位平面论文开题报告文献综述

位平面论文开题报告文献综述

导读:本文包含了位平面论文开题报告文献综述、选题提纲参考文献,主要关键词:平面,图像,水印,差值,局部,对称,分解。

位平面论文文献综述写法

屈凌峰,陈帆,和红杰,袁源[1](2019)在《基于位平面-块置乱的图像加密算法安全性分析》一文中研究指出针对基于阿诺德变换的加密算法(Arnold transform-based encryption method,ATBEM)提出一种基于图像块均方根的已知明文攻击方法.首先利用加密前后明文图像0、1分布比例不变的特征估计出位平面置乱顺序,恢复原始像素的值;然后根据块置乱和块内像素置乱保持像素值恒定不变的特性,定义图像块均方根特征以查找和估计块置乱矩阵.分析讨论了图像块置乱加密的安全性能,结果表明:对于图像块置乱加密,图像越平滑分块越小,破解所需的明密文对数越多,已知明文攻击难度越大.实验结果验证了图像纹理越复杂,攻击效果越好,在分块大小为2×2的条件下,攻击者仅需已知一对明文-密文对即可破解块置乱加密50%以上的图像内容,因此ATBEM加密算法难以抵抗所提出的已知明文攻击.(本文来源于《应用科学学报》期刊2019年05期)

高文莲,高志娥,薛艳锋,马晓晶[2](2019)在《几何失真校正耦合位平面分解的图像水印算法》一文中研究指出为提高当前图像水印技术的抗几何失真能力,兼顾其鲁棒性与不可感知性,设计稳定几何失真校正机制耦合重要位平面分解的鲁棒图像水印算法。基于离散小波变换DWT (discrete wave transform),对宿主数据的重要位平面实施处理,得到对应的子带信息;并把低通子带划分成一系列的子块,通过计算嵌入因子,构建水印嵌入机制,将加密水印隐藏到低通子带的子块中,形成水印图像;建立训练样本,提取这些图像的重要位平面,计算对应的低阶伪Zernike矩;利用训练样本对SVM (support vector machine)完成训练,校正失真的水印图像;设计水印检测方法,提取水印。测试数据表明,与当前图像水印方法相比,所提算法具有更强的抗几何变换能力,以及更好的不可感知性与鲁棒性。(本文来源于《计算机工程与设计》期刊2019年06期)

袁源,和红杰,陈帆[3](2019)在《减少相邻位平面间冗余度的加密图像可逆信息隐藏》一文中研究指出目的针对现有的加密域可逆信息隐藏算法在对位平面压缩时未能充分利用位平面间的相关性的问题,为了降低位平面的压缩率从而提高嵌入容量,提出一种减少相邻位平面间冗余度的加密域可逆信息隐藏算法。方法算法将图像进行分块并将块的位置进行置乱,置乱并未改变位平面的块内像素的相关性,使得位平面的块同样利于压缩。将块置乱后的图像的高位平面与次高位进行异或操作后得到新的次高位平面,再用新的次高位异或比它低一位的位平面。依次对其余的低位平面进行同样的操作后得到新的低7个位平面,将它们与原始最高位相结合得到新的图像的8个位平面。使用BBE(binary-block embeding)算法对新的图像的位平面进行压缩为嵌入信息腾出空间。为了保证加密图像的安全性,对腾出空间后的图像进行异或加密。结果对相邻位平面进行异或后使除了最高位平面外的低位平面更平滑,减少了不能使用BBE算法压缩的块及压缩的不好的块的个数,更有利于用BBE算法对图像进行压缩。提出的算法与现有的基于位平面压缩的算法相比得到了较高的嵌入率,对不同纹理的图像而言,嵌入的容量平均提高了0. 4 bit/像素。结论实验结果表明,提出的算法在保证安全性的同时可以腾出更多的空间来嵌入额外的信息,在实际生活中能根据需求灵活地嵌入信息。嵌入的信息能无损地提取,且图像能完全恢复。总的来说,提出的算法具有良好的性能。(本文来源于《中国图象图形学报》期刊2019年01期)

杨金劳,付利军,张福泉[4](2018)在《基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法》一文中研究指出目的为了解决当前基于特征点的水印方案难以描述图像的非纹理区域(像素强度变化较大的边缘、像素强度值较小或趋于0的均匀区域),降低了局部特征区域的鲁棒性,使其抗几何失真能力不佳的问题,提出基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法。方法根据彩色载体的RGB分量,计算颜色不变性;基于颜色不变性的强度概率密度,推导概率密度梯度估计函数;利用概率密度梯度值,计算二阶Hessian矩阵,改进SURF方法,充分提取彩色载体中纹理与非纹理区域的鲁棒特征点;再求取Hessian矩阵的特征值与特征向量,以计算椭圆的长轴、短轴半径与方向角度,并以特征点为中心,建立局部椭圆特征区域;定义鲁棒特征区域选择规则,确定合适的水印嵌入位置;引入位平面分解技术,获取鲁棒椭圆特征区域的重要位平面图像,并提取其直方图,以此设计水印嵌入方法,将二值水印隐藏到这些直方图中,形成水印图像;根据水印检测机制,复原二值水印。结果实验结果显示,与基于特征点的水印方案相比,所提算法具有更高的不可感知性与鲁棒性,复原水印失真度最小。结论所提算法具有较高的视觉隐秘性和抗几何失真能力,在版权保护、信息防伪等领域具有较好的参考价值。(本文来源于《包装工程》期刊2018年21期)

