《基于Contourlet算法的新型图像编码技术研究与验证》由会员上传分享,免费在线阅读,更多相关内容在学术论文-天天文库。
r:.t.,.■?.'^Vfp:^v.h.‘.“XVVMM4藝l^..^/^,/A.-^^^,^-.'--nt1勾.V-<■%验..:..p%:>.i-v^?^fV^-:^..'^.vy〕,■'>?y,,-■”i-,G、^yv-^l3。i?..^.,..^l,?^“V0f.、.。,,.之:-.-f,/-^”^+h 国内图书分类号:TP391213国际图书分类号:6.1(M工程硕士学位论文基于Contourlet算法的新型图像编码技术研究与验证硕士研究生:李治导师:杨小天申请学位:工程硕士学科、专业:工业设计工程(电气方向)所在单位:电气与计算机学院答辩时间:2017年6月授予学位单位:吉林建筑大学 吉林建筑大学硕士学位论文原创性声明本人郑重声明:此处所提交的硕士学位论文《基于Contourlet算法的新型图像编码技术研宄与验证》,是本人在导师指导下,在吉林建筑大学攻读硕士学位期间独立进行研宄工作所取得的成果。据本人所知,论文中除己注明部分外不包含他人已发表或撰写过的研宄成果。对本文的研宄工作做出重要贡献的个人和集体,均己在文中以明确方式注明。本声明的法律结果将完全由本人承担。作者签字曰期:年^月>/<曰j 吉林建筑大学硕士学位论文使用授权书《基于Contourlet算法的新型图像编码技术研宄与验证》系本人在吉林建筑大学攻读硕士学位期间在导师指导下完成的硕士学位论文。本论文的研究成果归吉林建筑大学所有,本论文的研究内容不得以其它单位的名义发表。本人完全了解吉林建筑大学关于保存、使用学位论文的规定,同意学校保留并向有关部门送交论文的复件和电子版本,允许论文被查阅和借阅。本人授权吉林吉林建筑大学,印、。可印或其他复制手段保存论文,可内容以采用影印缩以公布论文的全部或部分□。保密,在年解密后适用本授权书本学位论文属于不保密0。“”V(请在)以上相应方框内打:作者签名日期w日h’十?臺导师签名曰期4 ClassifiedIndex:TP391U.D.C:621.3DissertationfortheMasterDegreeinEngineeringRESEARCHANDVERIFICATIONOFNEWIMAGECODINGTECHNOLOGYBASEDONCONTOURLETALGORITHMCandidate:ZhiLiSupervisor:XiaotianYangAcademicDegreeAppliedfor:MasterofEngineeringSpeciality:IndustrialDesignEngineering(Electrical)Affiliation:SchoolofElectricalEngineeringandComputerDateofDefence:June,2017Degree-Conferring-Institution:JilinJianzhuUniversity 摘要摘要随着中国经济高速增长,以物联网和云计算为代表的信息化技术掀起了计算机、通信、信息内容的监测与控制的4C革命,网络功能开始为社会各行业和社会生活提供全面应用。数字电视、遥感图像传输、社交媒体、医用显微图像处理、机器视觉、电子商务等应用领域广泛扩展,使得图像数据越来越庞大,图像的存储和传输成为了日益增长的难题,因此,一种新型的图像编码技术成为了当下最受关注的焦点。本文以Contourlet变换和主成分分析为基础,提出了一种对几何变换和图像鲁棒压缩的一种水印解码器。该方案利用噪声识别功能,自适应调整水印嵌入强度,保持图像的感知质量,在各种可能的失真下可以高精度地检测水印。首先,针对Contourlet变换的原理和性质,本文对Contourlet为基础的图像水印、图像融合、图像压缩领域的应用和发展前景进行了深入探索和介绍,叙述了Contourlet变换的基本原理,为本文研究打下了详实的理论基础。其次,本文利用NIG作为图像的轮廓系数来提出基于NIG分布的最大似然法的水印提取统计方法。使用获得的闭式表达式分别在不存在和存在失真的环境中提取水印位置,以验证所提出解码器的鲁棒性。最后,结合冗余离散小波变换和小波原子变换,对于压缩图像算法提出了一种基于一幅图像中的质地和纹理具有不同的形态特征的方法。通过Contourlet变换和压缩感知的组合重建压缩图像的质地,并通过单层离散小波变换和压缩感知的组合重建压缩图像的纹理。实验结果表明,该方法在保证原始图像主要结构的基础上,确保了低采样率下细节的质量,确保了图像质地和纹理清晰。此外,它还具有较高的压缩率。关键词:Contourlet变换;图像水印;图像压缩;正态逆高斯分布;压缩感知I AbstractAbstractAsChineseeconomyisdrivingonthehighway,informationtechnologyInternetofthingsandcloudcomputingrepresenthassurgedarevolutionnamed4C,involvingComputer,Communication,ConsumerelectronicsandCOM.Internetfunctionsareappliedtoeverysubtleaspectlayerafterlayer,suchasdigitaltelevision,transmissionofremotesensingimage,socialmedia,medicalmicro-imageprocessing,machinevisonsystem,electroniccommerce,whichgiverisetoabirthofenormousdataofimage.Theproblemofstorageandtransmissionofdigitalimagehasbecomemorehead-scratchingthanever.Thus,anewtypeoftechnologyofimagecodingiscausingascene.BasedontheContourletTransformandPrincipalComponentAnalysis,awatermarkdecoderisproposed,whichcouldutilizenoisevisibilityfunction,adjustrobustperformanceoftheembeddedwatermark,keepimageperceptionqualityanddetectthewatermarksinahighprecisionundercircumstanceofdistortion.First,threemajorareasareintroducedwhichcontainsimagewatermarking,imagefusionandimagecompression,thenadetailedtheorybasisisdescribedwithhowContourletTransformworks.Second,ithasbeenshowninthepaperthatthenormalinverseGaussian(NIG)distributioncansuitablyfittheempiricaldistribution.Inviewofthis,statisticalmethodsforwatermarkextractionareproposedbyexploitingtheNIGasapriorforthecontourletcoefficientsofimages.TheproposedwatermarkextractionapproachisdevelopedusingthemaximumlikelihoodmethodbasedontheNIGdistribution.Closed-formexpressionsareobtainedforextractingthewatermarkbitsinbothcleanandnoisyenvironments.Experimentsareperformedtoverifytherobustnessoftheproposeddecoder.Finally,CombiningRDWT,thedictionarysparselyrepresentingthecartoon,andWAT,thedictionarysparselyrepresentingthetexture,thepresentedmodelcaneffectivelyobtainthecartoonandtexture.Then,wereconstructthecompressedcartoonbythecombinationofContourletTransformandCompressedSensing(CS)andreconstructthecompressedtexturebythecombinationofsinglelayerdiscretewavelettransform(SL-DWT)andCompressedSensing(CS).Thereconstructedimagewillbeobtainedbysuperposingthecompressedcartoonandtexture.Asresultshows,thetheorywebringoutensurethequalityofdetailsunderlowII 摘要samplingrateandclearnessofbothcartoonandtexture.Meantime,ithashighercompressionrates.Keywords:Contourlettransform;Imagewatermarkin;Imagecompression;Normalinversegaussiandistribution;CompressedsensingIII 目录目录摘要....................................................................................................................................IAbstract...........................................................................................................................II第1章绪论.....................................................................................................................11.1课题研究的背景及意义........................................................................................11.2国内外研究现状....................................................................................................21.3本文内容及章节结构............................................................