CN105791878A - 图像错误隐藏方法与*** - Google Patents

Abstract

本发明提供一种图像错误隐藏方法与***，初步分析图像数据中丢失块所属类型，丢失块类型包括平滑块、纹理块以及边缘块，通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型，根据丢失块所属类型确定丢失块恢复方式，根据确定的丢失块恢复方式对图像进行错误隐藏。整个过程中，通过FPGA中Hedge算法二次确认丢失块所属类型，利用FPGA强大的并行处理能力，提高丢失块类型识别效率，避免丢失块类型识别受到CPU性能的局限，能够高效实现图像错误隐藏。

Description

图像错误隐藏方法与***

技术领域

本发明涉及图像处理技术领域，特别是涉及图像错误隐藏方法与***。

背景技术

图像传输过程中，难免受到噪声干扰、设备因环境变化的不稳定性导致信息帧丢失，如果不加以修正，则会出现马赛克现象导致用户体验变差。

一般的图像错误隐藏是基于软件基础上，先对图像进行错误判别，判别传输过程中是否有信息块丢失，在判别有错的基础上，再对信息块进行类判别，判别丢失块是纹理块、平滑块还是边缘块。

根据丢失块边缘的块类别，预测丢失块最有可能是哪种。判别出类型之后，然后根据判别出来的类型进行对应的方式的判别。上述方法基于软件方面的处理，其容易受到CPU性能的局限导致处理速度不够佳。

发明内容

基于此，有必要针对一般图像错误隐藏方法处理效率低的问题，提供一种高效的图像错误隐藏方法与***。

一种图像错误隐藏方法，包括步骤：

初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块；

通过FPGA(Field-ProgrammableGateArray，现场可编程逻辑门阵列)中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型；

根据丢失块所属类型确定丢失块恢复方式；

根据确定的丢失块恢复方式对图像进行错误隐藏。

一种图像错误隐藏***，包括：

初步分析模块，用于初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块；

二次确认模块，用于通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型；

恢复模块，用于根据丢失块所属类型确定丢失块恢复方式；

隐藏模块，用于根据确定的丢失块恢复方式对图像进行错误隐藏。

本发明图像错误隐藏方法与***，初步分析图像数据中丢失块所属类型，丢失块类型包括平滑块、纹理块以及边缘块，通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型，根据丢失块所属类型确定丢失块恢复方式，根据确定的丢失块恢复方式对图像进行错误隐藏。整个过程中，通过FPGA中Hedge算法二次确认丢失块所属类型，利用FPGA强大的并行处理能力，提高丢失块类型识别效率，避免丢失块类型识别受到CPU性能的局限，能够高效实现图像错误隐藏。

附图说明

图1为本发明图像错误隐藏方法第一个实施例的流程示意图；

图2为本发明图像错误隐藏方法第二个实施例的流程示意图；

图3为本发明图像错误隐藏***第一个实施例的结构示意图；

图4为本发明图像错误隐藏***第二个实施例的结构示意图。

具体实施方式

如图1所示，一种图像错误隐藏方法，包括步骤：

S200：初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块。

对图像数据中丢失块所属类型进行初步分析，一般丢失块的类型包括平滑块、纹理块以及边缘块三种。

S400：通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型。

FPGA具有强大的并行处理能力，并行处理能力是指在同一时间，可以多线程同时处理多个任务。在本步骤中通过FPGA中Hedge算法并行处理，二次确认丢失块所属类型。采用FPGA并行处理方式，一方面多个处理任务同时进行，处理效率高；另一方面能够克服目前采用CPU识别丢失块所属类型容易受到CPU性能的局限的缺陷。

S600：根据丢失块所属类型确定丢失块恢复方式。

不同类型的丢失块其恢复方式不相同，具体来说，当丢失块所属类型为平滑块时，采用双线性插值对丢失块进行恢复；当丢失块所属类型为纹理块时，采用相似度最高的硬拷贝方式对丢失块进行恢复；当丢失块所属类型为边缘块时，采用方向性插值对丢失块进行恢复。