段欢,郑紫微[5](2018)在《基于位平面Arnold置乱变换改进算法》一文中研究指出针对经典图像置乱方法变换方式单一的现象,提出了一种结合位平面Arnold变换,矩阵相乘,异或运算处理的双置乱算法,达到了同时改变图像灰度值和图像灰度分布的效果,并与Arnold变换,A&G双置乱算法进行置乱效果对比。实验结果表明:本文算法置乱后的图像置乱度更高,抗攻击能力更强,信息隐藏更安全。(本文来源于《无线通信技术》期刊2018年02期)

张翡[6](2018)在《基于位平面分解的人脸识别》一文中研究指出人脸识别的研究开始于1960年,随着计算机和图像的研究不断发展,从1980年后人脸识别技术开始提升,1990年之后,美国、德国等国家有了初步的应用。人脸识别技术能否成功实现,取决于能否设计出可以实际应用的优秀算法,且具有较好的识别效果和较快的识别速度。人脸识别领域涵盖了多种先进技术包括机器学习、人工智能、模式识别、视频图像处理等,是一种先进的生物特征识别技术。人脸识别技术的应用,体现出人工智能由弱到强的进一步发展。在身份验证、法律实施等情况下,被检测对象仅能提供一张人脸图像作为算法的训练样本。在单样本的情况下,传统人脸识别方法的识别效果都会大幅下降甚至失效。针对单样本环境下传统人脸识别算法识别效果不佳的问题,本文将人脸图像的位平面和局部二值模式相结合以更好地扩充样本信息和提取纹理特征,论文的主要内容有:1、提出一种结合改进中心对称局部二值模式算子(Center-symmetric local binary pattern,CSLBP)和位平面分解的单样本人脸识别算法。首先采用改进CSLBP提取人脸的特征信息得到两幅不同半径的纹理特征图像,然后将每幅纹理特征图像分解为4幅位平面图像,最后将8幅特征图像串联融合,使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的实验结果表明,该算法识别效果较好,且具有较快的识别速度,对光照和表情等变化具有鲁棒性。2、提出两种基于位平面特征加权融合的人脸识别算法。基于贡献度位平面特征加权融合(Contribution bit-plane feature weighted fusion,CBFWF)的算法首先对人脸图像进行位平面分解,引入贡献度的概念设置每幅位平面的权值,将八个位平面图像加权融合,构成一个新的样本图像,与原始图像一起进行特征提取后用最近邻分类器分类测试,统计识别率。基于信息熵位平面特征加权融合(Entropy bit-plane feature weighted fusion,EBFWF)的算法提出了图像信息熵的概念,首先将人脸图像位平面分解后使用局部二值模式(Local binary pattern,LBP)算子提取纹理特征,计算每幅特征图的信息熵,根据熵值的不同设置不同的权值将八幅特征图加权串接融合,最后使用最近邻分类器进行识别。在AR和CAS-PEAL人脸库上的实验数据表明,CBFWF算法和EBFWF算法能提取更多的特征信息,获得了不错的识别效果,而且具有一定的抗噪性。(本文来源于《湘潭大学》期刊2018-06-01)

杨恢先,张翡,陈永,刘建,周彤彤[7](2018)在《结合改进CSLBP和位平面分解的单样本人脸识别》一文中研究指出针对单样本环境下传统人脸识别算法识别效果不佳的问题,提出一种结合改进中心对称局部二值模式和位平面分解的单样本人脸识别算法(ICSDBP)。采用改进中心对称局部二值模式算子提取人脸的特征信息得到两幅不同半径的纹理特征图像,将每幅纹理特征图像分解为4幅位平面图像,最后将8幅特征图像串联融合,使用最近邻分类器进行分类识别。在AR、CAS-PEAL和Extend Yale B人脸数据库上的仿真结果表明,该算法具有较高的识别率和较快的识别速度,对光照和表情等变化具有较好的稳健性。(本文来源于《激光与光电子学进展》期刊2018年07期)

张正伟,吴礼发,高尚兵[8](2018)在《基于位平面分解的可逆图像水印算法》一文中研究指出为了提高现有基于差值扩展可逆图像水印算法的视觉质量和嵌入率,提出了一种基于位平面分解的可逆图像水印算法.对载体图像进行位平面分解,选取其低6 bit位平面组合在一起构成新图像.对构成的新图像进行互不重迭块划分,计算每块熵值,选取其熵值较小的图像块利用广义差值扩展算法嵌入水印.选取熵值较大的图像块所对应的原始图像块利用差值量化法嵌入溢出图等相关辅助信息.采用Lena,Barbara等标准的8 bit灰度图像作为测试图像进行了可逆水印算法的试验.结果表明该算法不仅嵌入率高,而且有较高的视觉质量,能实现原始图像的完全恢复.以Lena为宿主图像时,其有效载荷可达0.93 bpp.和其他算法相比,在维持较好视觉质量的前提下提高了水印嵌入率.(本文来源于《江苏大学学报(自然科学版)》期刊2018年01期)