................................51.4本文主要创新点....................................................................................................5第2章Contourlet变换基本理论.................................................................................72.1引言........................................................................................................................72.2离散Contourlet变换.............................................................................................82.2.1第一阶段——拉普拉斯金字塔结构.............................................................82.2.2第二阶段——迭代方向滤波器组.................................................................92.3本章小结..............................................................................................................10第3章基于Contourlet变换的图像编码算法的改进...............................................113.1水印算法的改进方法..........................................................................................113.1.1基于变换域的乘性水印算法.......................................................................113.1.2正态逆高斯分布...........................................................................................123.1.3水印算法的改进步骤...................................................................................133.2形态成分分解与压缩感知相结合的图像压缩算法..........................................153.2.1图像的压缩方法...........................................................................................153.2.2基于压缩感知的图像压缩...........................................................................163.2.3压缩感知与形态成分分析相结合的图像压缩算法...................................173.3本章小结..............................................................................................................19第4章改进算法的实验结果与分析...........................................................................204.1改进的水印算法的实验结果..............................................................................204.2改进水印算法总结..............................................................................................294.3图像压缩结果......................................................................................................294.3.1实验分析.......................................................................................................294.3.2质量评估.......................................................................................................304.4本章小结..............................................................................................................31I 吉林建筑大学工程硕士学位论文总结与展望.....................................................................................................................33参考文献.........................................................................................................................35攻读学位期间发表的学术论文.....................................................................................42致谢..................................................................................................................................43II 第1章绪论第1章绪论1.1课题研究的背景及意义数字图像是二维图像(通常是二进制)的数字表示。根据图像分辨率是否固定,它可以是矢量或光栅类型。光栅图像有一组有限的数字值,称为像素或象素。数字图像包含一个固定数量的行和列的像素。像素是图像中最小的单个元素,它具有一个固定值,表示某一特定颜色的亮度。通常情况下,像素存储在计算机内存中作为光栅图像或栅格地图,是一个二维数组的小整数。而图像转换成二进制的数字信息后有着巨大的信息量,这也给了传输源,传输介质,传输手段和存储介质提出了巨大的要求,这也成为数字通信领域的一个瓶颈问题。随着当今世界计算机网络技术的不断发展,信息时代带来了“信息爆炸”,使数据量大增,人们在视频监控,远程诊断,社交网络等常见的生活场景中对精度和分辨率的要求越来越高,更加要求目标图片细节更加清晰,视域更加宽广,而需要处理的目标也愈加的复杂。随着数字信息自身的数据量逐渐庞大,在网络中传输信息的载体网络传输介质和大容量的存储设备自身已经很难满足人们的需求。所以针对图像的压缩技术应运而生,图像压缩能有效地减少表示数字图像时需要的数据量,通过去除这些数据冗余来减少表示数据所需的比特数。因此图像数据的压缩就显得非常重要,一种高性能的算法来对图片进行压缩就具有了重要的意义。本文将就这一领域的几种代表性技术做深入探究,并在此基础上提出一种新型算法,极大的改进原算法的运算效率。人们首先利用Fourier理论传统的理论来进行图像编码,但由于其本身性质所带来的平稳信号分析能力和局部分析能力差的一系列缺点,故只能获取一段信号总体上包含固定频率的成分,对各成分出现的时刻也没有准确的获取能力。所以短时傅里叶变换理论把整个时域过程分解成无数个等长的小过程,每个小过程近似平稳,再对其进行傅里叶变换,就可以知道在什么时间点上出现什么样的频率,但短时傅里叶变换的缺点是窗固定因而无法满足非稳态信号变化的频率的需求。而小波变换(wavelettransform,WT)不仅可以知道信号有这样频率的成分[1],而且知道它在时域上存在的具体位置,EmmanuelJCandès提出了非自适应的高维函数表示方法——不单单具有方向选择和识别能力,此外还可以更有效地表示信号中具有方向性的奇异特征的脊波(Ridgelet)理论[2]。Candès和Donoho在Ridgelet变换的基础上提出了连续曲波(Curvelet)变换[3-6],即第一代Curvelet变换中的1 吉林建筑大学工程硕士学位论文Curvelet99;Strack、Candès和Donoho提出了第一代Curvelet变换中的Curvelet02。2000年,ELePennec和StephaneMallat教授提出了一种基于边缘的图像的表示方法,这种表示方法能自适应地跟踪图像的几何正则方向的Bandelet变换[7-12]。斯坦福大学的DavidLeighDonoho教授在小波降噪领域研究出一种信息检测模型——Wedgelet模型和多尺度分析的小线变换(BeamletsTransform)理论[13-21]。而最被研究中广泛应用的一种算法,是MNDo和MartinVetterli提出了一种“真正”的图像二维表示方法:Contourlet变换[22-30]。Contourlet变换将多尺度分析和方向分析分拆同时进行[31-45],首先由LP(Laplacianpyramid)变换对图像进行多尺度分解抓取许多个点,接着与此同时方向滤波器组(DirectionalFilterBank,DFB)将拉普拉斯金字塔分解在同一个方向上的点合成一个系数[46-49]。在本文中,我们也将会对Contourlet变换进行更深入的研究。1.2国内外研究现状1.图像水印数字水印是一种秘密嵌入在噪声容限信号中[50-56],如音频、视频或图像数据的标记。数字水印通常用于识别版权信号所有权。水印是指在载波信号中隐藏数字信息的过程;隐藏的信息应该但不需要包含与载波信号的关系。数字水印可用于验证载体信号的真实性或完整性,或显示其所有者的身份。它主要用于追查版权侵权和钞票认证。传统水印可以应用于可视媒体(图像或视频),而数字水印信号可以是音频、图片、视频、文本或三维模型。信号可以同时携带多个不同的水印。与添加到载波信号的元数据不同,数字水印不会改变载波信号的大小。数字水印所需要的属性取决于应用程序的使用情况。为了对具有版权信息的媒体文件进行标记,数字水印在对可应用于载波信号的修改具有鲁棒性。相反,如果要确保完整性,可以应用脆弱性水印。隐写术和数字水印采用了隐写技术,它嵌入了数据暗噪声信号。隐写术影响人的感官,把控制鲁棒性数字水印作为首要任务。由于数字副本与原始数据相同,数字水印是一种被动的保护工具。