CN103345767B - 一种高安全性的jpeg图像隐写方法 - Google Patents

Abstract

本发明公开了一种高安全性的JPEG图像的隐写方法，该方法包括：获取JPEG图像压缩过程中变换域上每一量化离散余弦变换DCT系数的量化取整误差，以及取整前后的量化DCT系数x_i与X_i；利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真与横向失真，并利用量化取整误差构建纵向失真的最小化嵌入失真模型；根据所述纵向失真的最小化嵌入失真模型，及对应的纵向失真与横向失真计算每一量化DCT系数的最优修改概率；将获得的每一量化DCT系数的最优修改概率转换为三元失真，并调用校验网格码STC，将取整后的量化DCT系数X_i作为载体嵌入秘密消息，再封装成完整的JPEG图像。通过采用本发明公开的方法保证了嵌入秘密消息的安全性以及嵌入秘密消息后良好的图像质量。

Description

一种高安全性的JPEG图像隐写方法

技术领域

本发明涉及图像压缩和信息隐藏技术领域，尤其涉及一种高安全性的JPEG图像隐写方法。

背景技术

隐写术作为信息隐藏的一个重要分支，用于在看似正常的通信信道中传递秘密消息。隐写分析则是对隐写术的被动攻击，用于检测多媒体数据中是否含隐蔽信息。安全的隐写术应能抵抗各类隐写分析的攻击，即具有抵抗检测的普适性。

JPEG图像是网络中最流行的图像格式，是一种实用的隐写载体。现有技术中，黄方军等人提出的NCSR（New Channel Selection Rule，新通道选择规则）方法是目前最有效的JPEG图像隐写方法之一，该方法利用量化取整误差和DCT系数绝对值定义嵌入失真，然后使用修正的矩阵编码最小化嵌入过程对载体造成的失真。其中，最小化失真隐写包含两方面的问题：一是如何定义失真函数；二是如何设计能够最小化嵌入失真的编码方法。如何定义失真函数是隐写方法中至关重要的环节。研究表明，采用一种不合理的失真函数进行隐写，将无法保证嵌入消息后图像的质量以及嵌入消息的安全性。

然而，对于如何定义失真函数，目前还没有通用的模型或解决方案。其原因在于，影响载体嵌入失真的因素是多样的。并且，影响载体嵌入失真的各个因素的重要程度是不一样的。

发明内容

本发明的目的是提供一种高安全性的JPEG图像隐写方法，保证嵌入秘密消息的安全性，以及嵌入消息后良好的图像质量。

本发明的目的是通过以下技术方案实现的：

一种高安全性的JPEG图像隐写方法，该方法包括：

获取JPEG图像压缩过程中变换域上每一量化离散余弦变换DCT系数的量化取整误差，以及取整前后的量化DCT系数x_i与X_i；

利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真与横向失真，并利用量化取整误差构建纵向失真的最小化嵌入失真模型；

根据所述纵向失真的最小化嵌入失真模型，及对应的纵向失真与横向失真计算每一量化DCT系数的最优修改概率；

将获得的每一量化DCT系数的最优修改概率转换为三元失真，并调用校验网格码STC，将取整后的量化DCT系数X_i作为载体嵌入秘密消息，再封装成完整的JPEG图像。

由上述本发明提供的技术方案可以看出，本发明基于JPEG图像的特点设计纵向失真与横向失真函数，并配合高效的STC编码，保证了隐写方法的安全性；另一方面，基于该方法，在嵌入秘密消息后，同样能够保证良好的图像质量。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。