S800：根据确定的丢失块恢复方式对图像进行错误隐藏。

在确定丢失块和丢失块恢复方式之后，采用已确定的丢失块恢复方式对整个图像进行错误隐藏，修正图像在传输过程出现的错误，提高图像在显示终端上播放的效果。

本发明图像错误隐藏方法，初步分析图像数据中丢失块所属类型，丢失块类型包括平滑块、纹理块以及边缘块，通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型，根据丢失块所属类型确定丢失块恢复方式，根据确定的丢失块恢复方式对图像进行错误隐藏。整个过程中，通过FPGA中Hedge算法二次确认丢失块所属类型，利用FPGA强大的并行处理能力，提高丢失块类型识别效率，避免丢失块类型识别受到CPU性能的局限，能够高效实现图像错误隐藏。

在其中一个实施例中，根据丢失块所属类型确定丢失块恢复方式的步骤包括：

当丢失块所属类型为平滑块时，采用双线性插值对丢失块进行恢复。

当丢失块所属类型为纹理块时，采用相似度最高的硬拷贝方式对丢失块进行恢复。

当丢失块所属类型为边缘块时，采用方向性插值对丢失块进行恢复。

如图2所示，在其中一个实施例中，步骤S200之前还包括：

S120：检测图像数据是否存在错误；

S140：若是，查找图像数据中的丢失块。

检测图像数据是否存在错误，当图像数据存在错误时才需要对图像进行错误隐藏，当图像数据不存在错误时可以直接将图像数据播放、显示。

在其中一个实施例中，初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果包括：

步骤一：通过Sobel算子对与丢失块周围紧邻的像素块进行梯度求解，获得各个像素块的梯度值。

Sobel算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度，常见的应用和物理意义是边缘检测。在技术上，它是一个离散的一阶差分算子，用来计算图像亮度函数的一阶梯度之近似值。在图像的任何一点使用此算子，将会产生该点对应的梯度矢量或是其法矢量。查找丢失块周围的像素块，即与丢失块紧邻的两行两列像素块，对这些像素块进行梯度求解，获得各个像素块的梯度值。一般来说，丢失块紧邻的两行两列像素块为8个像素块，分别为上、下、左、右以及上左、下左、上右和下右8个位置的像素块。分别对这些像素块进行梯度求解，即当丢失块紧邻像素块个数为8个，在这里将分别计算获得8个像素块的梯度值。

步骤二：获取梯度最大值、梯度最小值以及梯度值大于梯度最小值三倍的梯度个数。在计算获得的各个像素块的梯度值中选取梯度值最大值D₁、梯度最小值D_n以及梯度值大于梯度最小值三倍的梯度个数M。

步骤三：当梯度最小值大于梯度最大值的三分之一时，初步判定丢失块所属类型为平滑块。当梯度最小值D_n大于梯度值最大值D₁/3时，初步判定丢失块属于平滑块。

步骤四：当梯度值大于梯度最小值三倍的梯度个数大于预设阈值时，初步判定丢失块所属类型为纹理块。当梯度值大于梯度最小值三倍的梯度个数M大于预设阈值时，初步判定丢失块属于纹理块。预设阈值是预设设定的，其可以根据历史经验数据进行设定和调整，一般来说，预设阈值可以设置为6。

步骤五：当梯度值大于梯度最小值三倍的梯度个数小于或等于预设阈值时，初步判定丢失块所属类型为边缘块。当梯度值大于梯度最小值三倍的梯度个数M小于或等于预设阈值时，初步判定丢失块属于边缘块。

在其中一个实施例中，初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果包括：

步骤一：通过Sobel算子对与丢失块周围紧邻的像素块进行梯度求解，获得各个像素块的梯度值。

步骤二：获取第一大梯度值、第二大梯度值以及第三大梯度值。

步骤三：当第三大梯度值大于第一大梯度值的三分之一时，初步判定丢失块所属类型为平滑块。

步骤四：判断是否第二大梯度值大于第一大梯度值的三分之一，且第三大梯度值小于第一大梯度值的三分之一，若是，则初步判定丢失块所属类型为纹理块，若否，则初步判定丢失块所属类型为边缘块。

