CN105447807A - 可逆数据隐藏恢复方法 - Google Patents

Abstract

本发明涉及一种可逆数据隐藏的恢复方法，包括：读取辅助信息步骤，预处理步骤，标识步骤，处理步骤、提取水印信息与恢复图像步骤以及重复标识步骤与处理步骤。本发明实现水印信息的按需嵌入，充分挖掘了图像中的等极大值像素冗余，实现了“1个位置，多比特嵌入”，有效提高信息容量。同时，有效做到了第一嵌入方法与第二嵌入方法的无缝融合。

Description

可逆数据隐藏恢复方法

技术领域

本发明涉及数据隐藏技术领域，具体涉及一种可逆数据隐藏的恢复方法，可被应用在医学、法律和军事等敏感领域。

背景技术

近几年来数据隐藏成为加强的研究领域。在数据隐藏过程中，大多数多媒体数据隐藏技术修改覆盖介质并因此使覆盖介质失真。即使失真通常很小且人类视觉系统(HVS)不可觉察，但通常不能完全恢复原始覆盖介质。换言之，此类数据隐藏技术大多数不可逆，对某些敏感应用，如法律和医学图像，是不可接受的。对于法律、医学和其他敏感应用，需要可逆数据隐藏以提取嵌入的数据并恢复原始主体信号,所以现有技术带来的缺点，实有待改善。

面对上面的缺点，有李小龙先生等提出了一种新的嵌入方法，本发明称为第一嵌入方法，该第一嵌入方法主要是实现了在每个块的最大值和最小值处嵌入数据，最多可嵌入两个比特。将原始图像分成大小相同但互不重叠的块n₁×n₂，并对块内像素按灰度值进行升序排序，请参看图1。

如图1所示，原始像素序列为(p₁,p₂,...,p_n-1,p_n)＝(162,161,159,157,163,158)，升序排序后变为(p^s ₁,p^s ₂,...,p^s _n-1,p^s _n)＝(157,158,159,161,162,163)，其中n＝n₁×n₂。

用次最大值预测最大值，用次最小值预测最小值，执行数据嵌入。最大值预测误差e_max＝p^s _n-p^s _n-1，最小值预测误差e_min＝p^s ₁-p^s ₂，嵌入公式为

${\tilde{p}}_n^s=\left\{\begin{array}{cc}{p^s}_n& \begin{array}{cc}if& e_{max}=0\end{array}\\ {p^s}_n+b& \begin{array}{cc}if& e_{max}=1\end{array}\\ {p^s}_n+1& \begin{array}{cc}if& e_{\max }>1\end{array}\end{array}\right.---\left(1\right)$

${\tilde{p}}_1^s=\left\{\begin{array}{cc}{p^s}_1& \begin{array}{cc}if& e_{min}=0\end{array}\\ {p^s}_1-b& \begin{array}{cc}if& e_{min}=-1\end{array}\\ {p^s}_1-1& \begin{array}{cc}if& e_{min}<-1\end{array}\end{array}\right.---\left(2\right)$

可以看出，第一嵌入方法主要利用了单极值块，实现了信息的可逆隐藏，请参看图2。具有如下特点：

1、执行嵌入的像素位于排序后灰度值序列的两端；

2、每个块最多影响到2个像素，且像素值最大变化1，因此具有可保证很高的保真度；

3、虽然每个块最多可嵌入2比特数据，但是仅仅对灰度值序列的两端进行利用，对多极值块没有充分利用，因此嵌入容量较小，有待进一步挖掘像素冗余，实有待进一步改善。

发明内容

本发明的目的是提供一种可逆数据隐藏的恢复方法。

为了实现上述目的，本发明采用的技术方案是

一种可逆数据隐藏的恢复方法，其中，包括：

读取辅助信息步骤，接收到嵌入水印信息的图像后，读取获得完整获取辅助信，该辅助信息包括位置图以及辅助信息标识。；

预处理步骤，将嵌入水印信息的图像进行分块并按块内灰度值进行排序；

标识步骤，将排序后的序列进行检测、识别并标识特征类块；

处理步，从位置图中解压缩出次极大值像素位置图，确定各块位置图，识别块类型；确定次极大值像素：根据解压缩的次极大值像素位置图，确定各块的次极大值像素，称为次极大基像素；计算次极大基像素灰度值大的像素与次极大基像素的差，差为1提取水印信息0，像素灰度值不变；差为2提取水印信息1，像素灰度值减1；差大于2则标识无嵌入信息，像素灰度值不变；从数据最后嵌入块以后的像素中提取嵌入的最低有效位序列，并替换到辅助信息占用的像素中；