图1为本发明实施例一提供的一种高安全性的JPEG图像的隐写方法的流程图；

图2为本发明实施例二提供的又一种高安全性的JPEG图像的隐写方法的流程图；

图3为本发明提供的本发明与NCSR方法在不同嵌入率下的抗检测实验的示意图；

图4为本发明提供的本发明与NCSR方法在不同嵌入率下的抗检测实验的示意图；

图5为本发明提供的本发明与NCSR方法在不同嵌入率下的抗检测实验的示意图。

具体实施方式

下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。

实施例一

图1为本发明实施例一提供的一种高安全性的JPEG图像的隐写方法的流程图。如图1所示，该方法主要包括如下步骤：

步骤11，获取JPEG图像压缩过程中变换域上每一量化离散余弦变换DCT系数的量化取整误差，以及取整前后的量化DCT系数x_i与X_i；。

所述DCT系数包括直流系数和交流系数。按照8×8分块进行DCT变换后，8×8块的最左上角的系数为DCT直流系数，其余63个系数皆为DCT交流系数。

另外，取整前后的量化DCT系数x_i与X_i间的关系可表示为：X_i＝round(x_i)，即表示X_i为取最接近x_i的整数。

步骤12，利用取整前后的DCT系数x_i与X_i定义对应的纵向失真与横向失真，并利用量化取整误差构建纵向失真的最小化嵌入失真模型。

所述纵向失真的最小化嵌入失真模型可由常规方法利用量化取整误差构建。

其中，纵向失真可利用取整前后的DCT系数x_i与X_i来定义：

w_i,+＝|X_i+1-x_i|-|X_i-x_i|；

w_i,-＝|X_i-1-x_i|-|X_i-x_i|；

横向失真可利用取整前的DCT系数x_i和其在DCT变换量化表中所对应的量化步长q_i来设定：

ρ_i＝(q_i)^t/(|x_i|)^u；

其中，t/u<0.6，且u≥0.5。

步骤13，根据所述纵向失真的最小化嵌入失真模型，及对应的纵向失真与横向失真计算每一量化DCT系数的最优修改概率。

本发明实施例中的最优修改概率包括：不修改的概率p_i0、加1修改的概率p_i+和减1修改的概率p_i-。

步骤14，将获得的每一量化DCT系数的最优修改概率转换为三元失真，并使用校验网格码STC，将取整后的量化DCT系数X_i作为载体嵌入秘密消息，再封装成完整的JPEG图像。

本发明实施例中可利用三元翻转引理将计算获得的每一量化DCT系数的最优修改概率转换为三元失真。

本发明实施例基于JPEG图像的特点设计纵向失真与横向失真函数，并配合高效的STC编码，保证了隐写方法的安全性；另一方面，基于该方法，在嵌入秘密消息后，同样能够保证良好的图像质量。

实施例二

为了便于理解本发明，下面结合附图2对本发明做进一步介绍。如图2所示，该方法主要包括以下步骤：

步骤21，获取JPEG图像压缩过程中变换域上每一量化离散余弦变换DCT系数的量化取整误差，以及取整前后的量化DCT系数x_i与X_i；。

所述DCT系数包括直流系数和交流系数，按照8×8分块进行DCT变换后，8×8块的最左上角的系数为DCT直流系数，其余63个系数皆为DCT交流系数。

另外，取整前后的量化DCT系数x_i与X_i间的关系可表示为：X_i＝round(x_i)，即表示X_i为取最接近x_i的整数。

步骤22，利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真与横向失真，并利用量化取整误差构建纵向失真的最小化嵌入失真模型。

所述纵向失真的最小化嵌入失真模型可由常规方法利用量化取整误差构建。

其中，纵向失真可利用取整前后的DCT系数x_i与X_i来定义：

w_i,+＝|X_i+1-x_i|-|X_i-x_i|；

w_i,-＝|X_i-1-x_i|-|X_i-x_i|；

横向失真可利用取整前的DCT系数x_i和其在DCT变换量化表中所对应的量化步长q_i来定义：

ρ_i＝(q_i)^t/(|x_i|)^u；

其中，参数t和u取值可以遵从如下规则：

1）需要抑制量化步长的影响，因此t/u的值不能过大，本实施例中限制t/u<0.6。

2）u的值不能过小（本实施例中u的值不小于0.5），否则会导致不适宜修改的DCT交流系数被大量修改，降低抗检测能力。

并且，不同于绝大部分的JPEG图像隐写方法中放弃对量化取整后为0的量化DCT交流系数的使用，本实施例中的隐写方法允许取整前距离0.5较近且被取整为0的量化DCT交流系数被修改，可使用如下规则：

1）若步骤21中取整前的量化DCT系数x_i∈[0.2,0.5)，按照取整规则可知，取整后的量化DCT系数X_i＝0，但本实施例中令取整后的DCT系数X_i＝1。