在具体实施例中，还可以采用下述方式实现上述过程。

步骤一：用Sobel模版对图像数据中的缺失块周围像素进行梯度求取，然后求得梯度均值、梯度方向，对梯度进行从大到小排序。

步骤二：如果D₃>D₁/3，则预判为无明显边缘或者纹理，并记为S_smo；如果D₂>D₁/3&&D₃<D₁/3,预判为有明显边缘，并记为S_edg；否则预判为纹理并记为S_tex。D₁、D₂、D₃分别为最大、第二大和第三大的梯度值。

在其中一个实施例中，通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型包括：

步骤一：获取预设时间段内丢失块所属类型的状态标记，其中，状态标记包括平滑块的状态标记、纹理块的状态标记以及边缘块的状态标记。

不同类型的丢失块具有不同的状态标记，具体来说，平滑块的状态标记为纹理块的状态标记为边缘块的状态标记为 其中T为预设时间段，t为视频序列中当前帧时刻，k为第k个丢失块。

步骤二：对预设时间段内丢失块所属类型的状态标记进行累加求和，获得累加求和结果。

累加求和结果具体可以为

步骤三：对累加求和结果进行矩阵加权计算，获得加权计算结果。

在Hedge算法中，三种类型的概率将会随着相应的状态标记指数增长。在时刻t，三种类型归属的概率分别用记录平滑、纹理、边缘的权重。具体公式如下：

$w_k^t=\begin{array}{c}{w}_{0,k}^t\\ w_{1,k}^t\\ w_{2,k}^t\end{array}=\left[\begin{array}{c}{w}_{0,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(0\right)}\\ w_{1,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(1\right)}\\ w_{2,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(2\right)}\end{array}\right],$

其中，是初始权重且都为1/3。

步骤四：根据加权计算结果，分别获得丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率。

三种丢失块类型的概率具体如下：

$P_k^t=\left[\begin{array}{c}{P}_{0,k}^t\\ P_{1,k}^t\\ P_{2,k}^t\end{array}\right]=\frac{1}{\left|w_k^t\right|}\left[\begin{array}{c}{w}_{0,k}^t\\ w_{1,k}^t\\ w_{2,k}^t\end{array}\right]$

其中，丢失块的归属概率，为丢失块属于平滑块的概率，为丢失块属于纹理块的概率，为丢失块属于边缘块的概率。

步骤五：根据丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率，确定丢失块所属类型。

基于计算出的丢失块的归属概率确定丢失块所属类型，当丢失块的归属概率最大值＝平滑块的概率时，丢失块属于平滑块，当归属概率最大值＝纹理块的概率时，丢失块属于纹理块，当归属概率最大值＝边缘块的概率时，丢失块属于边缘块。

如图3所示，一种图像错误隐藏***，包括：

初步分析模块200，用于初步分析图像数据中丢失块所属类型，获得丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块。

二次确认模块400，用于通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型。

恢复模块600，用于根据丢失块所属类型确定丢失块恢复方式。

隐藏模块800，用于根据确定的丢失块恢复方式对图像进行错误隐藏。

本发明图像错误隐藏***，初步分析模块200初步分析图像数据中丢失块所属类型，丢失块类型包括平滑块、纹理块以及边缘块，二次确认模块400通过FPGA中Hedge算法，对初始类型分析结果进行修正，确定丢失块所属类型，恢复模块600根据丢失块所属类型确定丢失块恢复方式，隐藏模块800根据确定的丢失块恢复方式对图像进行错误隐藏。整个过程中，通过FPGA中Hedge算法二次确认丢失块所属类型，利用FPGA强大的并行处理能力，提高丢失块类型识别效率，避免丢失块类型识别受到CPU性能的局限，能够高效实现图像错误隐藏。

