買專利賣專利找龍圖騰，真高效！ 查專利查商標(biāo)用IPTOP,全免費！專利年費監(jiān)控用IP管家,真方便！

龍圖騰網(wǎng)恭喜南京信息工程大學(xué)申請的專利基于HSI空間分割算法的圖像隱寫方法獲國家發(fā)明授權(quán)專利權(quán)，本發(fā)明授權(quán)專利權(quán)由國家知識產(chǎn)權(quán)局授予，授權(quán)公告號為：CN119364013B 。

龍圖騰網(wǎng)通過國家知識產(chǎn)權(quán)局官網(wǎng)在2025-03-25發(fā)布的發(fā)明授權(quán)授權(quán)公告中獲悉：該發(fā)明授權(quán)的專利申請?zhí)?專利號為：202411929600.6，技術(shù)領(lǐng)域涉及：H04N19/467；該發(fā)明授權(quán)基于HSI空間分割算法的圖像隱寫方法是由惠梓航;高光勇設(shè)計研發(fā)完成，并于2024-12-26向國家知識產(chǎn)權(quán)局提交的專利申請。

本基于HSI空間分割算法的圖像隱寫方法在說明書摘要公布了：本發(fā)明涉及一種基于HSI空間分割算法的圖像隱寫方法，通過獲取輸入的彩色載體圖像和待嵌入秘密信息，將彩色載體圖像作為原始載體圖像且將其分解為HSI色彩空間，對HSI色彩空間內(nèi)H、S和I分量分別分割得到分割處理后載體圖像，對分割處理后載體圖像做邊緣增強得到邊緣增強處理后載體圖像，將邊緣增強處理后載體圖像和待嵌入秘密信息輸入到信息隱藏網(wǎng)絡(luò)做嵌入得到載密圖像，利用信息提取網(wǎng)絡(luò)提取載密圖像內(nèi)的秘密信息。如此，實現(xiàn)了在HSI色彩空間上對原始載體圖像內(nèi)各分量獨立做分割和邊緣增強處理，載體圖像具有更好的邊緣增強效果，完成了在符合人眼視覺特性情況下的秘密信息嵌入，不會引起人眼對載密后圖像的特別關(guān)注，更加有利于圖像隱寫的安全性。

