数字图像处理与Python实现 课件 赵彦玲 第5-9章 图像增强技术 -数字水印技术

数字图像处理第五章图像增强技术5.1图像增强技术分类5.2直接灰度变换法5.3直方图修正法5.4邻域增强5.5频域增强5.1图像增强技术分类点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象5.2.1线性拉伸法全段线性拉伸法全段线性拉伸法(按一种线性关系）分段线性拉伸法（多种线性关系）原图像：灰度范围

[a,b]内，变换后：灰度范围[c,d]内，变换关系为：

g(m,n)=k[f(m,n)-a]+c讨论：[a,b]和[c,d]的取值关系

d-c=b-a，则k=1，改变位置

对于b>a，d<c成立，则k<0，明暗取反尤其当k=-1时，g(m,n)即为f(m,n)的取反5.2直接灰度法线性拉伸法非线性拉伸法分段线性拉伸法abcdMfMg

f(x,y)

g(x,y)5.2.1线性拉伸法5.2.1线性拉伸法分段线性拉伸法(a)扩展感兴趣的，牺牲其他

(b)扩展感兴趣的，压缩其他分析下面两种拉伸曲线的效果：(a)原图

(b)扩展动态范围5.2.2非线性拉伸法指数对数如指数函数、对数函数、平方函数、阈值函数或几种非线性函数的组合等g(x,y)=bC[f(x,y)-a]g(x,y)=loga[f(x,y)]5.2.2非线性拉伸法对数典型应用--傅里叶频谱，其频谱值的范围很大，图像显示系统往往不能呈现出；如此大范围的值，造成很多细节在显示时丢失，5.2.2非线性拉伸法对数点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象5.3.1灰度直方图对每个灰度值，统计在图像中具有该灰度值的像素个数，并绘制成图形5.3直方图修正法图像的灰度像素数统计图，不可逆变换：直方图是多对一的映射结果，即多个图像可以生成相同的直方图，因此反映相邻点之间的关系。反映了图像的灰度散布范围等特征，在很多场合下是重要特征。六个像素定义5.3.1灰度直方图定义5.3.2灰度直方图3）边界阈值的选择1）2)整幅图像的直方图是内部区域的直方图之和。T双峰直方图用途5.3.2直方图均衡化动态范围宽了，对比度增强了定义把原始图进行某种灰度变换，为均匀分布的形式，增加像素灰度值的动态范围，提高图像对比度一幅灰度图像的直方图分布说法正确的是：（）直方图的峰值集中在低端，则图像较暗；反之，图像较亮。直方图的峰值集中在某个区域，不影响图像清晰度。物体和背景差别很大的图像，其直方图具有双峰特性。直方图分布越均匀，图像对比度越好。ABCD提交多选题1分5.3.2直方图均衡化定义r:原图像归一化后的灰度级，则0≤r≤1，r=0为黑（最暗），r=1为白（最亮）；设变换后的图像灰度级为s，则任意一个r值对应一个s值。设s=T(r)，T(r)为变换函数。应满足如下条件，可将r的分布转换为均匀分布。(a)对0≤r≤1，s=T[r]是单调增函数。（保证由黑到白）(b)对0≤r≤1，0≤s=T[r]≤1。（取值范围一致）5.3.2直方图均衡化求解变换函数图像变换前后的直方图分别记为P(r)和P(s)

5.3.2直方图均衡化求解变换函数的实例8个灰级，尺寸64*64大小=4096点仅存5个灰级，宏观拉平，微观不可能平层次减少，对比度提高。5.3.2直方图均衡化求解变换函数的实例分析：（1）均衡化后的直方图比原来均匀很多，但并非完全均匀（2）直方图均衡化提高了图像的对比度，但可能会减少图像的灰度级。（3）原直方图上像素较少的灰度级被归并到新的灰度级上，与像素较多的灰度级的间隔被拉大了。（4）均衡化后有些信息会损失，可能导致不良结果。可以采用局部直方图均衡化方法。5.3.2直方图均衡化求解变换函数的实例Python实现：#获得直方图hist=cv.calcHist([gray],[0],None,[256],[0,255])#应用直方图均衡化dst=cv.equalizeHist(gray)思考分析：直方图均衡化方法是线性变化吗？是否AB提交单选题1分22思考分析：关于直方图均衡化方法的说法正确的是（）增加像素灰度值的动态范围，但是效果不易控制图像增强效果一定符合人的视觉特性和具体应用的要求提高图像对比度为保证效果，可以有选择地增强某个灰度范围内的对比度ABCD提交多选题1分点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象5.4.1邻域平均值法采用3x3均值滤波滤波核为：5.4邻域增强法邻域平均值法，中值滤波法定义

1111/9111

11100000000000000000000000008

00000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000你发现了什么？原始图像均值滤波后、（1）变“平坦”，景物边缘变得模糊。（2）减少、抑制或者消除噪声。、、平滑5.4.1邻域平均值法图像平滑目的：减少噪声1）加性噪声2）乘性噪声3）量化噪声4）椒盐噪声5）信噪比（SignalNoiseRate）：衡量图像噪声，信号与噪声的功率谱之比，近似估计图象信噪比：信号与噪声的方差之比

（在均值为零的情况下，功率就是方差）

1/251/251/251/251/25

111111/251/251/251/251/25111111/251/251/251/251/25或1/25111111/251/251/251/251/25111111/251/251/251/251/25

11111模板尺寸越大，模糊作用越强5.4.1邻域平均值法5x5均值滤波5.4.1邻域平均值法邻域均值滤波加入椒盐噪声、高斯噪声、Speckle噪声和Poisson噪声后的图像邻域平均值法处理的结果#均值滤波result=cv2.blur(Image,(7,7))5.4.2中值滤波法中值滤波输出像素是邻域内像素的中间值而不是平均值步骤:

1）模板游走2）将mask下对应的灰度值（奇数）排序3）用中间值代替f(x,y),消除孤立的噪声点5.4.2中值滤波法中值滤波示意图0000000000000000000000000800000000000000000000000000000000000000000099999999000000009999999900000000999999990000000099999999000000009999199900000000999999990000000099999999000000009999999900000000000000000000000000000000000000800000000000000000000000000000?????????????????00000000000000??00000000000000??00000000000000??00009999990000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00099999999000??00009999990000??00000000000000??00000000000000??00000000000000????????????????

