关键词:
图像哈希
CP分解
Tucker分解
视觉显著模型
离散余弦变换
摘要:
智能手机、平板电脑等移动设备的普及使得数字图像获取日益便捷,而网络社交平台的流行使得互联网上的数字图像呈爆发式增长。面对海量的图像数据,如何对它们进行存储和管理是当前研究面临的一个重要问题。图像哈希算法是数字图像处理领域与信息安全领域的一项交叉研究课题,是实现海量图像高效管理的一种有效技术。它根据图像的视觉内容提取一串紧凑的数字序列,即图像哈希。由于图像哈希的长度较短,因此用图像哈希来表示图像本身不但可以降低图像的存储空间,而且可以简化图像的相似性计算。通常,图像哈希算法应具备两个最基本的性能指标,即鲁棒性和唯一性。鲁棒性要求哈希算法将视觉内容相似的图像映射成相同或相似的哈希,而唯一性则是要求哈希算法将视觉内容不同的图像映射成不同哈希。图像哈希算法的基本性能指标存在制约关系,设计哈希新算法以同时提升这两个性能指标是当前研究的一个重要任务,具有重要的意义。张量是高阶矩阵的泛化表示。张量分解可将一个张量分解成多个低维矩阵,是一种有用的数据分析技术。通常,张量分解有两种经典的分解技术,即CP分解和Tucker分解。为了实现哈希算法在鲁棒性和唯一性方面的分类性能提升,本文利用CP分解和Tucker分解,同时结合离散余弦变换和视觉显著模型等理论与技术,开展图像哈希算法研究,设计了两种基于张量分解的图像哈希新算法。第一种是基于CP分解和离散余弦变换的图像哈希算法,第二种是基于Tucker分解和视觉显著模型的图像哈希算法。本文的主要研究结果如下:1.设计基于CP分解和离散余弦变换的图像哈希算法CP分解是一种有用的数据分析技术,可将一个三阶张量分解成三个因子矩阵。本文利用CP分解和离散余弦变换设计了一种有效的图像哈希算法,具体步骤如下。先将输入图像进行预处理,生成规范化图像;然后使用离散余弦变换对彩色图像的三个颜色分量进行处理,选取低频系数来生成三个特征矩阵。由于低频系数包含图像大部分能量信息并且受噪声干扰少,因此选择低频系数构造矩阵能确保唯一性并兼顾鲁棒性能。接着,将特征矩阵进行非重叠分块,通过堆叠分块的方式来构造出一个三阶张量;最后将CP分解应用于三阶张量,分别计算每个因子矩阵的行均值得到对应的特征向量,对特征向量进行均值量化生成哈希序列。由于因子矩阵可有效保留原始张量的拓扑结构,因此用因子矩阵生成哈希可确保较好的唯一性。使用两个公开图像数据库来验证算法性能,实验结果表明该哈希算法能对抗多种数字操作,分类性能优于多种已有的图像哈希算法。2.设计基于Tucker分解和视觉显著模型的图像哈希算法Tucker分解是另一种常用的张量分解技术,可将一个三阶张量分解成三个因子矩阵和一个核心张量。视觉显著模型可检测出人类视觉系统感兴趣的图像显著区域,利用图像显著图来计算哈希能提升鲁棒性能。为此,本文联合Tucker分解和视觉显著模型开展图像哈希算法研究,设计了一种哈希新算法,具体步骤如下。先对输入图像进行预处理;然后运用LC视觉显著模型提取显著图;接着对显著图进行非重叠分块,通过堆叠图像块构造出一个三阶张量;最后将Tucker分解应用于张量,选取三个因子矩阵的第一列向量来构造中间哈希序列,利用分段线性迭代混沌映射对中间哈希序列进行加密和量化,生成最终的二进制哈希。在两个公开图像库进行大量实验,结果显示该算法的唯一性和安全性较好。与多种文献哈希算法对比,结果显示该算法在分类性能方面有一定的优势。