CN103903214A - 基于mcuu模型下的dct域图像隐写容量的评估方法 - Google Patents

Abstract

本发明在基于失真不可检测的控制模型(简称为MCUU模型)下，公开了一种对JPEG图像的DCT域隐写容量进行评估的方法，得出了隐写容量不仅跟图像自身的大小、图像复杂度有关，而且跟具体承载频带、隐写算子和嵌入强度等因素相关的理论。本发明可以分析隐写容量与图像大小、承载频带、隐写算子、嵌入强度以及图像复杂度等因素的关系，并公开了谨密的实验方案，实验验证了隐写容量与这些因素关系模型的正确性。与其他方法相比较，本发明提出的方法更具理论价值及实际工程意义。

Description

基于MCUU模型下的DCT域图像隐写容量的评估方法

技术领域

本发明属于信息隐藏技术领域，公开了一种在MCUU模型下对JPEG图像的DCT域隐写容量进行评估的方法。 

背景技术

隐写技术既是一门科学，也是一门艺术，是将秘密信息隐藏在数字媒体中的一种方式。它利用典型的数字媒体，如文本，图像，音频，视频等多媒体为载体来存储秘密数据。隐写的重要目的是掩密通信，隐写者设法在载体数据中嵌入秘密信息。隐写是否被他人检测的最主要原因是隐写容量。对于给定一幅大小固定的图像，在隐写算法确定的情况下，其最大隐写容量是确定的。那么，在不引起怀疑的约束条件下，其隐写的最大容量是多少，即容量上限问题，是近年来信息隐藏研究者非常感兴趣的议题。 

现有隐写容量的研究主要集中在理论模型方面，对容量估算有理论指导意义，但不具实际应用价值，甚至一些很具影响力的测评平台都未涉及容量的评估问题。 

从隐写容量方面看，目前主要存在二种控制模型的研究，一种是基于数字水印的隐写容量控制模型，一种是基于掩密通信的隐写容量控制模型。掩密通信着重的是失真不可检测的控制模型下，载体最多能够承载多少秘密信息量。这种控制模型称之为MCUU(Maximize Capacity under undetectable)。MCUU模型的容量实验方法，是先给图像嵌入少量的数据，进行检测，若没有检测到，再加入少量的数据，再检测，…，直到隐写分析器检测到为止。那么，至倒数第二次为止，前面所有嵌入数据量的总和就是MCUU模型的容量。 

隐写分析方法是研究对隐写术攻击的方法，是如何检测、提取、还原或破坏隐藏秘密信息的分析方法，而基于容量问题的隐写分析方法是指检测载体是否含有秘密信息的方法。对于图像而言，隐写分析是分析一幅图像是否含有秘密信息。隐写分析方法可分为专用隐写分析方法和通用隐写分析方法。专用隐写分析方法是针对专门的隐写算法或工具所设计的分析方法；而通用分析算法是分析一类或多类隐写算法的方法。在常见的JPEG通用隐写分析方法中，准确率较高方法有基于Markov过程(Markov process based，简称MPB)[1]、偏序Markov模型特征(partially ordered Markov model，简称POMM)[2]和合并Markov和DCT特征(Markov-DCT-based,简称MDB)[3]等。 

为了研究基于MCUU模型下的隐写容量问题，采用一种专用或通用隐写分析方法来检 测图像是否含有秘密信息是不全面的。正常的思路是应该把掩密图像通过所有的隐写分析工具来检测，如果所有隐写分析方法都不能检测到该图像含有秘密信息，那么才能认为该图像满足MCUU模型。但是，目前专用、通用隐写分析方法很多，且新的隐写分析方法也不断地涌现出来，因此，研究MCUU模型下的容量问题，不可能用所有的隐写分析工具来分析图像是否含有秘密信息。 

专用隐写分析方法一般具有很强针对性，其主要针对某种特定隐写术本身的特点来设计检测方法。而通用隐写分析算法从信号处理的角度，来提取样本信号特征作为判别依据，其在检测过程中，是不管掩密图像采用何种方式嵌入秘密信息，只判断图像是否含有秘密信息，是属于盲检测方法。研究失真不可检测条件下的隐写容量问题，采用通用隐写分析方法比采用专用隐写分析方法更为妥当。 

