论文简述附复现代码Reversible Watermarking Algorithm Using Sorting and Prediction比较经典的PEE算法

zrc007007

已于 2023-03-03 10:42:54 修改

阅读量1.1k

点赞数 4

文章标签：算法图像处理论文阅读

于 2023-01-09 10:40:19 首次发布

本文链接：https://blog.csdn.net/m0_46948660/article/details/128525589

版权

文章提炼

本篇的误差扩展算法(prediction error expanding,PEE)使用了菱形预测模式(rhombus pattern)、直方图转换(histogram shift)双嵌入方案(double embedding scheme)，排序选定嵌入顺序(sorting)，讨论了该算法中的越界问题(overflow/underflow question)，在性能上比近来研究得到了很大的提升。

1.用四个临近像素进行预测

× 代表被预测像素，构成的集合为Cross set

● 代表预测 × 的临近像素，构成的集合为Dot set

此即菱形预测模式(rhombus pattern)。

预测公式：

$u _{i,j}^{'}=\left \lfloor \frac{\upsilon _{i,j-1}+\upsilon _{i+1,j}+\upsilon _{i,j+1}+\upsilon _{i-1,j}}{4} \right \rfloor$

预测误差：

$d_{i,j}=u_{i,j}-u_{i,j}^{'}$

对误差进行扩展，此即difference expansion：

$D_{i,j}=2d_{i,j}+b$

原始图像被改变为：

$U_{i,j}=D_{i,j}+u_{i,j}^{'}$

恢复时,扩展误差为：

$D_{i,j}=U_{i,j}-u_{i,j}^{'}$

嵌入信息为：

$D_{i,j}=U_{i,j} mod 2$

原始预测误差为：

$d_{i,j}=\left \lfloor \frac{D_{i,j}}{2} \right \rfloor$

原始像素值为：

$u_{i,j}=u_{i,j}^{'}+d_{i,j}$

直方图按如下公式转换

$D_{i,j}=\begin{cases} 2d_{i,j}+b, & if \: d_{i,j}\in [T_n;T_p] \\ d_{i,j}+T_{p}+1, &if \: d_{i,j}> T_p \: and \: T_p \geq 0 \\ d_{i,j}+T_n, & if \:d_{i,j}< T_n \: and \: T_n < 0 \end{cases}$

解码时如下：

$d_{i,j}=\begin{cases} \left \lfloor D_{i,j}/2 \right \rfloor, & if \ D_{i,j}\in [2T_n;2T_p+1] \\ D_{i,j}-T_p-1, & if \ D_{i,j} > 2T_p+1 \ and \ T_p \geq 0 \\ D_{i,j}-T_n, & if \ D_{i,j}<2T_n \ and \ T_n<0 \end{cases}$

$b=D_{i,j} \ mod \ 2, \ \ \ D_{i,j}\in [2T_n;2T_p+1]$

此即直方图转换(histogram shift)。

2.利用方差选择插入顺序

用像素相邻4个像素进行方差的计算：

$\mu_{i,j}=\frac{1}{4} \sum_{k=1}^4(\Delta v_k-\Delta \bar{v}_k)^2$

$\Delta v_1 = \left | v_{i,j-1}-v_{i-1,j} \right |,$

$\Delta v_2 = \left | v_{i-1,j}-v_{i,j+1} \right |,$

$\Delta v_3 = \left | v_{i,j+1}-v_{i+1,j} \right |,$

$\Delta v_4 = \left | v_{i+1,j}-v_{i,j-1} \right |,$

$\Delta \bar{v}_k=(\Delta v_1+\Delta v_2 + \Delta v_3 + \Delta v_4)/4.$

此即排序选定嵌入顺序(sorting)。

3.越界问题(Overflow and Underflow Problem)

我们需要根据第二次嵌入是否越界来判断边缘像素是否已经插入，能插入是否需要位图，是否需要标记，不能插入则一定需要标记。

预测两次都没出现越界问题的像素不需要位图。

预测第一次不越界，第二次越界的像素，位图标为"0"，分类为 $S_{op}$ 。

预测第一次就越界的，位图标为"1"，分类为 $S_p$ 。

4.双嵌入方案(double embedding scheme)，提高嵌入质量

Cross集，即×集，插入完了后，我们可以用Dot集，即●集再插入。

算法全流程，嵌入、提取流程示意图

嵌入的具体步骤：

先对Cross集嵌入，再对Dot集嵌入。

对Cross集：

1.在图像中划分好Cross集和Dot集，一般第一个像素开始为Cross集。

（提这一嘴，是因为其他论文为了适配它的方法，在算法结构的基础上衍生出了其他的划分方法。比如可参见我的这篇简述论文结构化简译New CNN-based Predictor For Reversible Data Hiding_zrc007007的博客-CSDN博客这篇论文为了适配它提出的神经网络预处理方法，从这篇中的每4个像素2个一组变为了每4个像素1个一组。有兴趣可以看看）

2.通过计算方差 $\mu$ 得出排序好的Cross集 $d_{sort}$ 。

3.判断越界问题，生成位图。

4. $d_{sort}$ 中前34位留给阈值大小 $T_{nCross}$ 、 $T_{pCross}$ 还有载荷大小 $P_{Cross}$ ，用34位后进行嵌入。前面34位的预测误差同样需要作为数据嵌入到34位后。

对Dot集的嵌入方法，除了一开始已经划分好了，第四步中的头部信息也不用嵌入外，其他和Cross集一样。

注意这次用来产生预测值的是经过修改后的Cross集 $Cross_m$ 。

这样之后就得到了修改后的Dot集 $Dot_m$ 。

提取的具体步骤：

1.扫描前面34bit信息得到阈值大小 $T_{nCross}$ 、 $T_{pCross}$ 还有载荷大小 $|P_{Cross}|$ 。

2.根据越界问题的处理原理，反向推导，先判断像素是否能够扩展，

①能扩展，则直接提取

②不能扩展，根据位图，位图中该位置标记为0，则应该提取，为1则不能提取

用此种方法提取位图信息、之前的34位LSB、秘密信息。

首先根据 $Cross_m$ 对修改后的Dot集 $Dot_m$ 进行提取复原，得到集 $Dot$ 。然后根据复原后的Dot集 $Dot$ 对修改过的Cross集 $Cross_m$ 进行复原。

最终得到完整的原始图像和秘密信息。

复现代码

见我文章：

论文复现代码Reversible Watermarking Algorithm Using Sorting and Prediction_zrc007007的博客-CSDN博客

zrc007007

关注

4
点赞
踩
15

收藏

觉得还不错? 一键收藏
0
评论
论文简述附复现代码Reversible Watermarking Algorithm Using Sorting and Prediction比较经典的PEE算法

经典PEE算法论文附复现代码Reversible Watermarking Algorithm Using Sorting and Prediction本篇的误差扩展算法(PEE)使用了菱形预测模式(rhombus pattern)、直方图转换(histogram shift)双嵌入方案(double embedding scheme)，排序选定嵌入顺序(sorting)，讨论了该算法中的越界问题(overflow/underflow question)，在性能上比近来研究得到了很大的提升。
复制链接

扫一扫