2）若步骤21中取整前的量化DCT系数x_i∈(-0.5,-0.2]，按照取整规则可知，取整后的量化DCT系数X_i＝0，但本实施例中令取整后的DCT系数X_i＝1。

但是，对于不满足上述规则且取整后为0的量化DCT交流系数和量化DCT直流系数，其横向失真ρ_i则是取正无穷，表示不能被修改。

步骤23，利用纵向失真的最小化嵌入失真模型计算纵向条件修改的概率p′_i+和p′_i-。

本发明实施例中用于嵌入秘密消息的载体为取整后的量化DCT系数X_i，该系数X_i对应的最大载荷能力是R_i（表示嵌入信息量的大小），R_i为三元熵，表示为：

R_i=H₃(p_i0,p_i-,p_i+)＝-(p_i0lnp_i0+p_i+lnp_i++p_i-lnp_i-)；

其中，H₃表示三元熵函数，p_i0、p_i+与p_i-分别表示不修改的概率、加1修改的概率和减1修改的概率，且满足p_i0+p_i++p_i-＝1。

本发明实施例为提高修改概率计算的准确性，将p_i0、p_i+与p_i-分为两部分来考虑，即假定取整后的量化DCT系数X_i在必须被修改，则仅需计算在“必须被修改的条件下”加1与减1修改的概率p′_i+和p′_i-，可使用下述方法计算。

首先，将R_i的表达式分解为：

$R_i=H_2\left(p_{i0}\right)+(1-p_{i0})H_2\left(\frac{p_{i+}}{p_{i+}+p_{i-}}\right);$

其中，H₂表示二元熵函数，可记为取整后的量化DCT系数X_i在必须要被修改的情况下，进行加1操作的条件概率p′_i+：

${p^{\&prime;}}_{i+}=\frac{p_{i+}}{p_{i+}+p_{i-}};$

同理，可通过类似方法定义减1操作的条件概率p′_i-：

${p^{\&prime;}}_{i-}=\frac{p_{i-}}{p_{i+}+p_{i-}};$

通常情况下，横向失真与不修改的概率p_i0相关性较高，纵向失真与加1修改的概率p_i+和减1修改的概率p_i-相关性较高。因此，本发明实施例可以认为p′_i+和p′_i-与纵向失真强相关而与横向失真是弱相关，故主要考虑并计算p′_i+和p′_i-在最小化纵向失真的前提下的修改概率。

然后，利用纵向失真的最小化嵌入失真模型计算在纵向载荷R’的约束下取整后的量化DCT系数X_i的纵向条件加1与减1修改的概率p′_i+和p′_i-，其主要包括两个步骤：

1）确定纵向载荷R’：纵向载荷可视为一个参数进行确定，其取值范围是R′＝β×n，n表示像素的总个数，参数β∈[0,1]。

其中，β的取值大小将直接影响消息嵌入时在载体纵向修改所嵌入信息量的大小，该值可以使用经验方法进行确定，不宜过小或者过大。例如，当β取0时表示取整后的量化DCT系数X_i的纵向上不嵌入消息，而当β取1时则表示在纵向上最大化嵌入消息，即载体要被修改时选择加1操作和减1操作的概率各为0.5。作为举例而非限制，本发明实施例通过实验认为β取0.8左右为宜。

2）将R’作为约束条件，在最小化纵向失真的前提下，利用纵向失真的最小化嵌入失真模型计算取整后的DCT系数X_i所对应的修改概率p′_i+和p′_i-：

${p^{\&prime;}}_{i+}=\frac{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})}{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})+\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})};$

${p^{\&prime;}}_{i-}=\frac{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})}{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})+\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})};$

其中，exp表示以常数e为底的幂函数，参数λ′为R’利用二元查找法计算得到近似结果。

步骤24，将纵向条件修改的概率与横向失真相结合，计算完整的最优修改概率p_i0、p_i+与p_i-。

首先，设定隐写时嵌入消息的总载荷为R，则嵌入消息后的总横向失真D_h为：

$D_h={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i;$

对应的最小化横向失真为：

$\min \mathrm{imize}\{D_h={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i\};$