不同的隐写分析技术提取分析特征方法不一样，而且侧重点也不一样，如有的隐写分析方法侧重于图像全局的DCT系数特性，如POMM隐写分析侧重于全局特征。有的侧重于DCT域的低频系数特性，而有的侧重于低中频系数特性，如MDB隐写分析技术侧重于最低三个频带。由此可见，不同隐写分析技术对不同隐写术的敏感程度不一样，那么就会影响在MCUU模型下的隐写容量的评估。因此，选取高准确率的隐写分析方法是评估在MCUU模型下图像最大隐写容量至关重要的一步。目前信息隐藏领域的专家普遍认同所述的MPB、POMM和MDB隐写分析方法，但这三种方法提取的隐写分析特征各有所长，也各有短处。如MPB特征计算了JPEG量化系数在各个方向的一阶转移概率矩阵，但该方法没有采用校准技术，准确率相对较低。此外，MPB特征冗余度高，绝对值小于的JPEG量化系数所形成的特征向量已达4(2T+1)维。POMM方法统计JPEG量化系数差值在各种构成情况下的概率，但该方法未考虑量化系数差值之间的关系，其准确率还可以继续提升。MDB方法结合了7种隐写分析特征并采用图像校准技术，准确率相对较高，但该组合并不完整。这三组特征侧重点不同，但可以互为补充。如POMM和MPB特征在Markov模型下的统计对象不同，可以相互补充；MDB的全局特征部分和作为局部特征的POMM之间也有互补关系。 

隐写技术是指将秘密数据嵌入到数字媒体中。由于JPEG图像是一种很普遍的图像格式，因此在DCT域上隐写是一种很流行的隐写方式。隐写术可以被归纳为二类：一类是QIM(Quantization index modulation)方式，一类是SS(spread spectrum)方式。QIM方式是一种量化索引位平面替换嵌入方式，而SS方式是一种将秘密信息位流加到DCT系数上，从而实现数据的嵌入目的。不管是SS隐写方式，还是QIM隐写方式，其本质都是属于加性隐写算 子，如一些典型的隐写术F5[4]、MB[5]、PQ[6]、YASS[7]、Outguess和Jsteg等都是属于加性隐写算子。 

隐写术的关键要素是隐写频带、隐写算子和嵌入强度，当隐写分析方法确定之后，不同的隐写术，其在MCUU模型下的隐写容量也不一样；隐写频带主要是指将秘密信息隐藏到哪些频道、那些系数中去。由于一般情况下，图像高频部分的DCT系数全为零，绝大部分信息隐藏者都不会采用高频系数作为秘密数据的载体；关于复杂度概念，到目前为止，没有一个统一的定义，一般而言，图像空域像素值的变化情况可以很好的反应图像的复杂度，像素变化越多越频繁，图像就越复杂。目前描述图像复杂度的方法主要有四叉树图像方法[8]、并发矩阵方法、区域像素能量差方法。四叉树方法兼顾了图像的全局复杂性与局部复杂性，因此本发明采用四叉树图像作为图像复杂度的描述方法。 

近年来，信息隐藏研究者将容量问题归并为二种控制模型的研究，即基于掩密通信的失真不可检测控制的模型（MCUU）与基于数字水印的失真不可感知的控制模型（MPUI）。而早期大部分文献都把信息隐藏抽象成一种通信理论模型，针对不同模型得出不同的容量表达式，但这模型的抽象化，对具体实物图像的隐藏信息容量估计仅起到理论指导作用。Sajedi提出的基于安全隐写的容量研究，其安全隐写的本质还是不可检测性，且其并未给出具体的理论模型，仅用几种常见的隐写方法（F5、MB、PQ和YASS）来评估容量问题，不具有通用性。 

发明内容

本发明要克服现有技术对于突破隐写容量的评估仅停留在理论层面、隐写分析的准确率不高、图像的全局复杂性和局部复杂性难以兼顾的缺点，提供了一种有效地评估基于MCUU模型下的JPEG图像的最大隐写容量的方法。 