?可以消除杂散噪声点而不会或较小程度地造成边缘模糊。你发现了什么？5.4.2中值滤波法中值滤波实例类似中值滤波：最大值滤波法和最小值滤波法#中值滤波img_median=cv.medianBlur(src,5)

点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象5.4.3微分运算法梯度运算法梯度运算和拉普拉斯运算对于图像f(x,y)，在(x,y)处的梯度定义为：G[f(x,y)]是一个矢量，常用幅值表示梯度为：Roberts、Prewitt和Sobel算子(i,j)(i+1,j)(i,j+1)(i,j)(i+1,j)(i,j+1)(i+1,j+1)5.4.3微分运算法梯度运算法实例#Sobel算子x=cv2.Sobel(grayImage,cv2.CV_16S,1,0)#对x一阶求导y=cv2.Sobel(grayImage,cv2.CV_16S,0,1)#对y一阶求导absX=cv2.convertScaleAbs(x)absY=cv2.convertScaleAbs(y)Sobel=cv2.addWeighted(absX,0.5,absY,0.5,0)锐化5.4.3微分运算法图像锐化边缘锐化的原理边缘或纹理是灰度值发生突变的地方，采用差分或梯度计算来检测边缘。若在原图上（或一定的灰度值上）叠加该检测结果有勾边效果。5.4.3微分运算法图像锐化注意噪声亦属高频分量，往往会随高频增强而突出。因此往往需要去噪后再锐化边缘锐化的缺点：

边缘突出的同时图像中噪声也会被突出。关于图像锐化和图像平滑的说法，正确的是（）图像锐化和平滑都不属于图像增强的方式图像锐化用于增强边缘，导致高频分量增强，会使图像清晰图像平滑可用于消除图像噪声图像平滑可造成图像模糊ABCD提交多选题1分点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素

（5.5）对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象5.5频域增强法在频率域空间对图像进行滤波，以傅里叶变换为例低通滤波高通滤波带通与带阻滤波、同态滤波5.5.1低通滤波法图像的频域平滑：消除图像中的随机噪声、削弱边缘效应，平滑图像计算机中可模拟实现，实际无法实现从1到0陡变截断频率过渡比较平坦和光滑，振铃效应不明显。它尾部保留有较多高频。具有更快的衰减特性，处理的图像稍模糊。图像清晰度较理想低通滤波器有所改善，振铃效应有所减弱。通过调整D1值，平滑图像又能保持较好的清晰度。5.5.2高通滤波法5.5.2高通滤波法（1）理想高通滤波器：突变，存在较强的振铃现象。（2）巴特沃斯高通滤波器（Butterworth）：变化较平滑，在阶数较低时所得的高频图像只产生轻微振铃现象，且图像较为清晰。（3）指数型高通滤波器：比Butterworth高通滤波器更为平滑，高频图像无振铃现象。（4）梯形高通滤波器：性能介于理想高通滤波器和具有平滑过渡的滤波器之间，得到的高频图像既有一定的模糊，也存在一定的振铃现象。5.5.3带通和带阻滤波法5.5.4同态滤波法消除图像上照明不均的问题，增加暗区的图像细节，同时又不损失亮区的图像细节，它在频域中同时将图像亮度范围进行压缩和将图像对比度进行增强。

a)同态滤波处理前b)同态滤波处理后（压缩图像的动态范围，增加了图像各部分之间的对比度）点运算算法邻域增强算法（5.4）图像增强灰度图像增强彩色图像增强空域图像增强频域图像增强直接对图像像素

（5.5）对图像变换后的系数图像平滑图像锐化均值滤波、中值滤波直接灰度变换方法（5.2）基于直方图的灰度变换（5.3）图像平滑图像锐化一二阶微分算子低通滤波高通滤波带通与带阻滤波同态滤波作用域处理对象线性非线性直方图均衡数字图像处理课程内容入门认识第7章图像压缩第8章图像分割基本操作应用第9章图像水印第10章指纹识别第11章深度学习综合案例第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用研究对象：图像的形态特征研究方法：用具有一定形态的结构元素去量度和提取对应形状，

实现对图像的分析和识别。效果评价：特殊的数字图像处理方法和理论。

理论虽然较为复杂，但基本思想却简单而完美。6.1概述图像形态学方法与其他空域或频域方法相比，具有明显优势：基于数学形态学的边缘信息提取处理优于基于微分运算的边缘提取算法；它不像微分算法对噪声那样敏感，提取的边缘比较光滑；利用数学形态学方法提取的图像骨架也比较连续，断点少等。

6.1.1图像形态学基础1.集合与元素6.1.1图像形态学基础2.击中与击不中6.1.1图像形态学基础3.平移和对称B的对称集：B中元素(x,y)的对称点(-x,-y)构成的集合6.1.1图像形态学基础4.结构元素（收集图像信息的探针）使用说明：cv2.getStructuringElement（结构元素类型，原点坐标）参数说明：结构元素形状：方形：MORPH_RECT；十字形：MORPH_CROSS；圆形：MORPH_ELLIPSE第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用基本运算：膨胀、腐蚀、开与闭运算基于基本运算推导和组合成各种图像形态学运算方法。6.2

