基于SVM的多通道鲁棒图像零水印算法

图像识别算法的可扩展性与鲁棒性研究图像识别算法是计算机视觉领域的重要研究内容之一，其可扩展性和鲁棒性是影响算法实际应用效果的关键因素。

本文将从理论和实践两个角度探讨图像识别算法的可扩展性和鲁棒性研究，并提出相应的优化方法。

可扩展性是指算法在处理不同规模的图像数据时的性能表现。

在实际应用中，图像数据的规模可能会非常大，对算法的可扩展性提出了较高要求。

首先，算法需要具备高效的计算能力，能够在短时间内处理大量数据。

其次，算法需要具备较低的存储需求，以充分利用有限的存储资源。

最后，算法需要具备可并行化的特点，以便能够利用分布式计算环境提升处理速度。

为提升图像识别算法的可扩展性，可以采用以下优化方法。

首先，采用高效的特征提取算法，将图像数据转化为高维特征向量，以减少算法所需计算的数据规模。

其次，采用分布式计算框架，如Hadoop或Spark，在集群环境中并行处理大规模图像数据。

再次，采用压缩存储技术，将图像数据进行压缩存储，以减少对存储资源的占用。

此外，还可以采用增量式学习的方法，随着新的图像数据的加入，自动更新模型，实现快速的模型训练和推理。

鲁棒性是指算法对噪声、变形等异常情况的适应能力。

实际场景中，图像数据可能会受到光照变化、图像噪声、遮挡等干扰，对算法的鲁棒性提出了较高要求。

为提升图像识别算法的鲁棒性，可以采用以下优化方法。

首先，采用数据增强技术，通过旋转、平移、裁剪等操作生成多样化的数据样本，用于模型的训练，提升模型对变形的适应能力。

其次，采用多特征融合的方法，将不同特征的表示进行融合，提升模型对噪声的抵抗能力。

再次，采用深度学习中的鲁棒性训练方法，如对抗训练（Adversarial Training），通过引入对抗样本训练，增强模型对抗扰动的鲁棒性。

此外，算法还可以借鉴迁移学习的思想，从已有的任务中学习知识，应用于新的问题，提升算法的泛化能力。

可扩展性和鲁棒性是相辅相成的概念。

在实际应用中，一个好的图像识别算法既要具备高效处理大规模数据的能力，也要具备对异常情况鲁棒的应对能力。

基于多级可逆神经网络的大容量裁剪稳健型图像隐写技术随着互联网和数字媒体的快速发展，信息隐藏技术变得越来越受到关注。

图像隐写是其中一种常见的技术手段，它允许将秘密信息嵌入到图像中，以达到保密传输的目的。

然而，现有的图像隐写技术存在容量有限、鲁棒性不足等问题，因此需要开发一种具有更大容量和更强鲁棒性的图像隐写技术。

近年来，基于神经网络的图像隐写技术逐渐崭露头角。

其中，多级可逆神经网络被广泛应用于图像处理领域。

多级可逆神经网络是一种能够实现输入图像与输出图像完全对应的网络结构，具有较高的嵌入容量和良好的鲁棒性。

本文旨在基于多级可逆神经网络的大容量裁剪稳健型图像隐写技术展开研究。

首先，我们介绍了多级可逆神经网络的基本原理。

多级可逆神经网络由多个可逆层组成，每个可逆层包含一个正向函数和一个逆向函数，通过对输入图像进行正向传播和逆向传播，实现图像的恢复和隐藏信息的提取。

同时，我们引入了裁剪技术，通过裁剪图像的一部分进行嵌入或提取隐藏信息，以提高嵌入容量。

接着，我们提出了大容量裁剪稳健型图像隐写的方法。

首先，我们使用多级可逆神经网络对图像进行预处理，将原始图像转换为神经网络可接受的输入形式。

然后，我们将隐藏信息进行编码，并通过裁剪技术将编码后的信息嵌入到图像中。

嵌入完成后，我们可以通过逆向传播过程提取隐藏的信息。

为了提高隐藏信息的安全性和鲁棒性，我们采用了加密和纠错编码等技术手段。

接下来，我们进行了实验验证。

我们选取了一些常见的图像数据集，并使用不同隐写算法进行嵌入和提取实验。

实验结果表明，基于多级可逆神经网络的大容量裁剪稳健型图像隐写技术在嵌入容量和鲁棒性方面表现出色。

与传统的图像隐写技术相比，我们的方法能够更有效地隐藏信息，并在一定程度上抵抗图像处理操作带来的攻击。

最后，我们对基于多级可逆神经网络的大容量裁剪稳健型图像隐写技术进行了总结和展望。

我们提出了一些改进方向，包括进一步提高嵌入容量、增强鲁棒性，以及应用于其他领域等。

图像识别中的模型鲁棒性优化方法探索随着人工智能的快速发展，图像识别技术已经成为AI领域的重要研究方向。

然而，在实际应用中，图像识别模型的鲁棒性问题成为了一个亟待解决的难题。

鲁棒性是指模型对于输入数据中的噪声、干扰、扭曲等变化具有良好的适应能力。

本文将探讨图像识别中的模型鲁棒性优化方法。

在图像识别领域，深度学习模型，尤其是卷积神经网络（CNN），已经取得了令人瞩目的成就。

然而，现有的模型仍然存在一些问题，例如对于输入数据的微小扰动过于敏感，这导致模型的预测结果出现误差。

为了解决这一问题，研究人员提出了一系列模型鲁棒性优化方法。

一种常见的方法是对抗性训练。

该方法通过在训练集中添加具有扰动的样本来提高模型的鲁棒性。

具体而言，通过引入对抗性样本，即经过人为扰动的图像数据，可以使模型学习到对这种扰动具有鲁棒性的特征。

这种方法的思想是通过让模型在原始图像和扰动图像之间进行区分，从而增强模型的鲁棒性。

然而，该方法也存在一些问题，例如对抗性样本的生成和定义非常困难。

除了对抗性训练外，还有一些其他的模型鲁棒性优化方法。

例如，通过正则化方法来约束模型的权重，从而减少模型对噪声和干扰的敏感性。

这种方法的关键思想是通过对模型进行一定的限制，使其对特定的输入变化具有较强的稳定性。

此外，还有一些基于模型结构改进的方法，例如引入注意力机制和跳跃连接等。

这些方法通过增加模型的灵活性和对局部特征的关注程度，提高了模型的鲁棒性。

另外，还有一些方法将领域知识和先验信息融入到模型的设计中，以提高模型的鲁棒性。

例如，在医疗图像识别领域，由于噪声和图像质量的问题，模型的鲁棒性往往较差。

为了解决这一问题，研究人员开始利用医疗专家的先验知识，例如对疾病影像的典型特征和变异情况进行建模，在模型设计中加入这些知识，从而提高模型的鲁棒性和准确性。

最后，需要注意的是，在图像识别中，模型鲁棒性的提升和模型的性能之间可能存在一定的权衡。

例如，对抗性训练方法可以有效提高模型的鲁棒性，但也会导致模型对于一些原始图像的预测结果不准确。

基于卷积神经网络的数字图像水印算法研究数字图像水印算法是一种信息隐藏技术，在数字图像领域得到了广泛的应用。

水印可以是一段文本、一张图像或其他形式的信息，通过插入数学算法创造一种可被添加和检测到的特征，嵌入到原始图像的像素中。

这种技术可以确保图像在传输和存储过程中不会被篡改，可以用于版权保护、身份验证和防伪等领域。

本文将讨论基于卷积神经网络的数字图像水印算法研究。

卷积神经网络(Convolutional Neural Network, CNN)被广泛用于图像和视频处理中，是深度学习的重要组成部分。

卷积神经网络的核心部分是卷积层、池化层和全连接层。

卷积层是网络的基本操作单元，通过对输入特征图进行卷积操作提取特征。

池化层通过缩小特征图分辨率的方法增加了网络的鲁棒性。

全连接层将池化层输出的特征向量映射到输出空间，实现分类和预测任务。

基于卷积神经网络的数字图像水印算法可以分为两种：盲水印算法和非盲水印算法。

盲水印算法不需要原始图像的信息，即可提取出水印信息。

非盲水印算法需要原始图像的信息才能提取出水印信息。

对于盲水印算法，常见的方法是将水印信息嵌入原始图像的特征空间中，从而保证水印信息的不可见性。

