CN103279914A - 一种基于蛙跳优化的图像压缩感知隐写方法及装置 - Google Patents

Abstract

本发明提出一种基于蛙跳优化的图像压缩感知隐写方法，包括：基于OMP图像稀疏分解：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在预定原子库中选取最佳的匹配原子；图像稀疏分解参数量化：根据稀疏分解参数的分布范围及规律，对最优原子的参数进行量化；秘密信息嵌入：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的最优原子的参数中得到载体图像。本发明还提出一种基于蛙跳优化的图像压缩感知隐写装置。本发明相对于现有技术能够有效地减少计算量，提高图像稀疏分解速度，并具有更强的抗隐写分析能力，扩充了隐写的容量，提升了安全性。

Description

一种基于蛙跳优化的图像压缩感知隐写方法及装置

技术领域

本发明涉及一种隐写技术，尤其涉及一种基于蛙跳优化的图像压缩感知隐写方法及装置。

背景技术

隐写术（Steganography)也称为隐密术及密写术，它是信息隐藏研究的一个重要分支。隐写是将秘密信息隐藏到看似正常的载体中（如图像、文本、音频、视频等），利用公共的通道发送给接收方，使监测方无法察觉到秘密通信行为，从而无法获得秘密信息，进而实现秘密信息的通信。

对于隐写算法，首先强调的是安全性。一般认为，只要隐蔽信息的存在性受到怀疑，即被隐写分析方发觉，那么所用的隐写算法是不安全的。对于隐写算法设计的基本原则是在保障隐写安全性的前提下，尽可能地提高嵌入容量。因此，隐写算法的性能要求排序为：安全性、容量和鲁棒性。现有任何一种信息隐藏技术都无法同时满足以上三种性能要求，通常只能根据需求的不同有所侧重，使某项指标得以较好的满足。

目前多数的隐写算法将秘密信息隐藏于空域或诸如离散余弦变换域、离散小波变换域等正交线性变换域中。空域隐写算法相对简单、隐写容量大，但引起图像的统计特征变化明显，目前，出现大量针对空域特征变化的隐写分析方法。比如：Harmsen等利用直方图特征函数质心对载体图像和掩密图像进行分类。Zhang等根据隐写前后图像直方图的局部最大值和局部最小值的变化，提出了隐写分析算法。Fridrich等通过对图像从水平、垂直、对角线方向扫描像素得到不同方向的图像像素Markov链，提取像素之间相关性特征针对HUGO隐写提出了有效的分析方法。大多变换域隐写，是围绕修改量化的DCT系数或小波DWT系数来进行数据嵌入的，因此引起其统计特征变化，为隐写分析提供了线索。Fridrich等提出一种移位剪切重压的校正方法，被广泛应用于多种JPEG专用型和通用型隐写分析算法中。此外，变换域中的隐写虽安全性更高，但隐写容量较小。因此，基于空域或变换域的隐写算法都无法同时满足安全性、容量和鲁棒性的要求。

现有技术中，针对上述问题已有解决方案，在论文“基于遗传优化图像稀疏分解的密写算法”中，提出了基于遗传优化图像稀疏分解的密写算法，该密写算法将信息隐藏与基于图像稀疏分解的压缩过程合二为一。该论文是基于MP的图像稀疏分解，且在图像稀疏分解的每步迭代中采用遗传算法快速实现最佳原子的选取。

该种方法存在以下缺点：一、基于MP算法的参数较多，造成运算量较大、图像稀疏分解速度慢；二、遗传算法选择最优原子的迭代过程比较复杂，寻优能力不够强。这些缺点都会导致图像的重构效果不佳。

发明内容

本发明要解决的技术问题在于克服上述现有技术存在的不足，而提出一种基于蛙跳优化的图像压缩感知隐写方法及装置，能够解决现有技术无法同时满足隐写的安全性和容量等问题，还解决了MP算法运算量较大、图像稀疏分解速度慢以及图像的重构效果不佳等问题。

为解决上述技术问题，本发明提出一种基于蛙跳优化的图像压缩感知隐写方法，用于将秘密信息隐藏于载体图像内，包括：基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，适应度函数的取值越大，则表明青蛙个体对应选择的原子越好；图像稀疏分解参数量化：根据稀疏分解参数的分布范围及规律，对最优原子的参数进行量化；秘密信息嵌入：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的最优原子的参数中得到载体图像。