二值图像中基本形态学处理Python习惯设定前景（物体）是白色，背景为黑色。意义相同的两幅图6.2.1膨胀1.概念

将与前景（物体）边界接触的背景像素点合并到物体中，边界向外扩张。膨胀后，物体目标变大，可以填充图像中的小孔及在图像边缘处的小凹陷部分。膨胀可合并裂缝、填补或缩小内部空洞。6.2.1膨胀2.膨胀过程6.2.1膨胀3.Python实现膨胀使用格式：cv2.dilate（图像，结构元素类型，迭代次数）参数说明：输入图像：输入图像数据，imread()返回图像数据结构元素类型：矩形：MORPH_RECT；十字形：MORPH_CROSS；椭圆形：MORPH_ELLIPSE。膨胀次数：默认值为1矩形结构元素：使轮廓的水平或垂直拐点处膨胀后依然整齐、垂直；椭圆结构元素：使轮廓的拐点处具有平滑和圆润的弧线，更好地保持原始轮廓曲线；十字结构元素倾向于使轮廓的拐点处具有十字结构形状的锯齿形状。因此，膨胀之后的图像拐点处的轮廓形状与结构元素的形状有关。6.2.2腐蚀1.概念所有使B平移x后仍在A中的全体x的集合。即，用B来腐蚀A得到的集合是B完全包括在A中时B的原点位置的集合。膨胀运算的对偶。消除边界点，使边界向内部收缩的过程。本质上使目标区域范围“变小”，目标中的空洞、缝隙将会变大，可能会造成原来连接较窄的部分断开。

6.2.2腐蚀2.腐蚀过程原点6.2.2腐蚀3.Python实现腐蚀使用格式：cv2.erode(输入图像，结构元素类型，迭代次数)参数说明：输入图像：输入图像数据，imread()函数返回值结构元素类型：矩形：MORPH_RECT；

十字形：MORPH_CROSS；

椭圆形：MORPH_ELLIPSE。腐蚀次数：默认为1矩形结构元素，只剩下部分拐点处的散点没有腐蚀掉十字形和椭圆形结构元素：腐蚀后物体的整个轮廓仍较为清晰，

腐蚀能力较弱。结构元素增大，小于结构元素的物体相继消失。选择合适大小和形状的结构元素，可将其用于滤波。利用腐蚀滤波去除噪声点同时，图像中前景物体的形状会发生改变。如果只关心物体的位置或个数，该应用不受影响。/live/cctv13/index.shtml?spm=C28340.P2qo7O8Q1Led.S87602.81&stime=1682139600&etime=1682143200&type=lbacks6.2.3开运算1.概念膨胀：填充图像中比结构元素小的孔洞以及图像边缘处的小凹陷，使图像扩大；腐蚀：消除图像边缘的某些小区域，并将图像缩小。膨胀和腐蚀并非互逆运算，可级联使用。结构元素B对A的开运算：使用相同的结构元素，对图像先腐蚀再膨胀，

记作：A◦B

6.2.3开运算2.开运算过程开运算：图像的轮廓变得光滑，断开狭窄的连接和消除细毛刺。开运算与腐蚀不同：图像大的轮廓并没有整体变小，物体位置也没有发生任何变化6.2.3开运算3.

Python下实现cv2.MORPH_OPEN，morphologyEx(输入图像，开运算，结构元素)，参数说明：输入图像：输入图像数据，imread()返回函数值。img为原始待处理二值图像。开运算：cv2.MORPH_OPEN：开运算(open)，先腐蚀后膨胀的过程。结构元素：十字形、矩形、椭圆形开运算可以用来消除小黑点或比结构元素小的部分，在纤细点处分离物体，平滑较大物体的边界的同时并不明显改变其面积。6.2.4闭运算1.概念闭运算是开运算的对偶运算。结构元素B对A的闭运算：使用相同的结构元素，对图像先膨胀再腐蚀，

记作：A

B。

6.2.4闭运算2.闭运算过程使轮廓变得光滑，但与开运算相反，它通常能够弥合狭窄的间断，填充小的孔洞6.2.4闭运算3.

Python下实现cv.MORPH_CLOSE，morphologyEx(输入图像，闭运算，结构元素)参数说明：输入图像：输入图像数据，imread()返回函数值。img为原始待处理二值图像。闭运算：cv2.MORPH_CLOSE，先膨胀后腐蚀的过程。结构元素：十字形、矩形、椭圆形能够填充图像中的小区域、黑洞或者窄缝，总的位置和形状不变第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用F(x,y)代表输入图像，S(x,y)代表结构元素。F(x,y)和S(x,y)不再只代表形状的集合，是二维函数。(x,y)表示图像中像素点的坐标。二值图像形态学中基本的交运算、并运算：在灰度形态学中分别用最大极值(maximum)和最小极值(minimum)代替。6.3.1灰度膨胀1.概念求邻域内最大值作为输出。用结构元素函数S(x,y)对输入图像F(x,y)进行膨胀运算，表示为(F⊕S)

DF、DS分别为F和S的定义域，

a和b必须在结构元素S的定义域之内，平移参数x-a和y-b要求在F的定义域之内。灰度膨胀运算后，图像函数F(x,y)在其定义域内每一点(x,y)处的取值：

以(x,y)为中心、在结构元素函数S(x,y)规定的局部邻域内元素的最大值。6.3.1灰度膨胀2.实现过程选用二值结构元素，点(x,y)处的灰度膨胀运算简化为：以(x,y)为中心、在结构元素函数S(x,y)规定的邻域内的像素最大值。灰度图像的膨胀运算使一个孤立的高亮噪音扩大化。6.3.1灰度膨胀3.

Python实现使用格式：cv2.dilate（输入图像，结构元素类型，迭代次数）参数说明：输入图像：输入图像数据，imread()返回图像数据；结构元素类型：矩形结构元素；膨胀迭代次数：默认值为1。灰度图像膨胀操作使得：灰度图像被暗区包围的亮区面积变大，较小的暗色区域面积变小。灰度膨胀对灰度变化较大的区域，更明显。6.3.2灰度腐蚀1.概念灰度图像腐蚀是灰度图像膨胀的对偶操作，求出邻域内的最小值作为输出，邻域仍由各种算子模板来定义。DF、DS分别为F和S的定义域，

a和b必须在结构元素S的定义域之内，平移参数a+x和b+y要求在F的定义域之内。灰度膨胀运算后，图像函数F(x,y)在其定义域内每一点(x,y)处的取值为：以(x,y)为中心、在结构元素函数S(x,y)规定的局部邻域内对应像素的最小值。

6.3.2灰度腐蚀2.实现过程6.3.2灰度腐蚀3.Python实现使用格式：cv2.erode(图像，结构类型，迭代次数)参数说明：输入图像：输入图像数据，imread()函数返回值结构类型：方形、圆形、十字形腐蚀次数：默认值为1。腐蚀操作使：原始图灰度像的较小的亮色区域面积会缩小，暗色区域面积会增大。同灰度膨胀相似，灰度腐蚀对图像灰度变化快的区域效果更明显。6.3.3灰度图像开、闭1.概念

6.3.3灰度图像开、闭2.