提取水印信息与恢复图像步骤：重复标识步骤与处理步骤，依次处理各个块并提取水印信息并恢复块内各最大像素灰度值，从而得到原始图像。

所述的恢复方法，其中，该辅助信息标识包括净荷容量、块大小、压缩后的位置图尺寸、最后嵌入块索引以及最后嵌入像素索引。

所述的恢复方法，其中，该位置图包括溢出像素位置图，全平滑块位置图以及基像素位置图。

所述的恢复方法，其中，该特征类块包括：k₁类块、k₂类块以及混合k类块。

所述的恢复方法，其中，该k₁类块为极小灰度值像素数量为1，等值极大灰度值数量1<n_p-max≤n-1，其中k₁＝n_p-max且1<k₁≤n-1。

所述的恢复方法，其中，当识别出k₁类块时，此情况下，i∈{1,2,...,n}， ${\tilde{e}}_{max}^k={\tilde{p}}_{n-k_1+1}^s-{p^s}_{n-k_1},$ 提取的信息比特为

$b={\tilde{p}}_i^s-({p^s}_{n-k_1}+1)$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& 1\&le;i\&le;n-k_1\end{array}\\ {\tilde{p}}_i^s-b& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{max}^k\&Element;\{1,2\}\end{array}\\ {\tilde{p}}_i^s-1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{max}^k>2\end{array}\end{array}\right.$

恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1.$

所述的恢复方法，其中，该k₂类块为极大灰度值像素数量为1，等值极小灰度值数量1<n_p-min≤n-1，其中k₂＝n_p-min且1<k₂≤n-1。。

所述的恢复方法，其中，当设别出k₂类块时，此情况下，i∈{1,2,...,n}，提取的信息比特为

$b=({p^s}_{k_2}-1)-{\tilde{p}}_i^s$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& k_2+1\&le;i\&le;n\end{array}\\ {\tilde{p}}_i^s+b& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\{-1,-2\}\end{array}\\ {\tilde{p}}_i^s+1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\end{array}\right.$

恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s+b={\tilde{p}}_i^s+\left(\right({p^s}_{k_2}-1)-{\tilde{p}}_i^s)={p^s}_{k_2}-1.$

所述的恢复方法，其中，当设别出混合k类块时，该等值极大灰度值像素数量1<n_p-max≤n-1，等值极小灰度值数量1<n_p-min≤n-1，其中k₁＝n_p-max，k₂＝n_p-min，且k₁+k₂≤n-1，且

$c(k_1,k_2)=\left\{\begin{array}{c}1<k_1\&le;n-1\\ 1<k_2\&le;n-1\\ k_1+k_2\&le;n-1\end{array}\right..$

所述的恢复方法，其中，当识别出混合k类块，此情况下，i∈{1,2,...,n}， ${\tilde{e}}_{max}^k={\tilde{p}}_{n-k_1+1}^s-{p^s}_{n-k_1},{\tilde{e}}_{min}^k={\tilde{p}}_{k_2}^s-{p^s}_{k_2+1},$ 等值极大值处提取的信息比特为

$b_1={\tilde{p}}_i^s-({p^s}_{n-k_1}+1)$

等值极小值处提取的信息比特为

$b_2=({p^s}_{k_2}-1)-{\tilde{p}}_i^s$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& k_2+1\&le;i\&le;n-k_1\end{array}\\ {\tilde{p}}_i^s-b_1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k\&Element;\{1,2\}\end{array}\\ {\tilde{p}}_i^s-1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k>2\end{array}\\ {\tilde{p}}_i^s+b_2& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\{-1,-2\}\end{array}\\ {\tilde{p}}_i^s+1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\end{array}\right.$

恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1.$

所述的恢复方法，其中，该预处理步骤包括：

块：将原始图像分成个大小相同但互不重叠的块；

排序：对块内像素按灰度值进行排序。

所述的恢复方法，其中，该块内像素按灰度值排序方式为升序或降序。

本发明的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过在所写的说明书、权利要求书、以及附图中所特别指出的结构来实现和获得。

附图说明

图1为现有技术第一嵌入方法中图片的像素块排序图；

图2为现有技术第一嵌入方法的嵌入水印信息的排序图；

图3为本发明的可逆数据隐藏方法中嵌入水印信息的简要流程图；

图4为本发明的可逆数据隐藏方法中嵌入水印信息的步骤图；

图5a-图5h为本发明的可逆数据隐藏方法与其他三种方法的对比图，其中，图5a为Lena图片为例的对比图，5b为Baboon图片为例的对比图，5c为Airplane图片为例的对比图，5d为Barbara图片为例的对比图，5e为Elaine图片为例的对比图，5f为Lake图片为例的对比图，图5g为Boat图片为例的对比图，图5h为Peppers图片为例的对比图。

具体实施方式

本发明涉及数据隐藏技术领域，具体涉及一种可逆数据隐藏方法。可逆数据隐藏技术，是指在数字图像处理过程中，对载体图像嵌入水印信息，授权用户可从嵌入水印后的图像中既能提取水印信息，同时也可以恢复为原始的载体图像。