基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于，该方法包括如下步骤： 

步骤1：确定初始嵌入强度α。 

步骤2：确定初始频道β=β_i(i=1,2,…,14)。 

步骤3：根据公式（1），秘密信息比特流开始从β频道开始嵌入。 

S=X+αW   （1） 

其中X是DCT域隐写的DCT系数集或空域隐写像素集，用来携带秘密信息，α是强度因子，用于控制嵌入强度，W为秘密信息位，S表示掩密图像DCT系数集或像素集。 

步骤4：如果β_i(i=1,2,…,14)满嵌入时，掩密图像未被隐写分析器检测出改变，那么从β_i+1频道继续嵌入，直到图像被隐写分析器检测出改变，隐写才停止。 

步骤5：如果当α=1时，所有频道都满嵌入，掩密图像还不能被检测出，那么α=α+1。 

步骤6：重复步骤3、步骤4和步骤5，直到检测出为止。 

所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤2具体是：将JPEG图像中DCT系数中的AC系数按Z型扫描顺序排列成63个频率，然后将这些系数按到DC系数的距离分解成14个频道。 

所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤3中，采用可增加容量的隐写算法，其架构包括频道β确定选项、嵌入强度α确定选项、秘密数据流发生器。动态地改变嵌入频道、动态地改变嵌入强度、秘密数据流动态地增加。 

所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：步骤3所述的掩密图像，在处理其复杂度时的具体方法是： 

1)采用四叉树形式表示图像的复杂度，然后通过公式（2）计算出图像复杂度： 

$\mathrm{Cp}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(2^{i-1}*x_i)---\left(2\right)$

这里的n是四叉树的深度，x_i指的是第i层的叶结点数。 

2)通过公式（3）对图像复杂度进行归一化处理： 

Cm=(Cp-min(Cp))/(max(Cp)-min(Cp))   （3） 

3)将图像复杂度分为：很低、低、中、高和很高五个等级：四叉树复杂度数值大于等于0.85，则为“很高”等级；大于等于0.75且小于0.85为“高”等级；大于等于0.5且小于0.75为“中”等级；大于等于0.3且小于0.5为“低”等级；0.3以下为“很低”等级。 

所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤4中的隐写分析器，使用径向基函数RBF支持向量分类的LibSVM作为分类器，首先通过提取图像的MPB、POMM和MDB特征，然后进行主元向量分析降维，将降维后特征输入至SVM进行训练，训练出支持向量机分类器。 

有益效果 

早期研究及方法只能找到1～2个影响容量的因素，本发明的优点是公开了基于MCUU模型下的DCT域图像隐写容量评估方法，得出隐写容量受图像大小、图像复杂度、具体的隐写算子、DCT域的承载频带、嵌入强度和隐写分析方法的影响的结论。本发明亦能分析出 这些因素与隐写容量的具体相关性：图像自身的大小与隐写容量几乎成正比例关系，而嵌入强度却与隐写容量成反比例关系，在MCUU模型下，QIM隐写容量是SS隐写容量的二倍。DCT域的不同频带，其承载秘密数据能力也不一样，低中频带的承载能力最强，而低频带的承载能力最弱，图像复杂度与隐写容量呈倒“U”形关系，复杂度等级为“高”附近的图像其承载秘密信息能力最强，而两端的承载能力呈下降趋势。 

附图说明

图1为本发明AC系数频道分解示意图。 

图2为本发明动态可增加容量的隐写算法架构示意图。 

图3为本发明隐写分析器的架构示意图。 

图4为本发明实验流程图。 

图5为本发明所得图像大小与隐写容量的关系示意图。 

图6为本发明所得隐写术与隐写容量的关系示意图。 

图7为本发明5幅样本图样。 

图8为本发明所得图像复杂度与隐写容量的关系示意图。 

具体实施方式

以下结合附图实施案例对本发明作进一步详细描述。 

为了测试隐写容量，本发明收集了各种各样的图像300幅，选取的图像源为BOSSv0.92图像库中(10074幅中随机选取1000幅JPEG图像)的图像，自行用数码相机拍摄的及一些常用于图像处理的经典图像1000幅。为了建立的数据模型具有普遍性和合理性，实施图像中,既有不包含任何细节的简单图像，又有含有丰富细节的图像；有山、水、人物、动物、和植物等图像。所有的图像用ACDSee图像处理软件处理，彩色图像转换成灰度图像，非JPEG格式的图像转换成JPEG格式且图像质量因子为85的灰度图像，并将它们缩放成大小为256×256和512×512各1000幅二种大小规格的图像，每种规格的图像各取500幅共1000幅作为训练隐写分析器图像，剩下1000幅作为实验隐写容量的图像。 