Python实现cv2.MORPH_OPEN和cv2.MORPH_CLOSE灰度腐蚀：会在去除图像细节的同时使得整体灰度下降，灰度膨胀：会增强图像的整体亮度，灰度开运算：常用于去除那些小于结构元素S的亮区域，而对于较大的亮区域影响不大。灰度闭运算：常用于去除图像中的暗细节部分，而高亮度部分基本不受影响。开闭运算：保证图像的整体灰度基本不变。第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用（边界提取、区域填充）6.4.1边界提取1.轮廓轮廓：对物体形状的有力描述，对图像分析和识别十分有用，图像处理领域经典问题之一。边界提取算法可以有效获得图像中前景物体的边界轮廓。提取边界：最常用的方法是将所有前景物体内部的点删除（即用背景色表示），可采用逐行扫描原图像的方式进行。6.4.1边界提取2.实现过程判断依据：若当前位置为前景点（即黑色点）其8个邻域位置都是黑色，则当前点为内部点，应在目标轮廓中将其删除。过程描述：采用一个3×3的结构元素对原图像腐蚀，使得只有8个邻域都有黑点的内部点被保留。再用原图像减去腐蚀后的图像，即可删除内部点，保留前景物体的边界像素。6.4.1边界提取3.

Python实现r=cv2.erode(img,kernel,iterations=1)e=img-rcv2.imshow('img',img)cv2.imshow('edge',e)6.4.2区域填充1.轮廓区域填充可视为边界提取的反过程，是在边界已知的情况下得到边界包围的整个区域的过程。6.4.2区域填充2.实现过程设二值图像中含有一个目标区域的边界，其值为1，非边界为0，边界点的集合记为集合A，从边界内一点P开始，令X0=P=1，采用如下迭代式进行区域填充。Xk=(Xk-1⨁B)⋂Ack=1,2,3,…上式中，B为对称结构元素，上式迭代至Xk=Xk-1时停止，每一步与A的补集（Ac）的交集把结果限制在感兴趣的区域内；最后，集合A和Xk的并集即为边界及填充部分，算法最后产生一个单连通域。6.4.2区域填充3.

Python实现第六章图像形态学操作6.1概述6.2二值图像中基本形态学处理6.3灰度图像中基本形态学处理6.4图像形态学处理应用（边界提取、区域填充）数学形态学是一门建立在严格数学理论基础上的学科，并已经发展成为一种新的图像处理方法和理论，是数字图像处理及分形理论的一个重要研究领域。其在计算机文字识别、计算机显微图像分析、医学图像处理（例如细胞检测、心脏的运动过程研究、脊椎骨癌图像自动数量描述）、指纹检测等方面都取得了成功的应用。数字图像处理课程内容入门认识第8章图像压缩第7章图像分割基本操作应用第9章图像水印第10章指纹识别第11章深度学习综合案例第七章图像分割7.1图像分割基本概念7.2基于边缘的图像分割7.3基于区域的图像分割7.1.1图像分割定义

数字图像信号𝑓(𝑥,𝑦)，将其分割为满足以下5个约束条件的若干相连的、非空子集（即图像子区域）𝑓_1,𝑓_2,𝑓_3,⋯,𝑓_𝑛的过程，称为图像分割。每个像素都可以被分割到确定的子区域中；各个子区域内图像像素是连通的；确保一个图像元素不会同时被分割到多个子区域；属于同一个子区域的像素应该具有某些相似性；属于不同子区域的属性应该不同。7.1.2图像分割分类按照是否考虑语义：分为非语义分割和语义分割。根据被分割图像的种类不同：灰度图像分割，彩色图像分割；根据被分割图像的状态不同：静态图像分割，动态图像分割；根据分割的粒度不同：

以识别物体轮廓为准则的粗分割，

以颜色、纹理等的高度相似性为准则、适宜压缩编码的细分割；按照被分割图像的应用领域不同：

遥感图像分割、医学图像分割、交通图像分割、工业图像分割、安防图像分割等；根据分割目标不同：语义分割、实例分割、全景分割；按照分割方法不同：

基于边缘的图像分割、基于区域的图像分割、基于显著性分析的图像分割、基于深度学习的图像分割等。7.1.2图像分割分类（1）非语义分割：

在图像分割中所占比重更高，目前算法也非常多，研究时间较长，而且算法也比较成熟。代表算法：阈值分割：简单，给定输入图像一个特定阈值，如果大于这个阈值，则设定为前景像素值，否则为背景像素值。区域分割有代表性的算法有两种：区域生长和区域分裂合并。区域生长算法的核心思想是给定子区域一个种子像素，作为生长的起点，然后将种子像素周围邻域中与种子像素有相同或相似性质的像素(可以根据预先设定的规则，比如基于灰度差)合并到种子所在的区域中。区域分裂合并基本上就是区域生长的逆过程，从整个图像出发，不断分裂得到各个子区域，然后再把前景区域合并，实现目标提取。聚类：聚类是一个应用非常广泛的无监督学习算法，该算法在图像分割领域也有较多的应用。聚类的核心思想就是利用样本的相似性，把相似的像素点聚合成同一个子区域。7.1.2图像分割分类（1）非语义分割：