本发明的发明思路是将图像进行分块后，各块内像素灰度有最大值和最小值，对于整个原始图像来讲可有很多极值，包含极大值和极小值。在使用第一嵌入方法嵌入时，只利用了块中的单极值像素。为了更好的利用块的等极值像素携带信息比特，本发明提出了第二嵌入方法。具体来说，使用标记增强利用图像的次极值像素，也就是块的次最大灰度像素和次最小灰度像素，去预测最大灰度像素和最小灰度像素，形成次极值像素位置图。在此基础上，使用位置图标记图像中的次极大值像素，用其预测各块内的等最大值像素，实现水印信息的按需嵌入，充分挖掘了图像中的等极大值像素冗余，实现了“1个位置，多比特嵌入”，有效提高了信息容量。同时，有效做到了第一嵌入方法与第二嵌入方法的无缝融合。

如图3所示，图3为本发明的可逆数据隐藏方法中嵌入水印信息的简要流程图。预处理步骤包括溢出块识别和全平滑块识别。溢出块识别主要是建立溢出像素位置图。

下面主要就是识别特征类块，设别出的特征类快根据第二嵌入方法进行嵌入水印信息。在分析特征类块，根据k₁类块、k₂类块以及混合k类块再进行嵌入。如果是非特征类快，就进行第一嵌入方法进行嵌入水印信息。所以第一嵌入方法与第二嵌入方法是无缝融合，按需灵活嵌入水印信息。

此处，术语“水印信息”是信息，它可形成连贯报文的一部分，编码器可将它嵌入在图像中且解码器随后可从图像中将其提取出来。于是，还存在将水印信息嵌入图像之前的水印信息的未编码形式。一旦嵌入到图像中，通过采用根据本发明的一个或多个实施例的方法的解码器，水印信息可逆地完整恢复出来。

本发明还使用的术语解释为如下：

差值扩展：计算两像素之间的差值，利用差值进行信息嵌入的扩展应用。

等最大值像素：图像类块内像素按灰度值排序后，有多个大小相同，且数值最大的像素。

等极大值像素：图像类块内的最大值像素，对整个图像而言，称为等极大值像素。

次最大值像素：图像类块内像素按灰度值排序后，比最大值小的最大像素。

次极大值像素：图像类块内的次最大值像素，对整个图像而言，称为次极大值像素。

下面通过实施例，对以上术语和本发明的技术方案做进一步的详细描述。

一种可逆数据隐藏方法，包括预处理步骤，标识步骤，嵌入水印信息步骤以及嵌入辅助信息步骤。

预处理步骤，将将原始像素域图像进行分块并按块内灰度值进行排序。

预处理步骤包括：块与排序。块就是将原始图像分成个大小相同但互不重叠的块。原始图像分成大小相同但互不重叠的块n₁×n₂，并对块内像素按灰度值进行升序排序。

排序就是对块内像素按灰度值进行排序。该块内像素按灰度值排序方式为升序或降序。

预处理步骤还包括溢出块识别和全平滑块识别。其中，溢出块识别主要是建立溢出像素位置图，将像素0和255分别调整为1和254。全平滑块识别是指块中所有像素的灰度值相同，建立全平滑块位置图。在全平滑识别中，全平滑块中的如上此类像素(像素0和255)保持不变，仅用平滑块位置图进行标识。遇到此类块不再做进一步分析，整块像素值保持不变。

基像素位置图是指扫描块类型时，遇到特定类块，则标识出次极大基像素和次极小基像素，建立基像素位置图，便于在后续的嵌入、提取和恢复环节实现信息的可逆操作。

上述三种位置图，存在此类情况即标识为“1”，否则标识为“0”。各位置图建立后，便采用无损压缩来减少其尺寸。

该标识步骤，将排序后的序列进行检测、识别并标识特征类块。该特征类块包括：k₁类块、k₂类块以及混合k类块。

该极小灰度值像素数量为1，等值极大灰度值数量1<n_p-max≤n-1，称为k₁类块，其中k₁＝n_p-max，记为

c(k₁)＝1<k₁≤n-1(5)

该极大灰度值像素数量为1，等值极小灰度值数量1<n_p-min≤n-1，称为k₂类块，其中k₂＝n_p-min，记为

c(k₂)＝1<k₂≤n-1(6)

该等值极大灰度值像素数量1<n_p-max≤n-1，等值极小灰度值数量1<n_p-min≤n-1，称为混合k类块，其中k₁＝n_p-max，k₂＝n_p-min，且k₁+k₂≤n-1，记为

$c(k_1,k_2)=\left\{\begin{array}{c}1<k_1\&le;n-1\\ 1<k_2\&le;n-1\\ k_1+k_2\&le;n-1\end{array}\right.---\left(7\right)$

该块像素的灰度值按大小顺序排序，次极大值称为次极大基p^s _b-max，相应像素称为次极大基像素p_b-max；次最小值称为次极小基p^s _b-min，相应像素称为次极小基像素p_b-min。

综上所述，除等灰度值块外，k₁类块中只有p_b-max，灰度值为k₂类块中只有p_b-min，灰度值为混合k类块和非k类块中则既有p_b-max也有p_b-min，而且有可能p^s _b-max＝p^s _b-min。

