极化特征向量组合成新的特征向量,利用支持向量机SVM方法进行分类。对Radar Sat-2的Pol SAR数据进行分类实验,并对分类结果进行定性和定量比较分析。实验结果表明纹理特征与极化特征结合用于极化SAR图像分类可以提高分类精度。