CN105096240A - 基于纹理合成的影像敏感目标隐藏方法 - Google Patents

Abstract

本发明公开了一种基于纹理合成的影像敏感目标隐藏方法，包括如下过程：(1)在影像中标注敏感目标；(2)利用动态规划隐藏顺序确定需要优先处理的样本纹理块；(3)通过八邻域快速搜索和模板块自适应策略在影像中快速查找相似样本纹理块；(4)基于颜色纹理特征匹配准则确定最佳匹配样本纹理块，并替换原样本纹理块；(5)重复以上隐藏过程，直到敏感目标隐藏完成。本发明的方法具有隐藏效果好、隐藏效率高等特点，可为影像数据的安全、共享提供技术支持。

Description

基于纹理合成的影像敏感目标隐藏方法

技术领域

本发明属于地理信息安全领域，具体涉及一种基于纹理合成的影像敏感目标隐藏方法。

背景技术

我国相关法律法规和政策对基础地理数据共享提出了明确的保密要求，其中《测绘管理工作国家秘密范围的规定》、《公开地图内容表示补充规定》和《基础地理信息公开表示内容的规定》等文件对公开地图和地理信息的限制条件和保密内容做出了规定，特别强调不得在公开地图或影像中表示国防、军事设施和军事单位等内容。

影像数据中的军事设施、大型武器装备、秘密机构、核设施等敏感目标属于国家秘密，这样的影像数据不能直接用于民用，需要对这些敏感目标进行隐藏处理后才能保证数据的安全保护与共享应用，否则将对国家利益和国家安全构成威胁。因此，研究能够有效针对影像敏感目标进行合理隐藏的方法，使得处理后影像在视觉上合理与自然，促进影像数据的共享应用，成为一个有现实意义的问题。

发明内容

本发明针对现有影像敏感目标隐藏方式存在的缺陷，提供一种基于纹理合成的影像敏感目标隐藏方法，具有隐藏效果好、隐藏效率高等特点。

本发明采用的技术方案为：

基于纹理合成的影像敏感目标隐藏方法，包括如下过程：(1)在影像中标注敏感目标；(2)利用动态规划隐藏顺序确定需要优先处理的样本纹理块；(3)通过八邻域快速搜索和模板块自适应策略在影像中快速查找相似样本纹理块；(4)基于颜色纹理特征匹配准则确定最佳匹配样本纹理块，并替换原样本纹理块；(5)重复以上隐藏过程，直到敏感目标隐藏完成。

上述方法的具体实现步骤为：

(一)标注敏感目标

步骤11：对影像I进行敏感区域标注处理；

(二)动态规划隐藏顺序

步骤21：计算置信项C(p)，公式如下：

$C\left(p\right)=\frac{\underset{q\∈{\mathrm{\ψ}}_p\∩\mathrm{\Φ}}{\Σ}C\left(q\right)}{\left|{\mathrm{\ψ}}_p\right|},0\≤C\left(p\right)\≤1---\left(1\right)$

其中，|ψ_p|是模板内像素点的总个数；

C(q)是像素点q的置信度，必须满足初始化条件：

$C\left(q\right)=\left\{\begin{array}{c}1,q\∈\mathrm{\Φ}\\ 0,q\∈I-\mathrm{\Φ}\end{array}\right.---\left(2\right)$

步骤22：引入置信度平滑函数S(p)，公式如下：

S(p)＝(1-α)×C(p)+α(3)

其中，α是正则化因子，取α＝0.5，则S(p)的取值范围限定在[0.5,1]；

步骤23：计算数据项D(p)，公式如下：

$D\left(p\right)=\frac{\left|\▿I_p^{\⊥}\×n_p\right|}{\mathrm{\α}},0\≤D\left(p\right)\≤1---\left(4\right)$

其中，α是一个规范化因子，一般取255，n_p是在点p出正交于边界δΩ的单位正交向量，⊥指出正交操作，表示与p点梯度方向垂直的方向，也是p点的光照度线方向；

步骤24：动态规划的隐藏优先权函数，公式如下：

SP(p)＝ω₁×S(p)+ω₂×D(p)(5)