在其中一个实施例中，恢复模块600包括：

第一恢复单元，用于当丢失块所属类型为平滑块时，采用双线性插值对丢失块进行恢复；

第二恢复单元，用于当丢失块所属类型为纹理块时，采用相似度最高的硬拷贝方式对丢失块进行恢复；

第三恢复单元，用于当丢失块所属类型为边缘块时，采用方向性插值对丢失块进行恢复。

如图4所示，在其中一个实施例中，图像错误隐藏***还包括：

错误检测模块120，用于检测图像数据是否存在错误。

查找模块140，用于当图像数据存在错误时，查找图像数据中的丢失块。

检测图像数据是否存在错误，当图像数据存在错误时才需要对图像进行错误隐藏，当图像数据不存在错误时可以直接将图像数据播放、显示。

在其中一个实施例中，初步分析模块200包括：

第一梯度值计算单元，用于通过Sobel算子对与丢失块周围紧邻的像素块进行梯度求解，获得各个像素块的梯度值。

查找丢失块周围的像素块，即与丢失块紧邻的两行两列像素块，对这些像素块进行梯度求解，获得各个像素块的梯度值。一般来说，丢失块紧邻的两行两列像素块为8个像素块，分别为上、下、左、右以及上左、下左、上右和下右8个位置的像素块。分别对这些像素块进行梯度求解，即当丢失块紧邻像素块个数为8个，在这里将分别计算获得8个像素块的梯度值。

第一数值获取单元，用于获取梯度最大值、梯度最小值以及梯度值大于梯度最小值三倍的梯度个数。

在第一梯度值计算单元计算获得的各个像素块的梯度值中选取梯度值最大值D₁、梯度最小值D_n以及梯度值大于梯度最小值三倍的梯度个数M。

第一处理单元，用于当梯度最小值大于梯度最大值的三分之一时，初步判定丢失块所属类型为平滑块。

当梯度最小值D_n大于梯度值最大值D₁/3时，初步判定丢失块属于平滑块。

第二处理单元，用于当梯度值大于梯度最小值三倍的梯度个数大于预设阈值时，初步判定丢失块所属类型为纹理块。

当梯度值大于梯度最小值三倍的梯度个数M大于预设阈值时，初步判定丢失块属于纹理块。预设阈值是预设设定的，其可以根据历史经验数据进行设定和调整，一般来说，预设阈值可以设置为6。

第三处理单元，用于当梯度值大于梯度最小值三倍的梯度个数小于或等于预设阈值时，初步判定丢失块所属类型为边缘块。

当梯度值大于梯度最小值三倍的梯度个数M小于或等于预设阈值时，初步判定丢失块属于边缘块。

在其中一个实施例中，初步分析模块包括：

第二梯度值计算单元，用于通过Sobel算子对与丢失块周围紧邻的像素块进行梯度求解，获得各个像素块的梯度值；

第二数值获取单元，用于获取第一大梯度值、第二大梯度值以及第三大梯度值；

第四处理单元，用于当第三大梯度值大于第一大梯度值的三分之一时，初步判定丢失块所属类型为平滑块；

第五处理单元，用于判断是否第二大梯度值大于第一大梯度值的三分之一，且第三大梯度值小于第一大梯度值的三分之一，若是，则初步判定丢失块所属类型为纹理块，若否，则初步判定丢失块所属类型为边缘块。

在其中一个实施例中，二次确认模块400包括：

状态标记获取单元，用于获取预设时间段内丢失块所属类型的状态标记，其中，状态标记包括平滑块的状态标记、纹理块的状态标记以及边缘块的状态标记。

不同类型的丢失块具有不同的状态标记，具体来说，平滑块的状态标记为纹理块的状态标记为边缘块的状态标记为 其中T为预设时间段，t为视频序列中当前帧时刻，k为第k个丢失块。