其中， $R={\mathrm{\&Sigma;}}_{i=1}^n{H}_2\left(p_{i0}\right)+{\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0})H_2\left(p_{i+}^{\&prime;}\right),$ p_i0≥0。

然后，利用拉格朗日乘子法，并引入中间参数μ，构造以为p_i0变量的函数F(p_i0)：

$F\left(p_{i0}\right)={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i$

$-\mathrm{\&mu;}\{R+{\mathrm{\&Sigma;}}_{i=1}^n[p_{i0}\ln p_{i0}+(1-p_{i0})\ln (1-p_{i0})];$

$-{\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0})H_2\left({p^{\&prime;}}_{i+}\right)\}$

对所述F(p_i0)求导，得到：

$\frac{\&PartialD;F\left(p_{i0}\right)}{\&PartialD;p_{i0}}=-{\mathrm{\&rho;}}_i-\mathrm{\&mu;}[\ln p_{i0}-\ln (1-p_{i0})+H_2\left({p^{\&prime;}}_{i+}\right)]=0;$

将上述求导算式进行变换，并引入参数λ，且λ＝-1/μ，得到：

$p_{i0}=\frac{1}{1+\exp (-\mathrm{\&lambda;}{\mathrm{\&rho;}}_i+H_2\left({p^{\&prime;}}_{i+}\right))};$

并通过简单的条件概率计算得到：

$p_{i+}=\frac{p_{i+}^{\&prime;}\exp (-\mathrm{\&lambda;}{\mathrm{\&rho;}}_i+H_2\left({p^{\&prime;}}_{i+}\right))}{1+\exp (-\mathrm{\&lambda;}{\mathrm{\&rho;}}_i+H_2\left({p^{\&prime;}}_{i+}\right))};$

$p_{i-}=\frac{p_{i-}^{\&prime;}\exp (-\mathrm{\&lambda;}{\mathrm{\&rho;}}_i+H_2\left({p^{\&prime;}}_{i+}\right))}{1+\exp (-\mathrm{\&lambda;}{\mathrm{\&rho;}}_i+H_2\left({p^{\&prime;}}_{i+}\right))};$

其中，参数λ为总载荷R利用二元查找法计算得到近似结果。

步骤25，将获得的每一像素的最优修改概率转换为三元失真，并调用校验网格码STC编码，将取整后的量化DCT系数X_i作为载体嵌入秘密消息，再封装成完整的JPEG图像。

假定根据步骤24计算到的最优修改概率的集合为需要由序列传递m比特的消息，且

其中，P(y_i＝0)＝p_i0，P(y_i＝1)＝p_i+，P(y_i＝2)＝p_i-，分别表示yi取值为0、1、2时的概率。

此时，可先利用三元失真构造一虚拟载体

该三元失真可通过三元翻转引理将每一像素的最优修改概率转换得到：

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=\ln (p_{i0}/p_{i2})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=\ln (p_{i0}/p_{i1})\end{array}\right.,v_i=0;$

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=\ln (p_{i1}/p_{i0})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=\ln (p_{i1}/p_{i2})\end{array}\right.,v_i=1;$

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=\ln (p_{i2}/p_{i1})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=\ln (p_{i2}/p_{i0})\end{array}\right.,v_i=2.$

然后，调用±1双层STC编码对所述虚拟载体嵌入秘密消息，并将对该虚拟载体进行的变动修改到相应的取整后的量化DCT系数X_i中，再封装成完整的JPEG图像。

步骤26，提取JPEG图像中的秘密消息。

其主要包括如下步骤：

步骤261，对包含秘密消息的JPEG图像进行解压缩，获得以取整后的量化DCT系数X_i为载体的序列y。

步骤262，根据序列y上最低比特位以及次最低比特位上嵌入消息的长度，确定所述±1双层STC编码的校验矩阵H。

步骤263，将序列y的最低比特位以及次最低比特位构成载密向量s。

步骤264，将所述校验矩阵H与所述载密向量s相乘，得到秘密消息向量m，从而提取出秘密消息。

本发明实施例基于JPEG图像的特点设计纵向失真与横向失真函数，并配合高效的STC编码，保证了隐写方法的安全性；另一方面，基于该方法在嵌入秘密消息后，同样能够保证良好的图像质量。

