针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过S...针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。展开更多
彩色图像隐写方法具有秘密传输、不易察觉的特性。其中,基于频率域的彩色图像隐写方法不论在传统图像隐写方法还是深度学习图像隐写方法中都取得了更好的隐写性能。然而,当前大多基于自编码器结构的彩色图像隐写模型在提升重构秘密图像...彩色图像隐写方法具有秘密传输、不易察觉的特性。其中,基于频率域的彩色图像隐写方法不论在传统图像隐写方法还是深度学习图像隐写方法中都取得了更好的隐写性能。然而,当前大多基于自编码器结构的彩色图像隐写模型在提升重构秘密图像能力方面均存在局限性。针对这一问题,本文基于频率域彩色图像隐写方法的现有优势,提出了一种基于分离训练与图像去噪的频率域彩色图像隐写方法,并构建了相应的隐写模型。面对自编码器的编码网络与解码网络在训练过程中的性能权衡问题,本文的隐写方法采用分离训练对默认的神经网络训练方式进行优化。除此之外,为了进一步提升重构秘密图像的质量,模型还添加了去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)结构的图像去噪模块。经实验验证,本文模型生成的彩色载密图像与重构秘密图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)高达82.31 dB和39.27 dB,结构相似度(Structural Similarity Index Measure,SSIM)均达到0.99。与同类型的深度学习彩色图像隐写模型相比,提出的隐写模型不仅具有更强的不可察觉性,而且具有更好的重构秘密图像的能力。展开更多
文摘针对传统船舶图像去噪算法难以对图像的边缘细节进行保留和分析,以及传统非局部均值去噪算法相似框选择困难等问题,提出基于简单线性迭代聚类(simple linear iterative clustering,SLIC)超像素分割的非局部均值船舶图像去噪算法。通过SLIC算法对图像进行分割处理,界定图像的纹理区域和平滑区域;使用相似框搜索和匹配策略,提升匹配效果,并适当保留更多边缘细节,从而改善图像去噪的效果。实验结果表明,所提出的算法相较于其他传统的船舶图像去噪算法不仅能很好地保留船舶图像的边缘细节特点,而且能在一定程度上提高船舶图像的峰值信噪比,具有良好的去噪效果,可以用于智能航海领域船舶图像的去噪。
文摘彩色图像隐写方法具有秘密传输、不易察觉的特性。其中,基于频率域的彩色图像隐写方法不论在传统图像隐写方法还是深度学习图像隐写方法中都取得了更好的隐写性能。然而,当前大多基于自编码器结构的彩色图像隐写模型在提升重构秘密图像能力方面均存在局限性。针对这一问题,本文基于频率域彩色图像隐写方法的现有优势,提出了一种基于分离训练与图像去噪的频率域彩色图像隐写方法,并构建了相应的隐写模型。面对自编码器的编码网络与解码网络在训练过程中的性能权衡问题,本文的隐写方法采用分离训练对默认的神经网络训练方式进行优化。除此之外,为了进一步提升重构秘密图像的质量,模型还添加了去噪卷积神经网络(Denoising Convolutional Neural Network,DnCNN)结构的图像去噪模块。经实验验证,本文模型生成的彩色载密图像与重构秘密图像的峰值信噪比(Peak Signal to Noise Ratio,PSNR)高达82.31 dB和39.27 dB,结构相似度(Structural Similarity Index Measure,SSIM)均达到0.99。与同类型的深度学习彩色图像隐写模型相比,提出的隐写模型不仅具有更强的不可察觉性,而且具有更好的重构秘密图像的能力。