优选地，利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子的步骤的包括：随机初始化青蛙个体的初始值，计算每个青蛙个体的适应度函数；根据青蛙个体的适应度函数的值对青蛙种群按降序排列，将青蛙种群划分到子族群中，对每个子族群，采用子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值；在每个子族群中重复更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当子族群均完成更新后，将青蛙个体重新混合，按所有青蛙的适应度函数的值重新分组，继续进行更新；判断是否达到终止迭代条件，当青蛙种群达到终止迭代条件时，输出全局最优解为问题的解，即寻找的最优原子的参数。

优选地，终止迭代条件为可预设定的迭代的总代数或残余图像小于设定的阈值。

优选地，预定的原子库为非对称原子库。

优选地，最优原子的参数为 $\left\{(<R^{k}f,g_{r_k}>,{\mathrm{\&theta;}}_k,u_k,v_k,s_{x_k},s_{y_k})\right|k=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n-1\},$ 其中，

为适应度函数，θ_k为最优原子的旋转分量，u_k为最优原子在x方向上的平移分量，v_k为最优原子在y方向上的平移分量，

为最优原子在x方向上的伸缩分量，

为最优原子在y方向上的伸缩分量，n为原子数，适应度函数为载体图像或载体图像残余与原子的内积绝对值，根据稀疏分解参数的分布规律，

以及

的量化位数为2bits，θ_k、u_k、v_k的量化位数均为10bits。

优选地，第一个原子的参数不嵌入秘密信息。

本发明还提出一种基于蛙跳优化的图像压缩感知隐写装置，用于将秘密信息隐藏于载体图像内，包括：基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解模块：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，适应度函数的取值越大，则表明青蛙个体对应选择的原子越好；图像稀疏分解参数量化模块：根据稀疏分解参数的分布范围及规律，对最优原子的参数进行量化；秘密信息嵌入模块：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的最优原子的参数中得到载体图像。

优选地，利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子的步骤的包括：随机初始化青蛙个体的初始值，计算每个青蛙个体的适应度函数；根据青蛙个体的适应度函数的值对青蛙种群按降序排列，将青蛙种群划分到子族群中，对每个子族群，采用子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值；在每个子族群中重复更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当子族群均完成更新后，将青蛙个体重新混合，按所有青蛙的适应度函数的值重新分组，继续进行更新；判断是否达到终止迭代条件，当青蛙种群达到终止迭代条件时，输出全局最优解为问题的解，即寻找的最优原子的参数。

与现有技术相比，本发明的一种基于蛙跳优化的图像压缩感知隐写方法及装置，与空域中相同嵌入容量的LSB嵌入算法及频域相关嵌入算法相比，其更能保证隐密图像视觉效果，并且具有更强的抗隐写分析能力，同时也扩充了隐写的容量，另外，通过采用OMP分解和混合蛙跳优化算法寻找最优原子，能够提升图像稀疏分解的速度、降低运算量以及提升图像的重构效果。

附图说明

图1是本发明的基于蛙跳优化的图像压缩感知隐写方法的流程图。

图2是图1中的寻找最优原子步骤的流程图。

图3是本发明采用一阶Vague集相似度量进行安全性测度值的测度值示意图。

图4是本发明采用二阶Vague集相似度量进行安全性测度值的测度值示意图。

具体实施方式

为了进一步说明本发明的原理和结构，现结合附图对本发明的优选实施例进行详细说明。

请参阅图1，本发明的基于蛙跳优化的图像压缩感知隐写方法，用于将秘密信息隐藏于载体图像内，其包括以下步骤：

步骤S11：基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解：对载体图像采用预定原子库进行基于OMP图像稀疏分解。