在图像分割中所占比重更高，目前算法也非常多，研究时间较长，而且算法也比较成熟。边缘分割这是图像分割中较为成熟，而且较为常用的一类算法。边缘分割主要利用图像在边缘处灰度级会发生突变来对图像进行分割。常用的方法是利用差分求图像梯度，而在物体边缘处，梯度幅值会较大，所以可以利用梯度阈值进行分割，得到物体的边缘。对于阶跃状边缘，其位置对应一阶导数的极值点，对应二阶导数的过零点(零交叉点)。因此常用微分算子进行边缘检测。常用的一阶微分算子有Roberts算子、Prewitt算子和Sobel算子，二阶微分算子有Laplace算子和Kirsh算子等。由于边缘和噪声都是灰度不连续点，在频域均为高频分量，直接采用微分运算难以克服噪声的影响。因此用微分算子检测边缘前要对图像进行平滑滤波。LoG算子和Canny算子是具有平滑功能的二阶和一阶微分算子，边缘检测效果较好，因此Canny算子也是应用较多的一种边缘分割算法。参考网址：/article/8750657.1.2图像分割分类（2）语义分割：

在图像分割中所占比重更高，目前算法也非常多，研究时间较长，而且算法也比较成熟。语义分割和非语义分割的共同之处都是要分割出图像中物体的边缘，但是二者也有本质的区别，用通俗的话介绍就是非语义分割只想提取物体的边缘，但是不关注目标的类别。而语义分割不仅要提取到边缘像素级别，还要知道这个目标是什么。因此，非语义分割是一种图像基础处理技术，而语义分割是一种机器视觉技术，难度也更大一些，目前比较成熟且应用广泛的语义分割算法有以下几种：Grabcut

MaskR-CNN

U-Net

FCN

SegNet参考网址：/article/875065第七章图像分割7.1图像分割基本概念7.2基于边缘的图像分割7.3基于区域的图像分割7.2.1边缘分割基本原理边缘有方向和幅度两个特性：沿着边缘走向的灰度值不变或者缓慢变化，垂直于边缘走向的灰度值存在突变。按突变形式不同，边缘可表现为阶跃式、渐变式（斜升和斜降式）、脉冲式、屋顶式等类型，边缘包括：

数字图像中目标物体或某区域的角点、轮廓、交界等处，代表了图像局部不连续性特征。边缘分割方法：

假设各子区域一定会有明显的边缘存在，

通过采用数学求导的方法提取图像中灰度或结构等信息突变（即不连续）的部分像素来实现。边缘与导数关系一阶微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二阶微分算子有Laplace算子、LoG算子等7.2.1边缘分割基本原理7.2.2Canny算子边缘与导数关系一阶微分算子有Roberts算子、Prewitt算子、Sobel算子、Kirsch算子等；二阶微分算子有Laplace算子、LoG算子等Canny算子，非微分边缘检测算子，图像边缘检测算法最经典、先进的算法之一。

是在满足一定约束条件下推导出来的边缘检测最优化算子7.2.2Canny算子3个最优准则（1）最优检测：

应尽可能检测出图像的真实边缘，漏检真实边缘和误检非边缘的概率都要尽可能小。（2）最优定位准则：

检测出的边缘要尽可能接近真实边缘，由于噪声影响形成的检测误差最小。（3）检测点与边缘点一一对应：

检测出的边缘点与实际边缘点要尽可能一一对应。7.2.2Canny算子步骤：（1）图像去噪对图像进行平滑滤波（2）计算梯度幅值和方向寻找图像中灰度强度变化最强的位置，即梯度方向，（Sobel算子计算）（3）非极大值抑制为了使模糊的边界变得清晰，需要保留局部最大梯度，在每个像素点上抑制除极大值外的其他梯度值。非极大值抑制图7.2.2Canny算子步骤：（4）双阈值（更加精确地检测边缘）设置两个阈值，一个是阈值上界，一个是阈值下界。像素点大于阈值上界，称为强边界，则认为必然是边界；小于阈值下界，则必然不是边界；

两者之间的称为弱边界，则认为是候选项，需要进一步处理。（5）边界跟踪（进一步处理弱边界点）弱边界可能是真边缘，也可能是噪声或者颜色变化引起。通常：真实边缘的弱边界与强边界是连通的，其他则不连通。一个弱边界点的8连通像素，只要有强边界点存在，则弱边界点是真实边缘并保留。其余的弱边界则被抑制。最终得到Canny算子边缘检测结果。7.2.2Canny算子步骤：使用格式：cv2.Canny(输入图像,最小阈值,最大阈值,[sobel算子（卷积核）大小])参数说明：输入图像：输入图像数据，imread()函数返回值；最小阈值、最大阈值：双阈值设置；Sobel算子卷积核大小：可选项，用于查找图像梯度的Sobel核的大小，默认为3，该值越大，保留信息越多优点是可以检测出真正的弱边缘，而且是细化后的单边缘，减少了边缘中断现象。对于对比度较低的图像，通过合理选择参数，也能有很好的边缘检测效果。第七章图像分割7.1图像分割基本概念7.2基于边缘的图像分割7.3基于区域的图像分割不同区域内像素的属性不同，同一个区域内像素都应该具有相似或相同的属性。7.3基于区域的图像分割根据分割特征不同，分为阈值法、聚类法、生长合并法等。1.生长合并法概念生长合并法主要考虑图像区域的连通性进行分割，常见的方法有区域生长法、分裂合并法、分水岭法等。区域生长法：

根据图像像素之间的连通性，按照事先定义的准则，将部分像素或者子区域聚合成更大区域以达到图像分割的目的。分裂合并法：适合事先完全不了解区域形状和数目的情况，首先将图像分解成互不重叠的区域，然后对各个区域进行合并或分裂，得到最终的分割结果。7.3.1生长合并法2.分水岭法将图像看成一张地形图,灰度值对应地形图中的海拔高度值高灰度值对应着山峰，低灰度值对应着山谷，水总是从地势高朝着地势低的地方流动，直到某个局部低洼处，形成盆地；最终所有水都会处于不同的盆地中，各盆地之间的山脊称为分水岭。自适应的多阈值图像分割算法，有很多实现算法，大多是模拟水从下而上的浸入过程。假设在每个盆地表面，刺穿一个小孔，然后把整个模型慢慢浸人水中，最后在两个盆地汇合处构筑大坝，即形成分水岭。3.Python下实现分水岭法（c）对图像进行“开运算”后再膨胀，得到确定的背景区域（d）通过与背景像素的距离矩阵阈值化寻找确定的前景区域（e）bg与fg相减,得到前景和背景的边缘区域，

