基于DDCT与TCSVD的人脸特征提取与识别算法

提出一种基于分块离散余弦变换(DCT)与奇异值分解阈值压缩(TCSVD)的人脸特征提取与识别算法。该算法对人脸图像进行分块DCT变换,根据图像块位置和能量分布选择不同的DCT高低频分量构建特征矩阵,通过对每个图像块的特征矩阵进行SVD阈值压缩和特征组合来构建人脸鉴别特征,并利用分类器进行特征分类与识别。AR人脸库上的实验结果验证了该算法的有效性。     

基于分块FRIT-SVD的鲁棒零水印算法

针对水印图像轮廓特征的提取,使用小波变换并不是最佳方式,脊波变换较小波变换有着更好的逼近精度和稀疏性能。结合二维混沌系统、SVD和位平面技术共同构造零水印信息,提出了一种基于脊波变换域的鲁棒零水印算法。该算法首先对载体图像进行二维一级小波变换提取低频域,利用分块策略对其分块并进行有限脊波变换(FRIT),经SVD提取最大奇异值构造特征矩阵后,使用二维混沌系统对特征矩阵进行置乱加密,提取特征矩阵中的重要位平面与加密水印信号结合生成注册零水印信息,不仅提高了水印鲁棒性,双重加密后的水印安全性能也得到提升。实验表明,该算法具有较好的鲁棒性、安全性和易操作性,能够有效抵抗各类图像攻击。     

一种新的基于DCT和SVD的鲁棒水印算法

提出一种基于离散变换域(DCT)和矩阵奇异值分解(SVD)的鲁棒水印算法.首先将载体图像进行离散余弦变换,取包括直流系数在内的与水印图像大小一致的变换域信息;然后分别将所取信息和有意义水印图像作SVD分解,得到四个正交矩阵和两个对角矩阵;最后将水印图像SVD得到的三个矩阵分别嵌入到其余三个矩阵中,作SVD和DCT逆变换得到含水印图像.实验结果证明,本算法具有较强的鲁棒性.     

基于混沌变换的SVD图像水印算法

数字水印技术向多媒体数字作品中加入秘密信息并对其进行判定区分,从而起到保护版权作用。分析了奇异值分解的图像矩阵特性,基于混沌变换加密,实现SVD变换域内的有意义数字水印。实验结果表明了分块SVD图像水印算法的有效性和稳健性。     

基于提升小波和奇异值分解的灰度水印算法*

以提升小波变换和奇异值分解的理论为基础,提出了一种新的基于LWT和SVD的灰度图像水印算法。该算法核心思想是先对载体图像进行分块;然后对每块二级LWT后的中高频带继续LWT;再对选取的各频带进行SVD,选取相应的奇异值组成新的矩阵,对新矩阵按规则分块,并再次SVD。通过两次分块、两次LWT和四重使用SVD构造矩阵的方法,有效地将抽取的奇异值重新分配和组合。最后将Logistic混沌置乱后的灰度水印信息加载到组合后的矩阵中。该算法以保证鲁棒性和透明性的良好平衡为前提,提高了嵌入的信息量。仿真实验表明,该算法     

基于混合变换域的奇异值分解水印算法

提出一种基于离散小波变换(Discrete Wavelet Transform,DWT)及离散余弦变换(Discrete Cosine Transform,DCT)的混合变换域与奇异值分解(Singular Value Decomposition,SVD)相结合的数字水印算法。该算法将原始图像的小波子图进行分块DCT变换,抽取各块含图像大部分能量的部分合并,并对此矩阵进行奇异值分解再进行水印的嵌入。实验仿真表明,这种方法能抗大多数图像处理攻击,具有良好的鲁棒性。     

快速r循环分块Jacket变换

由中心权重哈达玛变换发展而来的Jacket变换,因其正交性、求逆简单和拥有快速算法等特点逐渐受到关注。Jacket变换可应用于信号与图像处理、数字移动通信、量子编码、大数据处理等领域。为了进一步丰富Jacket变换理论,提出了一种通用的循环分块Jacket变换(r-circulant block Jacket transform,r-CBJT)。同时基于基本的r循环分块矩阵的性质,给出了任意阶r循环分块Jacket变换矩阵的构造方法。随后进一步推导了任意阶r循环分块Jacket变换矩阵的快速构造与分解算法,该快速算法可表示为单位矩阵与低阶Jacket矩阵连续克罗内克积的迭代形式。相比直接计算算法,该快速算法拥有更高的计算效率,且该快速算法也可应用于具有类似结构的其他类型的r循环分块Jacket变换。     