其中，ω₁,ω₂是权重系数，0<ω₁,ω₂<1，且ω₁+ω₂＝1，根据影像隐藏进行动态规划；

步骤25：引入阈值g，表示剩余敏感区域占原敏感区域面积的百分比，当70％≤g≤1时，设置ω₁＝0.3，ω₂＝0.7，确保优先处理结构信息；当40％≤g<70％时，设置ω₁＝ω₂＝0.5，使得结构和纹理信息同时处理；当0≤g<40％时，设置ω₁＝0.6，ω₂＝0.4，优先处理纹理信息；

(三)八邻域快速搜索策略

步骤31：计算敏感目标的最小外接矩形，敏感目标的最大和最小边界点所在的行和列位置，分别记为：x₁、x₂、y₁、y₂，则敏感目标最小外接矩形的宽高分别为：x₂-x₁，y₂-y₁；

步骤32：生成八邻域搜索区域，以敏感目标为中心位置，最小外接矩形为邻域模板，构建八邻域搜索区域，其边界所在的行和列位置，记为：2x₁-x₂、2x₂-x₁、2y₁-y₂、2y₂-y₁，则八邻域搜索区域的宽高需要减去目标最小外接矩形的宽高，记为：2(x₂-2x₁)、2(y₂-2y₁)；八邻域边界范围限制条件，若2x₁-x₂<0，令2x₁-x₂＝0；若2x₂-x₁>m，令2x₂-x₁＝m；若2y₁-y₂<0，令2y₁-y₂＝0；若2y₂-y₁>n，令2y₂-y₁＝n；

步骤33：样本快速搜索，引入搜索步长a且1≤a≤4s，其中s表示八邻域范围所占影像整体范围的百分比；当s<50％时，令a＝1，即设置搜索步长为1；当s≥50％时，令a＝4s，即搜索步长a∈[2,4]；

(四)模版尺寸自适应

步骤41：计算影像的梯度、信息熵和局部方差；

步骤42：影像特征分量的归一化处理，其特征向量F_i＝[f_i1,f_i2,…,f_iN]，假设特征分量[f_1j,f_2j,…,f_Nj]满足高斯分布，计算其均值m_j和标准差σ_j，可将f_ij归一化为具有N(0,1)分布的

$f_{ij}^N=\frac{f_{ij}-m_j}{{\mathrm{\&sigma;}}_j}---\left(6\right)$

步骤43：模板块尺寸自适应函数，公式如下：

$H\left(p\right)=0.5\&times;\&dtri;I\left(p\right)+0.25\&times;VAR\left(p\right)+0.25\&times;S\left(p\right)---\left(7\right)$

$Size\left(p\right)=\left\{\begin{array}{c}4\&times;round\left(\frac{1}{\left|H\left(p\right)\right|}\right)+1\\ 21,\left|H\left(p\right)\right|\&le;0.2\\ 3,\left|H\left(p\right)\right|\&GreaterEqual;1.0\end{array}\right.---\left(8\right)$

其中，Size(p)表示模板块的大小，表示梯度项，VAR(p)表示方差项，S(p)表示信息熵项；

当0.2≤H(p)≤1.0时，将Size(p)的尺寸大小限制在3～21内的奇数，即3*3、5*5、7*7、9*9、11*11、13*13、15*15、17*17、19*19、21*21；

(五)基于颜色纹理特征的匹配准则

步骤51：采用RGB颜色空间的欧几里德距离来计算目标纹理块和样本纹理块之间的颜色相似度，公式如下：

$D_C=d({\mathrm{\&psi;}}_p,{\mathrm{\&psi;}}_q)=\sqrt{{\left|p_r-q_r\right|}^2+{\left|p_g-q_g\right|}^2+{\left|p_b-q_b\right|}^2}---\left(9\right)$

