基于超分辨率图像重组技术数码图片水印 翻译2.docxVIP

基于超分辨率图像重组技术的数码图片水印  PAGE \* MERGEFORMAT 10 基于超分辨率图像重组技术的数码图片水印 摘要：我们将提出一种基于超分辨率图像重组(SRIR)的全新算法。我们用模式识别的方法来优化数码水印的性能。首先，将二进制水印在嵌入之前扫描到一维序列之中，同时，我们选择一个混合纠错码—(3,1,2)卷积码和(3,1)重复码来编码原始水印，然后将该序列一帧一帧地输入进(3,1,2)卷积编码器和(3,1)重复编码器中。将输出序列扫描到一些矩阵中来 作为水印的信息。第二，图像模糊表示的超分辨率重组是用载体图像来实现的。然后，限制住用反复嵌入低频波段离散微波变换(DWT)的混合纠错码编码的图像和水印。实验结果表明，我们用SRIR做的图像水印方案比传统的不用SRIR做的方案要好得多，不但是隐形的，而且抵抗各种常见的信号处理(比如JPEG压缩，椒盐噪声，高斯低通滤波和中值滤波)。 关键词：数码图像；数码水印；纠错码(ECC)；超分辨率图像重组 1 介绍 随着互联网的高速发展，在最近几年中，水印安全得到了学术界和工业的大量关注。总体来说，数码水印算法可以被分为两种，即空间域和频率域，频率域方式比空间域方式要好得多[1]。例如，微波变换域具有良好的时频域特征，这是一种在多分辨率微波分析方法中被广泛应用的关键技术。基本的想法是用多分辨率分解技术来分解一个图像，并将该图像分解进入许多不同的空间和不同的频率子图像当中[2]。水印拥有两个重要的特征：透明性和鲁棒性。对于图像水印，隐形的定义是载体图像嵌入之后不会明显降低。鲁棒性指的是水印不会在一般信号处理操作之后消失。 水印技术的一个关键点是对透明度和鲁棒性之间的权衡。从知识保护的观点出发，水印比图像更重要，尽管图像质量可以保持。为了提高嵌入水印的鲁棒性，本文提出了一种基于SRIR的数码图像水印算法。其主要的任务是实现在处理载体图像时，图像稀疏表示的超分辨率重组。在本文中，我们选择了一种原始图像先是变小再变大的超分辨率重组方法。在放大的过程中，像素信息的填充大大消除了，可以增强水印鲁棒性的原始图像像??之间的联系。混合纠错码可以在代码之间附加更多的冗余，并且可以增强解码器的纠错能力。最后，限制住用反复嵌入低频波段离散微波变换(DWT)的混合纠错码编码的图像和水印。结果显示，我们的用SRIR技术做的图像水印方案比传统的方案要好得多。 这项工作提出了一个安全，快速，有效的图像水印算法。文章的剩余部分组织如下。第二部分介绍了SRIR的原理。第三部分则描述了卷积码的编码和解码方式，介绍了重复码。第四部分呈现了水印的插入和提取。第五部分呈现了实验结果。总结则写在第六部分。 2 超分辨率图像重组 SRIR可以从几张低分辨率图像中产生一张高分辨率图像，也可以消除附加性噪声，区别小型仪器和光学元件。从数学的角度来看，超分辨率是一个病态的逆问题，为了解决这个问题，必须有一个合理的先验假设。有高斯过程先验模型，胡贝尔MRF模型，全变分模型，等等。上述模型在先验假设模型中被广泛应用。然而，为了达到一个更好的效果，我们需要解决的不仅是图像亚像素的校准问题，还要满足用平方比例放大的低分辨率图像的数量。因此，如果该方案采用重组，那么当低分辨率图像的数量不够时，随着放大倍率的增大，图像的质量将严重降低。弗里曼等人[6-7]采用马尔科夫网络来构建低分辨率和高分辨率图像块之间的对应关系，然后使用贝叶斯理念传播算法去找到后验概率中的本地最大值来解决，这是第一个使用机器学习超分辨率的算法。在本文中，我们专注单个原始水印图像超分辨率。与上述提到的基于学习的方法相同的是，我们也可以使用基于图像块的方法。第二，在图像稀疏表示的目标下，寻找一个用LR/HR图像块产生的正在完成的代码，在稀疏表示下是同构的。然后，使用这个代码去获得测试图像块的稀疏表示，然后输出一个高分辨率明亮图像。 . 图像的稀疏表示 图像稀疏表示的基本原理可以如下描述： 假设，是一个图像块的向量，，是一个正在完成的代码。代表一个向量非零元素的个数，是的列向量的线性相关最小值，其中，对于的稀疏表示是独一无二的，因此 ， (1) 去得到(1)的精确解已经被证明是个NP难题，因此通常都考虑近似解。最早最简单的是匹配追踪算法[9]，正交匹配追踪算法是一种匹配追踪算法[10]的改良算法。上述两种算法都用到了贪婪想法，一个最好的原子被挑选用来组成这个原子和该原子残余部分最大化之间的内在物体。与此同时，另一个近似解法被叫做基础追踪算法[11]，这个算法中用范数来替代范数，然后将