定为未确定区域（f）用分水岭算法提取轮廓像素，并显示为特定颜色标识图像分割问题比较复杂，存在两个主要问题：（1）缺乏效果好、通用性强的图像分割算法；（2）因应用场景的不同，评价图像分割效果的标准不统一；

在医学图像分割领域，分割的评价标准和普通图像不同。7.4小结语义或实例级的分割结果：图像分割的FCN、U-net、SegNet、TransDeepLab等学习模型，在自动驾驶、视频监控、医疗影像等场景下都取得了较好的应用效果。第七章图像分割7.1图像分割基本概念7.2基于边缘的图像分割（Canny算子）7.3基于区域的图像分割（分水岭算法）数字图像处理课程内容入门认识第8章图像压缩第7章图像分割基本操作应用第9章图像水印第10章指纹识别第11章深度学习综合案例第八章图像压缩8.1图像压缩基础8.2常见的压缩编码技术8.3小结一幅24位高清图像，分辨率为1920×1080，所占空间为()。1920×1080×24/8=6220800byte=6075KB≈5.93MB1920×1080×24/1024/1024≈49.76MB1920×1080×24/8/1024/1024≈5.93M1920×1080×24/1024=48600MB1920×1080×24/8/1024=6072MBABCD提交单选题1分一段时长1分钟、24位色、分辨率为1920*1080、帧频为30fps的高清视频。1920*1080*24*30*60/8/1024/1024/1024≈10.428GB。若没有压缩，所占存储容量大约是：图像压缩：以较少的比特有损或无损地表示原来的像素矩阵的技术，

也称图像编码。图像和视频在存储、传输、处理等过程所需资源呈现爆炸式增长，所以对数字图像和视频数据进行压缩是非常必要。8.1.1数据冗余相关概念压缩率（又称压缩比），表示压缩后数据量与压缩前数据量的比值：

数据冗余，表示压缩减少的数据量占压缩前数据量的比值：

8.1.1数据冗余相关概念数字图像冗余形式：编码冗余、空间冗余、时间冗余、视觉冗余等。编码冗余（又称信息熵冗余）：图像中平均每个像素使用的比特数大于图像的信息熵，比如，灰度图中用于表示灰度的8比特编码往往要多于表示灰度所需要的比特数。空间冗余（又称几何冗余：由图像内部相邻像素之间存在较强的相关性造成的冗余。比如，一幅图像中存在一片连续的像素颜色相同的区域，则空间冗余较多。时间冗余（又称帧间冗余）：视频图像序列中由相邻帧之间相关性造成的冗余。比如，同一镜头内，相邻视频序列过渡比较缓慢，相邻帧具有极大的相似性。视觉冗余：人眼敏感度较低或者不能感知的那部分图像信息。8.1.2数据压缩模型编码器负责把原图像进行编码压缩；解码器负责将压缩后的图像进行解码操作。映射器：减少图像空间和时间冗余，是可逆操作；量化器：根据映射器输出的精确度进一步降低映射器输出的精度，排除无关信息；符号编码器：将量化器输出的频率高的值赋予短位数编码，达到减少编码冗余的目的。8.1.3图像格式和压缩标准常见的图像格式有：BMP、TIFF、JPEG、GIF等，

在本书第一章中已有介绍；常用的压缩标准主要有：JPEG、JEPG2000、DV、H.261、H.262、H.263、H.264、MPEG-1、MPEG-2、MPEG-4、MPEG-4AVC等。1.JPEG编码JPEG（JointPhotographicExpertsGroup）是最常用的图像文件格式，后缀名为.jpg或.jpeg，其是JPEG标准的产物。JPEG标准是面向连续色调静止图像的一种压缩标准，由国际标准化组织（ISO）制订。JPEG文件格式在本书第一章中已有介绍。常见的实现编码算法有基于图像块的变换编码、哈夫曼（Huffman）编码、行程编码等。8.1.3图像格式和压缩标准由国际标准化组织（ISO）制订；最常用的图像文件格式，后缀名为.jpg或.jpeg，其是JPEG标准的产物；面向连续色调静止图像的一种压缩标准；常见的编码算法：

基于图像块的变换编码、哈夫曼（Huffman）编码、行程编码等。1.JPEG编码（JointPhotographicExpertsGroup）8.1.3图像格式和压缩标准MPEG：是ISO与IEC（国际电工委员会，InternationalElectrotechnicalCommission）于1988年成立的专门针对运动图像和语音压缩制定国际标准的组织；MPEG标准主要有：MPEG-1、MPEG-2、MPEG-3、MPEG-4等。编码技术主要利用了具有运动补偿的帧间压缩编码技术以减小时间冗余度，利用DCT技术以减小图像的空间冗余度，利用熵编码在信息表示方面减小统计冗余度。这些技术的综合运用，大大提高了压缩性能。2.MPEG编码（MovingPictureExpertsGroup）8.1.3图像格式和压缩标准由ITU-T视频编码专家组(VCEG)和MPEG联合组成的联合视频组(JVT，JointVideoTeam)提出。以高压缩高质量和支持多种网络的流媒体传输被广泛使用。在ITU的标准里称为H.264，在MPEG的标准里为MPEG-4Part10，又称AVC（AdvancedVideoCodec）。因此H.264也常常称为MPEG-4或AVC。压缩方法主要包括：帧内预测压缩，解决空域数据冗余问题；帧间预测压缩（运动估计与补偿），解决时域数据冗余问题；整数离散余弦变换，将空间上的相关性变为频域上无关的数据，然后再进行量化。3.H.2648.1.4图像压缩编码技术分类（1）有损编码（不可逆编码）1.根据压缩过程有无信息损失：压缩时部分信息丢失，导致解码重新构造的图像存在一定失真。有损压缩多用于数字电视、静止图像通信等领域。代表性算法包括有损预测编码、变换编码等。压缩过程没有信息的损失，解压后的还原图像与原始图像完全相同。常用于工业检测、医学图像、存档图像等领域的图像压缩中。代表性算法包括哈夫曼编码、游程编码、无损预测编码等。（2）无损编码（可逆编码）8.1.4图像压缩编码技术分类（1）统计编码2.根据图像压缩编码原理进行划分：出现概率高的事件用短码表示，出现概率低的事件用长码表示。常见的统计编码方法有哈夫曼编码和算术编码。利用空间和时间高度相关性，以近邻像素值为参考，预测当前像素值，然后量化、编码预测误差。应用于运动图像、视频编码中，如数字电视、视频电话等。（2）预测编码（3）变换编码空域数据经正交转换到另一个变换域（频率域），然后对系数进行编码处理第八章图像压缩8.1图像压缩基础8.2常见的压缩编码技术8.3小结8.2.1霍夫曼编码1.算法原理根据符号的出现概率构建一棵二叉树：出现概率越高的符号离根节点越近，出现概率越低的符号离根节点越远。每个叶子节点，构建一个编码，由从根节点到该叶子节点的路径上的所有边构成。出现概率高的符号就用较短的编码表示，出现概率低的符号则需要较长的编码表示。(1925-1999)个人成就：（1）霍夫曼编码,