OMP算法（Orthogonal Matching Pursuit，正交匹配追踪算法）是MP（MatchingPursuit，基匹配追踪）算法的改进，它和MP算法都是从过完备字典中寻找最佳原子，此原子应最匹配于图像或图像残差。不一样的是，OMP算法利用施密特（Gram-Schmidt）正交化方法，正交化地选出最佳原子，在这些正交原子构成的空间上把图像进行投影计算，得到最匹配原子上图像的分量和残余分量。对残余分量采用同样方法进行分解，在每一步分解中，找到的每个最优原子都满足最匹配图像残余的条件，所以随着分解的进行残余分量会快速减小。图像在经过m次分解后，就被分解为m个原子的线性组合，此时原始图像用少数原子就能表示。OMP与MP不同之处主要在于，算法迭代过程中对所选原子进行了正交化。这使得OMP能在有限步数内达到收敛。当过完备字典的原子维数为N时，OMP能在N步内收敛。OMP在N步内收敛的性质为图像的稀疏分解的精确重构提供了重要的依据。

基于OMP算法的图像稀疏分解如下：假设待分解图像为f_I，大小为M₁×M₂，其中M₁和M₂分别为图像的长和宽。在图像匹配追踪算法中，m次分解后的残差R^mf_I投影到原子上，这时原子

与新产生的残差R^m+1f_I是正交的，但寻找出来的原子之间彼此不是正交的，通过Gram-Schmidt方法将投影方向正交化，由

计算得到正交族{u_p}_0≤p≤m，将余项投影到正交族上，得到正交匹配算法。OMP算法的基本步骤如下：

OMP算法第一次迭代与MP算法相同，选出第一个原子

令对m>0，选出原子

使得： $|<R^m{f}_I,g_{{\mathrm{\&gamma;}}_m}>|=\underset{\mathrm{\&gamma;}\&Element;\mathrm{\&Gamma;}}{\sup }|<R^m{f}_I,g_{\mathrm{\&gamma;}}>|$

采用Gram-Schmidt算法对所选出的

关于

正交化，定义：

$u_m=g_{r_m}-\underset{p=0}{\overset{m-1}{\mathrm{\&Sigma;}}}{<g_{r_m},u_p>u}_p$

对u_m归一化：

然后将余项R^mf_I投影到u_m上，得到：

R^mf_I=<R^mf_I,u_m>+R^m+1f_I

采用上式，对0≤m<k求和，可得：

$f_I=\underset{m=0}{\overset{k-1}{\mathrm{\&Sigma;}}}<R^m{f}_I,u_m>u_m+R^k{f}_I=R_{V_k}{f}_I+R^k{f}_I$

在{u_m}_0≤m≤k所生成的空间V_k上，上式中的

是正交投影算法。余项R^kf_I是f_I正交于V_k的部分。对m=k，由上式可得：

$<R^m{f}_I,u_m>=<R^m{f}_I,g_{r_m}>$

由于V_k的维数为k，所以存在M≤M₁×M₂使得f_I∈V_M，进而R^Mf_I=0。令k=M，可得： $f_I=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}<R^m{f}_I,g_{r_m}>u_m$

可见上式通过有限次迭代就可收敛，且f_I在一个正交向量族上的进行了分解，故有：

${\left|\right|f_I\left|\right|}^2=\underset{m=0}{\overset{M-1}{\mathrm{\&Sigma;}}}{|<R^m{f}_I,g_{r_m}>|}^2$

OMP分解保证了向量在一个正交向量族上分解。随着迭代分解次数的增加，OMP分解的范数将比非正交匹配追踪下降得更快。OMP算法经有限次迭代可以收敛，而非正交追踪迭代理论上是无法实现收敛的。OMP分解在有限步内收敛的性质为图像的稀疏分解的精确重构提供了重要的依据。

对于OMP算法，图像在过完备库上稀疏分解的每一步，图像或图像分解的残差都要与过完备字典中的每一个原子进行投影计算，其计算量非常大。与MP算法一样，每一步寻找最优原子都是一个NP（多项式复杂程度的非确定性问题，Non-deterministicPolynomial）难问题，即是一个算法优化的问题。因此，本发明通过混合蛙跳优化算法来解决这一问题。在基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，适应度函数的取值越大，则表明青蛙个体对应选择的原子越好。

请参阅图2，利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子的步骤的包括：

步骤S111：随机初始化青蛙个体的初始值，计算每个青蛙个体的适应度函数。

步骤S112：根据青蛙个体的适应度函数的值对青蛙种群按降序排列，将青蛙种群划分到子族群中，对每个子族群，采用子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值。

步骤S113：在每个子族群中重复更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当子族群均完成更新后，将青蛙个体重新混合，按所有青蛙的适应度函数的值重新分组，继续进行更新。

