【摘 要】
：
设计了一种基于FPGA的JPEG压缩域数字水印系统,可在JPEG图像中实时嵌入水印信息.在对水印信息作二值化和Arnold置乱预处理后,通过改进的LSB嵌入算法将水印信息嵌入到量化后的DCT系数中,经熵编码后生成JPEG压缩文件,完成JPEG压缩域的数字水印嵌入.最后,采用FPGA开发板和上位机对本文设计进行软硬件联合测试.测试结果验证了本文提出的嵌入算法具有较好的不可见性和鲁棒性,以及较高的数据吞吐率.
【机 构】
：
南京航空航天大学电子信息工程学院,南京 211106
论文部分内容阅读
设计了一种基于FPGA的JPEG压缩域数字水印系统,可在JPEG图像中实时嵌入水印信息.在对水印信息作二值化和Arnold置乱预处理后,通过改进的LSB嵌入算法将水印信息嵌入到量化后的DCT系数中,经熵编码后生成JPEG压缩文件,完成JPEG压缩域的数字水印嵌入.最后,采用FPGA开发板和上位机对本文设计进行软硬件联合测试.测试结果验证了本文提出的嵌入算法具有较好的不可见性和鲁棒性,以及较高的数据吞吐率.
其他文献
作为消化系统最常见的疾病之一,急性胰腺炎的医学影像仍使用简单的手工特征进行分析,效率与精度较低,与其危害性并不相称.由于胰腺的解剖变异性以及各种并发症,急性胰腺炎的影像表现复杂,不同患者不同种类的病灶差异大,基于CT影像的急性胰腺炎诊断难度较大.本文提出一种基于双重注意力网络用于诊断急性胰腺炎,该网络使用全局特征为不同阶段的局部特征生成局部注意力特征,使不同阶段的注意力特征关注不同尺度的病灶,最终通过融合对全局注意力特征进行分类.同时在生成注意力特征时,使用通道域注意力调整通道间的依赖,提高模型的表示能力
放射治疗计划系统需要CT图像准确计算剂量分布,但有时临床只能获得MR图像.图像合成能有效利用现有图像合成新模态图像,从而增强图像信息.针对MR图像生成CT图像问题,综合循环一致生成对抗网络不成对数据可训练合成新模态图像的特点,以及密集连接网络的特征复用和优化信息流传播的优点,提出融合密集连接的循环生成对抗网络模型,改善输入信息的消失和梯度信息稀释,合成更可信的CT图像.在18个病人的数据集上训练和验证模型,优化后的循环生成对抗网络与原方法相比,平均绝对误差降低了3.91％,结构相似性提高了1.1％,峰值信
传统基于孪生网络的视觉跟踪方法在训练时是通过从大量视频中提取成对帧并且在线下独立进行训练而成,缺乏对模型特征的更新,并且会忽略背景信息,在背景驳杂等复杂环境下跟踪精度较低.针对上述问题,提出了一种融合注意力机制的双路径孪生网络视觉跟踪算法.该算法主要包括特征提取器部分和特征融合部分.特征提取器部分对残差网络进行改进,设计了一种双路径网络模型;通过结合残差网络对前层特征的复用性和密集连接网络对新特征的提取,将2种网络拼接后用于特征提取;同时采用膨胀卷积代替传统卷积方式,在保持一定感受视野的情况下提高了分辨率
近年来基于运动想象(Motor imagery,MI)的脑-机接口(Brain-computer interface,BCI)技术迅速发展,广泛运用于各个领域.为了比较运动执行(Motor execution,ME)与MI脑电活动的差异,本文提出一种基于脑电信号(Electroencephalogram,EEG)时频域分析的方法.通过设计视觉诱导的上肢ME与MI对照实验,对被采集的10名健康被试的EEG数据进行预处理,并提取各波段特征值,最后分析ME与MI各波段功率值和同一波段功率差值.结果显示,MI过程
利用火焰颜色建模测量火焰当量比是燃烧诊断技术的一个新兴研究方向.目前的建模方法主要利用RGB(Red-green-blue)模型中蓝色/绿色特征(B/G)作为模型输入,但通过单一颜色比值简单拟合得到的颜色-当量比模型存在较大的不确定性及测量误差,因此本文提出利用多颜色模型下的多颜色特征参数作为模型输入.首先,采用数字火焰颜色分布(Digital flame colour distribution,DFCD)技术对采集甲烷燃烧预混火焰图像进行处理并获取火焰图像目标区域(Region of interest,
与传统的图像文本识别任务不同,缅甸语光学字符识别(Optical character recognition,OCR)需要计算机在一个感受野内识别由多个字符嵌套组合的复杂字符,这给缅甸语OCR任务带来了巨大的挑战.为了解决该问题,提出了一种基于知识蒸馏的缅甸语OCR方法,构建了使用卷积神经网络(Convolutional neural networks,CNN)+循环神经网络(Recurrent neural network,RNN)框架的教师网络和学生网络,以集成学习的方式进行训练的模型架构,在训练过程
针对全麻手术患者术中低体温发生率高、影响因素复杂的问题,提出了一种基于特征选择和XGBoost优化的术中低体温预测模型,以更好辅助医生对全麻手术患者的临床诊断.首先,利用随机森林(Random forest,RF)在处理高维数据集上的优势,通过RF的袋外估计法进行特征选择.然后,以极端梯度提升(XGBoost)为基础,利用基于精英保留策略的遗传算法,即EGA算法优化XGBoost超参数.最后,根据最优参数训练预测模型,并用于术中低体温预测.该模型组合利用3种算法优点,提升模型泛化能力和预测精度.实验结果表
针对相控阵雷达多目标跟踪下的威胁度等级不同,以目标位置估计的贝叶斯克拉美罗下界(Bayesian Cramer-Rao lower bound,BCRLB)为分配准则,本文建立了一种基于威胁度的多目标跟踪时间资源分配优化模型,该模型以威胁度为基准将待跟踪目标分为两类,不同类别采用不同的时间资源分配方法.由于该模型及优化算法运行耗时巨大,该文还提出了一种基于反向传播(Back propagation,BP)神经网络的多目标跟踪时间资源拟合方法.计算机仿真表明,该模型及方法可以使各目标跟踪维持最佳状态,同时B
极限学习机因具有高效处理、性能优越以及更少人工参数设定等优点,已成功应用于批处理多标签分类问题.然而,实际应用领域涌现的数据流呈现海量快速、多标签和概念漂移等特点,使得这些传统的多标签分类算法面临精度与时空的挑战.本文提出一种基于核极限学习机的多标签数据流集成分类方法.首先,为适应数据流环境,利用滑动窗口机制将数据流划分为数据块,在前k个数据块上构建k个核极限学习机的集成分类模型;同时,考虑类标签相关性,利用Apriori算法得到每个数据块的标签间的关联规则,并将关联规则中的同现标签的置信度引入到基于集成
为了提高农村配电网智能化设计水平,满足配电线杆路径自动规划的需求,本文利用深度神经网络对配电网规划区域航拍图像中的典型电力目标进行识别以实现可行区域的自动筛选.首先利用无人机航拍获得配电网规划区域的高分辨率图像,构建了包含11类、32118个典型电力目标的数据集.然后通过对Faster-RCNN、YOLO、SSD(Single shot multibox detector)三种网络模型的实用对比,确定采用SSD网络进行典型电力目标的检测与识别,最终给出了配电网线杆规划的可行区域.实验表明,相比于Faste