如图4所示，图4为本发明的可逆数据隐藏方法中嵌入水印信息的步骤图。本实施例中只分析等极大值嵌入的情形。从图4中可以看出，第1个块，Label_k＝0，表示这不是一个k类块，适用第一种方法的，此时，e_max＝163-162＝1，可以在最大灰度163像素处嵌入信息，此处b＝0，因此，而e_min＝157-158＝-1，可以在最小灰度157像素处嵌入信息，此处b＝1，因此，

第2，3，4个块，表示这些都是k₁类块，适用PVO-kAdaptive的嵌入规则。第2块中，k₁＝2，在的p_b-max像素处标记位置图 ${\mathrm{Label}}_{k_1}=1,$ 大小保持不变，而 ${e^k}_{max}={p^s}_{n-k_1+1}-{p^s}_{n-k_1}={p^s}_5-{p^s}_4=162-161=1,$ 因此在eq(k₁)＝{n-k₁+1,n-k₁+2,...,n}＝{5,6}等位置的像素嵌入信息比特，此处b₅＝0，b₆＝1，执行 ${\tilde{p}}_{eq\left(k_1\right)}^s={p^s}_{eq\left(k_1\right)}+b,$ 得到 ${\tilde{p}}_5^s={p^s}_5+b=162+0=162,$ ${\tilde{p}}_6^s={p^s}_6+b=162+1=163.$ 第3块中，k₁＝2，在 ${p^s}_{b-max}={p^s}_{n-k_1}={p^s}_4=160$ 的p_b-max像素处标记位置图大小保持不变，而 ${e^k}_{\max }={p^s}_{n-k_1+1}-{p^s}_{n-k_1}={p^s}_5-{p^s}_4=162-160=2>1,$ 因此将eq(k₁)＝{n-k₁+1,n-k₁+2,...,n}＝{5,6}等位置的像素向右移位，执行 ${\tilde{p}}_{eq\left(k_1\right)}^s={p^s}_{eq\left(k_1\right)}+1,$ 得到 ${\tilde{p}}_5^s={p^s}_5+1=162+1=163,{\tilde{p}}_6^s={p^s}_6+1=162+1=163.$ 第4块中，k₁＝4，在的p_b-max像素处标记位置图大小保持不变，而 ${e^k}_{\max }={p^s}_{n-k_1+1}-{p^s}_{n-k_1}={p^s}_3-{p^s}_2=160-159=1,$ 因此在eq(k₁)＝{n-k₁+1,n-k₁+2,...,n}＝{3,4,5,6}等位置的像素嵌入信息比特，此处b₃＝0，b₄＝1，b₅＝1，b₆＝0，执行 ${\tilde{p}}_{eq\left(k_1\right)}^s={p^s}_{eq\left(k_1\right)}+b,$ 得到 ${\tilde{p}}_3^s={p^s}_3+b=160+0=160,$ ${\tilde{p}}_4^s={p^s}_4+b=160+1=161,{\tilde{p}}_5^s={p^s}_5+b=160+1=161,{\tilde{p}}_6^s={p^s}_6+b=160+0=160.$

需要注意的是，第2，3，4块中的157像素无论其相邻像素大小，始终保持不变，这与第一嵌入方法的嵌入条件是不同的。因此第二嵌入方法与第一嵌入方法并行运行，互不干扰。

上述过程是以k₁类块举例说明的，k₂类块方法类似，特点相同。不难发现，本发明的第二嵌入方法与第一嵌入方法是独立进行的，互不影响，大大简化了数据处理复杂度。当然，此时牺牲了部分k类块中的单极值像素，本来可用第一嵌入方法嵌入，但却因为判定为特征类块而无法携带信息比特，损失了部分嵌入容量。实际上，因为特征类块中有k>1比特的像素可利用，并且可以顺序嵌入，因此总体容量并没有降低，反而提高了。

从信息比特嵌入带来的平均干扰来看，k类块的均方误差为

$\begin{array}{c}{\mathrm{MSE}}_k=\frac{1}{n_1\&times;n_2}\underset{i_k=1}{\overset{n_1}{\&Sigma;}}{\underset{j_k=1}{\overset{n_2}{\&Sigma;}}\left|\right|I_k(i_k,j_k)-I_k^e(i_k,j_k)\left|\right|}^2\\ =\frac{1}{n}\underset{i=1}{\overset{n}{\&Sigma;}}{(p_i-p_i^e)}^2\\ =\frac{1}{n}(\underset{i=1}{\overset{k_2}{\&Sigma;}}{\left(p_i-p_i^e\right)}^2+\underset{i=n-k_1+1}{\overset{n}{\&Sigma;}}{\left(p_i-p_i^e\right)}^2)\end{array}---\left(8\right)$

而

$\underset{i=1}{\overset{k_2}{\&Sigma;}}{(p_i-{p^e}_i)}^2=\left\{\begin{array}{cc}{k}_2/2& \begin{array}{cc}if& {e^k}_{\min }=1\end{array}\\ k_2& \begin{array}{cc}if& {e^k}_{\min }>1\end{array}\end{array}\right.---\left(9\right)$