其中，p和q分别表示待隐藏样本块和原样本块对应像素点的RGB颜色分量；

步骤52：采用灰色共生矩阵来计算目标块和样本块之间的纹理相似度，构造四个方向的共生矩阵；设f(x,y)是一幅N×N的影像，d＝(dx,dy)是一个位移矢量，其中dx是行方向上的位移，dy是列方向上的位移，L为影像的最大灰度级数，灰度共生矩阵的第i行第j列元素表示影像上两个相距为δ、方向为θ，分别具有灰度级i和j的像素点对出现的次数；其中，(x,y)是影像中像素坐标，x,y的取值范围为[0,N-1]，i,j的取值范围为[0,L-1]，通常θ取0°,45°,90°,135°，矩阵元素定义如下：

P(i,j|d,0°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,|dx|＝d,dy＝0}

P(i,j|d,45°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,(dx＝d,dy＝-d)or(dx＝-d,dy＝d)}

(10)

P(i,j|d,90°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,dx＝0,|dy|＝d}

P(i,j|d,135°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,(dx＝d,dy＝d)or(dx＝-d,dy＝-d)}

步骤53：计算四个共生矩阵的熵、惯性矩、能量、相关等参数，并对参数进行内部归一化处理后将其作为纹理特征向量中的各个分量，这样就获得影像的纹理特征；设目标块和样本块为p、q，其纹理特征的差异定义为：

$D_T(p,q)=\underset{i=1}{\overset{4}{\&Sigma;}}\underset{j=1}{\overset{4}{\&Sigma;}}{\mathrm{\&omega;}}_{ij}|f_{ij}\left(p\right)-f_{ij}\left(q\right)|---\left(11\right)$

其中，i＝1,...,4表示纹理特征的4个共生矩阵，j＝1,...,4表示每个共生矩阵的4个参量，f_ij表示每个经过归一化处理后的参量值，ω_ij是各个参量的权值；

步骤54：基于颜色纹理特征的匹配准则，根据颜色和纹理对影像视觉特征的重要性进行权重分配，公式为：

D＝W_CD_C+W_TD_T(12)

其中，W_C、W_T分别为颜色特征和纹理特征的权值，D_C、D_T分别为颜色特征和纹理特征计算得到的相似距离；

(六)经过以上处理步骤后，就完成了一轮隐藏过程，如此重复，直到敏感目标隐藏完成。

本发明提供一种基于纹理合成的影像敏感目标隐藏方法，其实现过程高效、可靠，具有隐藏效果好、隐藏效率高等特点，可为影像数据的安全、共享提供技术支持。

附图说明

图1是本发明技术中基于纹理合成的影像敏感目标隐藏方法流程图；

图2是本发明实施例选用的原始影像数据，(a)为湖泊影像，(b)为建筑影像；

图3(a)、(b)是对图2(a)、(b)进行隐藏处理后的影像效果图。

具体实施方式

下面结合附图和实施例，对本发明做进一步详细说明。

本实施例选择tiff格式的影像数据，对此影像数据进行读取、隐藏等操作，进一步详细说明本发明。本实施例选择某一地区的影像数据(如图2中白色线框区域)作为原始影像数据，坐标系为WGS84，比例尺为1:2000，分辨率为0.2m，数据尺寸为3285*3285，数据大小为60MB，包括以下步骤：

(一)标注敏感目标

步骤11：选择ARGB＝(255,0,255,0)即绿色，对影像I进行敏感区域标注处理。

(二)动态规划隐藏顺序

步骤21：计算置信项C(p)，公式如下：

$C\left(p\right)=\frac{\underset{q\&Element;{\mathrm{\&psi;}}_p\&cap;\mathrm{\&Phi;}}{\&Sigma;}C\left(q\right)}{\left|{\mathrm{\&psi;}}_p\right|},0\&le;C\left(p\right)\&le;1---\left(1\right)$

其中，|ψ_p|是模板内像素点的总个数；

C(q)是像素点q的置信度，必须满足初始化条件：

$C\left(q\right)=\left\{\begin{array}{c}1,q\&Element;\mathrm{\&Phi;}\\ 0,q\&Element;I-\mathrm{\&Phi;}\end{array}\right.---\left(2\right)$

