买专利卖专利找龙图腾，真高效！ 查专利查商标用IPTOP,全免费！专利年费监控用IP管家,真方便！

申请/专利权人：辽宁师范大学

摘要：本发明公开一种基于超像素排序和边缘类型自适应预测的RDH方法，首先提出基于超像素不规则分块和排序策略，将超像素分割技术应用于直方图移动的排序，可以更好利用像素特点；然后提出一种基于像素边缘的分类方法，将像素划分为三种强度及四个方向，并针对像素所处于的边缘类型，使用包括对LS预测器改进的最合适的三种预测器和较强局部一致性的预测上下文，从而构造成适用于当前载体图像的自适应预测器；最后提出基于优化的数据隐藏策略，数据的嵌入位置将根据载体图像和待嵌入数据通过优化算法得到。本发明专注于构建一个足够尖锐的直方图，作为一种基于直方图移动预测误差扩展的可逆数据隐藏方法具有大容量和高图像质量的优点。

主权项：1.一种基于超像素排序和边缘类型自适应预测的RDH方法，其特征在于依次按照如下步骤进行：步骤1.基于超像素的排序步骤1.1利用超像素分割技术，将M×N大小的载体图像I分为n个不规则的超像素子区域；步骤1.2分别计算每个子区域的信息熵，并根据信息熵对所有子区域进行升序排序，重新排序后的子区域的集合记为Part＝{part1，part2，…partn}；步骤2.确定嵌入位置步骤2.1扫描Part中前m个子区域{part1，part2，…partm}中的像素，采用自适应预测器得到预测值pi,j；所述自适应预测器通过扫描载体图像I，按照如下步骤构造而成：步骤2.1.1根据目标像素xi,j的邻域像素之间的差值，利用公式1-4，得到像素xi,j的四个方向梯度：水平方向梯度dh、垂直方向梯度dv、正对角线方向梯度dpd、负对角线方向梯度dnp，其中，下标i,j表示像素位置的索引； 步骤2.1.2根据目标像素xi,j的四个方向梯度，利用公式5-7将像素划分为强边缘、边缘、弱边缘三种类型，所述强边缘和边缘又划分为水平、垂直、正对角线、负对角线四种类型，式中两个阈值Th_strong、Th_weak由全局优化产生； weakedge，ifmaxdh,dv,dpd,dnd-mindh,dv,dpd,dnd＜Th_weak6 步骤2.1.3如果目标像素xi,j属于强边缘，分别按照水平、垂直、正对角线、负对角线四种类型进行预测，得到相应的预测值p1i,j；步骤2.1.3.1目标像素属于stronghorizontaledge类型，利用公式8得到预测值p1i,j； 步骤2.1.3.2目标像素属于strongverticaledge类型，利用公式9得到预测值p1i,j； 步骤2.1.3.3：目标像素属于strongpositivediagonaledge类型，利用公式10得到预测值p1i,j； 步骤2.1.3.4目标像素属于strongnegativediagonaledge类型，利用公式11得到预测值p1i,j； 式中，α是根据预测上下文像素与目标像素所属的子区域而添加的权重，β是根据预测上下文像素与目标像素之间的距离而添加的权重，α的取值如公式12所示，α1、α2、β由全局优化产生； 步骤2.1.4如果目标像素xi,j属于弱边缘，利用公式13得到预测值p1i,j，式中α的取值如公式12所示； 步骤2.1.5如果目标像素xi,j属于边缘，则基于改进的LS预测器，通过训练得到自适应权重，再进行计算得到预测值p1i,j；所述基于改进的LS预测器，通过训练得到自适应权重是按照如下方法进行：步骤2.1.5.1目标像素属于horizontaledge类型，则训练像素选择水平方向的四个邻域像素；步骤2.1.5.2目标像素属于verticaledge类型，则训练像素选择垂直方向的四个邻域像素；步骤2.1.5.3目标像素属于positivediagonaledge类型，则训练像素选择正对角线方向的四个邻域像素；步骤2.1.5.4目标像素属于negativediagonaledge类型，则训练像素选择负对角线方向的四个邻域像素；由训练像素组成4×1大小的训练矩阵Y；利用公式14，得到Y的预测值矩阵PY:PY＝CY×W14式中的CY是由全部训练像素的预测上下文组成的4×9大小的预测矩阵，当预测矩阵中涉及到目标像素xi,j时，使用目标像素xi,j四邻域的平均值来代替，式中的W是9×1大小的权重矩阵；通过最小二乘逼近得到优化后权重矩阵W，最小二乘法的损失函数如公式15所示： 利用公式16，得到预测值p1i,j:p1i,j＝C×W16式中，矩阵W为训练得到的权重矩阵，矩阵C为预测上下文矩阵，如公式17所示：C＝[1,xi-1,j-1,xi-1,j,xi-1,j+1,xi,j-1,xi,j+1,xi+1,j-1,xi+1,j,xi+1,j+1]17步骤2.1.6根据目标像素值xi,j和预测值p1i,j，利用公式18得到像素的预测误差e1i,j；e1i,j＝xi,j-p1i,j18步骤2.1.7构建图像的预测误差直方图，h*表示直方图中预测误差等于*的bin的高度，hmax是峰值bin中预测误差的数量，max是其对应的预测误差；步骤2.1.8调整预测器中待优化的三个权重α1、α2、β和两个阈值Th_strong、Th_weak，如公式19所示：{α1#,α2#,β#,Th_strong#,Th_weak#}＝argmaxhmaxα1,α2,β,Th_strong,Th_weak19当hmax有最大值时，将五个参数α1#、α2#、β#、Th_strong#、Th_weak#记录下来，构造成适用于当前载体图像的自适应预测器；步骤2.2根据待嵌入数据修改预测误差ei,j，得到修改后的预测误差e2'i,j，式中a和b是用于扩展的两个预测误差的取值，由全局优化产生，其中a0≤b，data∈{0,1}是一比特的待嵌入数据； 步骤2.3如果预测误差等于a和b的像素能够嵌入全部的数据，利用公式21计算嵌入失真D； 调整a和b的取值，如公式22所示，当D取最小值时，将a#、b#记录下来，作为最终用于扩展的预测误差的取值；{a#,b#}＝agrminDa,b22将m#←m，并将此时的m#记录下来；否则，如果a和b取任意值时都不能嵌入全部的数据，将m←m+1，返回步骤2.1；步骤3.基于直方图移动的数据嵌入步骤3.1扫描载体图像I中所有像素，对于属于{part1，part2，…partm#}中的子区域的像素xi,j，采用步骤2.1所述的自适应预测器，得到预测值pi,j，否则跳过；步骤3.2根据待嵌入数据修改预测误差，利用公式20得到修改后的预测误差e'i,j，式中a、b的取值分别为a#、b#，data∈{0,1}是一比特的待嵌入数据； 步骤3.3根据预测值pi,j和修改后的预测误差e'i,j，利用公式23得到修改后的像素值x'i,j；x'i,j＝pi,j+e'i,j23步骤3.4当所有的待嵌入数据都嵌入到载体图像中，记录最后的嵌入像素位置并结束扫描，得到隐写图像步骤4.图像恢复与数据提取。

全文数据：

权利要求：

百度查询： 辽宁师范大学 一种基于超像素排序和边缘类型自适应预测的RDH方法