将JPEG图像中DCT系数中的AC系数按Z型扫描顺序排列成63个频率，然后将这些系数按到DC系数的距离分解成14个频道，如图1所示。记频道为β，从低频到高频分别为β₁、β₂、β₃、…、β₁₄。动态可增加容量的隐写算法架构如图2所示。在隐写分析器没有检测出图像含有秘密信息过程中，可以随意地改变嵌入频道，可以随意地改变嵌入强度，可以不断地增加嵌入量。用PQ、MB、F5、YASS四种隐写算法分别嵌入0.05bpc(bits per coefficient)～ 0.2bpc秘密信息量，得到4000幅掩密图像。 

采用基于PCA特征融合的通用JPEG隐写分析方法，该方法将当前分类准确度较高的特征进行组合，进一步提高信息隐藏的准确率，从而提高MUCC模型下的隐写容量评估的准确性。隐写分析器的架构如图3所示。使用径向基函数RBF(radial basis function)支持向量分类(C-SVC)的LibSVM作为分类器，在保证虚警率不高于10^-6的情况下，首先通过提取5000幅图像（干净图像1000+掩密图像4000）的MPB、POMM和MDB特征，然后进行主元向量分析降维，将降维后特征输入至SVM进行训练，训练出支持向量机分类器。 

本发明目的是为了能够在MCUU模型下评估图像的最大负荷能力，因此设计出合理的方案至关重要。采用如下步骤： 

步骤1：确定初始嵌入强度α。 

步骤2：确定初始频道β=β_i(i=1,2,…,14)。 

步骤3：根据公式S=X+αW，秘密信息比特流开始从β频道开始嵌入。其中X是用来携带秘密信息的DCT系数集（DCT域隐写）或像素集（空域隐写），α是强度因子，用于控制嵌入强度，W为秘密信息位，S表示掩密图像DCT系数集或像素集。 

步骤4：如果β_i(i=1,2,…,14)满嵌入时，掩密图像未被隐写分析器检测出改变，那么从β_i+1频道继续嵌入，直到图像被隐写分析器检测出改变，隐写才停止。 

步骤5：如果当α=1时，所有频道都满嵌入，掩密图像还不能被检测出，那么α=α+1。 

步骤6：重复步骤3、步骤4和步骤5，直到检测出为止。 

整个实验流程如图4所示。 

为了评估基于MCUU模型下DCT域图像的隐写容量与图像大小、隐写密钥、隐写算子、嵌入强度和图像复杂度的关系，根据以上试验步骤，本发明对这些关系分别做了仿真实验。 

1）图像大小 

为了研究图像大小与隐写容量的关系，本发明分别进行了在MCUU模型下512×512和256×256图像最大容量实验，512×512图像在本发明中简称为大图像，256×256图像在本发明中简称为小图像。我们选取初始嵌入强度α=1，初始频道β=β₁，并采用公式S=X+αW中的SS方式进行嵌入操作，根据图4的实验流程进行实验，并将实验结果按大图像容量的升序排序，结果如图5所示。 

图5中的“.”是大图像的容量，‘——’是小图像的容量，‘—’是大图像容量四分之一。在500幅大图像中，最大容量的最大值为20421bits，最大容量的最小值为6189bits，而 在500幅小图像中，最大容量的最大值为9150bits，最小值为1389bits。图5表明，相同容量的图像，其尺寸越大，容量就越大，但不完全正比于图像的大小，大图像容量的1/4为图中的‘—’线，但小图像的容量几乎都大于大图像的1/4。出现情形的原因是由于小图像是由大图像缩放而成，图像大小的改变引起了图像复杂度的改变，在一般情况下，大图像缩小成小图像是采用下采样方式，下采样往往会引起图像复杂度的增加，而小图像放大成大图像，往往采用线性插值方式，那么就会引起图像复杂度会的减小。 

由实验结果可得出结论：对于同一内容的图像，图像越大，其DCT系数数据量就越大，可供承载秘密数据量就越多，加载一定秘密数据后引起改变的程度就越小，就越难判决下是否含有秘密信息。因此，在绝大多数情况下，图像自身尺寸越大，其容量就越大，就像储水池一样的道理。 

2）隐写术 

本发明选取了低频、低中频和中频三个频道的非零系数作为载体来实验，分别进行QIM隐写和SS隐写方法的实验。 

本发明选取大图像作为实验对象，初始嵌入强度α=1，当载体频道的所有非零系数都满嵌入且未被隐写分析器检测出，那么α=α+1。在实验过程，我们发现，在SS隐写下，绝大部分图像在低频和中频部分，嵌入强度可以到达3，而在低中频带，嵌入强度一般到达2。而在QIM隐写，绝大部分图像的低频和中频部分，嵌入强度可以达到6，而在低中频带可以达到4，小数图像却能达到5。 