它只是标记数据,但不影响它或控制对数据的访问。数字水印的一个应用是源跟踪。将水印嵌入到每个分布点的数字信号中。如果稍后发现一个副本的工作,则水印可以从副本中检索,并且该分布的源是已知2 第1章绪论的。据报道,这种技术已被用于检测非法枪版电影的来源。在某些情况下,短语数字水印意味着水印的信号和覆盖信号之间的差异。要嵌入水印的信号称为主机信号。水印系统通常分为三个不同的步骤:嵌入、攻击和检测。在嵌入中,算法接受主机要嵌入的数据,并产生水印信号。然后,水印的数字信号被传输或存储,通常传输给客户端。如果客户端做了修改,这就是所谓的攻击。虽然修改可能不是恶意的,期限攻击来自版权保护的应用程序,其中第三方可能试图通过修改删除数字水印。修改包括有损压缩的数据(分辨率降低),裁剪图像或视频,故意添加噪声。检测(通常被称为提取)是一种算法,它被施加到被攻击的信号,试图从它提取水印。如果信号在传输过程中未经修改,则水印仍然存在,并且它可以被提取。在鲁棒数字水印的应用,提取算法应该能够产生正确的水印。近十年来基于Contourlet的图像水印算法已经受到了学术界广泛的研究,李海峰等人提出了基于Contourlet变换的稳健性图像水印算法,楼偶俊等人提出了基于特征点模板的Contourlet域抗几何攻击水印算法,王睿智提出了基于人类视觉系统的Contourlet域数字水印算法,目前为止都取得了良好的效果。2.图像融合在计算机视觉领域中,多传感器图像融合将相关信息从两个或更多的图像到一个单一图像转换的过程[57-64]。转换得到的单一图像,将比任意一个输入的图像包含更多的信息。在遥感应用领域,星载传感器近些年的需求越来越迫切,这也催生了图像融合算法。许多的场景下处理的单一图像也越来越倾向于高空间分辨率和高光谱图像,而大部分设备直接提供的数据却不能让人信服,图像融合技术允许整合不同的信息源,融合后的图像可以具有互补的空间和光谱分辨率特性,然而缺点在于标准的图像融合技术在合并同时却打乱了光谱信息中多光谱数据的顺序。在卫星成像技术中,可以应用于图像融合领域的有两种类型的图像。从卫星获得的全色图像是用最高分辨率来进行传输,而多光谱数据传输的分辨率通常较低。这会使图像质量下降二到四倍,所以在接收端,通常把全色图像与多光谱数据进行合并,以传达更多的信息。目前存在许多方法进行图像融合。最基本的技术是高通滤波技术。后来逐渐发展的技术是基于离散小波变换,均匀有理滤波器组和拉普拉斯金字塔逐渐衍生开来的。图像融合方法大致可分为两大类:空间域融合和变换域融合。空间域融合方法如平均比值法、主成分分析法(PCA)和基于下降空间域的IHS法。另一3 吉林建筑大学工程硕士学位论文种重要的融合方法是基于高通滤波技术,在这种技术中把高频细节注入上采样版本的MS图像。它的缺点在于它们产生的融合图像中的空间失真,而图像融合的频域方法可以很好地处理空间失真。多分辨率分析已成为一种用于分析遥感图像的非常有用的工具。随着技术的发展,离散小波变换已经成为一个非常有用的融合工具,也有一些其他的融合方法,如拉普拉斯金字塔,曲波变换等,在融合图像的空间和光谱质量方面与其他空间融合方法相比,上述的方法能显示出更好的性能,最著名的几种图像融合方法就是包含上述提到的基于IHS变换的图像融合、基于PCA的图像融合、小波变换图像融合、成对空间频率匹配等。近些年我国基于Contourlet的算法研究包括李光鑫和王珂提出的基于Contourlet变换的彩色图像融合算法,刘坤等人提出的基于Contourlet变换的区域特征自适应图像融合算法等。3.图像压缩随着计算机网络技术的飞速发展,图片交流成为了当今社会重要的信息传播方式,这也给图片的存储和传输带来了巨大的挑战,为了尽可能的降低图片存储和传输成本,提出一种高性能的算法来对图片进行压缩具有重要的意义。压缩被分成两大类:有损压缩和无损压缩。在有损数据压缩中,解压缩的数据不必与原始数据完全相同。相反,一些量的失真是可以容忍的,我们用D来表示。对于一个给定的源(所有已知的统计特性)和一个给定的失真测度,有一个函数,R(D),称为率失真函数。该理论认为,如果D是可容忍的失真量,那么R(D)是最好的压缩率。当压缩是无损的(即,没有失真或D=0),最好的压缩率是R(0)=H。换句话说,最好的无损压缩率是熵率。在这个意义上,率失真理论是无损数据压缩理论的一个推广,我们从没有失真(D=0)到一些失真(D>0)。无损数据压缩理论和率失真理论统称为信源编码理论。信源编码理论为所有数据压缩算法的性能设置了基本限制。该理论本身并没有具体说明如何设计和实现这些算法。然而,它提供了一些提示和指导方针,如何实现最佳性能。当今信号与图像压缩的一个重要手段是小波分析。小波的尺度收缩特性使得小波具有了分形的特性。这种特性能够小波捕获了信号和数据的局部相似性。这种能力可以用来压缩和特征提取[65]。基于小波分析的压缩方法很多,包括Shapiro提出的EZW(EmbeddedZerotreeWavelet)算法和Said与Pearlman提出的SPIHT算法等[66]。2002年Do和Vetterli在小波多尺度分析的基础上提出了一种新型方向多尺度分析方法——Contourlet变换,Contourlet变换的灵感来自于人类的视觉系统可以捕捉图像的轮廓的平滑度以及不同的形状和各种各样的方向,它提出了定向多分辨率变换离散域,能在任意尺度上实现任意方向的分解,很大程度上保存4 第1章绪论了图像中的轮廓和方向性纹理信息,解决了小波变换的缺点。其被广泛应用于图像去噪、图像增强和图像融合领域中。最近我国基于Contourlet变换的图像压缩算法包括汤敏等人提出的基于Contourlet变换和SPIHT算法的彩色医学图像压缩算法,宋蓓蓓等人提出的一种基于小波的Contourlet变换的图像压缩算法[67],陈亚雄提出的基于奇异值分解和Contourlet变换的图像压缩算法等[68]。