【技术实现步骤摘要】
本专利技术涉及数字图像处理，具体地讲，涉及基于多重损失优化的数字图像可逆信息隐藏误差预测方法。
技术介绍
1、信息隐藏是一种隐秘通信技术，通过将秘密信息以检查者难以察觉的方式隐藏于公开的载体中。然而在一些重要的领域，如医学、军事和法律取证的，不允许出现轻微的不可逆转的损害，因此提出了一种特殊的数据隐藏技术，即可逆信息隐藏（rdh）。rdh方法不仅可以完整地提取嵌入的秘密信息，而且可以保证原始图像无损地被恢复。
2、在过去的几十年里，提出的rdh算法主要分为几种类型。早期的rdh方案主要基于无损压缩。这些方案的想法是通过无损压缩图像的某些特征来腾出空间从而嵌入秘密数据。缺点是嵌入能力有限。第二类是基于差分扩展（de）的rdh方案。一种基于de的rdh方案，通过扩大两个相邻像素的差异来嵌入秘密数据。该方案利用两个像素嵌入一位数据，最大嵌入率为0.5 bpp。第三类是基于直方图平移（hs）的rdh方案。该方案生成原始图像的直方图，并根据峰值像素和零像素嵌入数据。基于预测误差扩展（pee）的rdh方案提高了rdh方案的嵌入性能，但该方案没有使用像素之间的差异，而是扩展像素与其预测值之间的差异以用于数据嵌入。与基于de和hs的方案相比，pee展现了更优越的性能。一般来说，基于pee的rdh方案的实现大致可分为两个阶段，即预测阶段和嵌入阶段。在预测阶段，主要目的是设计更好的预测器或者预测算法，从而进行准确的像素预测并生成分布尖锐的预测误差直方图。近年来，人们提出了许多预测器，包括中值边缘方向预测器（medp）、梯度调整预测器（g
3、与预测阶段不同，在嵌入阶段，研究者重点设计一些新的规则来修改获得的预测误差直方图。一种是构建高效的可逆直方图映射，一维直方图映射策略。一种新的基于pair- wise pee的rdh框架，基于序列和得到的二维预测误差直方图，设计了一种更有效的嵌入策略，即成对pee，实现了更高的性能。一种有效的可逆映射选择机制，根据peh频率排序有序迭代调整三维映射，从而优化了数据嵌入性能。第二种是设计高性能的自适应嵌入策略。一种结合像素距离实现自适应多直方图修正(amhm)的rdh方案。在利用像素块范围内最大/最小像素与任何其他像素之间的相关性时，按照距离的升序依次处理每两个相关像素。从而自适应生成直方图序列，对不同的子直方图采取不同的修改机制，实现自适应嵌入。
4、在提高基于cnn的预测器的预测精度方面，先前工作主要是通过增加上下文像素的数量来提高基于cnn的预测器的预测精度。然而，由于图像的纹理特征不同，在图像纹理复杂的区域使用更多的上下文像素往往会削弱cnn预测器的预测能力，因为利用更多的参考像素可能会导致存在与目标像素局部不一致的像素，即异常样本，从而增加预测误差。
技术实现思路
1、本专利技术要解决的技术问题是提供基于多重损失优化的数字图像可逆信息隐藏误差预测方法，通过联合均方误差损失、像素级复杂度约束损失去优化提出的像素预测网络，实现精准像素预测。
2、本专利技术采用如下技术方案实现专利技术目的：
3、基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于，包括以下步骤：
4、s1：分割方法：将灰度图像分割为a集合和b集合，在进行图像分割过程中，将a集合中图像属于b集合的位置设为 0，反之亦然；
5、s2：构造自适应卷积神经网络预测器；
6、s3：设计损失函数；
7、s4：基于图像空间相邻像素之间的相关性，为保证实现信息可逆隐藏，采用a集合和b集合集相互预测；
8、s5：数据嵌入及提取过程。
9、作为本技术方案的进一步限定，所述自适应卷积神经网络预测器包括像素权重调整模块、混合空洞卷积模块、残差注意力模块和输出模块；
10、像素权重微调模块，其第一个模块由一个3×3的加权滤波器组成，该滤波器冻结了权重；
11、混合空洞卷积模块，其每个空洞卷积块由空洞卷积层和泄漏整流线性单元顺序连接，空洞卷积层的卷积核大小为3×3，每个空洞卷积块的空洞率分别为，对于每个展开的空洞卷积层，将输出通道c的个数设置为32，生成32个特征图，通过将不同空洞率的空洞块并行连接，可在不显著增加计算成本的情况下扩展感受野并保证特征信息的连续性，从而融合不同感受野的特征，充分提取全局特征；
12、残差注意力模块，残差注意力模块的每个残差注意力块由3×3卷积层+批标准化+ 线性整流函数+3×3卷积层 + 高效通道注意力网络组成，卷积核大小设为3 × 3，输出通道设置为32，在每个残差注意力块中设计跨通道交互的高效通道注意力网络；
13、输出模块，最后一个融合卷积块由卷积层+线性整流函数+卷积层组成，每个卷积层的卷积核大小设置为3×3，输出通道设置为1，从而生成输出图像。
14、作为本技术方案的进一步限定，损失函数为均方误差损失函数及像素复杂度约束损失函数的联合；
15、均方误差定义为：
16、（1）；
17、其中： 是训练数据的数量；
18、是b集合图像；
19、 是预测的b集合图像；
20、是权重衰减；
21、是所有权本文档来自技高网...
【技术保护点】
1.基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于：所述自适应卷积神经网络预测器包括像素权重调整模块、混合空洞卷积模块、残差注意力模块和输出模块；
3.根据权利要求2所述的基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于：损失函数为均方误差损失函数及像素复杂度约束损失函数的联合；
4.根据权利要求2所述的基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于：所述S4的步骤为：
5.根据权利要求4所述的基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于：所述S5中数据嵌入过程如下：
【技术特征摘要】
1.基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于，包括以下步骤：
2.根据权利要求1所述的基于多重损失优化的数字图像可逆信息隐藏误差预测方法，其特征在于：所述自适应卷积神经网络预测器包括像素权重调整模块、混合空洞卷积模块、残差注意力模块和输出模块；
3.根据权利要求2所述的基于多重损失优化的数字图像可...
【专利技术属性】
技术研发人员：马宾，段泓韬，马睿和，咸永锦，王晓雨，李琦，周琳娜，
申请(专利权)人：齐鲁工业大学山东省科学院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。