步骤22：引入置信度平滑函数S(p)，公式如下：

S(p)＝(1-α)×C(p)+α(3)

其中，α是正则化因子，取α＝0.5，则S(p)的取值范围限定在[0.5,1]；

步骤23：计算数据项D(p)，公式如下：

$D\left(p\right)=\frac{\left|\&dtri;I_p^{\&perp;}\&times;n_p\right|}{\mathrm{\&alpha;}},0\&le;D\left(p\right)\&le;1---\left(4\right)$

其中，α是一个规范化因子，取α＝255，n_p是在点p出正交于边界δΩ的单位正交向量，⊥指出正交操作，表示与p点梯度方向垂直的方向，也是p点的光照度线方向；

步骤24：动态规划的隐藏优先权函数，公式如下：

SP(p)＝ω₁×S(p)+ω₂×D(p)(5)

其中，ω₁,ω₂是权重系数，0<ω₁,ω₂<1，且ω₁+ω₂＝1，根据影像隐藏进行动态规划；

步骤25：引入阈值g，表示剩余敏感区域占原敏感区域面积的百分比，当70％≤g≤1时，设置ω₁＝0.3，ω₂＝0.7，确保优先处理结构信息；当40％≤g<70％时，设置ω₁＝ω₂＝0.5，使得结构和纹理信息同时处理；当0≤g<40％时，设置ω₁＝0.6，ω₂＝0.4，优先处理纹理信息；

(三)八邻域快速搜索策略

步骤31：计算敏感目标的最小外接矩形，敏感目标的最大最小边界点所在的行列位置，记为：x₁、x₂、y₁、y₂，则敏感目标最小外接矩形的宽高分别为：x₂-x₁，y₂-y₁；

步骤32：生成八邻域搜索区域，以敏感目标为中心位置，最小外接矩形为邻域模板，构建八邻域搜索区域，其边界所在行列位置，记为：2x₁-x₂、2x₂-x₁、2y₁-y₂、2y₂-y₁，则八邻域搜索区域的宽高需要减去目标最小外接矩形的宽高，记为：2(x₂-2x₁)、2(y₂-2y₁)。八邻域边界范围限制条件，若2x₁-x₂<0，令2x₁-x₂＝0；若2x₂-x₁>m，令2x₂-x₁＝m；若2y₁-y₂<0，令2y₁-y₂＝0；若2y₂-y₁>n，令2y₂-y₁＝n；

步骤33：样本快速搜索，引入搜索步长a且1≤a≤4s，其中s表示八邻域范围所占影像整体范围的百分比。当s<50％时，令a＝1，即设置搜索步长为1；当s≥50％时，令a＝4s，即搜索步长a∈[2,4]；

(四)模版尺寸自适应

步骤41：计算影像的梯度、信息熵和局部方差；

步骤42：影像特征分量的归一化处理，其特征向量F_i＝[f_i1,f_i2,…,f_iN]，假设特征分量[f_1j,f_2j,…,f_Nj]满足高斯分布，计算其均值m_j和标准差σ_j，可将f_ij归一化为具有N(0,1)分布的

$f_{ij}^N=\frac{f_{ij}-m_j}{{\mathrm{\&sigma;}}_j}---\left(6\right)$

步骤43：模板块尺寸自适应函数，公式如下：

$H\left(p\right)=0.5\&times;\&dtri;I\left(p\right)+0.25\&times;VAR\left(p\right)+0.25\&times;S\left(p\right)---\left(7\right)$

$Size\left(p\right)=\left\{\begin{array}{c}4\&times;round\left(\frac{1}{\left|H\left(p\right)\right|}\right)+1\\ 21,\left|H\left(p\right)\right|\&le;0.2\\ 3,\left|H\left(p\right)\right|\&GreaterEqual;1.0\end{array}\right.---\left(8\right)$