1.3本文内容及章节结构Contourlet变换是应用于图像增强领域的关键技术,目前被广泛应用的算法包括有基于Contourlet变换的方向滤波优化和系数方向扫描格型量化算法。本文针对系数方向扫描算法中子带单方向扫描的问题进行了优化;其次,本文提出了图片扫描方向步长可以根据方向向量膜值的新型变化关系。具体内容安排如下:第1章:介绍了课题研究的目的和背景,包括图像水印、图像融合和图像压缩的基本概念,应用和发展背景,及其当今基于Contourlet变换的较为先进的算法。第2章:介绍了Contourlet变换的理论基础,包括从小波变换一步一步演化而来的过程,以及Contourlet变换中拉普拉斯金字塔式滤波器结构和方向滤波器的具体结构与功能。第3章:基于充分研究了Contourlet算法与基本结构的基础上,为了确保成像质量、抗噪声的性能和算法整体的鲁棒性,对于图像水印和图像压缩的算法提出了改进,并得出了实验结果。第4章:对上述算法创新之后进行了仿真与验证,得到了通过不同变换后得来的几组不同图片,通过对这几组图片的PSNR值和SSIM值进行比较,验证改进方案的优异性。1.4本文主要创新点本文提出了一种对几何变换和图像鲁棒压缩的水印解码器。这里介绍的方法是基于轮廓变换(ContourletTransform)和主成分分析(PrincipalComponentAnalysis)。在该方案中,选择覆盖图像的方向子带的轮廓变换得到的系数作为嵌入位置。轮廓系数的主要组成部分用于嵌入水印。同时,利用噪声识别功能(NoiseVisibilityFunction),自适应调整水印嵌入强度,保持图像的感知质量。在各种可能的失真之后,可以高精度地检测水印。已知图像的轮廓系数是高度非高斯的,并且轮廓系数的统计量建模可以用概率密度函数来拟合。在文献中已经表明,正态逆高斯(NormalInverseGaussian)5 吉林建筑大学工程硕士学位论文分布可以适合于经验分布。鉴于此,通过利用NIG作为图像的轮廓系数的先验来提出水印提取的统计方法。提出的水印提取方法是基于NIG分布的最大似然法开发的。获得闭式表达式用于在干净和嘈杂的环境中提取水印位置。执行实验以验证所提出的解码器的鲁棒性。结果表明,提供的解码器在提供较低误码率方面优于其他解码器。还表明,该方案对于各种图像处理方式,如旋转、缩放、平移和图像压缩的保真度和鲁棒性方面都具有良好的性能。对于压缩图像算法提出了一种基于一幅图像中的边缘和纹理具有不同的形态特征的方法。结合冗余离散小波变换(RedundantDiscreteWaveletTransform)和小波原子变换(WaveAtomsTransform),分别表示图像边缘和纹理的变换系数,然后可以从这个模型有效地获得边缘和纹理。然后,通过Contourlet变换和压缩感知(CompressedSensing)的组合重建压缩图像的边缘,并通过单层离散小波变换(SL-DWT)和压缩感知(CS)的组合重建压缩图像的纹理。重建图像将通过叠加压缩的边缘和纹理而得以实现。实验结果表明,该方法良好的保存了大尺度结构,确保了细节在低采样率下的表现,以及保证了图像的边缘和纹理清晰。此外,它具有较高的压缩率。6 第2章Contourlet变换基本理论第2章Contourlet变换基本理论2.1引言常用的可分离的扩展的一维变换,如傅立叶变换和小波变换,在捕捉图像的几何形状边缘时的缺陷是众所周知的,它只具有有限的三个方向,不能很好的表示线面高维函数,也就是说小波分析并不是最稀疏的函数形式。但线面高维函数在图像处理领域确是十分普遍的存在,包括编码、增强、去噪、融合、检索和数字水印等。(a)Wavelet对曲线的表示(b)理想方法对曲线的表示图2-1不同基结构的曲线表示法Figure2-1Curverepresentationofdifferentbasicstructures为了研究高维函数的最优表示方法,2002年,M.N.Do和vetterliM提出了Contourlet变换理论,也称塔型方向滤波器组(PyramidalDirectionalFilterBank,PDFB)。它利用拉普拉斯塔形分解(LP)和方向滤波器组(DFB)提供的多形状、多方向的紧框架的设计有效地通过图像的光滑边界来捕获光滑轮廓和几何结构。Contourlet基的覆盖区间是一种长方形结构,这种长方形结构能随着尺度变化中长宽比的变化而变化,具有方向性和各向异性,它更有利于Contourlet变换对于曲线稀疏特性上的表达。其基本思想类似于小波变换,使原始图像经过两个阶段的滤波,在第一阶段图像信号通过拉普拉斯金字塔式滤波器结构(LaplacianPyramid,LP)滤波器分解为多个带通方向的子带,接着在第二阶段由方向滤波器(DirectionalFilterBank,DFB)捕获图像的方向信息,将分布在同一个方向上的奇异点合成为一个Contourlet系数,如图2-1所示。7 吉林建筑大学工程硕士学位论文2.2离散Contourlet变换图2-2为Contourlet滤波器组:首先,由拉普拉斯金字塔多尺度分解,然后每个方向滤波器组进行方向分解。离散Contourlet变换的方法是使原始图像经过两个阶段的滤波,在第一阶段图像信号通过拉普拉斯金字塔式滤波器结构(LaplacianPyramid,LP)滤波器分解为多个带通方向的子带,接着在第二阶段由方向滤波器(DirectionalFilterBank,DFB)捕获图像的方向信息,合并后的结果是一个双迭代滤波器组结构,称为Contourlet滤波器组,如图2-2所示。图2-2Contourlet滤波器组Figure2-2Contourletfilterbank假设,a0[n]是输入图像,在通过LP阶段滤波后得到的是J个带通图像,我们把这些图像命名为bj[n],j=1,2,3..,J(按分辨率由细到粗顺序)和一个低通图像aj[n]。