对于非盲水印算法，常见的方法是将水印信息嵌入原始图像的像素域中，在可控的嵌入强度范围内进行像素修改，从而保证水印信息的鲁棒性。

在实现数字图像水印算法时，需要考虑多种因素，如图像内容、水印嵌入强度和鲁棒性。

最常用的图像水印算法是离散余弦变换(DCT)算法、离散小波变换(DWT)算法和Singular Value Decomposition(SVD)算法。

这些算法具有简单易懂、快速高效和易于实现等优点。

然而，这些算法都是传统的方法，没有考虑到图像内容，可能会对图像造成破坏。

基于卷积神经网络的数字图像水印算法可以通过特征空间的嵌入实现无损的嵌入。

在此基础上，可以进一步考虑如何提高水印的鲁棒性。

常见的方法是使用对抗样本(Adversarial Example) ，即将随机扰动加到原始图像中，从而与嵌入的水印形成对抗。

图像可逆水印的高保真性与鲁棒性研究图像可逆水印的高保真性与鲁棒性研究摘要：图像可逆水印是一种在图像领域被广泛应用的技术，其既能保护图像的版权，又不影响图像的视觉质量。

本文主要研究了图像可逆水印的高保真性与鲁棒性，并通过实验验证了提出的方法的有效性和可行性。

1. 引言随着互联网和数字技术的发展，图像的使用和传播日益广泛。

然而，图像的盗版和篡改现象十分严重，使得保护图像的版权成为一项紧迫的任务。

传统的数字水印技术虽然可以对图像进行保护，但同时会影响图像的质量，降低观看效果。

因此，图像可逆水印技术应运而生。

2. 图像可逆水印的原理与应用图像可逆水印技术主要基于图像的特性，设计一种算法将水印嵌入到图像中，同时保证图像的视觉质量不受明显影响。

水印嵌入过程需要考虑到水印的鲁棒性，即嵌入的水印对图像处理操作的抵抗能力。

常见的嵌入算法包括离散小波变换、离散余弦变换等。

提取水印的过程主要通过检测图像的差异来实现。

图像可逆水印技术的应用领域很广泛，其中包括版权保护、医学图像认证、图像检索等。

在版权保护方面，图像可逆水印可以嵌入版权信息到原始图像中，一旦发现盗版行为，可以通过提取水印信息来追溯。

在医学图像认证方面，可逆水印技术能够为医学图像添加与病人相关的信息，方便逆向追溯和诊断。

在图像检索方面，可逆水印可以为图像添加特定属性和标识，方便进行检索和管理。

3. 高保真性与鲁棒性的研究为了提高可逆水印技术的保真性，当前研究主要关注两个方面：一是提高水印嵌入算法的效率和准确性；二是降低水印提取过程对图像的影响。

在嵌入算法方面，可以通过优化算法的参数选择、改进解码算法等方式来提高效率和准确性。

在提取过程中，可以采用特定的检测算法来减小对图像的影响。

同时，鲁棒性的研究也十分重要。

鲁棒性是指水印在经过一系列图像处理操作后依然能够被有效提取的能力。

目前的研究主要关注抵抗常见的图像处理操作，如图像压缩、旋转、缩放等。

可以通过引入错误纠正码、增加水印嵌入信息量等方式来增强水印的鲁棒性。

变换域图像零水印技术研究近年来,随着因特网和多媒体软件工具的流行,对数字多媒体数据的获取和未授权拷贝变得越来越容易。

随之产生的,是数字多媒体数据面临的版权保护的巨大挑战。

数字水印技术是为了解决多媒体内容版权保护问题发展出来的一种技术手段。

已有的鲁棒数字水印技术均需要在水印的不可见性和水印的鲁棒性之间取得平衡。

而且,从原理上讲,现有的鲁棒数字水印无法实现载体数据无损条件下的版权保护。

零水印技术是一种最新出现的鲁棒数字水印技术,其并不在待保护的数字图像中嵌入任何数据,而是通过提取图像的稳定特征,并与版权所有方提供的版权水印绑定,生成零水印,最后注册在独立的版权保护数据库中,实现对图像版权的保护功能。