步骤S114：判断是否达到终止迭代条件，当青蛙种群达到终止迭代条件时，输出全局最优解为问题的解，即寻找的最优原子的参数。

本实施例中，终止迭代条件为可预设定的迭代的总代数或残余图像小于设定的阈值。

在其他实施例中，也可以采用粒子群算法来寻找最优原子。

不同的原子库对图像的稀疏表示可达到不同表示效果。本实施例中，OMP分解中采用非对称原子库。非对称原子在图像稀疏表示中已体现出了良好的性能，其基函数如下：

对该非对称原子旋转、平移及伸缩变换，可获得一系列原子g_r，从而构成原子库D={g_γ}_γ∈Γ。

其中，

γ=(θ,u,v,s_x,s_y)，因此，基于该原子库的图像正交匹配追踪分解的结果为： $\left\{(<R^{k}f,g_{r_k}>,{\mathrm{\&theta;}}_k,u_k,v_k,s_{x_k},s_{y_k})\right|k=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n-1\},$ 其中，

为适应度函数，θ_k为所述最优原子的旋转分量，u_k为所述最优原子在x方向上的平移分量，v_k为所述最优原子在y方向上的平移分量，

为所述最优原子在x方向上伸缩分量，

为所述最优原子在y方向上伸缩分量，n为原子数。

本发明利用混合蛙跳优化实现OMP的图像稀疏分解，可有效地减少计算量，提高图像稀疏分解速度。

步骤S12：图像稀疏分解参数量化：根据稀疏分解参数的分布范围及规律，对最优原子的参数进行量化。其中的值变化范围较大，随着图像分解进程，其取值按指数规律衰减并趋于0。原子在x和y方向的伸缩量取值也随着原子数增加而下降。其中平移量和旋转角度服从均匀分布，其取值范围为1到图像的长度或宽度。根据该分布规律，设定s_x,s_y三个参数量化位数为14bits、6bits和6bits，随着解的原子数的增加不断减小，原子数每增加100个，就下降低1bits，最后量化位数固定在2bits上。对于θ_k,u_k,v_k三个参数量化位数统一设置为10bits，从而得到量化后的稀疏分解结果。

步骤S13：秘密信息嵌入：按LSB（Least Significant Bit，最低比特位）替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的最优原子的参数中得到载体图像。

在图像稀疏分解的量化参数中，按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的参数中得到载密图像。由于第一个原子捕捉了图像的主要信息，为不影响重构效果，第一个原子的参数不嵌入秘密信息。将嵌入位数为一位，二位和三位的基于混合蛙跳优化的图像压缩感知隐写算法的分别记为：SFLA（Shuffled FrogleapingAlgorithm，混合蛙跳算法）-OMPLSB，SFLA-OMPL2SB和SFLA-OMPL3SB。

本发明还提出一种基于蛙跳优化的图像压缩感知隐写装置，用于将秘密信息隐藏于载体图像内，包括：

基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解模块：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，适应度函数的取值越大，则表明青蛙个体对应选择的原子越好，选取最佳的匹配原子的步骤包括：

随机初始化青蛙个体的初始值，计算每个青蛙个体的适应度函数；

根据青蛙个体的适应度函数的值对青蛙种群按降序排列，将青蛙种群划分到子族群中，对每个子族群，采用子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值；

在每个子族群中重复更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当子族群均完成更新后，将青蛙个体重新混合，按所有青蛙的适应度函数的值重新分组，继续进行更新；

判断是否达到终止迭代条件，当青蛙种群达到终止迭代条件时，输出全局最优解为问题的解，即寻找的最优原子的参数；

图像稀疏分解参数量化模块：根据稀疏分解参数的分布范围及规律，对最优原子的参数进行量化；

秘密信息嵌入模块：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的最优原子的参数中得到载体图像。

下面通过实验一、实验二和实验三来分析说明本发明相对于基于空域和DCT域的隐写算法的优势。

实验一是视觉失真度比较的。选择USC-SIPI标准图像库（USC-SIPI Image Database）的Lena，Boat，Elaine及Cameraman，裁剪为128×128大小，采用非对称原子库，分解原子数为2000个。混合蛙跳优化算法的参数设置为：种群大小为50，分组个数为5，族群迭代次数为20，总迭代次数为50。在每个原子的6个参数中采用SFLA-OMPLSB，SFLA-OMPL2SB和SFLA-OMPL3SB嵌入秘密信号，得到载密图像。为了在相同的嵌入容量下进行比较，以rate=(2000*6)/(128*128)=0.73（bpp）的嵌入率。对以上四幅图采用空域中的LSB（Least Significant Bit），L2SB(Least two Significant Bit)，L3SB(Least threeSignificant Bit)三种隐写方式得到载密图像。计算所有载密图像的PSNR(峰值信噪比)值，如表1所示。