其中，Size(p)表示模板块的大小，表示梯度项，VAR(p)表示方差项，S(p)表示信息熵项；

当0.2≤H(p)≤1.0时，将Size(p)的尺寸大小限制在3～21内的奇数，即3*3、5*5、7*7、9*9、11*11、13*13、15*15、17*17、19*19、21*21；

(五)基于颜色纹理特征的匹配准则

步骤51：采用RGB颜色空间的欧几里德距离来计算目标纹理块和样本纹理块之间的颜色相似度，公式如下：

$D_C=d({\mathrm{\&psi;}}_p,{\mathrm{\&psi;}}_q)=\sqrt{{\left|p_r-q_r\right|}^2+{\left|p_g-q_g\right|}^2+{\left|p_b-q_b\right|}^2}---\left(9\right)$

其中，p和q分别表示待隐藏样本块和原样本块对应像素点的RGB颜色分量；

步骤52：采用灰色共生矩阵来计算目标块和样本块之间的纹理相似度，构造四个方向的共生矩阵。设f(x,y)是一幅N×N的影像，d＝(dx,dy)是一个位移矢量，其中dx是行方向上的位移，dy是列方向上的位移，L为影像的最大灰度级数，灰度共生矩阵的第i行第j列元素表示影像上两个相距为δ、方向为θ，分别具有灰度级i和j的像素点对出现的次数。其中，(x,y)是影像中像素坐标，x,y的取值范围为[0,N-1]，i,j的取值范围为[0,L-1]。通常θ取0°,45°,90°,135°，矩阵元素定义如下：

P(i,j|d,0°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,|dx|＝d,dy＝0}

P(i,j|d,45°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,(dx＝d,dy＝-d)or(dx＝-d,dy＝d)}

(10)

P(i,j|d,90°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,dx＝0,|dy|＝d}

P(i,j|d,135°)＝{(x,y)|f(x,y)＝i,f(x+dx,y+dy)＝j,(dx＝d,dy＝d)or(dx＝-d,dy＝-d)}

步骤53：计算四个共生矩阵的熵、惯性矩、能量、相关等参数，并对参数进行内部归一化处理后将其作为纹理特征向量中的各个分量，这样就获得影像的纹理特征。设目标块和样本块为p、q，其纹理特征的差异定义为：

$D_T(p,q)=\underset{i=1}{\overset{4}{\&Sigma;}}\underset{j=1}{\overset{4}{\&Sigma;}}{\mathrm{\&omega;}}_{ij}|f_{ij}\left(p\right)-f_{ij}\left(q\right)|---\left(11\right)$

其中，i＝1,...,4表示纹理特征的4个共生矩阵，j＝1,...,4表示每个共生矩阵的4个参量，f_ij表示每个经过归一化处理后的参量值，ω_ij是各个参量的权值。

步骤54：基于颜色纹理特征的匹配准则，根据颜色和纹理对影像视觉特征的重要性进行权重分配，公式为：

D＝W_CD_C+W_TD_T(12)

其中，W_C、W_T分别为颜色特征和纹理特征的权值，D_C、D_T分别为颜色特征和纹理特征计算得到的相似距离；

实验证明，当W_C＝0.6～0.7，W_T＝0.3～0.4时，样本块匹配最为准确，取

D＝0.65D_C+0.35D_T(13)

(六)经过以上处理步骤后，就完成了一轮隐藏过程，如此重复，直到敏感目标隐藏完成。

本发明实施例中以tiff格式的影像数据为例进行读取、隐藏等操作，该方法也可用于其他格式影像数据。

Claims (2)

1.基于纹理合成的影像敏感目标隐藏方法，其特征在于，包括如下过程：

（1）在影像中标注敏感目标；（2）利用动态规划隐藏顺序确定需要优先处理的样本纹理块；（3）通过八邻域快速搜索和模板块自适应策略在影像中快速查找相似样本纹理块；（4）基于颜色纹理特征匹配准则确定最佳匹配样本纹理块，并替换原样本纹理块；（5）重复以上隐藏过程，直到敏感目标隐藏完成。