本文在零水印框架下,研究了变换域中的图像零水印技术,提出了四种新的图像零水印算法。

本文的主要贡献如下：1、提出一种基于图像DFT(离散傅里叶变换)相位特征的零水印算法。

图像的离散傅里叶变换是图像的基本变换,理论研究表明：仅仅使用图像DFT频谱的相位信息,就能够在最小二乘意义下重建原始图像。

在图像水印系统中,多种类型的攻击方式对于图像DFT相位谱的改变主要发生在相位谱的中频和高频区域,图像DFT频谱的低频相位具有稳定性。

算法首先提取图像DFT的低频相位,之后使用Logistic映射产生的混沌序列生成随机相位,通过两个相位所确定的单位向量的内积来生成最终的特征水印位。

对于全局几何变换攻击,算法通过几何校正的方法来消除其对图像的影响。

提出了一种改进的基于广义Radon变换的几何参数计算方法,显著提高了对于旋转和缩放参数的计算精度。

混沌系统的特性保证了算法的高安全性。

2、提出一种基于SVD奇异向量稳定性的零水印算法。

在现有的基于SVD的图像零水印算法中,使用图像分块SVD后的奇异值来构造图像特征,其实质是基于图像分块的能量准则构造图像特征。

相对于奇异值而言,图像的几何结构主要由SVD奇异向量来表征。

在不同种类的攻击方式下,图像分块SVD后的奇异向量仅有最大奇异值对应的两个奇异向量U1和V1是稳定的。

一种基于视觉模型的DCT 域水印算法张益 牛亚青(中国传媒大学 信息工程学院,北京 100024)摘要本文仿真了Watson 视觉模型和基于纹理和亮度遮蔽的视觉模型，对Watson 视觉模型进行改进，得到一个隐蔽性更好的JND 算法用于指导水印嵌入，使水印算法具有良好的隐蔽性，在视觉不可见性的条件下使嵌入强度最优。

水印嵌入时采用区域能量量化抖动调制算法，实现了视频水印的盲提取，对一些常见的攻击具有较好的鲁棒性。

关键字：视频水印 人类视觉模型 可觉察失真JND 鲁棒性引言近年来，随着多媒体技术的日新月异和网络技术的迅猛发展，信息媒体得以广泛传播，传输安全问题和版权保护问题迫在眉睫。

应用数字水印技术进行版权保护的方法受到越来越多的关注，而提出满足视频要求的鲁棒性水印算法则是技术上的一大挑战[1]。

随着研究的深入，人类视觉模型（HVS ：Human Visual System ）[2]被引入到视频水印中来。

利用视觉模型来确定在图像的各个部分所能容忍的数字水印信号的最大强度，能避免破坏视觉质量使嵌入强度最优。

凌贺飞[3]等提出基于Watson 视觉感知模型的能量调制水印算法,但视频的纹理遮蔽和运动遮蔽没有体现在Watson 模型中，此算法有继续改进的空间。

本文改进了Watson 视觉模型，使水印算法具有良好的隐蔽性；同时区域能量量化抖动调制算法实现了视频水印的盲提取，对一些常见的攻击(如缩放、高斯噪声、剪切)具有较好的鲁棒性。

1 Watson 感知模型一般来说，感知模型涉及三个基本概念：灵敏度、掩蔽效应和综合。

Watson [4]提出的一个用来测量视觉逼真度的模型。

该感知模型试图对图像之间的JND 值作出估计，然后将这些评估值综合成感知距离这个单参数来评价。

1.1灵敏度特性灵敏度特性模型定义了一个频率灵敏度表，表中的每一项约等于相应的DCT 系数在没有掩蔽噪声情况下无法被分辨出来的最小值。

较小的值表明人眼对这一频率更为敏感。

基于SVM的超分辨率算法研究超分辨率技术是一种重要的图像处理技术，可将低分辨率(LR)图像转换为高分辨率(HR)图像。

超分辨率技术在各个领域都有广泛的应用，例如医学影像、卫星图像、安防监控等。

SVM(Support Vector Machine)算法是一种强大的机器学习方法，被广泛应用于图像分类、目标识别、特征提取等领域。

本文将探讨基于SVM的超分辨率算法研究。

一、超分辨率技术概述超分辨率技术的目的是从低分辨率图像中重建出高分辨率图像。

传统的方法是利用局部区域丰富信息的原理，对图像进行插值处理，但该方法会导致图像模糊、失真。

超分辨率技术通过融合多种信息源来恢复图像的高频细节，从而提高图像的分辨率和清晰度。

常用的超分辨率技术包括插值法、基于边缘的方法、基于深度学习的方法等。

二、基于SVM的超分辨率算法原理SVM算法是一种基于分割超平面的机器学习方法，可以在高维空间中建立分类模型，适用于线性和非线性分布的数据。

SVM算法在图像分类、特征提取等领域有着广泛的应用，如何将其应用于超分辨率技术中呢？基于SVM的超分辨率算法的主要思想是基于低分辨率图像和高分辨率图像的线性关系训练出一个SVM回归模型，然后将该模型应用于低分辨率图像，提高其分辨率和清晰度。

