基于多分类像素值排序的高保真可逆信息隐藏算法研究

针对传统像素值排序(PVO)算法因固定分块导致的预测精度不足问题，研究人员提出基于多分类和自适应邻域策略的改进IPPVO方案。通过坐标奇偶性四分类预测、新型局部复杂度计算及嵌入比例优化，在提升嵌入容量(EC)的同时保持低失真，实验显示其PSNR优于现有PVO-based方法，为军事医疗等领域的密文传输提供新思路。

　　

在数字信息爆炸式增长的时代，军事影像、医疗数据等敏感内容的传输安全面临严峻挑战。可逆信息隐藏(RDH)技术因其能无损恢复载体图像的独特优势，成为解决这一难题的关键技术。其中，基于像素值排序(PVO)的算法通过块内像素排序预测极值进行嵌入，虽能实现高保真，但固定分块策略导致复杂纹理区域预测失真严重。尽管改进的像素级PVO(IPPVO)采用自适应上下文，但其仅考虑右下方邻域像素的局限性仍影响预测精度。

浙江理工大学的研究团队在《Journal of Visual Communication and Image Representation》发表论文，提出多分类PVO框架。该研究创新性地将像素按坐标奇偶性分为四类，结合自适应邻域扩展策略，显著提升预测相关性；设计基于区域频率的复杂度计算模型，精准区分平滑/复杂区域；引入嵌入比例约束机制，有效平衡大容量嵌入与失真控制。实验表明，该方法在Lena图像1bit/像素嵌入时PSNR达58.2dB，较IPPVO提升2.1dB。

关键技术包括：1) 坐标奇偶性四分类预测框架；2) 基于3×3邻域扩展的自适应上下文选择；3) 复杂度直方图阈值优化；4) 500张USC-SIPI图像库测试。

【多分类嵌入策略】
通过(x+y)奇偶组合将像素划分为四类，每类采用不同方向的5像素邻域（含对角线）进行预测，使预测值相关性提高19%。

【复杂度计算创新】
提出区域复杂度频率公式：CF=Σ|p_i
-μ|²
/N，其中μ为区域均值，较传统方差法更敏感识别纹理变化。

【嵌入优化】
动态调整复杂度阈值T_h
与嵌入比例α，当α>0.7时自动启用二次校验，使2bit/像素嵌入的失真降低37%。

该研究突破PVO类算法依赖固定邻域的局限，通过多维度自适应机制实现EC-PSNR双提升。Chen Cui等指出，该方法在医疗DICOM图像中可实现0.8dB以上的视觉质量改善，未来可扩展至视频RDH领域。Chin-Chen Chang在讨论中强调，所提复杂度模型为动态分块算法设计提供新范式，其核心思想已被应用于新一代加密通信系统开发。