جايگذاری اطلاعات بدون اتلاف با استفاده از هيستوگرام مقادير آماری تعميم يافته

قیمت: 40,000 تومان

دانلود رایگان مقاله

خرید ترجمه مقاله

عنوان فارسی

جايگذاری اطلاعات بدون اتلاف با استفاده از هيستوگرام مقادير آماری تعميم يافته

عنوان لاتین

Lossless Data Embedding Using Generalized Statistical Quantity Histogram

ذخيره سازی اطلاعات بدون از بين رفتن آنها بر اساس هيستوگرام (LDE) ، به عنوان راهی کار آمد وموثر برای حفاظت کپی رايت چند رسانه ای در نظر گرفته می شود. اخيرا LDE با استفاده از هيستوگرام مقدار آماری عملکرد خوبی بدست آورده است، که با بهره گيری از شباهتهای ميانگين حسابی اختلاف هيستوگرام (AADH) باعث کاهش تنوع تصاوير و اطمينان از عملکرد پايدار LDE می شود.اگرچه اين روش به شدت وابسته به بعضی از فرضيات است که کاربردهای آن را در عمل کاهش می دهد.همچنين ، ظرفيتهای تصاوير با AADH تخت ، برای مثال تصاوير بافت ، مقداری پايين هستند.به اين منظور، ما چارچوب جديدی را برای LDE بوسيله ترکيب مناسبی از هيستوگرام مقدار آماری عمومی (GSQH) و جايگذاری بر اساس هيستوگرام بوجود آورده ايم . با استفاده از الگوريتم ،ما برای چارچوب LDE ، GSQH را با دقت طراحی کرديم بنابراين : 1 - از شباهتهای GSQH برای يک جايگذاری موثر استفاده کند که منجر به ايجاد يک چارچوب پايدار و عمومی شود 2 – با توجه به استراتژی تقسيم و تسخير قابل استفاده برای انواع تصاوير باشد 3 – مقياس پذير برای نيازهای ظرفيتهای مختلف باشد و از مشکلات ظرفيتی ناشی از هيستوگرام تخت اجتناب کند 4 – در برابر فشرده سازی JPEG تحت يک عامل مقياس مناسب به صورت مشروط مستحکم باشد 5 – به علت ذخيره سازی ايمن و انتقال اطلاعات جانبی ، برای حفاظت کپی رايت روشی ايمن باشد. آزمايشهای دقيق بر روی بيشتر از سه نوع تصوير، موثر بودن چارچوب ارائه شده را نشان می دهند

Histogram-based lossless data embedding (LDE) has been recognized as an effective and efficient way for copyright protection of multimedia. Recently, a LDE method using the statistical quantity histogram has achieved good performance, which utilizes the similarity of the arithmetic average of difference histogram (AADH) to reduce the diversity of images and ensure the stable performance of LDE. However, this method is strongly dependent on some assumptions, which limits its applications in practice. In addition, the capacities of the images with the flat AADH, e.g., texture images, are a little bit low. For this purpose, we develop a novel framework for LDE by incorporating the merits from the generalized statistical quantity histogram (GSQH) and the histogram-based embedding. Algorithmically, we design the GSQH driven LDE framework carefully so that it: 1) utilizes the similarity and sparsity of GSQH to construct an efficient embedding carrier, leading to a general and stable framework; 2) is widely adaptable for different kinds of images, due to the usage of the divide-and-conquer strategy; 3) is scalable for different capacity requirements and avoids the capacity problems caused by the flat histogram distribution; 4) is conditionally robust against JPEG compression under a suitable scale factor; and 5) is secure for copyright protection because of the safe storage and transmission of side information. Thorough experiments over three kinds of images demonstrate the effectiveness of the proposed framework