具体而言，基于SVM的超分辨率算法包括以下步骤：1. 提取低分辨率图像的特征向量：根据超分辨率技术原理，低分辨率图像中的信息与高分辨率图像具有一定的相关性。

因此，可以通过提取低分辨率图像的特征向量来表示该关系。

2. 训练SVM回归模型：通过低分辨率图像的特征向量和其对应的高分辨率图像构建训练数据集，利用SVM算法训练回归模型。

3. 对低分辨率图像进行预测：将训练好的SVM回归模型应用于低分辨率图像，预测出对应的高分辨率图像，并利用图像重建技术恢复出高分辨率图像。

三、基于SVM的超分辨率算法优势与不足基于SVM的超分辨率算法具有以下优势：1. 可以有效提取低分辨率图像与高分辨率图像的关系，从而减少信息的损失。

图像识别中的鲁棒性评估方法探索近年来，随着人工智能技术的迅速发展，图像识别技术在各个领域得到了广泛应用。

然而，在实际应用中，我们常常会遇到图像识别算法不够鲁棒的问题。

为了解决这一问题，研究人员们开始着手探索图像识别中的鲁棒性评估方法。

一、传统的鲁棒性评估方法在传统的鲁棒性评估方法中，研究人员通常会采用一些固定的评估指标来衡量图像识别算法的性能。

例如，精度、召回率和F1值等指标常常被用来评估分类算法的准确性。

虽然这些指标能够对图像识别算法的性能进行定量化评估，但是却无法完全反映算法在复杂环境下的鲁棒性。

二、基于对抗样本的鲁棒性评估方法近年来，基于对抗样本的鲁棒性评估方法成为了研究的热点。

对抗样本是指经过微小修改的输入图像，能够使得原本能够被正确分类的图像被错误分类。

通过引入对抗样本，研究人员可以评估图像识别算法在面对噪声、干扰等情况时的鲁棒性。

基于对抗样本的鲁棒性评估方法主要有两种思路：一种是生成对抗网络（GAN）的方法，另一种是优化方法。

生成对抗网络（GAN）的思想来源于游戏理论中的对抗博弈，其中包括了生成器和判别器两个网络。

其中，生成器网络负责生成对抗样本，而判别器网络负责判断对抗样本是否逼真。

通过迭代训练，生成器和判别器逐渐优化，最终生成对抗样本。

通过引入对抗样本，研究人员可以对图像识别算法进行鲁棒性评估。

另一种优化方法则是通过优化对抗样本生成过程中的损失函数来改进图像识别算法的鲁棒性。

通过对损失函数进行改进，使得算法更加关注于对抗样本，从而提高算法的鲁棒性。

优化方法不仅可以提高算法的鲁棒性，还可以进一步提升算法的分类性能。

三、基于领域迁移的鲁棒性评估方法除了基于对抗样本的方法外，基于领域迁移的鲁棒性评估方法也是一种常用的方法。

领域迁移是指将算法训练的领域与应用的领域不一致时所面临的问题。

在图像识别中，不同领域的图像往往具有不同的特征分布，从而使得算法的鲁棒性受到挑战。

基于领域迁移的鲁棒性评估方法通过建立多个领域间的映射关系，将算法在不同领域下的性能进行比较，从而评估算法的鲁棒性。

图像识别中的鲁棒性评估方法探索随着人工智能的快速发展，图像识别技术在各个领域得到广泛应用。

然而，由于图像数据的多样性和复杂性，图像识别算法在现实场景中仍然面临着困难和挑战。

为了提高图像识别的准确性和鲁棒性，研究者们提出了许多鲁棒性评估的方法，以评估算法在各种不同场景下的性能表现。

一、图像数据的多样性与复杂性图像数据具有丰富的多样性和复杂性，包含了不同的视角、尺度、光照条件和噪声等因素。

而且，图像数据在真实场景中往往是非正常的，比如模糊的图像、低分辨率的图像以及受损的图像等。

这些因素使得图像识别算法在应对不同情况时出现了一些问题，如误判、漏判等。

二、鲁棒性评估的重要性为了提高图像识别算法的鲁棒性，就需要设计一种有效的评估方法。

鲁棒性评估可以帮助研究者们了解算法在各种不同情况下的表现，从而指导算法调优和改进。

另外，在应用图像识别算法时，鲁棒性评估也可以帮助用户选择更适合的算法或系统。