表1PSNR值

由表1可知，对于采用基于混合蛙跳优化的图像OMP分解隐写算法，对同一幅图像，针对不同的嵌入位数，即在不同的嵌入容量下的PSNR（Peak Signal to Noise Ratio，峰值信噪比）值都几乎不变，说明嵌入位数对图像重构不构成影响。因此，会出现同一幅图像SFLA-MPL3SB隐写后PSNR值高于SFLA-MPL2SB隐写后PSNR值的现象。如表1所示，Lena中的SFLA-MPL3SB的PSNR值为44.5823，高于采用SFLA-MPL2SB隐写的PSNR值44.3439。此外，基于混合蛙跳优化的图像OMP分解隐写算法的PSNR取值均小于采用空域LSB隐写图像PSNR值，说明其图像质量要低于LSB隐写得到的载密图像，但高于L3SB隐写后图像。而对于空域的LSB隐写，由于L3SB嵌入容量最大，其对应加密图像的PSNR值远低于L2SB和LSB嵌入的PSNR值。由图像的稀疏分解特性可知，基于混合蛙跳优化的图像OMP分解隐写算法的PSNR取值与原子数相关，原子数越多，则PSNR值越大。但表1中所有算法的PSNR值均大于39dB，说明采用混合蛙跳优化的图像OMP分解隐写算法得到的载密图像均满足视觉要求。

实验二为抗分析能力比较。本实验采用本专利的隐写算法与空域中的LSB，L2SB，L3SB隐写算法及DCT域采用LSB嵌入的隐写进行安全性比较。选择UCID.V2图像库(G.Schaefer，M.Stich.Ucid-an uncompressed colour image database[J].Proc.SPIE，Storage andRetrieval Methods and Applications for Multimedia，2004，5307：472-480.)中1338幅图像进行实验，所有图像转换为灰度图像并裁剪大小128×128。原子库采用非对称原子库，分解原子数为1000。采用SFLA-OMPLSB，SFLA-OMPL2SB和SFLA-OMPL3SB分别进将OMP分解的量化结果在不同位上嵌入秘密信息，得到三个载密图像库。设置混合蛙跳优化算法的参数为：种群大小为50，分组个数为5，族群迭代次数为20，总迭代次数为50。为了在相同的嵌入容量下进行比较，以嵌入率rate=(1000×6)/(128*128)=0.37，对该图库采用空域中的LSB，L2SB，L3SB三种隐写方式进行隐写，得到载密图像库。DCT域中隐写将信息分别嵌入在量化（量化步长取75）的前6000个非零DCT系数（当不足6000时，则选择所有非零系数）的LSB，L2SB，L3SB中，再反变换得到载密图像库，这三种隐写方式记为DCTLSB，DCTL2SB和DCTl3SB。采用Ker等提出的质心下降隐写分析和Shi等提出78维特征的隐写分析算法对以上三类隐写进行隐写分析得到的ROC（ReceiverOperating Characteristic Curve，ROC）曲线。

从其ROC曲线（Receiver Operating Characteristic Curve，接收机操作特性曲线）可知，针对空域及DCT域中三种隐写，L3SB，DCTL3SB隐写获得了最大的AUC（Area underROC Curve，ROC曲线下面积）值，安全性最低，其次是L2SB，DCTL2SB。特别地，当采用78维特征向量这两种隐写分析算法对于空域和频域中的LSB置换嵌入，当嵌入扩充至最低三位时，图像的统计特征发生显著的变化，对其隐写分析的AUC值可达到0.9856和0.9994，说明L3SB和DCTL3SB安全性很低。