基于DCT和SVD的图像哈希水印算法

为使频域水印技术更好地应用于数字图像的版权保护,提出一种基于离散余弦变换和奇异值分解相结合的图像哈希水印算法。利用DWT变换提取载体图像的低频系数矩阵构造水印;对载体图像进行分块DCT变换,提取每个子块的低频系数;对低频系数所组成的矩阵进行SVD变换,在对角阵上嵌入水印;对频域系数进行逆变换得到含水印图。将已有算法和当前所提出的算法进行对比,实验结果表明,所提水印算法具有良好的不可感知性和鲁棒性。     

一种新的LWT和SVD的灰度图像水印

先对载体图像进行分块,然后对每块二级LWT后的中高频带再次LWT,并对选取的各频带进行SVD,选取其相应的奇异值组成新的变换矩阵,对新的变换矩阵按规则进行分块,并再次SVD。通过两次分块,两次LWT和四重使用SVD构造矩阵的方法,有效地将抽取的奇异值重新分配和组合,最后将Arnold置乱后的灰度水印信息加载到组合后的矩阵中。仿真实验表明,新的图像水印方法提高了嵌入的信息量,具有很好的透明性,而且对常见的图像攻击具有很强的鲁棒性。     

Arnold置乱在零水印中的二次复用

为了提高水印的鲁棒性和减小对应版权信息的大小,本文提出了一种基于Arnold变换、DWT和SVD的零水印算法。该算法将载体图像进行DWT变换,对低频子带进行分块SVD;比较置乱后的最大奇异值的大小,若大于则对应位为1,否则为0;将结果与预处理过的水印做异或运算,得密钥矩阵。该矩阵为检测水印提供密钥。实验证明,本算法对图像压缩、滤波、模糊、噪声及脏图具有良好的鲁棒性。     

一种基于奇异值分解的数字水印算法

数字水印的出现为版权保护提供了一种新的解决途径。提出了基于奇异值分解(Singular Valuc Dccomposition)的数字水印算法。图像奇异值分解(SVD)有以下性质：分解后图像矩阵的奇异值集中反映了图像的“亮度”(能量)特性，而对应的奇异矩阵只反映了图像的“几何”特性。因而奇异值的细微变化不会影响图像的视觉效果。对图像分块并做奇异值分解，在奇异值域做数学变换以嵌入lbit的二值水印信息。该算法不同于别的算法的一个优点是：水印的提取是“盲提取”，即水印的提取不需要原图像参与。     

基于多小波变换和分块SVD的彩色图像水印算法

提出了一种基于多小波变换和分块SVD的非盲水印算法。选择彩色图像的饱和度分量作为水印的嵌入域,水印为有意义的灰度图像,水印经Arnold置乱后被嵌入到饱和度分量多小波变换的不同中频区域中。实验证明,该算法不仅对噪声、JPEG压缩、剪切及Photoshop处理具有很好的鲁棒性,而且能抵抗旋转、放缩和平移等几何攻击。     

基于细胞自动机与奇异值分解的零水印算法

针对常规水印算法对JPEG压缩与几何攻击鲁棒性较差的问题,提出了一种基于细胞自动机(CA)变换与奇异值分解(SVD)的零水印算法。首先对图像进行二维细胞自动机变换,分离出低频近似图像并保存作为密钥的变换参数;然后对低频图像分块并在每个子块上进行奇异值分解,通过细胞自动机变换规则在每个子块的奇异值矩阵上构造零水印;最后,图像认证时根据两个图像的水印相似度是否大于阈值来判断图像是否遭遇篡改。通过实验证明,该水印算法具有良好的不可见性和安全性,并且对于JPEG压缩与几何攻击表现出较强的鲁棒性。     

基于奇异值分解的数字图像水印算法

奇异值分解（Singular Value Decomposition,SVD）是一种特殊的矩阵分解技术。图像的奇异值具有很好的稳定性,体现的是图像的内蕴性质,这使得它在图像水印领域得到了广泛应用。通过回顾空域和变换域中经典的基于SVD的水印算法,分析了算法的缺陷,讨论了现有的改进方案,提出了基于奇异值分解设计水印算法的注意事项。     