三、基于对抗样本的鲁棒性评估方法目前，基于对抗样本的评估方法在图像识别的鲁棒性评估中得到了广泛应用。

对抗样本是通过对输入图像进行微小的、不可察觉的扰动来欺骗图像识别算法的样本。

通过引入对抗样本，研究者们可以评估算法对于不同类型扰动的鲁棒性。

例如，可以通过对抗样本中添加噪声、模糊图像或者修改图像的尺度来评估算法的性能。

四、数据集的构建与使用构建合适的数据集对于鲁棒性评估方法的有效性至关重要。

通常，数据集应该包含各种不同类型的图像，涵盖不同视角、尺度、光照条件和噪声等因素。

同时，数据集的规模也需要足够大，以保证评估结果的准确性和可靠性。

在使用数据集时，需要将图像按照一定的比例分为训练集和测试集，以便进行算法的训练和评估。

五、其他鲁棒性评估方法的探索除了基于对抗样本的方法外，研究者们还在不断探索其他的鲁棒性评估方法。

例如，可以通过提取图像的特征向量来评估算法对于不同类型特征的鲁棒性。

另外，也可以通过计算图像的相似性或者距离来评估算法在不同情况下的表现。

专利名称：基于ShuffleNet迁移学习的医学图像鲁棒多水印算法研究
专利类型：发明专利
发明人：李京兵,李天夫,陈延伟,涂蓉,肖驰
申请号：CN202111241673.2
申请日：20211025
公开号：CN114092301A
公开日：
20220225
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于ShuffleNet迁移学习的医学图像鲁棒多水印方法，属于多媒体信号处理领域。

本发明的步骤是：首先对ShuffleNet网络进行结构改动，在自制的医学数据集上训练好后保存；接着把医学图像输入到训练好的ShuffleNet网络中，经过前向传播，对获得的数值处理后就成了医学图像的特征向量；然后对水印进行置乱加密，将医学图像的特征向量与加密后的三张二值水印分别进行异或得到三个二值逻辑序列；再通过相同的操作来提取待测医学图像的特征向量，并与二值密钥序列分别关联来进行水印的提取。

本发明是基于ShuffleNet迁移学习的医学图像数字水印技术，有较好的鲁棒性，针对旋转、平移、缩放、剪切等几何攻击尤为突出，水印的嵌入不改变原始数据的内容，是一种零水印技术。

申请人：海南大学
地址：570228 海南省海口市人民大道56号海南大学
国籍：CN
更多信息请下载全文后查看。

基于多小波变换和支持向量机的鲁棒水印算法
李程;叶中华
【期刊名称】《西安文理学院学报（自然科学版）》
【年(卷),期】2009(012)004
【摘要】为了提高水印的综合效果,根据多小波变换后相邻系数之间具有很强的相关性的特点,提出了一种基于支持向量机的图像水印算法.由于支持向量机在小样本训练的情况下具有良好的学习和泛化能力.因此,可以首先利用支持向量回归机建立相邻系数之间的关系模型.然后,通过调整模型的输入来嵌入或提取水印.实验结果表明,用算法得到的水印不但具有很好的图象感知质量,而且鲁棒性好,实用性强.【总页数】5页(P76-80)
【作者】李程;叶中华
【作者单位】西安财经学院,统计学院,陕西,西安,710061;西安财经学院,统计学院,陕西,西安,710061
【正文语种】中文
【中图分类】TP391.1
【相关文献】
1.基于多小波变换的遥感图像模糊融合算法研究 [J], 孙娇娇;徐礼鹏;邵雪松;刘启蒙
2.基于多小波变换与QAR编码的信息隐藏算法 [J], 杨涛;任帅;索丽;娄棕棕;张弢;慕德俊
3.基于压缩感知和GHM多小波变换的信息隐藏算法 [J], 张弢;康缘;任帅;柳雨农
4.基于CL多小波变换和组合位平面理论的秘密信息共享算法 [J], 张弢;任帅;巨永锋;凌尧;杨照辉
5.小波与多小波变换在支持向量机人脸识别中的研究 [J], 郑成勇
因版权原因，仅展示原文概要，查看原文内容请购买。