实验结果如图6所示，图中红色描绘的是SS隐写容量，兰色描绘的是QIM隐写容量，‘.’表示是低频带的隐写容量，‘——’表示的是低中频带的隐写容量，而’—‘表示的是中频带的隐写容量。 

图6表明，在MCUU模型下，QIM隐写的容量几乎是SS隐写的二倍。低中频部分系数的承载能力明显高于低频与中频的承载能力，而低频的承载能力低于中频的承载能力，出现这种原因是因为MDB方法中的Dual特征就是反映DCT系数低频变化的特征，对低频系数的变化比较敏感。结合图5，可以发现，在SS隐写下低中频部分的承载能力与整幅图像的承载能力相当，其主要原因是1)低中频的DCT非零系数最多；2)低中频系数的嵌入强度可以达到2。 

结论：加性隐写方法有下列二种概率分布函数： 

$P\left(W\right|\mathrm{\π})=\left\{\begin{array}{c}1/4,W=1\\ 1/2,W=0\\ 1/4,W=-1\end{array}\right.---\left(4\right)$

$P\left(W\right|\mathrm{\π})=\left\{\begin{array}{c}1/2,W=1\\ 1/2,W=-1\end{array}\right.---\left(5\right)$

以上二式中π表示隐写算子。假设在MCUU模型下的最大改变量为M，嵌入率为Re，嵌入强度为α。其中嵌入率为每个DCT系数所嵌入的秘密数据位(bit per coefficient,bpc），显然有嵌入率越高，隐写容量就越大，而嵌入率越低，隐写容量就越小。那么就有下式成立： 

$M=\underset{\mathrm{DCT}}{\mathrm{\Σ}}(\mathrm{Re}*P\left(W\right|\mathrm{\π})*\mathrm{\α})---\left(6\right)$

由于嵌入强度与DCT系数的数量无关，所以上式可转化为： 

$M=\mathrm{\α}\underset{\mathrm{DCT}}{\mathrm{\Σ}}(\mathrm{Re}*P\left(W\right|\mathrm{\π}))---\left(7\right)$

式（7）中，最大改变量M为一定值，由此可以得到，嵌入强度α与嵌入率Re成反比例关系，嵌入强度越大，嵌入率就越低，反之，嵌入强度越小，嵌入率就越高，所以可以得出，在MCUU模型下，嵌入强度与隐写容量成反比例关系。 

在给定嵌入强度的情况下，假设在给定一幅JPEG图像，其在MCUU模型下的改变量为M，不妨设QIM算子的隐写容量为CQIM，SS算子的隐写容量为CSS，那么有下式成立： 

C_SS=C_QIM/2=M   （8） 

因此，在MCUU模型下，QIM算子得到的隐写容量是SS算子的2倍。 

3）复杂度 

本发明采用四叉树图像作为图像复杂度的描述方法。一幅图像就是一棵四叉树，每个叶结点表示具有相同属性的区域，每个双亲结点有四个子结点，根结点联系着整个图像。所有叶结点组成一幅图像，在彩色图像中，每个叶结点具有相近的颜色，而在灰度图像中，每个叶结点的灰度值很接近，即有： 

max(f)-min(f)≤T_Image,f∈δ(U)   （9） 

这里的f表示图像像素，T_Image表示阈值，像素的灰度值落在在这一阈值范围内，视觉察觉不到其有何不同，δ(U)表示某一矩形邻域。 

采用四叉树形式表示图像的复杂度，首先将图像用四叉树形式表示，然后通过下式计算出图像复杂度： 

$\mathrm{Cp}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(2^{i-1}*x_i)---\left(10\right)$

这里的n是四叉树的深度，x_i指的是第i层的叶结点数。 

对于一幅大小为M×N图像，如果其四叉树只有一个叶结点，此时的图像是最简单的图像，复杂度最小，且其值为1。如果其所有的像素点都为叶结点，这种情况下该图像具有最大的复杂度。这时其深度为

为向上取整算子，那么最大复杂度为：max(Cp)=M*N*2^depth-1。由此可见，不同图像间的复杂度值差异非常大。为了便于比较图像的复杂度，本发明对图像复杂度进行归一化处理： 

Cm=(Cp-min(Cp))/(max(Cp)-min(Cp))  (11) 

