项目名称: 基于视觉显著内容的图像半脆弱自恢复水印算法研究

项目编号: No.61202499

项目类型: 青年科学基金项目

立项/批准年度: 2013

项目学科: 计算机科学学科

项目作者: 李春雷

作者单位: 中原工学院

项目金额: 23万元

中文摘要: 针对半脆弱自恢复水印算法鲁棒性及图像恢复质量之间存在的矛盾,本课题拟对基于视觉显著内容的图像半脆弱自恢复水印算法进行深入研究。首先,研究水印信息的有效表示。拟提出基于视觉显著内容及压缩感知的水印生成方法,降低水印量,同时增加水印的容错性。其次,研究基于图像块的多比特水印嵌入及提取策略。拟提出随机分组量化的水印嵌入方法,增加算法对于合理失真的鲁棒性,并基于最小测度水印提取器,建立误码率模型,选取合适的失真补偿因子,在未遭受恶意篡改的前提下,准确提取水印位;最后,研究篡改定位、篡改类型判别及图像恢复策略。拟提出基于双向认证及聚类分割的篡改定位方法,提高篡改定位精度,并使用SVM分类器对破坏类型进行判别,针对性地选取恢复策略,重构图像显著内容。课题研究将在保证算法鲁棒性的基础上,提高图像恢复质量。同时,该课题也将为半脆弱自恢复水印研究提供新思路,并进一步提高其实际应用价值,拓宽应用前景。

中文关键词: 视觉显著型模型;随机分组量化;篡改类型判别;自恢复;鲁棒性

英文摘要: To trade off the robustness of semi fragile self-recovery watermarking algorithm and the quality of recovery, this research is to deeply study the semi fragile self-recovery algorithm of image watermarking based on visual salient contents. First, the effective representation of watermarking information is proposed. Afterwards, we propose a watermark generation method based on visual salient contents and compressive sensing, which can not only reduce the watermark amount and but also improve the fault tolerance of the generated watermark. Second, a block-wise image multi-bit watermark embedding and extraction solution is proposed. For this solution, we propose a randomly-group quantization embedding method for increasing the robustness of the algorithm to the tolerable distortion. Moreover, we propose a Bit Error Rate (BER) model via a minimum-measure-based watermark extractor, which chooses the fine-tuned distortion compensation factor to accurately extract the watermarks when the image content integrity is kept. Finally, the solutions of the tamper localization, identification, image recovery are proposed. Namely, we propose a method based on a double authentication and clustering method to increase the accuracy of tamper localization and employ a SVM classifier to identify the tamper type, and accordingly sele

英文关键词: visual saliency;randomly-group quantization;tamper identification;self-recovery;robustness

成为VIP会员查看完整内容
0

相关内容

基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【CVPR2022】基于渐进自蒸馏的鲁棒跨模态表示学习
专知会员服务
18+阅读 · 2022年4月13日
【博士论文】基于深度学习的单目场景深度估计方法研究
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
14+阅读 · 2021年8月2日
专知会员服务
26+阅读 · 2021年7月16日
专知会员服务
77+阅读 · 2020年12月6日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
一文读懂图像压缩算法
七月在线实验室
16+阅读 · 2018年5月2日
如何设计基于深度学习的图像压缩算法
论智
41+阅读 · 2018年4月26日
深度图像先验:无需学习即可生成新图像
论智
45+阅读 · 2017年12月4日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
Arxiv
1+阅读 · 2022年4月19日
Arxiv
0+阅读 · 2022年4月17日
Arxiv
0+阅读 · 2022年4月16日
Arxiv
15+阅读 · 2021年7月14日
Meta-Learning to Cluster
Arxiv
17+阅读 · 2019年10月30日
小贴士
相关VIP内容
基于深度学习的图像目标检测算法综述
专知会员服务
97+阅读 · 2022年4月15日
【CVPR2022】基于渐进自蒸馏的鲁棒跨模态表示学习
专知会员服务
18+阅读 · 2022年4月13日
【博士论文】基于深度学习的单目场景深度估计方法研究
基于RGB-D图像的语义场景补全研究进展综述
专知会员服务
28+阅读 · 2021年11月8日
专知会员服务
22+阅读 · 2021年9月23日
专知会员服务
14+阅读 · 2021年8月2日
专知会员服务
26+阅读 · 2021年7月16日
专知会员服务
77+阅读 · 2020年12月6日
基于改进卷积神经网络的短文本分类模型
专知会员服务
25+阅读 · 2020年7月22日
基于深度学习的多标签生成研究进展
专知会员服务
141+阅读 · 2020年4月25日
相关基金
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
2+阅读 · 2011年12月31日
国家自然科学基金
0+阅读 · 2009年12月31日
微信扫码咨询专知VIP会员