再分别采用质心下降及78维特征的隐写分析方法对混合蛙跳优化图像OMP分解隐写的ROC曲线图。从该ROC曲线可知，针对同种隐写分析算法SFLA-OMPLSB，SFLA-OMPL2SB和SFLA-OMPL3SB三种隐写获得的AUC值大小相当，例如，针对质心下降分析算法，SFLA-OMPLSB，SFLA-OMPL2SB和SFLA-OMPL3SB获得的AUC值分别为0.6395、0.6472、0.6469。

针对78维特征的分析算法，三种稀疏分解隐写算法获得的AUC值分别0.7457、0.7478、0.7544，而且AUC值都低于针对空域和频域LSB的隐写分析值，说明两种隐写分析算法均不能对本文提出的隐写算法进行有效地分析，说明本专利申请提出的基于混合蛙跳优化的图像压缩感知隐写算法抗分析能力强，安全性较高。分析其原因，图像稀疏分解隐写不同于传统的空域或频域通过改变像素值或频域的系数值进行隐写，图像稀疏分解可较好地保持了图像的语义结构，引起图像统计特征的改变较小。稀疏分解隐写将隐写过程与图像的稀疏分解压缩过程合二之一，在达到图像压缩的同时保持了图像的特征，有效地抵抗了目前以统计特征变化为核心的隐写分析算法。根据本实验的抗分析特性得出，该隐写算法在保证安全性的同时，嵌入容量具有可扩充性。可通过选择不同的原子库，改变嵌入位数，提高重构图像精度（即增加分解原子数）等策略来扩大隐写容量。

实验三为安全性度量实验。为进一步说明本文提出的基于图像稀疏分解隐写算法的安全性，分别采用一阶和二阶Vague集相似度量安全性测度对以上实验中的SFLA-OMPL3SB，和L3SB二种隐写方式得到的载密图像库进行安全性测度。图3和图4分别为采用一阶和二阶Vague集相似度量安全性测度的度量结果。从图3和图4中可以清晰地看出，对于UCID.V2图像库中1338幅图像,针对二种隐写算法，L3SB隐写获得的安全性测度值都更低。由Vague集相似度量安全性测度取值在[0,1]之间，其中“1”代表绝对安全可得出，SFLA-OMPL3SB的取值要高于L3SB，所以安全性更高，该实验结果与本文针对这二种算法的安全性理论分析相符。此外，由图3和图4可知，对于SFLA-OMPL3SB，仍有极少部分图像的安全性测度取值小于L3SB隐写图像，其原因由于针对1338所有的图像均采有非对称原子库同一过完备原子库进行分解，对其中一些图像，这种原子库并不能有效地表征其图像特征，因此，其对应的加密图的安全性也降低了。

实验一、实验二和实验三表明，本专利的基于蛙跳优化的图像压缩感知隐写方法与空域中相同嵌入容量的LSB嵌入算法及频域相关嵌入算法相比，其更能保证隐密图像视觉效果，具有更强的抗隐写分析能力，安全性也更高。

与现有技术相比，本发明的一种基于蛙跳优化的图像压缩感知隐写方法及装置，与论文“基于遗传优化图像稀疏分解的密写算法”相比，本发明利用混合蛙跳优化实现OMP的图像稀疏分解，可有效地减少计算量，提高图像稀疏分解速度，并且能够保证图像重构的精度，同时，与空域中相同嵌入容量的LSB嵌入算法及频域相关嵌入算法相比，通过把图像稀疏分解的图像压缩过程和隐写过程合二为一，其更能保证隐密图像视觉效果，并且具有更强的抗隐写分析能力，同时也扩充了隐写的容量，提升了安全性。

以上所述仅为本发明的较佳可行实施例，并非限制本发明的保护范围。凡运用本发明说明书及附图内容所作出的等效结构变化，均包含在本发明的保护范围内。

Claims (8)

1.一种基于蛙跳优化的图像压缩感知隐写方法，用于将秘密信息隐藏于载体图像内，其特征在于，包括：

基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在所述基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，所述适应度函数的取值越大，则表明所述青蛙个体对应选择的原子越好；

图像稀疏分解参数量化：根据稀疏分解参数的分布范围及规律，对所述最优原子的参数进行量化；

秘密信息嵌入：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的所述最优原子的参数中得到载体图像。

2.如权利要求1所述的图像压缩感知隐写方法，其特征在于，所述利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子的步骤包括：