这说明,LP的第j级把图像aj-1[n]分解为一个分辨率更粗的图像aj[n]和一个分辨率更细的图像bljj[n]。每一个带通图像bj[n]又会被一个lj级别的DFB进一步分解为2个带通方向的图像c(lj)lj-1。j,k[n],k=0,1,...,22.2.1第一阶段——拉普拉斯金字塔结构拉普拉斯金字塔这一概念被Burt和Adelson提出,LP非常类似于高斯金字塔,不同之处在于它保存了每个级别模糊版本之间的差值图像,在拉普拉斯金字塔的每一层级上,可以分解出一个下采样低通图像和一个原始图像与预测图像的差异图像,我们称之为差分图像(也被称为带通图像)。如图2-3所示,H为分析滤波器,G为合成滤波器,M为采样矩阵,M为整数阵,在多维滤波器中用采样矩阵表示采样,此过程实现在下采样低通信号上,例如,通过M的下采样信号x[n]表示为xd[n]=x[Mn]。LP在利用紧框架和过采样滤波器组的基础上,可以得出h[n]=g[-n],运用正交滤波器的LP可以提供一个边界为1的紧支框架。然后运用提出的双框架算子实现最优线性重构,它的优点在于当存在噪声时,最优线性重构可以基于原有基础在8 第2章Contourlet变换基本理论性能上做出重大的改良和突破。图2-3拉普拉斯金字塔的分解端与合成端Figure2-3LaplassePyramiddecompositionandsynthesisend2.2.2第二阶段——迭代方向滤波器组滤波器组(filterbanks)在数字信号处理领域中是一种重要的分析手段[69]。在信号处理中,滤波器组是一个带通滤波器的阵列,它将输入信号分成多个分量,每一个分量携带原始信号的单频子带。滤波器组的一个应用是一个图形均衡器,它可以不同程度地分解出许多分量,并将它们重新组合成为原始信号的改进版本。滤波器组进行分解的过程称为分析(即在每个子带中分量信号的分析);输出时,滤波器组中存在多少滤波器,那么一个子带信号中就包含有同样数目的子带。重建的过程称之为合成,这意味着从滤波过程中产生的信号到完整信号的重建。本文所应用的二维方向滤波器组由Bamberger和Smith提出,Bamberger和Smith提出的理论是通过l级二叉树结构的分解出2l个楔形频域子带,如图2-4所示,0-3是水平方向,4-7是垂直方向。图2-4方向滤波器组l=3时频域子带分解示意图Figure2-4Schematicdiagramofsubbanddecompositionindirectionalfilterbankl=3如图2-5所示,通过zoneplate图像的4级Contourlet变换子带的例子描述子带系数双向扫描策略。图像经Contourlet变换后可以分解成4层金字塔和16个子带,用数字1~16表示,16个子带根据所在分解层得到相应的方向个数,即1~3层子带为4个方向:第1、2、3的所在分解层分别用数字1~4、5~8和9~12来表9 吉林建筑大学工程硕士学位论文示,第4层子带(包括低频子带)为1个方向,其中子带标号为13~16,对各子带的系数扫描按照如下策略进行:对1,4,5,8,9,12子带按照“45度”和“225度”方向双向扫描系数并进行交叉排序;而对2,3,6,7,10,11子带则扫描“135度”和“315度”方向组织系数交叉顺序;对第4层子带则按照中心向外角方来扫描和组织系数。图2-54级Contourlet变换的子带系数双向扫描策略Figure2-54LevelContourlettransformsubbandcoefficientbidirectionalscanningstrategy2.3本章小结本章介绍了Contourlet变换的理论基础,包括从小波变换一步一步演化而来的过程,以及Contourlet变换中拉普拉斯金字塔式滤波器结构和方向滤波器的具体结构与功能,奠定了本论文的理论基础。10 第3章基于Contourlet变换的图像编码算法的改进第3章基于Contourlet变换的图像编码算法的改进3.1水印算法的改进方法3.1.1基于变换域的乘性水印算法数字图像水印已经成为一个必要的应用,如互联网数据认证,广播监控和所有权识别[70]。各种水印方案已经提出了各自的保护版权信息。有三个不可或缺的水印方案:鲁棒性、隐蔽性和容量。因此,水印方案应提供这些功能之间的权衡。水印技术可以根据不同方式分类:(1)按照对于像素点的操作的方式分为空间域和变换域。(2)按照水印嵌入的方式分为加性和乘性。(3)按照提取或检测的方式分为盲水印和非盲水印。文献[71]已经表明,乘性水印算法的方案比加性水印算法具有更强的稳定性并且提供了更高的精确度。因此,检测和乘性水印提取已经获得了极大的关注。对任何有意或无意的失真,一个水印算法都需要具有一定的稳定性,而且只有一个授权的用户能够检测水印。算法的鲁棒性可以利用展布频谱技术(spreadspectrumtechnique)显著增加,文献[70-72]中的水印嵌入在变换域中,如离散余弦变换、离散小波变换、有限脊波变换,曲波变换,或Contourlet变换。最近,一些水印方案已被提出[73,74],其中水印被嵌入到图像的Contourlet系数。这已被证明的Contourlet变换域的水印算法技术是比其他频域更强大的水印算法方式。利用统计方法可以实现对水印的提取。因此,选择一个合适的统计模型是非常重要的。据了解,设计一个统计水印解码器,基于相关的方法判定是不是最佳的非高斯变换域系数,因此,其他替代的最佳和局部最优检测器和解码器已被提出。在文献[75,76]中,提取水印的统计模型被认为是独立同分布的广义高斯(GG)、拉普拉斯、G-H函数分布[77]、柯西分布、k阶bessel函数、Beta分布、α稳定分布、高斯混合模型和正态逆高斯分布[78-80]。