$\underset{i=n-k_1+1}{\overset{n}{\&Sigma;}}{(p_i-{p^e}_i)}^2=\left\{\begin{array}{cc}{k}_1/2& \begin{array}{cc}if& {e^k}_{\max }=1\end{array}\\ k_1& \begin{array}{cc}if& {e^k}_{\max }>1\end{array}\end{array}\right.---\left(10\right)$

因而，k₁类块的嵌入干扰

${\mathrm{MSE}}_{k_1}=\left\{\begin{array}{cc}{k}_1/2n& \begin{array}{cc}if& {e^k}_{\max }=1\end{array}\\ k_1/n& \begin{array}{cc}if& {e^k}_{\max }>1\end{array}\end{array}\right.---\left(11\right)$

k₂类块的嵌入干扰

${\mathrm{MSE}}_{k2}=\left\{\begin{array}{cc}{k}_2/2n& \begin{array}{cc}if& {e^k}_{\min }=1\end{array}\\ k_2/n& \begin{array}{cc}if& {e^k}_{\min }>1\end{array}\end{array}\right.---\left(12\right)$

混合k类块的嵌入干扰

${\mathrm{MSE}}_{k_h}=\left\{\begin{array}{cc}(k_1+k_2)/2n& \begin{array}{cc}if& {e^k}_{\max }=1and{e^k}_{min}=1\end{array}\\ (k_1/2+k_2)/n& \begin{array}{cc}if& {e^k}_{\max }=1and{e^k}_{min}>1\end{array}\\ (k_1+k_2)/2n& \begin{array}{cc}if& {e^k}_{\max }>1and{e^k}_{min}=1\end{array}\\ (k_1+k_2)/n& \begin{array}{cc}if& {e^k}_{\max }>1and{e^k}_{min}>1\end{array}\end{array}\right.---\left(13\right)$

如上所述，嵌入灵活度和实用性较有了很大提升，使得各等值极值可以根据需要携带信息比特，同时嵌入质量也获得了增强。

该嵌入水印信息步骤对特征类块通过第二嵌入方法嵌入水印信息。该嵌入水印信息步骤中第二嵌入方法包括：确定次极大值：标识特征类块中的次极大值像素位置为1，形成次极大值像素位置图；计算预测差值：计算特征类块中极大值与次极大值的差值；嵌入水印信息：当差值等于1，则执行将水印数据的二进制码叠加到该多极值序列上。

具体来说，识别特征类块，根据第二嵌入方法进行嵌入信息。该特征类块包括：k₁类块、k₂类块以及混合k类块。在寻找到特征类块后，根据升序排列后的块像素灰度值，获取序列的极大值和极小值大小、个数以及位置，以及次极大值和次极小值的大小和位置，根据三种类块进行信息比特嵌入。

第一类块，即为k₁类块。只有若干极大值像素有可能被修改。标记i∈{1,2,...,n}， ${e^k}_{max}={p^s}_{n-k_1+1}-{p^s}_{n-k_1},$ 则有

${\tilde{p}}_i^s=\left\{\begin{array}{cc}{p^s}_i& \begin{array}{cc}if& 1\&le;i\&le;n-k_1\end{array}\\ {p^s}_i+b& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{e^k}_{max}=1\end{array}\\ {p^s}_i+1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{e^k}_{max}>1\end{array}\end{array}\right.---\left(14\right)$

此处，e^k _max是极大值的预测误差，b∈{0,1}是要嵌入的信息比特。很明显，只有最大值预测误差为1时才执行信息嵌入。

第二类块，即为k₂类块。只有若干极小值像素有可能被修改。标记i∈{1,2,...,n}， ${e^k}_{\min }={p^s}_{k_2}-{p^s}_{k_2+1},$ 则有

${\tilde{p}}_i^s=\left\{\begin{array}{cc}{p^s}_i& \begin{array}{cc}if& k_2+1\&le;i\&le;n\end{array}\\ {p^s}_i-b& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{e^k}_{\min }=-1\end{array}\\ {p^s}_i-1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{e^k}_{\min }<-1\end{array}\end{array}\right.---\left(15\right)$

此处，e^k _min是极小值的预测误差，b∈{0,1}是要嵌入的信息比特。很明显，只有最小值预测误差为1时才执行信息嵌入。

第三类块，即为混合k类块。既有若干极大值像素有可能被修改，也有若干极小值像素有可能被修改。标记i∈{1,2,...,n}，e^k _max和e^k _min分别与k₁类块和k₂类块相同，则有

${\tilde{p}}_i^s=\left\{\begin{array}{cc}{p^s}_i& \begin{array}{cc}if& k_2+1\&le;i\&le;n-k_1\end{array}\\ {p^s}_i+b& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{e^k}_{\max }=1\end{array}\\ {p^s}_i\mathrm{+1}& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{e^k}_{\max }>1\end{array}\\ {p^s}_i-b& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{e^k}_{\min }=-1\end{array}\\ {p^s}_i-1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{e^k}_{\min }<-1\end{array}\end{array}\right.---\left(16\right)$