本發(fā)明授權(quán)基于HSI空間分割算法的圖像隱寫方法在權(quán)利要求書中公布了：1.基于HSI空間分割算法的圖像隱寫方法，其特征在于，包括以下步驟：步驟S1，獲取輸入的彩色載體圖像和待嵌入的秘密信息；步驟S2，將獲取的彩色載體圖像作為原始載體圖像，并將該原始載體圖像分解為包括H分量、S分量和I分量的HSI色彩空間；步驟S3，分別對原始載體圖像分解后所得HSI色彩空間內(nèi)的H分量、S分量和I分量進行分割處理，得到分割處理后載體圖像；步驟S4，對分割處理后載體圖像做邊緣增強處理，得到邊緣增強處理后載體圖像；步驟S5，將邊緣增強處理后載體圖像和待嵌入的秘密信息輸入到信息隱藏網(wǎng)絡(luò)進行嵌入操作，以把秘密信息嵌入到該邊緣增強處理后載體圖像，得到載密圖像；步驟S6，利用信息提取網(wǎng)絡(luò)對載密圖像做秘密信息提取處理，得到被嵌入的秘密信息；其中：在步驟S3中，對原始載體圖像分解后所得HSI色彩空間內(nèi)的H分量、S分量和I分量進行分割處理的過程包括如下步驟：步驟S31，利用S分量區(qū)分所述HSI色彩空間中的高飽和區(qū)和低飽和區(qū)；步驟S32，利用H分量對高飽和區(qū)進行分割；步驟S33，利用I分量對低飽和區(qū)進行分割；并且，步驟S32和步驟S33均采用K-均值聚類方法執(zhí)行各自對應(yīng)的分割操作；其中，采用K-均值聚類方法執(zhí)行對應(yīng)分割操作的約束條件如下： ； ；其中，EP表示高飽和區(qū)P內(nèi)所有特征點與各自對應(yīng)聚類均值之間距離平方和的和值，xP=x1,x2為高飽和區(qū)P內(nèi)一個特征點的坐標(biāo)，gPxP代表特征點坐標(biāo)xP位置處的特征值，表示針對高飽和區(qū)P在第i次迭代后賦給類j的特征點集合，i≥1；表示高飽和區(qū)P內(nèi)第i+1次迭代后所對應(yīng)類j的均值；KP表示高飽和區(qū)P內(nèi)聚類的總數(shù)量；EQ表示低飽和區(qū)Q內(nèi)所有特征點與各自對應(yīng)聚類均值之間距離平方和的和值，xQ=x1,x2為低飽和區(qū)Q內(nèi)一個特征點的坐標(biāo)，gQxQ代表特征點坐標(biāo)xQ位置處的特征值，表示針對低飽和區(qū)Q在第i次迭代后賦給類j的特征點集合，i≥1；表示低飽和區(qū)Q內(nèi)第i+1次迭代后所對應(yīng)類j的均值；KQ表示低飽和區(qū)Q內(nèi)聚類的總數(shù)量；其中，采用K-均值聚類方法執(zhí)行對應(yīng)區(qū)域分割操作的過程如下：步驟a1，基于肘部法及誤差平方和變化趨勢確定選出待執(zhí)行分割操作區(qū)域中的K個初始類的像素值均值；其中： ；其中，SSE表示誤差平方和，Ck表示聚類集群中的第k個聚類，K為當(dāng)誤差平方和SSE變化趨勢出現(xiàn)拐點時所對應(yīng)的數(shù)值，該K即為需要的聚類數(shù)量；mk表示聚類Ck中心像素點的數(shù)值，c是聚類Ck中的樣本數(shù)據(jù)；待執(zhí)行分割操作區(qū)域標(biāo)記為G，G為高飽和區(qū)P或者低飽和區(qū)Q；步驟a2，在執(zhí)行第i次迭代時，根據(jù)聚類準(zhǔn)則將每個特征點賦給K個初始類中的對應(yīng)聚類；其中，對于待執(zhí)行分割操作區(qū)域G內(nèi)的任一個特征點，如果，，，，則將該特征點x賦給位于K個初始類中且均值距離該特征點x最近的聚類；步驟a3，對于K個初始類中所有的聚類，更新每一個聚類中所有數(shù)值點的均值；其中，待執(zhí)行分割操作區(qū)域G在執(zhí)行第i+1次迭代后所對應(yīng)聚類j的均值標(biāo)記為： ；其中，Nj是待執(zhí)行分割操作區(qū)域G所對應(yīng)所有聚類中不同數(shù)值點的數(shù)量；步驟a4，對于待執(zhí)行分割操作區(qū)域中的所有聚類，根據(jù)所得所有的更新后均值做出判斷處理：當(dāng)任一聚類中所有像素點的像素值均值滿足時，表明已經(jīng)完成對當(dāng)前待執(zhí)行分割操作區(qū)域的聚類分割操作，不再執(zhí)行迭代操作；否則，轉(zhuǎn)入步驟a2，繼續(xù)下一次迭代操作；在步驟S4中，對分割處理后載體圖像做邊緣增強處理的過程如下：步驟b1，對所述分割處理后載體圖像中各分割區(qū)域的邊界做中值濾波器平滑處理，分別得到對應(yīng)的平滑處理后分割區(qū)域；步驟b2，采用3×3的濾波器分別對各平滑處理后分割區(qū)域的邊界進行處理，分別得到對應(yīng)的邊界處理后分割區(qū)域；步驟b3，將各邊界處理后分割區(qū)域重新疊加到所述原始載體圖像上，得到邊緣增強處理后載體圖像；并且，在步驟S31中，利用S分量采用類內(nèi)最小模糊散度閾值區(qū)分高飽和區(qū)和低飽和區(qū)；其中，最小模糊散度標(biāo)記為DP:Q： ； ； ； ；； ，，； ；； ，，，； ；；其中，P為S分量區(qū)域上的高飽和區(qū)，Q為S分量區(qū)域上的低飽和區(qū)，CardS是S分量區(qū)域的基數(shù)，s為S分量區(qū)域上的圖像像素值，DP,Q;s表示高飽和區(qū)P相對于低飽和區(qū)Q的對稱交叉熵，DQ,P;s表示低飽和區(qū)Q相對于高飽和區(qū)P的對稱交叉熵，為高飽和區(qū)P的隸屬度函數(shù)，為低飽和區(qū)Q的隸屬度函數(shù)；為高飽和區(qū)P的非隸屬度函數(shù)，為低飽和區(qū)Q的非隸屬度函數(shù)；MP為高飽和區(qū)P的平均像素值，MQ為低飽和區(qū)Q的平均像素值，為高飽和區(qū)P中像素值都是s的像素數(shù)量總和，LP表示高飽和區(qū)P中像素值s的最大數(shù)值，為低飽和區(qū)Q中像素值都是s的像素數(shù)量總和，LQ表示低飽和區(qū)Q中像素值s的最大數(shù)值。

如需購買、轉(zhuǎn)讓、實施、許可或投資類似專利技術(shù)，可聯(lián)系本專利的申請人或?qū)＠麢?quán)人南京信息工程大學(xué)，其通訊地址為：210044 江蘇省南京市浦口區(qū)寧六路219號；或者聯(lián)系龍圖騰網(wǎng)官方客服，聯(lián)系龍圖騰網(wǎng)可撥打電話0551-65771310或微信搜索“龍圖騰網(wǎng)”。