在文献[76]中,提出局部最优水印检测器的加性水印使用bessel函数的K型分布。在文献[81]中,通过模拟嘈杂的水印二面角的β分布提出了一个最佳的水印解码器。在文献[82]中,通过模拟高斯系数的图像的高斯分布也提出了水印解码器的设计。因为已知的Contourlet系数的图像有显着的非高斯统计特性,即峰值周围有很多的零并且曲线拖尾要比高斯概率密度函数还重。鉴于此,已由逆高斯分布如广义高斯分布、α稳定分布和柯西分布的概率密度函数来设计模型提取变换域的系数。11 吉林建筑大学工程硕士学位论文因此,统计水印检测器的算法也就通常采用广义高斯概率密度函数来建模[83]。文献[78]已经表明,正态逆高斯分布(NIG)的概率密度函数也可用于模型的图像Contourlet变换域的系数,因为这种分布与图像的Contourlet系数的分布非常接近,且相互适应。在数字水印中的应用,这种分布已被用于在小波变换域加性水印的水印检测器设计。然而,却没有在乘性水印解码器采用正态逆高斯分布在Contourlet域的方式。鉴于此,为了达到更高的鲁棒性,本文提出了一个基于正态逆高斯分布统计乘性水印解码器设计的改进。正态逆高斯模型能够准确描述曲线的形状特征,可以对不同程度拖尾的图像分解系数进行准确建模且取得较好结果,利用极大似然法设计了Contourlet域最优水印解码器。提出的解码器的封闭形式表达式可以从原图和受到噪声污染的图片中提取水印比特得到。对本文提出的解码器进行实验评估与使用其他算法来做对比比较性能。水印图像在做鲁棒性检查对比时,可以对水印图像进行JPEG压缩、中值滤波、伽玛校正、旋转、裁剪和缩放等操作来添加噪声,也可直接添加高斯噪声和椒盐噪声。3.1.2正态逆高斯分布在文献[71,73,74]中的图像水印显示的Contourlet域算法的性能优于小波。这主要是由于Contourlet变换捕获更多的方向信息,并具有更好的稀疏特性。这些使得Contourlet域水印算法更能抵抗更剧烈的噪声。近年来,Contourlet系数的统计特性已经得到了极大的关注,并在许多图像处理应用中使用,如图像水印。在已被证明的Contourlet系数的图像是高度非高斯[84],即峰值周围具有大量的零并且曲线拖尾要比高斯分布的概率密度函数更重。因此,适当的分布模型的Contourlet系数的统计分布函数将是一个拖尾很重的曲线。在文献[78]中表明该概率密度函数提供了一个非常紧密配合图像Contourlet变换域的系数分布。所以,NIG分布可以用两个独立分布函数叠加生成[85]:X=μ+βZ+ Y(3-1)其中Y~N(0,1)属于高斯分布,Z~IG(δ,γ)属于逆高斯分布。所以逆高斯服从于X|Z=z~N(μ+βz,z),通过文献[86]可以给出逆高斯分布的概率密度函数为: ‴ t 1 ‸ =exp+‴ (3-2) 正态逆高斯的概率密度函数为[87]: ‴+ ( ) 1( +(t ) ) ‸ =(3-3) +( ) 其中 (t)是第二类 阶修正Bessel函数,γ= 。NIG分布的形状是由指定参数α决定,而分布曲线的偏态、位置参数和尺度参数分别由β、μ和δ来决定。12 第3章基于Contourlet变换的图像编码算法的改进参数的取值范围分别为0≤β<α,δ>0以及 ∞<μ<∞,概率密度函数曲线的陡度被α控制,随着α的值增加,概率密度函数变得陡峭。对于正态对称数据分布的成立条件为μ=β=0。3.1.3水印算法的改进步骤(a)水印嵌入本文提出乘性水印的图像会比加性水印算法更加稳定,在提出的水印方案中,使用一个乘性扩频方法在Contourlet变换域中嵌入水印比特[88]。首先对原图像使用Contourlet变换,以获得变换域中重要的特征值系数。在单一比特的水印方案中,令原图像Contourlet变换域的系数组成的一维向量为 = 1, , , = 1, , 是一个伪随机序列,向量中每个元素的取值范围为 1,1。水印系数的向量是通过下式获得: =1+t 下( ) , =1, , (3-4)其中 是一个正加权常数,针对计算水印的鲁棒性和基于图像局部特性对嵌入水印的不可见性之间的矛盾,这个常数可以用来提供一种权衡。生成水印需要使用一个伪随机序列发生器与一个鉴别密钥作为其初始值。这种伪随机序列传播的水印频谱信号会有许多系数,使得它很难被未经授权的用户检测到。为了最大限度地提高水印算法的安全性和鲁棒性,该序列应该添加白噪声的特性。一个基本的假设是经过Contourlet变换提取的变换域系数的统计分布不会因为嵌入水印而做出改变。因为嵌入水印对于图像的影响非常的细微,所以这个假设自然被认为是合理的事实。当水印携带一些信息,比如在乘性水印算法设计,二进制数0或1符合下式的条件就会被嵌入: |1=1+t 下 ,1被嵌入 |0=1 t 下 ,0被嵌入(3-5)图3-1水印算法设计流程框图Figure3-1Watermarkingalgorithmdesignflowchart这里应该注意的是,随着增加,在图像中添加的水印虽然是不可见的,但它仍然是可以检测的,然后逆变换得到的水印图像。被嵌入水印的系数向量通过Contourlet逆变换就可以得到水印图像。图3-1为本文提出的水印嵌入方式和解码13 吉林建筑大学工程硕士学位论文的程序流程框图。(b)水印检测器在一个多位比特的水印算法设计中,解码器的作用是从一组得到的Contourlet系数中提取被隐藏的二进制序列。在本文提出的水印算法中,该二进制序列的比特被认为是等可能被添加的并且Contourlet系数分布属于假定为独立同分布,其分布函数服从正态逆高斯分布。在这项工作中,从Contourlet子带系数中提取的二进制隐藏位,为此开发了基于正态逆高斯概率密度函数的优化解码器。为此,对于N个子带系数的计算,给出最大似然估计的决策函数:1 ( , , , |1)> ( , , , |0)(3-6) ‸1 <