此处，b∈{0,1}是要嵌入的信息比特。很明显，只有极大值误差为1和极小值预测误差为-1时才执行信息嵌入。

该嵌入辅助信息步骤，嵌入相应的辅助信息。该嵌入辅助信息步骤包括：替换最低有效位：计算辅助信息长度，提取图像的前与辅助信息相同长度个数像素的最低有效位，并用辅助信息进行替换；嵌入最低有效位：将提取到的最低有效位序列嵌入到数据最后嵌入子块以后的像素中。

该嵌入辅助信息步骤中的辅助信息包括：位置图以及辅助信息标识。该嵌入辅助信息步骤中的位置图包括溢出像素位置图，全平滑块位置图以及基像素位置图。该嵌入辅助信息步骤中的辅助信息标识包括净荷容量、块大小、压缩后的位置图尺寸、最后嵌入块索引以及最后嵌入像素索引。

具体来说，辅助信息主要是指嵌入容量，块大小，溢出像素位置图和最后嵌入块索引。特征类块专用辅助信息则包括全平滑块位置图，基像素位置图和最后嵌入像素索引。

综上所述，嵌入的总信息可标识为水印净荷(PWP)+位置图(LM)+辅助信息标识(All)，其中位置图包括溢出像素位置图，全平滑块位置图和基像素位置图；对图像尺寸512*512的图像而言，辅助信息标识(All)有112bits，包括

净荷容量(18bits)；

块大小n1*n2(4bits)；

压缩后的位置图尺寸54bits；

最后嵌入块索引(18bits)；

最后嵌入像素索引(18bits)。

本发明与第一嵌入方法、以及两种现有技术进行对比方法。采用MatlabR2013a平台，64位Windows7旗舰版操作系统，Intel(R)Core(TM)i7-2600CPU，主频3.40Hz，内存4.00GB环境进行定负荷嵌入实验仿真。考虑n₁,n₂∈{2,3,4,5}等共16种不同块方式，以保真度提升为目标确定块大小以获得最高的PSNR值。

为便于比对，本发明选用相同的测试图片，主要包括Lena，Baboon，Airplane，Barbara，Elaine，Lake，Boat和Peppers八幅512*512分辨率的标准灰度图片的比较结果。本发明的方法主要是通过最多修改某像素灰度值1个单位来嵌入信息比特，着力提升嵌入质量。此处，对比考查嵌入5000bits到最大嵌入容量时的PSNR值，步长设定为1000bits。这八幅图像的最大嵌入容量依次为37000，13000，47000，21000，23000，26000，26000和31000bits。

如图5所示，其中，图5为本发明的可逆数据隐藏方法与其他三种方法的对比图，其中，图5a为Lena图片为例的对比图，5b为Baboon图片为例的对比图，5c为Airplane图片为例的对比图，5d为Barbara图片为例的对比图，5e为Elaine图片为例的对比图，5f为Lake图片为例的对比图，图5g为Boat图片为例的对比图，图5h为Peppers图片为例的对比图。在图上第一对比方法简称为“Sachnevetal”。第二对比方法简称为“Lietal.”，也就是第一嵌入方法。第三对比方法简称为Ouetal.)。本发明简称为“Proposed”。

从图5可以看出，与第三对比方法相比，二者性能比较接近。在Lena和Airplane两幅图片的低嵌入率处，性能较低，但中高嵌入率部分则有比较明显改善，这是因为低嵌入率处，第三对比方法采用了门限优选策略，而本方法则由于位置图占比大造成了较高干扰；在Baboon和Barbara图片中，性能稍低，这是因为这两幅图片纹理层次复杂，而第三对比方法执行了整体嵌入，且配合了门限优选策略。Elaine，Lake，Boat和Peppers四幅图片中性能则提升很多，这说明本方法在中高嵌入率应用中有更优秀的保真度表现。参考表1和表2，本发明的方法对应10000bits嵌入比第三对比方法的方法平均提升了0.66dB，对应20000bits嵌入提升了1.13dB。

表1

表2

从上面表1与表2可以看出，在给定嵌入负荷的绝大多数情况下，本发明提出的方法都能获得更高的PSNR值。

比较第一对比方法而言，本发明提出的方法在大多数情形下都取得了更好表现，但在接近最大容量时，性能不相上下。参考表1和表2，本发明的方法对应10000bits嵌入比第一对比方法的方法平均提升了2.91dB，对应20000bits嵌入提升了2.73dB。

比较而言，对应所有测试图片，本发明提出的方法都获得了更好性能。参考表1和表2，本发明的方法对应10000bits嵌入比第二对比方法的方法平均提升了1.53dB，对应20000bits嵌入提升了2.02dB。

