基于NSCT与约束NMF的抗干扰图像融合水印算法
109 浏览量
更新于2024-08-27
收藏 521KB PDF 举报
本文探讨了一种基于Non-Subsampled Contourlet Transform (NSCT) 和约束非负矩阵分解(Constrained Non-negative Matrix Factorization, CNMF)的图像融合水印算法。发表在《信号处理、图像处理与模式识别》(International Journal of Signal Processing, Image Processing and Pattern Recognition) 的2015年第8卷第1期,页码69-78,DOI为10.14257/ijsip.2015.8.1.07,ISSN为2005-4254。该研究由西安医学院计算机工程学院的谢敏(Xianmin Wei)和彭章(Peng Zhang)共同完成,通讯地址位于中国潍坊东风东路5147号。
研究背景是为了解决Contourlet变换中的混叠(aliasing)问题,作者提出了一种新的方法。该算法分为三个主要步骤:
1. 图像分解:首先,对原始图像进行NSCT分解,将图像分割成多个子带或层次,每个子带对应不同的频率成分,有助于提取关键信息并减少低频区域的干扰。
2. 构建低频矩阵:接着,利用低频系数(通常包含更多的图像结构信息)和嵌入的水印信号构建一个二维矩阵。低频系数的选择有助于增强水印的嵌入效果,而水印信号则被巧妙地融入其中。
3. 水印嵌入:通过CNMF进行嵌入操作。CNMF是一种非负矩阵分解技术,它在保持数据非负性的同时进行特征学习,这使得嵌入的水印能够在不影响图像视觉质量的同时保持良好的不可见性。
4. 盲检测与鲁棒性:算法采用盲检测方法来验证嵌入的水印,即使在经过常见的图像处理攻击(如缩放、旋转、裁剪等)后,仍能有效地检测出水印的存在,体现出很高的鲁棒性。
5. 实验结果与评价:实验结果显示,该算法在保证图像融合质量和水印不可见性的前提下,具有良好的抗攻击性能,适合于数字版权保护和信息安全领域应用。
关键词包括:数字水印、非抽样轮廓线变换(Non-Subsampled Contourlet Transform)、非负矩阵分解(Non-negative Matrix Factorization)、图像融合、盲检测以及鲁棒性。这篇研究提供了一个创新的解决方案,提高了图像水印技术的实用性和安全性。
2012-09-26 上传
321 浏览量
2021-01-29 上传
2020-10-18 上传
2021-10-10 上传
weixin_38562392
- 粉丝: 4
- 资源: 917
最新资源
- 前端协作项目:发布猜图游戏功能与待修复事项
- Spring框架REST服务开发实践指南
- ALU课设实现基础与高级运算功能
- 深入了解STK:C++音频信号处理综合工具套件
- 华中科技大学电信学院软件无线电实验资料汇总
- CGSN数据解析与集成验证工具集:Python和Shell脚本
- Java实现的远程视频会议系统开发教程
- Change-OEM: 用Java修改Windows OEM信息与Logo
- cmnd:文本到远程API的桥接平台开发
- 解决BIOS刷写错误28:PRR.exe的应用与效果
- 深度学习对抗攻击库:adversarial_robustness_toolbox 1.10.0
- Win7系统CP2102驱动下载与安装指南
- 深入理解Java中的函数式编程技巧
- GY-906 MLX90614ESF传感器模块温度采集应用资料
- Adversarial Robustness Toolbox 1.15.1 工具包安装教程
- GNU Radio的供应商中立SDR开发包:gr-sdr介绍