累加求和单元，用于对预设时间段内丢失块所属类型的状态标记进行累加求和，获得累加求和结果。

累加求和结果具体可以为

加权计算单元，用于对累加求和结果进行矩阵加权计算，获得加权计算结果。

在Hedge算法中，三种类型的概率将会随着相应的状态标记指数增长。在时刻t，三种类型归属的概率分别用记录平滑、纹理、边缘的权重。具体公式如下：

$w_k^t=\begin{array}{c}{w}_{0,k}^t\\ w_{1,k}^t\\ w_{2,k}^t\end{array}=\left[\begin{array}{c}{w}_{0,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(0\right)}\\ w_{1,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(1\right)}\\ w_{2,k}^t.{\exp }^{-{\mathrm{\&sigma;L}}_k^t\left(2\right)}\end{array}\right],$

其中，是初始权重且都为1/3。

概率获取单元，用于根据加权计算结果，分别获得丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率。

三种丢失块类型的概率具体如下：

$P_k^t=\left[\begin{array}{c}{P}_{0,k}^t\\ P_{1,k}^t\\ P_{2,k}^t\end{array}\right]=\frac{1}{\left|w_k^t\right|}\left[\begin{array}{c}{w}_{0,k}^t\\ w_{1,k}^t\\ w_{2,k}^t\end{array}\right]$

其中，丢失块的归属概率，为丢失块属于平滑块的概率，为丢失块属于纹理块的概率，为丢失块属于边缘块的概率。

所属类型确认单元，用于根据丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率，确定丢失块所属类型。

基于概率获取单元计算出的丢失块的归属概率确定丢失块所属类型，当丢失块的归属概率最大值＝平滑块的概率时，丢失块属于平滑块，当归属概率最大值＝纹理块的概率时，丢失块属于纹理块，当归属概率最大值＝边缘块的概率时，丢失块属于边缘块。

以上实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (10)

1.一种图像错误隐藏方法，其特征在于，包括步骤：

初步分析图像数据中丢失块所属类型，获得所述丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块；

通过FPGA中Hedge算法，对所述初始类型分析结果进行修正，确定所述丢失块所属类型；

根据所述丢失块所属类型确定丢失块恢复方式；

根据确定的丢失块恢复方式对图像进行错误隐藏。

2.根据权利要求1所述的图像错误隐藏方法，其特征在于，所述初步分析图像数据中丢失块所属类型，获得所述丢失块的初始类型分析结果的步骤之前还包括：

检测所述图像数据是否存在错误；

若是，查找所述图像数据中的丢失块。

3.根据权利要求1所述的图像错误隐藏方法，其特征在于，所述初步分析图像数据中丢失块所属类型，获得所述丢失块的初始类型分析结果的步骤包括：

通过Sobel算子对与所述丢失块周围紧邻的像素块进行梯度求解，获得各个所述像素块的梯度值；

获取梯度最大值、梯度最小值以及梯度值大于所述梯度最小值三倍的梯度个数；

当所述梯度最小值大于所述梯度最大值的三分之一时，初步判定所述丢失块所属类型为平滑块；

当梯度值大于所述梯度最小值三倍的梯度个数大于预设阈值时，初步判定丢失块所属类型为纹理块；

当梯度值大于所述梯度最小值三倍的梯度个数小于或等于所述预设阈值时，初步判定丢失块所属类型为边缘块。

4.根据权利要求1所述的图像错误隐藏方法，其特征在于，所述初步分析图像数据中丢失块所属类型，获得所述丢失块的初始类型分析结果的步骤包括：

通过Sobel算子对与所述丢失块周围紧邻的像素块进行梯度求解，获得各个所述像素块的梯度值；

获取第一大梯度值、第二大梯度值以及第三大梯度值；

当所述第三大梯度值大于所述第一大梯度值的三分之一时，初步判定所述丢失块所属类型为平滑块；

判断是否所述第二大梯度值大于所述第一大梯度值的三分之一，且所述第三大梯度值小于所述第一大梯度值的三分之一，若是，则初步判定所述丢失块所属类型为纹理块，若否，则初步判定丢失块所属类型为边缘块。