总体而言，本发明的方法取得了不错的性能，嵌入灵活度和实用性较有了很大提升，使得各等值极值可以根据需要携带信息比特，同时嵌入质量也获得了增强。

本发明还提供一种信息提取与图像恢复方法。由于本发明有效做到了第一嵌入方法与第二嵌入方法的无缝融合，在恢复的时候第一嵌入方法与第二二嵌入方法是独立进行的，发现有采用第一嵌入方法的图像部分，则用第一嵌入方法的提取与图像恢复，由于是现有技术，不再累述。在发现特征类块的采用第二嵌入方法的的信息提取与图像恢复过程。

具体来说，该特征类块包括：k₁类块、k₂类块以及混合k类块，下面根据类块的不同来进行恢复。

当识别出k₁类块时，此情况下，i∈{1,2,...,n}，提取的信息比特为

$b={\tilde{p}}_i^s-({p^s}_{n-k_1}+1)---\left(17\right)$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& 1\&le;i\&le;n-k_1\end{array}\\ {\tilde{p}}_i^s-b& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{max}^k\&Element;\{1,2\}\end{array}\\ {\tilde{p}}_i^s-1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{max}^k>2\end{array}\end{array}\right.---\left(18\right)$

此处，是极大值的预测误差。很明显，对嵌入信息比特的像素而言，利用公式【17】提取的信息比特b是以次极大基为基础来衡量的，因此恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1---\left(19\right)$

也就是说，恢复的图像灰度值完全由次极大基p_sb-max来决定。而和则分别标识了b＝0和b＝1。

当设别出k₂类块时，此情况下，i∈{1,2,...,n}，提取的信息比特为

$b=({p^s}_{k_2}-1)-{\tilde{p}}_i^s---\left(20\right)$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& k_2+1\&le;i\&le;n\end{array}\\ {\tilde{p}}_i^s+b& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\{-1,-2\}\end{array}\\ {\tilde{p}}_i^s+1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\end{array}\right.---\left(21\right)$

此处，是极小值的预测误差。很明显，对嵌入信息比特的像素而言，利用公式【20】提取的信息比特b是以次极小基p^s _b-max为基础来衡量的，因此恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s+b={\tilde{p}}_i^s+\left(\right({p^s}_{k_2}-1)-{\tilde{p}}_i^s)={p^s}_{k_2}-1---\left(22\right)$

也就是说，恢复的图像灰度值完全由次极小基p^s _b-min来决定。而和则分别标识了b＝0和b＝1。

当识别出混合k类块，此情况下，i∈{1,2,...,n}， 等值极大值处提取的信息比特为

$b_1={\tilde{p}}_i^s-({p^s}_{n-k_1}+1)---\left(23\right)$

等值极小值处提取的信息比特为

$b_2=({p^s}_{k_2}-1)-{\tilde{p}}_i^s---\left(24\right)$

图像恢复策略为，

${p^s}_i=\left\{\begin{array}{cc}{\tilde{p}}_i^s& \begin{array}{cc}if& k_2+1\&le;i\&le;n-k_1\end{array}\\ {\tilde{p}}_i^s-b_1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k\&Element;\{1,2\}\end{array}\\ {\tilde{p}}_i^s-1& \begin{array}{cc}if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k>2\end{array}\\ {\tilde{p}}_i^s+b_2& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\{-1,-2\}\end{array}\\ {\tilde{p}}_i^s+1& \begin{array}{cc}if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\end{array}\right.---\left(25\right)$

此处，和分别是极大值和极小值的预测误差。很明显，对嵌入信息比特的像素而言，利用公式【23】提取的信息比特b₁是以次极大基p^s _b-max为基础来衡量的，因此恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1---\left(26\right)$

也就是说，恢复的图像灰度值完全由次极大基p^s _b-max来决定。而和则分别标识了b＝0和b＝1。

利用公式【23】提取的信息比特b₂是以次极小基p^s _b-min为基础来衡量的，因此恢复的图像灰度值为

${p^s}_i={\tilde{p}}_i^s+b_2={\tilde{p}}_i^s+\left(\right({p^s}_{k_2}-1)-{\tilde{p}}_i^s)={p^s}_{k_2}-1---\left(27\right)$

也就是说，恢复的图像灰度值完全由次极小基p^s _b-min来决定。而和则分别标识了b＝0和b＝1。

本发明还可以在windows与Linux等系统上实施。本发明实施例是参照根据本发明实施例的方法、终端设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

此类计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

此类计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者终端设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者终端设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者终端设备中还存在另外的相同要素。

以上对本发明实施例所提供的一种同步方法与同步系统，进行了详细介绍，本文中应用了具体个例对本发明实施例的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明实施例的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明实施例的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明实施例的限制。

Claims (10)