基于本发明的上述方案，在博思贝斯图像库（BOWSbase Image Library）中，选取3000幅图像进行实验。

首先，将3000幅原始位图压缩为JPEG图像，压缩时选取质量因子为80的量化表进行DCT系数的量化，再利用压缩时得到的取整前后的量化DCT系数x_i与X_i定义横向与纵向失真从而进行隐写，并保存为JPEG图像，得到载密图像。因而一共有3000组载体载密图像对，使用其中1500对图像来训练集成分类器（ensemble classifier），再使用训练好的分类器对另外1500对图像进行分类测试。实验结果以最小平均错误检测率P_E表示，定义为：

$P_E=\underset{P_{\mathrm{FA}}}{\min }[(P_{\mathrm{FA}}+P_{\mathrm{MD}}\left(P_{\mathrm{FA}}\right))/2];$

其中，P_FA表示虚警概率，P_MD表示漏检概率。最小平均错误检测率越接近0.5表示隐写算法的抗检测能力越强，即安全性越高。

利用本发明的方法与目前抗检测效果最好的方法（NCSR方法）进行对比。为了比较的统一，本发明的方法使用与NCSR方法采用一致的嵌入率单位bpac（bits per non-zeroAC coefficient），该单位表示嵌入消息比特长度与非零AC（交流）系数个数的比值。

首先通过实验，为本发明的方法选择较理想的参数。设一幅载体图像中适用本发明的二维失真模型的AC系数的个数为n，故可知参数R’的可选范围为0～n。为了得到合适的中间参数u，先令R’和t分别为n和0.5，u则在0.5、1、2、3之中变化，同时以0.05、0.10、0.15、0.20、0.25和0.30bpac的嵌入率分别得到3000幅载密图像，再利用隐写分析特征—培尼274维特征集（PEV274）提取特征并用之训练集成分类器进行抗检测实验，其结果如图3所示。其中，以点号“·”为节点连接的曲线表示u=0.5；以米字符号“*”为节点连接的曲线表示u=1；以圆形“○”为节点连接的曲线表示u=2；以乘号“×”为节点连接的曲线表示u=3。由此可见，当u=1时抗检测能力最好，故在下面的实验中固定u=1。

然后，固定参数R’=n和u=1，令参数t在0.5、1、2和3之中变化，使用与图3相同的测试环境进行实验，实验结果如图4所示。其中，以点号“·”为节点连接的曲线表示t=0.5；以米字符号“*”为节点连接的曲线表示t=1；以圆形“○”为节点连接的曲线表示t=2；以乘号“×”为节点连接的曲线表示t=3。由此可见，当t=0.5时安全性最高。

在以上实验的结论下，对参数R’进行实验并同时与NCSR方法进行了安全性能的比较，结果如图5所示。其中，以点号“·”为节点连接的曲线表示R’为0.2×n；以米字符号“*”为节点连接的曲线表示R’为0.4×n；以圆形“○”为节点连接的曲线表示R’为0.6×n；以乘号“×”为节点连接的曲线表示R’为0.8×n；以矩形“□”为节点连接的曲线表示R’为1.0×n；以加号“+”为节点连接的曲线表示NCSR方法。从图中可以看出，当R’在0.2×n、0.4×n、0.6×n、0.8×n、1.0×n之中变化时，在嵌入率较低的情况下，因修改点较少，参数R’变化对于隐写安全性的影响并不大。但当嵌入率增加时，因为需要修改的点个数增加，R’影响逐渐变得明显。R’=n这种极端情况下认为每个系数加1和减1的修改概率相同，单个系数上引入的失真过大，隐写的安全性不高。NCSR方法相当于采用了R’=0的极端策略。从图中看出，当R′＝0.8×n时安全性最高，较R′＝n的极端情况和NCSR方法，在0.2bpac下分别提升3%和9%，在0.3bpac下，提升幅度甚至分别达到6%和15%。

