Image watermarking in the Hermite transform domain with resistance to geometric distortions
Notice bibliographique
Résumé
This paper proposes a novel perceptual watermarking scheme operating in a Hermite transform domain. To achieve an acceptable level of watermark invisibility, masking properties of the Human Vision system (HVS) are exploited in the extraction of relevant local image features (texture, smooth regions, edges) for watermark embedding purpose. Many other works suggest the use of wavelets or contourlets. In our case, image features are extracted efficiently from the Hermite transform image representation which agrees with the Gaussian derivative model of the human visual perception. The resulting weighing mask is used to adapt the watermark strength to image regions during the embedding process. In order to ensure watermark resistance to global affine geometric attacks (rotation, scaling, translation and shearing) the design of the watermarking scheme is modified, mainly, by incorporating a normalization procedure. Image normalization, a means to achieve invariance to geometric transformations, is well known in computer vision and pattern recognition areas. In this new design, both watermark embedding and detection are carried out in the Hermite transform domain of moment-based normalized images. A sequence of tests is conducted on various images. Many removal attacks (JPEG compression, additive noise and filtering) as well as geometric attacks are applied from the Checkmark benchmark. Experimental results show the effectiveness of the whole scheme in achieving its goals in terms of watermark invisibility and robustness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,002 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».