1.一种可逆数据隐藏的恢复方法，其特征在于，包括：

读取辅助信息步骤，接收到嵌入水印信息的图像后，读取获得完整的辅助信息，该辅助信息包括位置图以及辅助信息标识；

预处理步骤，将嵌入水印信息的图像进行分块并按块内灰度值进行排序；

标识步骤，将排序后的序列进行检测、识别并标识特征类块；

处理步骤，从位置图中解压缩出次极大值像素位置图，确定各块位置图，识别块类型；确定次极大值像素：根据解压缩的次极大值像素位置图，确定各块的次极大值像素，称为次极大基像素；计算次极大基像素灰度值大的像素与次极大基像素的差，差为1提取水印信息0，像素灰度值不变；差为2提取水印信息1，像素灰度值减1；差大于2则标识无嵌入信息，像素灰度值不变；从数据最后嵌入块以后的像素中提取嵌入的最低有效位序列，并替换到辅助信息占用的像素中；

提取水印信息与恢复图像步骤，重复标识步骤与处理步骤，依次处理各个块并提取水印信息并恢复块内各最大像素灰度值，得到原始图像。

2.根据权利要求1所述的恢复方法，其特征在于，该辅助信息标识包括净荷容量、块大小、压缩后的位置图尺寸、最后嵌入块索引以及最后嵌入像素索引。

3.根据权利要求1所述的恢复方法，其特征在于，该位置图包括溢出像素位置图、全平滑块位置图以及基像素位置图。

4.根据权利要求1所述的恢复方法，其特征在于，该特征类块包括：k₁类块、k₂类块以及混合k类块。

5.根据权利要求4所述的恢复方法，其特征在于，该k₁类块为极小灰度值像素数量为1，等值极大灰度值数量1<n_p-max≤n-1，其中k₁＝n_p-max且1<k₁≤n-1。

6.根据权利要求5所述的恢复方法，其特征在于，当识别出k₁类块时，此情况下，i∈{1,2,...,n}，提取的信息比特为：

$b={\tilde{p}}_i^s-({p^s}_{n-k_1}+1),$

图像恢复策略为：

${p^s}_i=\left\{\begin{array}{ccc}{\tilde{p}}_i^s& if& 1\&le;i\&le;n-k_1\\ {\tilde{p}}_i^s-b& if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k\&Element;\left\{1,2\right\}\\ {\tilde{p}}_i^s-1& if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k>2\end{array}\right.$

恢复的图像灰度值为：

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1.$

7.根据权利要求4所述的恢复方法，其特征在于，该k₂类块为极大灰度值像素数量为1，等值极小灰度值数量1<n_p-min≤n-1，其中k₂＝n_p-min且1<k₂≤n-1。。

8.根据权利要求7所述的恢复方法，其特征在于，当识别出k₂类块时，此情况下，i∈{1,2,...,n}，提取的信息比特为：

$b=({p^s}_{k_2}-1)-{\tilde{p}}_i^s$

图像恢复策略为：

${p^s}_i=\left\{\begin{array}{ccc}{\tilde{p}}_i^s& if& k_2+1\&le;i\&le;n\\ {\tilde{p}}_i^s+b& if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\left\{-1,-2\right\}\\ {\tilde{p}}_i^s+1& if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\right.$

恢复的图像灰度值为：

${p^s}_i={\tilde{p}}_i^s+b={\tilde{p}}_i^s+\left(\right({p^s}_{k_2}-1)-{\tilde{p}}_i^s)={p^s}_{k_2}-1.$

9.根据权利要求4所述的恢复方法，其特征在于，该混合k类块为等值极大灰度值像素数量1<n_p-max≤n-1，等值极小灰度值数量1<n_p-min≤n-1，其中k₁＝n_p-max，k₂＝n_p-min，且k₁+k₂≤n-1。

10.根据权利要求9所述的恢复方法，其特征在于，当识别出混合k类块，此情况下，i∈{1,2,...,n}， ${\tilde{e}}_{max}^k={\tilde{p}}_{n-k_1+1}^s-{p^s}_{n-k_1},{\tilde{e}}_{min}^k={\tilde{p}}_{k_2}^s-{p^s}_{k_2+1},$ 等值极大值处提取的信息比特为：

$b_1={\tilde{p}}_i^s-({p^s}_{n-k_1}+1)$

等值极小值处提取的信息比特为：

$b_2=({p^s}_{k_2}-1)-{\tilde{p}}_i^s$

图像恢复策略为：

${p^s}_i=\left\{\begin{array}{ccc}{\tilde{p}}_i^s& if& k_2+1\&le;i\&le;n-k_1\\ {\tilde{p}}_i^s-b_1& if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k\&Element;\left\{1,2\right\}\\ {\tilde{p}}_i^s-1& if& n-k_1+1\&le;i\&le;nand{\tilde{e}}_{\max }^k>2\\ {\tilde{p}}_i^s+b_2& if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k\&Element;\left\{-1,-2\right\}\\ {\tilde{p}}_i^s+1& if& 1\&le;i\&le;k_{2}and{\tilde{e}}_{\min }^k<-2\end{array}\right.$

恢复的图像灰度值为：

${p^s}_i={\tilde{p}}_i^s-b={\tilde{p}}_i^s-({\tilde{p}}_i^s-({p^s}_{n-k_1}+1\left)\right)={p^s}_{n-k_1}+1.$