进一步的，为充分说明本发明隐写方法的安全性，使用不同的特征集替换培尼274特征集进行隐写分析，测试时本发明方法和NCSR方法均使用其最优参数。测试的特征库有：校准操作后的培尼特征集（CC-PEV）、跨域特征集（CDF）、刘庆中特征集（Liu）、块内共生特征集（IBC），特征维数分别为548、1234、216和441。结果如表1所示，在不同的特征库下，本发明方法仍然表现优异，在0.2bpac下本发明方法均有大于0.4的最小平均错误检测率，安全性较NCSR方法提升明显。

表1不同特征库下的抗检测实验

通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现，也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解，上述实施例的技术方案可以以软件产品的形式体现出来，该软件产品可以存储在一个非易失性存储介质（可以是CD-ROM、U盘、移动硬盘等）中，包括若干指令用以使得一台计算机设备（可以是个人计算机、服务器、网络设备等）执行本发明各个实施例所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (6)

1.一种高安全性的JPEG图像的隐写方法，其特征在于，该方法包括：

获取JPEG图像压缩过程中变换域上每一量化离散余弦变换DCT系数的量化取整误差，以及取整前后的量化DCT系数x_i与X_i；

利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真与横向失真，并利用量化取整误差构建纵向失真的最小化嵌入失真模型；

根据所述纵向失真的最小化嵌入失真模型，及对应的纵向失真与横向失真计算每一量化DCT系数的最优修改概率；

将获得的每一量化DCT系数的最优修改概率转换为三元失真，并调用校验网格码STC，将取整后的量化DCT系数X_i作为载体嵌入秘密消息，再封装成完整的JPEG图像；其中：

所述利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真与横向失真包括：

利用取整前后的量化DCT系数x_i与X_i定义对应的纵向失真：

w_i,+＝|X_i+1-x_i|-|X_i-x_i|；

w_i,-＝|X_i-1-x_i|-|X_i-x_i|；

其中，X_i＝round(x_i)表示X_i为取最接近x_i的整数；

利用取整前的量化DCT系数x_i和其在DCT变换量化表中所对应的量化步长q_i设定对应的横向失真ρ_i：

ρ_i＝(q_i)^t/(|x_i|)^u；

其中，t/u<0.6，且u≥0.5；

计算所述最优修改概率的步骤包括：

利用纵向失真的最小化嵌入失真模型计算在纵向载荷R'的约束下量化DCT系数的纵向条件加1与减1修改的概率p'_i+和p'_i-；其中，纵向载荷R'表示在纵向上嵌入信息量的大小；

将横向失真ρ_i与概率p'_i+和p'_i-相结合，并利用拉格朗日乘子法计算最小化横向失真的修改概率，从而获得完整的最优修改概率p_i0、p_i+与p_i-；其中，p_i0、p_i+与p_i-分别表示不修改的概率、加1修改的概率和减1修改的概率；

计算量化DCT系数的纵向条件加1与减1修改的概率p'_i+和p'_i-的步骤包括：

确定纵向载荷R'的大小，所述R'表示为：R'的取值范围为：R'＝β×n，其中，n表示像素的总个数，参数β∈[0,1]；

将R'作为约束条件，在最小化纵向失真的前提下，利用纵向失真的最小化嵌入失真模型计算当前像素取整后的量化DCT系数X_i所对应的修改概率p'_i+和p'_i-：

${p^{\&prime;}}_{i+}=\frac{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})}{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})+\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})};$

${p^{\&prime;}}_{i-}=\frac{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})}{\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,+})+\exp (-{\mathrm{\&lambda;}}^{\&prime;}{w}_{i,-})};$

其中，exp表示以常数e为底的幂函数，参数λ'为R'利用二元查找法计算得到近似结果。

2.根据权利要求1所述的方法，其特征在于，计算所述完整的最优修改概率p_i0、p_i+与p_i-的步骤包括：

设嵌入总载荷R后，总横向失真D_h为：

$D_h={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i;$

则对应的最小化横向失真为：

$\min imize\{D_h={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i\};$

其中， $R={\mathrm{\&Sigma;}}_{i=1}^n{H}_2\left(p_{i0}\right)+{\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0})H_2\left({p^{\&prime;}}_{i+}\right),$ p_i0≥0，所述H₂表示二元熵函数；