一种基于Slant变换和SVD的稳健性数字水印算法

针对奇异值分解(SVD)存在的虚警错误和水印隐蔽性与鲁棒性的矛盾问题,提出了一种基于Slant变换和SVD的稳健性数字水印算法。对二值水印图像进行Arnold置乱和Logistic映射双因子加密预处理,增强水印信息安全性;将原始载体图像分成8×8不重叠子块分别对其进行Slant变换和块奇异值分解;然后将水印图像SVD后的左奇异矩阵和奇异值矩阵相乘作为水印主成分嵌入到每个子块的最大奇异值中。仿真实验结果表明,该算法不仅有效解决了传统SVD水印算法的虚警问题,提升了运行速度和水印安全性,在具有较好隐蔽性的同时,对JPEG压缩、噪声、滤波、几何攻击等也有较好的稳健性。     

Tetrolet变换和SVD结合的盲检测稳健数字水印嵌入策略

提出了一种Tetrolet变换和奇异值分解(SVD)相结合的图像盲检测稳健数字水印算法。该算法先对二值水印图像进行双因子混沌加密预处理;对原始载体图像进行二级Tetrolet变换,并将二层低频子带系数进行分块SVD分解;最后将加密的水印信息量化嵌入SVD最大系数中。水印检测时,无需原始载体图像和原始水印图像的参与,实现水印信息盲提取,提高数字水印系统的实用性。仿真实验结果表明,在保证水印安全性和不可感知性的基础上,该算法对常规图像处理、几何攻击等均具有较好的稳健性。     

基于SVD和Radon变换的抗旋转攻击盲水印算法

为了提高传统基于奇异值变换（SVD）的数字水印抗几何攻击能力,提出一种在小波变换域将Radon变换和奇异值变换相结合的抗旋转攻击鲁棒性水印算法。将宿主图像进行小波变换,对变换后的低频子带进行奇异值分解,将经过仿射变换置乱后的二值水印图像嵌入到奇异值中。在水印嵌入操作上采用了奇偶量化嵌入算法从而实现了二值水印图像在水印检测时的盲提取;同时在水印检测之前,利用Radon变换检测算法对待检测图像进行几何校正,然后提取水印信息。实验结果表明,该算法对于噪声感染、滤波、JPEG压缩等常规信号处理的鲁棒性优于传统的基于SVD的数字水印算法,同时对于旋转几何变换具有很好的鲁棒性。     

基于SVD的图像数字水印技术研究

奇异值分解(SVD)是一种特殊的矩阵变换,图像矩阵的奇异值具有很好的稳定性,并且体现了图像的内蕴性,这些特性使得它在数字水印领域得到了应用.目前,基于SVD的数字水印技术引起了广大研究者的兴趣,开发出了鲁棒性和抗攻击性都比较棒的水印算法.就两个比较典型的算法做出比较和分析,提出了在SVD领域设计数字水印应注意的问题,给出了今后SVD领域设计数字水印技术的发展方向.     

一种基于DCT和SVD的音频水印算法

提出一种基于离散余弦变换(DCT)和奇异值分解(SVD)的音频水印算法.该算法将原始音频进行分段后再分块,对每一块进行DCT 变换,利用Zig-Zag算法将变换后的系数分成4个象限,通过对每个象限进行SVD变换得到对角阵,并在对角阵的第1个元素内嵌入水印.实验结果证明,该算法具有良好的透明性,在嵌入强度为0.2时峰值信噪比较高,同时可以抵抗重采样、回声、噪声等攻击,具有较高的鲁棒性.     

基于Contourlet-SVD与Wavelet-SVD的数字水印算法性能比较分析

如何抵抗图像旋转攻击的能力成为了数字水印算法研究的重点之一,本文提出了基于Wavelet-SVD和基于Contourlet-SVD的水印算法,该算法结合奇异值分解(Singular Value Decomposition,SVD),在保证算法鲁棒性的同时具有了抗旋转攻击的能力,实验结果表明,在相同算法下框架下,Contourlet变换的鲁棒性比Wavelet变换要高。