优化块选择策略的高性能可逆信息隐藏算法

块选择是改善基于像素值排序的可逆信息隐藏算法性能的关键策略,通过在波动性较小的块中优先嵌入数据,可提升相应算法的不可感知性。然而,现有计算波动值的方法准确性受限于分块大小、形状和所选用的预测器,所以设计一种可以在不同分块大小、不同分块形状、不同类型预测器下通用的计算方法就尤为重要。对于较大的或者形状不规则的分块,若用于参与扩展计算的像素空间位置相关性较弱,即使相应的块波动值较小,在实际嵌入过程中,也仍然可能导致无效平移。为了解决该问题,首先提出了一种改进的波动性定义,以同时考虑水平、竖直、双斜对角4个方向上下文像素的一致性,判断完局部邻域内相邻像素一致性后,再判断同一方向上两个邻域的整体像素一致性,提升了块选择的准确性;其次,考虑了最大值与次大值、最小值与次小值之间的切比雪夫距离,通过消减最大值或最小值像素的扩展来减少无效移位。实验结果表明,文中提出的方案可实现更好的不可感知性。     

基于深度学习和像素值排序的大容量图像可逆信息隐藏方法研究

像素值排序（Pixel Value Ordering）技术是可逆信息隐藏中最新颖的技术。该技术对像素块中的像素值进行排序，使用目标块中像素次大值与次小值的差值作为波动值并根据波动值对目标像素块进行预测嵌入。本文提出了一种新的波动值计算方法。首先，我们使用深度学习中的transformer来预测目标像素块的波动性。与传统的波动性计算方法相比，我们求得的波动值更能体现目标块与图像其他部分的相关性。同时，我们提出了一种自适应的分块策略，该策略针对不同的波动值，选择更为适应目标像素块的二次分块策略，更大程度上利用到了平滑块进行嵌入。实验结果表明，改进的算法不仅增大了不可感知性，同时也提升了嵌入容量。