图7是文献上常见的5幅样本图像（图像的质量因子为85），应用式(10)和式(11)，我们得到这些图像的复杂度如表1； 

表1：5幅样本图像的复杂度及其统计特性 

见表1的第二列，可以看出，Fishing boat图像的复杂度最大，而Hills图像的复杂度最小，Lena与Water Lilies的复杂度相近。结合表中的复杂度和低频、低中频、中频及中高频的非零系数出现的统计频率来看，复杂度越高，各个频带的非零系数就越多。可知，非零系数越多，用于承载秘密信息的载体量就越大，那么相应的隐写容量就越大。 

从其定义来看，图像复杂度主要表现为图像的空域复杂程度，不同内容图像复杂度的数值不相同，相同内容图像经不同缩放，其复杂度数值也不同，甚至相同图像经不同压缩因子压缩后，其复杂度的数值也会不同，为了解决这种不正常数值表现，本发明采用图像复杂度粗略划分方法，将图像复杂度分为：很低、低、中、高和很高五个等级。具体划分方法为：四叉树复杂度数值大于等于0.85，则为“很高”等级；大于等于0.75且小于0.85为“高”等级；大于等于0.5且小于0.75为“中”等级；大于等于0.3且小于0.5为“低”等级；0.3以下为“很低”等级。 

本发明将图5的大图像最大隐写容量按复杂度等级进行统计、分类并描绘，统计结果如表2； 

表2：隐写容量与图像复杂度的统计结果 

描绘结果见图8，从图8可以看出，图像复杂度从“很低”等级到“高”等级这个变化过程中，隐写容量呈现递增状态，而从“高”等级到“很高”等级变化过程中，隐写容量去呈现递减状态。总体来看，隐写容量与图像复杂度呈现一种倒“U”形的关系。 

Claims (5)

1.基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于，该方法包括如下步骤：

步骤1：确定初始嵌入强度α；

步骤2：确定初始频道β=β_i(i=1,2,…,14)；

步骤3：根据公式（1），秘密信息比特流开始从β频道开始嵌入；

S=X+αW   （1）

其中X是DCT域隐写的DCT系数集或空域隐写像素集，用来携带秘密信息，α是强度因子，用于控制嵌入强度，W为秘密信息位，S表示掩密图像DCT系数集或像素集；

步骤4：如果β_i(i=1,2,…,14)满嵌入时，掩密图像未被隐写分析器检测出改变，那么从β_i+1频道继续嵌入，直到图像被隐写分析器检测出改变，隐写才停止；

步骤5：如果当α=1时，所有频道都满嵌入，掩密图像还不能被检测出，那么α=α+1；

步骤6：重复步骤3、步骤4和步骤5，直到检测出为止。

2.如权利1所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤2具体是：将JPEG图像中DCT系数中的AC系数按Z型扫描顺序排列成63个频率，然后将这些系数按到DC系数的距离分解成14个频道。

3.如权利1所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤3中，采用可增加容量的隐写算法，其架构包括频道β确定选项、嵌入强度α确定选项、秘密数据流发生器。动态地改变嵌入频道、动态地改变嵌入强度、秘密数据流动态地增加。

4.如权利1所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：步骤3所述的掩密图像，在处理其复杂度时的具体方法是：

1)采用四叉树形式表示图像的复杂度，然后通过公式（2）计算出图像复杂度：

$\mathrm{Cp}=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}(2^{i-1}*x_i)---\left(2\right)$

这里的n是四叉树的深度，x_i指的是第i层的叶结点数；

2)通过公式（3）对图像复杂度进行归一化处理：

Cm=(Cp-min(Cp))/(max(Cp)-min(Cp))        （3）

3)将图像复杂度分为：很低、低、中、高和很高五个等级：四叉树复杂度数值大于等于0.85，则为“很高”等级；大于等于0.75且小于0.85为“高”等级；大于等于0.5且小于0.75为“中”等级；大于等于0.3且小于0.5为“低”等级；0.3以下为“很低”等级。

5.如权利1所述的基于MCUU模型下的DCT域图像隐写容量的评估方法，其特征在于：所述的步骤4中的隐写分析器，使用径向基函数RBF支持向量分类的LibSVM作为分类器，首先通过提取图像的MPB、POMM和MDB特征，然后进行主元向量分析降维，将降维后特征输入至SVM进行训练，训练出支持向量机分类器。

Images