关键词：全息技术；光学图像信息；隐藏
中图分类号：TP391 文献标识码：A
1 引言
光学以及处理技术具有良好的并行性特征，在信息安全领域中具有良好的存储效果。全息技术的光学图像信息隐藏技术在光学系统中可以同时进行处理像素以及变换处理。其中信息信息隐藏技术主要就是通过隐性的方式进行数字化信息处理，利用隐性嵌入的方式迷惑攻击者，可以有效地保护信息的安全性。
2 基于全息技术的光学图像信息隐藏结论分析
在实验中利用光学信息的方式处理，进行图像信息的隐藏管理。图形嵌入率在增加过程中，在图像中存在的PSNR值则就会呈现不断地下降趋势，而在图像嵌入率在近似于0.5左右的时候，对称性变换PSNR值就会出现一定程度的下降，其会逐渐的下降到39dB以下。而此种变化就是因为利用傅里叶采样、矩阵实现图像变换处理，在将信息嵌入到过程中，利用机密图像中有效位实现嵌入管理。此种方式可以有效地保证嵌入容量，但是在实践中并不会导致PSNR值出现下降等相关问题。在进行图像嵌入容量增大的整个过程中，其PSNR值不会出现较为显著的下降趋势。而不同的图像参数中其优势显著。利用光学信息技术进行处理，可以实现隐藏，也可以确定图像嵌入长度。第一，接收方中持有解密密钥，进行图形信息解密。在此种状态之下可以根据秘钥的信息进行图像信息恢复。接收方因为没有嵌入秘钥则无法分析在信息中隐藏的信息，无法恢复图像的具体信息内容。第二，接收方具有嵌入密钥，合理提取嵌入信息参数。在接收方具有嵌入秘钥的时候可以提取在隐藏信息中存在的嵌入信息。反之，如果其没有通过加密处理之后的没要则无法进行图像信息内容的恢复。第三，接收方有嵌入以及解密密钥。在此种状况之下可以恢复图像信息。利用嵌入秘钥可以合理的提取嵌入的信息内容，恢复图像信息，通过加密秘钥可以在合并过程中恢复图像信息参数。
3 光学扫描全息超分辨率成像面临的问题
（1）获取重建传递函数，而在重建光学传递函数中，最重要的即为获取重建距离Zr，这就是对应的自聚焦问题。（2）使用传统重建算法重建后，存在很大的离焦噪声。这就是光学扫描全息中的重建问题。（3）消除随机加密光学扫描全息解密图像中的斑点噪声问题，这就是光学扫描全息中的去噪问题。
4 基于全息技术光学图像信息隐藏算法设计
4.1 图像信息的隐藏
通过全息技术进行压缩全息多图像压缩加密处理，将全息作为光学信息处理技术的关键，在处理过程中，通过传感技术处理，保障其满足图像信息采样信号稀疏以及图像采集的矩阵动、稀疏基之间的约束的条件参数。光学扫描中的全息系统中具有较为显著的傅里叶变换采样特征，通过光学扫描处理，生产全息图像信息，就是变换过程。在光学扫描全息过程中可以应用压缩全息技术进行处理。
期刊文章分类查询,尽在期刊图书馆
4.2 基于连通域的光学扫描全息的自聚焦和重建算法
借用数字图像处理的算法来解决光学扫描全息中的问题，一直以来，都是光学扫描全息中的一个重要研宄方向。通过传统重建，重建层的图像信息被清晰显示，而其他层的信息将成为离焦噪声，影响重建图的效果。将通过连通域的方法，将不同的区域分割标记，然后将全息图沿着不同的重建距离重建并计算各个区域的面积，当区域的面积达到最小时，则该区域达到了聚焦的状态，这即为连通域实现自聚焦的过程，同时，通过连通域分割出该区域的物体信息，实现重建。在基于连通域算法的光学扫描全息的自聚焦和重建算法中最重要的是连通域算法标记不同区域，其算法对应的流程如下：（1）输入待标记图像Map，并初始化一个与Map相同大小的Labelmap，以及一个空队列Q，标记计数labellnedx=0；（2）从上到下，从左到右逐点扫描Map，当扫描到一个像素未被标记，即满足Labelmap（i,j）=0且Map（i,j）≠0时，则将labellnedx=labellnedx+1，并令Labelmap（i,j）=labellnedx；然后，检测该点的8邻域，如果邻域存在未被标记的像素，则将labellnedx的值赋给Labelmap相应位置，并将这些像素加入到队列Q中，作为区域生长的种子；（3）如果Q不为空，则从Q中取出一个生长种子，并扫描种子的８邻域，如果存在未被标记的像素，在Labelmap标记并放入队列Q中；（4）重复步骤（3），直至Q为空，这时表示一个连通区域完成；（5）转到步骤（2），直到扫描完整幅图像。
4.3 U型网络
U型网络，最早被提出是为了解决生物医学图像分割的问题，该网络可以保证输出的维度可以和输入的维度相同，同时，该网络前后进行了合并操作（merge），通过这样的方式保留了下采样过程中丢失的信息。后来，该网络也被用解决数字全息中的一些问题中，比如：相位补偿、相位重建等。网络的左右两端对称，左端特征图像的大小逐渐变小，即下采样的过程，右端则相反，特征图像的大小逐渐变大，即上采样过程，通过这种对称的结构保证了输入输出的图形大小相同，同时，众所周知，在下采样的过程中，信息会有一定的损失，而在上采样的过程希望恢复这些损失的信息，U型网络通过一种merge的操作，将上釆样和下采样过程中的特征图像合并，通过这种方式，很好地保留了下采样过程中损失的信息。
4.4 基于深度学习与二分法的自聚焦算法
光学扫描全息超分辨率成像中的自聚焦问题，一直都是中外学者的研究热点，为了更快速地获取更高精度、分辨率的重建距离，中外学者采用了不同的算法来解决该问题。但是，各个算法都有其相应的局限性，近年来，机器学习和深度学习的发展，也引起了中外学者的关注。因而，在近两年出现了一些使用深度学习的方式试图解决自聚焦问题。其中，主要包括两类方式一分类和识别。该算法主要分为两大步骤：（1）训练一个能够判定任意重建距离与聚焦距离的大小关系的神经网络，（2）利用二分法逼近聚焦距离。
5 结束语
通过全息技术的应用，优化重建和高次放大是传统的数字图像处理方法，该算法是为了解决现有的技术始终需要多帧去除离焦噪声的问题，相较于当时的算法，该算法具有更好的实时性。而Ｕ型网络的方式，是首度尝试用于解决光学扫描全息随机加密后产生的斑点噪声，该算法实时性更好，分辨率也更高，且可被用于复杂物体，因此，目前该方法被很好地应用到实际场景中。
参考文献：
[1] 满天龙. 自适应非相干数字全息快速三维成像[D].北京工业大学,2018.
[2] 陈晓林. 遗传算法在光学扫描全息中的应用[D].电子科技大学,2018.
[3] 苏娟. 基于空间光调制器的数字全息实时动态三维显微技术研究[D].浙江师范大学,2018.
[4] 李剑. 基于光场计算的全息多平面成像方法研究[D].东南大学,2017.
[5] 展凯华. 基于全息技术的机器视觉测量光路的改进研究[D].昆明理工大学,2017.
论文作者:马艳红
论文发表刊物:《科学与技术》2019年17期
论文发表时间:2020/1/15
标签：全息论文; 光学论文; 图像论文; 信息论文; 算法论文; 技术论文; 过程中论文; 《科学与技术》2019年17期论文;