（2）霍夫曼算法，二叉最优搜索树算法效率最高,

是动态规划的一个范例（3）获得计算机先驱奖,

IEEE的McDowell奖（4）加州大学的SantaCruz分校计算机科学系的创始人无损编码8.2.1霍夫曼编码1.算法原理在图像压缩中，图像由若干个像素值组成，统计每个像素值的出现频率，将其转化为概率分布。根据概率分布构建霍夫曼树，得到每个像素值的哈夫曼编码。将每个像素值替换成对应的哈夫曼编码，即可实现对图像的压缩。8.2.1霍夫曼编码2.算法步骤（1）统计像素值出现的频率：统计每个像素值出现的次数。（2）根据频率建立哈夫曼树：使用像素值出现的频率作为权值，建立哈夫曼树。（3）对每个像素值进行编码：从哈夫曼树根节点向下遍历，可设定左子树编码为0，右子树编码为1，直到叶子节点。（4）生成编码表：将每个像素值对应的编码保存到编码表中。（5）压缩图像：根据编码表将像素值转换为对应的哈夫曼编码，拼接起来，得到压缩后数据。（6）存储压缩数据：将压缩后的数据保存到文件中，同时保存编码表。（7）解压缩：

读取压缩数据和编码表，根据编码表转换为像素值，将所有像素值拼接得到解压缩图像。8.2.1霍夫曼编码3.具体实现（1）统计各符号出现概率，并由大到小排队。（2）编码：从最小概率的两符号开始，选其中一个支路为0，另一支路为1。（3）将已编码的两支路的概率合并，并重新排队.（4）多次重复使用上述方法，直至合并概率归一时为止。8.2.1霍夫曼编码4.

Python实现编码之后的图像数据量与原始图像数据量之比为0.9968.2.2算术编码1.算法原理将区间[0,1）连续划分成多个子区间，每个字符区间代表一个字符，区间大小与这个字符出现的概率成正比。消息越长，编码表示它的间隔就越小，表示这一间隔所需的二进制位就越多。在保留字符排列顺序的同时，对于更高频出现的字符，赋予更大的小数区间。无损编码8.2.2算术编码2.算法步骤（1）以二进制的方式读取文件，计算出文件中不同字节的频数和累计频数；（2）按照不同字节出现的频率，将[0,1)区间划分成若干个子区间，每个子区间代表一个上述字节，区间的大小正比于这个字节出现的频率，且所有的子区间加起来正好是[0,1)；（3）编码从初始区间[0,1)开始，不断读入原始数据的字符，每读入一个信号，找到该字符所在区间，然后把该区间作为新的区间间隔，然后按照字符出现的频率将字符等比例的缩小到最新得到的间隔中；（4）在最新的区间中重复步骤（3），继续将该区间进行划分，不断重复这个过程，直到最后信号中的信源信号全部读完为止，最后将得到的区间中任意一个小数以二进制形式输出即得到编码的数据。8.2.2算术编码3.算法实现假设存在四种信源信号分别为A、B、C、D，概率分别为：0.2、0.3、0.4和0.1。对字符串ACBD进行算术编码的过程：8.2.2算术编码4.解码算法假设存在四种信源信号分别为A、B、C、D，概率分别为：0.2、0.3、0.4和0.1。根据编码值0.154判断其所在的原始区间在[0,0.2)内，可以得到其首位字符为A；按照信源信号概率分布进一步划定“新的区间”，并判断编码值落在“新的区间”中的位置，得到第二位字符；重复以上步骤，直到编码长度达到要求为止。如果编码长度不限制的话，可以一直编码下去，可以无损还原出原始信息。8.2.2算术编码5.

Python实现显示压缩比为0.7388.2.3行程编码1.算法原理又称游程编码、变动长度编码或行程长度编码等，是一种统计编码。在数据图像的编码中寻找连续的重复数值，并用出现次数和颜色编号取代这些连续的值。例如，一串字母表示的数据为“aaaaabbcccddddccddbb”，