王勤振,邹永超,汤建宏[9](2017)在《某扩容改造船闸工程闸位平面布置》一文中研究指出狭窄空间内船闸扩容改造受诸多因素的影响,其闸位平面布置方案的合理性尤为重要。以某扩容改造船闸工程为例,综合考虑选址、共用引航道宽度、施工过程对二线船闸主体结构及隔流堤安全的影响、施工围堰布置及防洪要求,进行方案比选研究。最终确定闸位布置方案为:两船闸中心线间距为80 m,改扩建一线船闸下闸首上游面与二线船闸下闸首上游面顺水流方向距离为4.4 m。同时,对后期工程设计提出建议。(本文来源于《水运工程》期刊2017年12期)

周文敬,张学全,安军社,王鸣哲[10](2017)在《CCSDS-IDC位平面编码的优化实现》一文中研究指出CCSDS-122.0-B-1星载图像压缩标准所提供的压缩算法具有良好的压缩性能和较低实现复杂度.但是,在硬件实现该标准时数据速率和存储资源之间存在制约关系,为了既能达到较高的数据速率又能减少硬件资源,本文提出了组内串行,组间并行的扫描方式,并仿真实现了改进后的软件系统.实验结果表明,该扫描方式可以有效的降低硬件资源.(本文来源于《微电子学与计算机》期刊2017年09期)

位平面论文开题报告范文

(1)论文研究背景及目的

此处内容要求:

首先简单简介论文所研究问题的基本概念和背景,再而简单明了地指出论文所要研究解决的具体问题,并提出你的论文准备的观点或解决方法。

写法范例:

为提高当前图像水印技术的抗几何失真能力,兼顾其鲁棒性与不可感知性,设计稳定几何失真校正机制耦合重要位平面分解的鲁棒图像水印算法。基于离散小波变换DWT (discrete wave transform),对宿主数据的重要位平面实施处理,得到对应的子带信息;并把低通子带划分成一系列的子块,通过计算嵌入因子,构建水印嵌入机制,将加密水印隐藏到低通子带的子块中,形成水印图像;建立训练样本,提取这些图像的重要位平面,计算对应的低阶伪Zernike矩;利用训练样本对SVM (support vector machine)完成训练,校正失真的水印图像;设计水印检测方法,提取水印。测试数据表明,与当前图像水印方法相比,所提算法具有更强的抗几何变换能力,以及更好的不可感知性与鲁棒性。

(2)本文研究方法

调查法:该方法是有目的、有系统的搜集有关研究对象的具体信息。

观察法:用自己的感官和辅助工具直接观察研究对象从而得到有关信息。

实验法:通过主支变革、控制研究对象来发现与确认事物间的因果关系。

文献研究法:通过调查文献来获得资料,从而全面的、正确的了解掌握研究方法。

实证研究法:依据现有的科学理论和实践的需要提出设计。

定性分析法:对研究对象进行“质”的方面的研究,这个方法需要计算的数据较少。

定量分析法:通过具体的数字,使人们对研究对象的认识进一步精确化。

跨学科研究法:运用多学科的理论、方法和成果从整体上对某一课题进行研究。

功能分析法:这是社会科学用来分析社会现象的一种方法,从某一功能出发研究多个方面的影响。

模拟法:通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。

位平面论文参考文献

[1].屈凌峰,陈帆,和红杰,袁源.基于位平面-块置乱的图像加密算法安全性分析[J].应用科学学报.2019

[2].高文莲,高志娥,薛艳锋,马晓晶.几何失真校正耦合位平面分解的图像水印算法[J].计算机工程与设计.2019

[3].袁源,和红杰,陈帆.减少相邻位平面间冗余度的加密图像可逆信息隐藏[J].中国图象图形学报.2019

[4].杨金劳,付利军,张福泉.基于椭圆特征区域与重要位平面分解的鲁棒图像水印算法[J].包装工程.2018

[5].段欢,郑紫微.基于位平面Arnold置乱变换改进算法[J].无线通信技术.2018

[6].张翡.基于位平面分解的人脸识别[D].湘潭大学.2018

[7].杨恢先,张翡,陈永,刘建,周彤彤.结合改进CSLBP和位平面分解的单样本人脸识别[J].激光与光电子学进展.2018

[8].张正伟,吴礼发,高尚兵.基于位平面分解的可逆图像水印算法[J].江苏大学学报(自然科学版).2018

[9].王勤振,邹永超,汤建宏.某扩容改造船闸工程闸位平面布置[J].水运工程.2017

[10].周文敬,张学全,安军社,王鸣哲.CCSDS-IDC位平面编码的优化实现[J].微电子学与计算机.2017

标签:;  ;  ;  ;  ;  ;  ;  

位平面论文开题报告文献综述
下载Doc文档

猜你喜欢