2.根据权利要求1所述的基于纹理合成的影像敏感目标隐藏方法，其特征在于，所述方法的具体实现步骤为：

（一）标注敏感目标

步骤11：对影像I进行敏感区域标注处理；

（二）动态规划隐藏顺序

步骤21：计算置信项C(p)，公式如下：

$C\left(p\right)=\frac{\underset{q\&Element;{\mathrm{\&psi;}}_p\&cap;\mathrm{\&Phi;}}{\&Sigma;}C\left(q\right)}{\left|{\mathrm{\&psi;}}_p\right|},0\&le;C\left(p\right)\&le;1---\left(1\right)$

其中，p是目标像素点，|ψ_p|是模板内像素点的总个数；C(q)是像素点q的置信度，必须满足初始化条件：

$C\left(q\right)=\left\{\begin{array}{c}1,q\&Element;\mathrm{\&Phi;}\\ 0,q\&Element;I-\mathrm{\&Phi;}\end{array}\right.---\left(2\right)$

其中，Φ是非敏感区域，I-Φ则是敏感区域；

步骤22：引入置信度平滑函数S(p)，公式如下：

S(p)=(1-α)×C(p)+α（3）

其中，α是正则化因子，取α=0.5，则S(p)的取值范围限定在[0.5,1]；

步骤23：计算数据项D(p)，公式如下：

$D\left(p\right)=\frac{|\&dtri;I_p^{\&perp;}\&times;n_p|}{\mathrm{\&alpha;}},0\&le;D\left(p\right)\&le;1---\left(4\right)$

其中，α是一个规范化因子，一般取255，n_p是在点p出正交于边界δΩ的单位正交向量，⊥指出正交操作，表示与p点梯度方向垂直的方向，也是p点的光照度线方向；

步骤24：动态规划的隐藏优先权函数，公式如下：

SP(p)=ω₁×S(p)+ω₂×D(p)（5）

其中，ω₁,ω₂是权重系数，0<ω₁,ω₂<1，且ω₁+ω₂=1，根据影像隐藏进行动态规划；

步骤25：引入阈值g，表示剩余敏感区域占原敏感区域面积的百分比，当70%≤g≤1时，设置ω₁=0.3，ω₂=0.7，确保优先处理结构信息；当40%≤g<70%时，设置ω₁=ω₂=0.5，使得结构和纹理信息同时处理；当0≤g<40%时，设置ω₁=0.6，ω₂=0.4，优先处理纹理信息；

（三）八邻域快速搜索策略

步骤31：计算敏感目标的最小外接矩形，敏感目标的最大和最小边界点所在的行和列位置，分别记为：x₁、x₂、y₁、y₂，则敏感目标最小外接矩形的宽高分别为：x₂-x₁，y₂-y₁；

步骤32：生成八邻域搜索区域，以敏感目标为中心位置，最小外接矩形为邻域模板，构建八邻域搜索区域，其边界所在的行和列位置，记为：2x₁-x₂、2x₂-x₁、2y₁-y₂、2y₂-y₁，则八邻域搜索区域的宽高需要减去目标最小外接矩形的宽高，记为：2(x₂-2x₁)、2(y₂-2y₁)；八邻域边界范围限制条件，若2x₁-x₂<0，令2x₁-x₂=0；若2x₂-x₁>m，令2x₂-x₁=m；若2y₁-y₂<0，令2y₁-y₂=0；若2y₂-y₁>n，令2y₂-y₁=n；

步骤33：样本快速搜索，引入搜索步长a且1≤a≤4s，其中s表示八邻域范围所占影像整体范围的百分比；当s<50%时，令a=1，即设置搜索步长为1；当s≥50%时，令a=4s，即搜索步长a∈[2,4]；

（四）模版尺寸自适应

步骤41：计算影像的梯度、信息熵和局部方差；

步骤42：影像特征分量的归一化处理，其特征向量F_i=[f_i1,f_i2,…,f_iN]，假设特征分量[f_1j,f_2j,…,f_Nj]满足高斯分布，计算其均值m_j和标准差σ_j，可将f_ij归一化为具有N(0,1)分布的