经过行程编码处理后可表示为“5a2b3c4d2c2d2b”。8.2.3行程编码1.算法原理数字图像而言，同一幅图像某些连续的区域颜色相同，即图像中，同一扫描行中许多连续的像素都具有同样的颜色值。只要存储像素的颜色值、相同颜色像素的位置以及相同颜色的像素数目即可，把具有相同灰度值（颜色值）的相连像素序列称为一个行程。8.2.3行程编码2.算法分类行程编码分为：定长行程编码和变长行程编码两种。（1）定长行程编码：编码的行程所使用的二进制位数固定。如果灰度连续相等的像素个数超过了固定二进制位数所能表示的最值，则进行下一轮行程编码。（2）变长行程编码：对不同范围的行程使用不同位数的二进制位数进行编码，需要增加标志位来表明所使用的二进制位数。8.2.3行程编码（RunLengthEncoding，RLE)3.算法特点相当直观和经济，运算简单，解压缩速度很快。译码规则与编码时相同，还原后得到的数据与压缩前的数据完全相同。RLE所能获得的压缩比有多大，取决于图像本身的特点。RLE一般不直接应用于颜色丰富的自然图像（多灰度图像），但适合于二值图像的编码。无损编码8.2.3行程编码（RunLengthEncoding，RLE)3.算法特点有时行程编码与其他一些编码方法混合使用。8.2.3行程编码（RunLengthEncoding，RLE)5.算法缺点缺点：（1）对传输差错很敏感，如果其中一位符号发生错误，就会影响整个编码序列的正确性，使行程编码无法还原回原始数据，一般要用行同步、列同步的方法，把差错控制在一行一列之内。（2）像ABCDBACADB使用这种算法文件会增大，就是1A1B1C1D1B1A1C1A1D1B了，达不到压缩的效果。8.2.3行程编码（RunLengthEncoding，RLE)6.算法实现压缩比为0.50478.2.4小波图像编码1.子带编码小波变换在20世纪90年代初期已较成熟8.2.4小波图像编码S.Mallat于1988年提出了多分辨率分析的概念，从空间上形象地说明了小波的多分辨率的特性，提出了正交小波的构造方法和快速算法，称为Mallat算法。1.多分辨率编码8.2.4小波图像编码1.多分辨率编码8.2.4小波图像编码2.小波图像编码小波变换符号编码器符号解码器小波反变换量化器压缩后图像解码后图像原图像（1）对图像进行多级小波分解，得到相应的小波系数；（2）对每层小波系数进行量化，得到量化系数对象；（3）对量化后的系数对象进行编码，得到压缩结果。第八章图像压缩8.1图像压缩基础8.2常见的压缩编码技术8.3小结8.3.1编码技术发展数字图像和视频压缩编码解码技术和芯片，广泛应用于数码相机、数字电视、多媒体移动通讯等领域。但其核心技术、芯片和有关标准长期掌握在少数发达国家手里。2003年10月，我国第一片具有完全自主知识产权的数字图像与视频压缩编码解码芯片在湖南中芯数字技术有限公司诞生，这标志着西方少数国家垄断该技术和核心芯片的时代已经结束，对发展我国的高清晰电视以及数字图像传输等视频产业有着重大意义。中芯公司研制的“中国芯”，除了拥有完全原创自主知识产权外，其表现已超过了当时西方国家的最新压缩技术标准JPEG2000的性能，技术性能指标在当时也达到了国外同类产品的领先水平。8.3.1编码技术发展2002年6月，原信息产业部批准成立数字音视频编解码技术标准工作组（AVS工作组），旨在打破国际专利对我国音视频产业发展的制约，满足我国在信息产业方面的需求。AVS工作组已主导制定了一系列视频压缩编码标准——AVS1、AVS+、AVS2和AVS3。2021年发布的AVS3是面向4K/8K超高清应用的编码标准，编码效率比前一代标准高一倍左右，是国际上第一个正式发布的同类标准。AVS3将为新兴的5G媒体应用、虚拟现实媒体等提供技术规范，在未来五到十年中引领8K超高清、VR视频产业的发展。8.3.1编码技术发展数字图像处理课程内容入门认识第8章图像压缩第7章图像分割基本操作应用第9章图像水印第10章指纹识别第11章深度学习综合案例第九章图像水印技术9.1数字水印概念9.2空域数字水印算法9.3频域数字水印技术9.4水印技术发展现状卡登格子隐藏法王先生：

来信收到，你的盛情真是难以报答，我已经在昨天抵达广州，秋雨连绵，每天需要备伞一把方能上街，苦矣，大约本月中旬我才能返回，届时再见。情报在雨把伞中芦花丛中一扁舟，俊杰俄从此地游。义士若能知此理，反躬难逃可无忧。藏头诗9.1.1信息隐藏技术1.概念9.1.1信息隐藏技术信息隐藏在多媒体数据中，有必要吗？9.1.1信息隐藏技术信息隐藏在多媒体数据中，有可能吗？9.1.1信息隐藏技术2.模型空(时)域变换域盲隐藏非盲隐藏隐写术数字水印文本图像声音视频密钥分类对称隐藏公钥隐藏嵌入域提取要求载体类型保护对象9.1.1信息隐藏技术3.分类9.1.1信息隐藏技术4.用途9.1.1信息隐藏技术被卫星收集的苏联战略轰炸机载体图像机密信息隐蔽分发9.1.1信息隐藏技术版权保护-跟踪9.1.1信息隐藏技术版权保护-认证和篡改检测公元前440年出现用头发掩盖信息的方法将信函隐藏在信使的鞋底、衣服皱褶，妇女头饰、首饰中在信函中改变字母笔画的高度，或在字母上（下）面挖非常小的孔17世纪的无形墨水：在特定的字母上制作非常小的斑点19世纪的微缩胶片化学方式实现的高级隐写术（用笔蘸淀粉水写纸上，喷上碘水后显字）艺术作品中隐写术（变形夸张的绘画作品，二战女钢琴家慰问演出等）5.发展9.1.1信息隐藏技术理论发展：1992年，国际上正式提出信息隐藏的概念；1994年，第一篇关于数字图像水印的文章发表；1996年，英国剑桥大学牛顿研究所召开了第一届信息隐藏学术会议（IH），标志着信息隐藏学的正式诞生。2001年，数字取证与数字水印顶级国际会议IWDW召开（第20届将于北京2021.11召开）2013年开始，IH和MMSec会议合并成IH&MMSec，并已举办9届（Online,2021.06）9.1.1信息隐藏技术信息隐藏引起了各国政府、大学和研究机构的重视。美国的麻省理工学院、普渡大学、英国的剑桥大学、NEC研究所、IBM研究所都进行了大量研究。在国内，许多高等院校和研究机构进行了深入的研究。从1999年到2019年，已召开15届全国信息隐藏研讨会（CIHW）。9.1.1信息隐藏技术应用技术和软件：

美国Digimarc公司1995年开发了水印制作技术，是当时唯一一家拥有这一技术的公司，并在