随机初始化青蛙个体的初始值，计算每个所述青蛙个体的适应度函数；

根据所述青蛙个体的适应度函数的值对所述青蛙种群按降序排列，将所述青蛙种群划分到子族群中，对每个所述子族群，采用所述子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值；

在每个所述子族群中重复所述更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当所述子族群均完成更新后，将所述青蛙个体重新混合，按所有所述青蛙的适应度函数的值重新分组，继续进行更新；

判断是否达到终止迭代条件，当所述青蛙种群达到所述终止迭代条件时，输出全局最优解为问题的解，即寻找的所述最优原子的参数。

3.如权利要求1所述的图像压缩感知隐写方法，其特征在于，所述终止迭代条件为可预设定的迭代的总代数或残余图像小于设定的阈值。

4.如权利要求1所述的图像压缩感知隐写方法，其特征在于，所述预定的原子库为非对称原子库。

5.如权利要求1所述的图像压缩感知隐写方法，其特征在于，最优原子的参数为 $\left\{\right(<R^{k}f,g_{r_k}>,{\mathrm{\&theta;}}_k,u_k,v_k,s_{x_k},s_{y_k}\left)\right|k=\mathrm{0,1,2},\&CenterDot;\&CenterDot;\&CenterDot;,n-1\},$ 其中，

为适应度函数，θ_k为所述最优原子的旋转分量，u_k为所述最优原子在x方向上的平移分量，v_k为所述最优原子在y方向上的平移分量，

为所述最优原子在x方向上的伸缩分量，

为所述最优原子在y方向上的伸缩分量，n为原子数，所述适应度函数为所述载体图像或载体图像残余与所述原子的内积绝对值，根据稀疏分解参数的分布规律，所述

以及的量化位数为2bits，所述θ_k、u_k、v_k的量化位数均为10bits。

6.如权利要求1所述的图像压缩感知隐写方法，其特征在于，所述第一个原子的参数不嵌入所述秘密信息。

7.一种基于蛙跳优化的图像压缩感知隐写装置，用于将秘密信息隐藏于载体图像内，其特征在于，包括：

基于OMP（Orthogonal Matching Pursuit，正交匹配追踪）图像稀疏分解模块：对载体图像采用预定原子库进行基于OMP图像稀疏分解，在所述基于OMP图像稀疏分解的每步迭代中，利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子，其中，青蛙个体定义为原子的参数，即优化问题的解，图像或图像残余与原子的内积绝对值作为适应度函数，所述适应度函数的取值越大，则表明所述青蛙个体对应选择的原子越好；

图像稀疏分解参数量化模块：根据稀疏分解参数的分布范围及规律，对所述最优原子的参数进行量化；

秘密信息嵌入模块：按LSB替换嵌入规则，采用不同的嵌入位数，将秘密信息嵌入在量化后的所述最优原子的参数中得到载体图像。

8.如权利要求7所述的图像压缩感知隐写装置，其特征在于，所述利用混合蛙跳优化算法快速实现在所述预定原子库中选取最佳的匹配原子的步骤包括：

随机初始化青蛙个体的初始值，计算每个所述青蛙个体的适应度函数；

根据所述青蛙个体的适应度函数的值对所述青蛙种群按降序排列，将所述青蛙种群划分到子族群中，对每个所述子族群，采用所述子族群的适应度函数的值最优的青蛙个体更新适应度函数的值最差的青蛙个体，若适应度函数的值最差的青蛙个体没有取得更好的适应度函数的值，采用全局最优的适应度函数的值的青蛙个体更新适应度函数的值最差的青蛙个体，若该青蛙个体的适应度函数的值仍没有改善，随机产生一个适应值代替原适应度函数的值；

在每个所述子族群中重复所述更新子族群中适应度最差的青蛙个体的步骤，直到达到设定的族群迭代次数，当所述子族群均完成更新后，将所述青蛙个体重新混合，按所有所述青蛙的适应度函数的值重新分组，继续进行更新；

判断是否达到终止迭代条件，当所述青蛙种群达到所述终止迭代条件时，输出全局最优解为问题的解，即寻找的所述最优原子的参数。

Images