$f_{ij}^N=\frac{f_{ij}-m_j}{{\mathrm{\&sigma;}}_j}---\left(6\right)$

步骤43：模板块尺寸自适应函数，公式如下：

$H\left(p\right)=0.5\&times;\&dtri;I\left(p\right)+0.25\&times;VAR\left(p\right)+0.25\&times;S\left(p\right)---\left(7\right)$

$Size\left(p\right)=\left\{\begin{array}{c}4\&times;round\left(\frac{1}{\left|H\left(p\right)\right|}\right)+1\\ 21,\left|H\left(p\right)\right|\&le;0.2\\ 3,\left|H\left(p\right)\right|\&GreaterEqual;1.0\end{array}\right.---\left(8\right)$

其中，Size(p)表示模板块的大小，表示梯度项，VAR(p)表示方差项，S(p)表示信息熵项；

当0.2≤H(p)≤1.0时，将Size(p)的尺寸大小限制在3～21内的奇数，即3*3、5*5、7*7、9*9、11*11、13*13、15*15、17*17、19*19、21*21；

（五）基于颜色纹理特征的匹配准则

步骤51：采用RGB颜色空间的欧几里德距离来计算目标纹理块和样本纹理块之间的颜色相似度，公式如下：

$D_C=d({\mathrm{\&psi;}}_p,{\mathrm{\&psi;}}_q)=\sqrt{{\left|p_r-q_r\right|}^2+{\left|p_g-q_g\right|}^2+{\left|p_b-q_b\right|}^2}---\left(9\right)$

其中，p和q分别表示待隐藏样本块和原样本块对应像素点的RGB颜色分量；

步骤52：采用灰色共生矩阵来计算目标块和样本块之间的纹理相似度，构造四个方向的共生矩阵；设f(x,y)是一幅N×N的影像，d=(dx,dy)是一个位移矢量，其中dx是行方向上的位移，dy是列方向上的位移，L为影像的最大灰度级数，灰度共生矩阵的第i行第j列元素表示影像上两个相距为δ、方向为θ，分别具有灰度级i和j的像素点对出现的次数；其中，(x,y)是影像中像素坐标，x,y的取值范围为[0,N-1]，i,j的取值范围为[0,L-1]，通常θ取0°,45°,90°,135°，矩阵元素定义如下：

P(i,j|d,0°)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j,|dx|=d,dy=0}

P(i,j|d,45°)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j,(dx=d,dy=-d)or(dx=-d,dy=d)}（10）

P(i,j|d,90°)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j,dx=0,|dy|=d}

P(i,j|d,135°)={(x,y)|f(x,y)=i,f(x+dx,y+dy)=j,(dx=d,dy=d)or(dx=-d,dy=-d)}

步骤53：计算四个共生矩阵的熵、惯性矩、能量、相关等参数，并对参数进行内部归一化处理后将其作为纹理特征向量中的各个分量，这样就获得影像的纹理特征；设目标块和样本块为p、q，其纹理特征的差异定义为：

$D_T(p,q)=\underset{i=1}{\overset{4}{\&Sigma;}}\underset{j=1}{\overset{4}{\&Sigma;}}{\mathrm{\&omega;}}_{ij}|f_{ij}\left(p\right)-f_{ij}\left(q\right)|---\left(11\right)$

其中，i=1,...,4表示纹理特征的4个共生矩阵，j=1,...,4表示每个共生矩阵的4个参量，f_ij表示每个经过归一化处理后的参量值，ω_ij是各个参量的权值；

步骤54：基于颜色纹理特征的匹配准则，根据颜色和纹理对影像视觉特征的重要性进行权重分配，公式为：

D=W_CD_C+W_TD_T（12）

其中，W_C、W_T分别为颜色特征和纹理特征的权值，D_C、D_T分别为颜色特征和纹理特征计算得到的相似距离；

（六）经过以上处理步骤后，就完成了一轮隐藏过程，如此重复，直到敏感目标隐藏完成。