利用拉格朗日乘子法，并引入中间参数μ，构造以为p_i0变量的函数F(p_i0)：

$\begin{array}{c}F\left(p_{i0}\right)={\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0}){\mathrm{\&rho;}}_i\\ -\mathrm{\&mu;}\{R+{\mathrm{\&Sigma;}}_{i=1}^n\&lsqb;p_0{\mathrm{lnp}}_{i0}+(1-p_{i0})\ln (1-p_{i0})\ln (1-p_{i0})\&rsqb;\\ -{\mathrm{\&Sigma;}}_{i=1}^n(1-p_{i0})H_2\left({p^{\&prime;}}_{i+}\right)\}\end{array};$

对所述F(p_i0)求导，得到：

$\frac{\&part;F\left(p_{i0}\right)}{\&part;p_{i0}}=-{\mathrm{\&rho;}}_i-\mathrm{\&mu;}\&lsqb;{\mathrm{lnp}}_{i0}-ln(1-p_{i0})+H_2\left({p^{\&prime;}}_{i+}\right)\&rsqb;=0;$

将上述求导算式进行变换，并引入参数λ，且λ＝-1/μ，得到：

$p_{i0}=\frac{1}{1+\exp (-{\mathrm{\&lambda;\&rho;}}_i+H_2({p^{\&prime;}}_{i+}))};$

并通过条件概率计算得到：

$p_{i+}=\frac{{p^{\&prime;}}_{i+}\exp (-{\mathrm{\&lambda;\&rho;}}_i+H_2({p^{\&prime;}}_{i+}))}{1+\exp (-{\mathrm{\&lambda;\&rho;}}_i+H_2({p^{\&prime;}}_{i+}))};$

$p_{i-}=\frac{{p^{\&prime;}}_{i-}\exp (-{\mathrm{\&lambda;\&rho;}}_i+H_2({p^{\&prime;}}_{i+}))}{1+\exp (-{\mathrm{\&lambda;\&rho;}}_i+H_2({p^{\&prime;}}_{i+}))};$

其中，参数λ为总载荷R利用二元查找法计算得到近似结果。

3.根据权利要求1所述的方法，其特征在于，将所述取整后的量化DCT系数X_i作为载体嵌入秘密消息的步骤包括：

利用所述三元失真构造虚拟载体

调用±1双层STC编码对所述虚拟载体嵌入秘密消息，并将对该虚拟载体进行的变动修改到相应的取整后的量化DCT系数X_i中。

4.根据权利要求3所述的方法，其特征在于，所述将获得的每一量化DCT系数的最优修改概率转换为三元失真包括：

利用三元翻转引理将计算获得的每一量化DCT系数的最优修改概率转换为三元失真：

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=ln(p_{i0}/p_{i2})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=1n(p_{i0}/p_{i1})\end{array}\right.,v_i=0;$

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=ln(p_{i1}/p_{i0})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=ln(p_{i1}/p_{i2})\end{array}\right.,v_i=1;$

$\left\{\begin{array}{c}{\mathrm{\&rho;}}_{i-}=ln(p_{i2}/p_{i1})\\ {\mathrm{\&rho;}}_{i0}=0\\ {\mathrm{\&rho;}}_{i+}=ln(p_{i2}/p_{i0})\end{array}\right.,v_i=2.$

5.根据权利要求1、2、3或4所述的方法，其特征在于，该方法还包括提取秘密消息的步骤，且该步骤包括：

对包含秘密消息的多重失真图像进行解压缩，获得以取整后的量化DCT系数X_i为载体的序列y；

根据序列y上最低有效位以及次最低有效位上嵌入消息的长度，确定±1双层STC编码的校验矩阵H；

将序列y的最低有效位以及次最低有效位构成载密向量s；

将所述校验矩阵H与所述载密向量s相乘，得到秘密消息向量m，从而提取出秘密消息；其中，H₃表示三元熵函数。

6.根据权利要求5所述的方法，其特征在于，所述序列y包括：

$y={\left\{y_i\right\}}_{i=1}^n;$

其中，P(y_i＝0)＝p_i0，P(y_i＝1)＝p_i+，P(y_i＝2)＝p_i-，分别表示元素y_i取值为0、1、2时的概率。