5.根据权利要求1-4中任意一项所述的图像错误隐藏方法，其特征在于，所述通过FPGA中Hedge算法，对所述初始类型分析结果进行修正，确定所述丢失块所属类型的步骤包括：

获取预设时间段内所述丢失块所属类型的状态标记，其中，所述状态标记包括平滑块的状态标记、纹理块的状态标记以及边缘块的状态标记；

对所述预设时间段内所述丢失块所属类型的状态标记进行累加求和，获得累加求和结果；

对所述累加求和结果进行矩阵加权计算，获得加权计算结果；

根据所述加权计算结果，分别获得所述丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率；

根据所述丢失块类型属于平滑块的概率、所述属于纹理块的概率以及所述属于边缘块的概率，确定所述丢失块所属类型。

6.一种图像错误隐藏***，其特征在于，包括：

初步分析模块，用于初步分析图像数据中丢失块所属类型，获得所述丢失块的初始类型分析结果，其中，丢失块类型包括平滑块、纹理块以及边缘块；

二次确认模块，用于通过FPGA中Hedge算法，对所述初始类型分析结果进行修正，确定所述丢失块所属类型；

恢复模块，用于根据所述丢失块所属类型确定丢失块恢复方式；

隐藏模块，用于根据确定的丢失块恢复方式对图像进行错误隐藏。

7.根据权利要求6所述的图像错误隐藏***，其特征在于，还包括：

错误检测模块，用于检测所述图像数据是否存在错误；

查找模块，用于当所述图像数据存在错误时，查找所述图像数据中的丢失块。

8.根据权利要求6所述的图像错误隐藏***，其特征在于，所述初步分析模块包括：

第一梯度值计算单元，用于通过Sobel算子对与所述丢失块周围紧邻的像素块进行梯度求解，获得各个所述像素块的梯度值；

第一数值获取单元，用于获取梯度最大值、梯度最小值以及梯度值大于所述梯度最小值三倍的梯度个数；

第一处理单元，用于当所述梯度最小值大于所述梯度最大值的三分之一时，初步判定所述丢失块所属类型为平滑块；

第二处理单元，用于当梯度值大于所述梯度最小值三倍的梯度个数大于预设阈值时，初步判定丢失块所属类型为纹理块；

第三处理单元，用于当梯度值大于所述梯度最小值三倍的梯度个数小于或等于所述预设阈值时，初步判定丢失块所属类型为边缘块。

9.根据权利要求6所述的图像错误隐藏***，其特征在于，所述初步分析模块包括：

第二梯度值计算单元，用于通过Sobel算子对与所述丢失块周围紧邻的像素块进行梯度求解，获得各个所述像素块的梯度值；

第二数值获取单元，用于获取第一大梯度值、第二大梯度值以及第三大梯度值；

第四处理单元，用于当所述第三大梯度值大于所述第一大梯度值的三分之一时，初步判定所述丢失块所属类型为平滑块；

第五处理单元，用于判断是否所述第二大梯度值大于所述第一大梯度值的三分之一，且所述第三大梯度值小于所述第一大梯度值的三分之一，若是，则初步判定所述丢失块所属类型为纹理块，若否，则初步判定丢失块所属类型为边缘块。

10.根据权利要求6-9中任意一项所述的图像错误隐藏***，其特征在于，所述二次确认模块包括：

状态标记获取单元，用于获取预设时间段内所述丢失块所属类型的状态标记，其中，所述状态标记包括平滑块的状态标记、纹理块的状态标记以及边缘块的状态标记；

累加求和单元，用于对所述预设时间段内所述丢失块所属类型的状态标记进行累加求和，获得累加求和结果；

加权计算单元，用于对所述累加求和结果进行矩阵加权计算，获得加权计算结果；

概率获取单元，用于根据所述加权计算结果，分别获得所述丢失块类型属于平滑块的概率、属于纹理块的概率以及属于边缘块的概率；

所属类型确认单元，用于根据所述丢失块类型属于平滑块的概率、所述属于纹理块的概率以及所述属于边缘块的概率，确定所述丢失块所属类型。