CN105956990A - 一种通用型大容量图像无损信息隐藏算法 - Google Patents

Abstract

本发明提供了一种通用型大容量图像无损信息隐藏算法，设计了一个二进制数绝对值模可逆运算模型，利用该模型，并借助载体图像相邻像素点的位置关系，结合混沌系统，实现了秘密的嵌入，单次嵌入率可达到1bit/pixel，且载体图像灰度值的最大修改值为1。若记该方法为：“单次1bpp嵌入法”，那么在目前认为图像峰值信噪比不小于30dB就是可接受的前提下，还可推广到“单次2bpp嵌入法”、“单次3bpp嵌入法”、“单次4bpp嵌入法”等，这些在嵌入容量和隐蔽性上均有较大优势。特别是采用N重“单次1bpp嵌入法”时，总的嵌入率可达到N bit/pixel，对载体的最大修改值依然为1，对载体图像的峰值信噪比影响依然极小，整个算法通用性强，灵活性大，适用面广，嵌入率高，隐蔽性好，安全性高。

Description

一种通用型大容量图像无损信息隐藏算法

技术领域

本发明属于信息隐蔽技术领域，特别涉及一种通用型大容量图像无损信息隐藏算法。

背景技术

信息隐藏技术作为信息安全的一种重要技术，在隐密通信、安全认证、版权保护等领域有着传统密码所不能比拟的独特优势。随着数字图像分辨率的增加，数字图像越来越大，如将数据隐藏于数字图像，则总趋势是隐藏量越来越大。信息隐藏可分为有损信息隐藏和无损信息隐藏，无损信息隐藏在秘密信息无损提取后还能正确恢复原始图像，是一种重要的信息隐藏类型。目前已有的可逆信息隐藏算法主要有：基于频域、图像压缩、算术取模运算、差值扩展、直方图移位等等，嵌入率。这些技术大多数在在容量小，隐蔽性差，且对于不同的载体图象嵌入的容量相差也较大等许多问题。

发明内容

本发明提供了一种通用型大容量图像无损信息隐藏算法，设计了一个二进制数绝对值模可逆运算模型，利用该模型，并借助载体图像相邻像素点的位置关系，结合混沌系统，实现了秘密的嵌入。其最大优势是：单次嵌入率就可达到1bit/pixel，且载体图像灰度值的最大修改值为1，对载体图像的峰值信噪比影响极小，算法嵌入量大，隐蔽性好，且秘密信息的嵌入和提取均不产生任何附加信息，也无数据溢出，若记该方法为：“单次1bpp嵌入法”。那么在目前认为图像峰值信噪比不小于30dB就是可接受的前提下，还可推广到“单次2bpp嵌入法”、“单次3bpp嵌入法”、“单次4bpp嵌入法”等，这些在嵌入容量和隐蔽性上均有较大优势。特别是采用N重“单次1bpp嵌入法”时，总的嵌入率可达到N bit/pixel，对载体的最大修改值依然为1，对载体图像的峰值信噪比影响依然极小，整个算法通用性强，灵活性大，适用面广，嵌入率高，隐蔽性好，安全性高。

本发明的技术方案是：

1、一种通用型大容量图像无损信息隐藏算法，其特征在于，包括以下步骤：

1)秘密信息的嵌入过程：

Step1：将载体图像记为A，其图像大小记为m×n，图像中各像素点的像素值记为A_ij，(1≤i≤m，1≤j≤n)；

Step2：将载体图像A的8个位平面从最高有效位(MSB)到最低有效位(LSB)依次记为A₇，A₆，…，A₀；

Step3：顺次读取载体图像A的像素值，利用公式P_ij＝A_ijmod 2，(1≤i≤m，1≤j≤n)得到载体图像A的最低有效位A₀的平面值P_ij；

并将最低有效位平面A₀中各元素的值记为P_ij，P_ij∈{0，1}；

Step4：将待隐藏的秘密信息W转化为二进制序列W_k(k≤m×n)；

Step5：构造一个二进制的随机序列Q，利用Logistic映射公式x_k+1＝μx_k(1-x_k)，以及(i＝1，2，3…)生成有效混沌序列Q_t，(t≥m×n)；

式中：0≤μ≤4，x_k∈(0，1)，且3.569945≤μ≤4序，列x_i从第100个值开始取值，记为X_i＝x_(i+100)；

Step6：构造一个二进制数绝对值模可逆运算模型，假设有a，b，c，d四个二进制数，即：a，b，c，d∈{0，1}，如果有：|(a+b+c)|mod 2＝d，则有下列关系式成立：

a＝(|d-b-c|)mod 2

b＝(|d-a-c|)mod 2

c＝(|d-a-b|)mod 2

Step7：令P′_(i，0)＝P_(i，n)，确定出初值P′_(i，0)；

Step8：从载体图像A的像素值A₁₁开始，将P_ij、W_i、Q_i分别看作Step4所述的二进制数绝对值模可逆运算模型中的a、b、c，套用Step4所述的二进制数绝对值模可逆运算模型：

$\left\{\begin{array}{c}{P}_{(i,0)}^{\′}=P_{(i,n)}\\ P_{(i,j)}^{\′}=\left|P_{(i,j-1)}^{\′}+W_{(i+(j-1)\×m)}+Q_{(i+(j-1)\×m)}\right|\mathrm{mod}2\end{array}\right.$

依次进行计算，得出所有的P′_(i，j)；

Step9：将所有计算出的P′_(i，j)值，顺次与该像素点其余7个位平面进行重组，并将其还原成m×n大小的图像，得到含秘图像B，实现秘密信息对载体图像A最低有效位平面A₀进行一轮嵌入，因其最终可在每个像素中嵌入一位秘密信息，即1bit/pixel，简称为“单次1bpp嵌入”；

2)秘信息的提取过程：

Step10：输入μ和x₀的初值，通过Step3所述公式x_k+1＝μx_k(1-x_k)和(i＝1，2，3…)计算出Q_i值；

Step11：读取含秘图像B的最后两列P′_(i，n)和P′_(i，n-1)，计算出P_(i，n)，下式：

P_(i，n)＝|P′_(i，n)-P′_(i，n-1)-Q_(i+(n-1)×m)|mod 2

Step12：令P′_(i，0)＝P_(i，n)，根据二进制数绝对值模可逆运算模型原理，利用下公式式：

W_(i+(j-1)×m)＝|P′_(i，j)-P′_(i，j-1)-Q_(i+(j-1)×m)|mod 2

Step13：顺次将计算出的W_i二进制序列，还原为秘密信息的原始文件类型，还原出秘密信息；

3)载体图像的还原：

Step14：从含秘图像B的最后一列P_(i，j)开始，由下面的公式可得出：

$\left\{\begin{array}{c}{P}_{(i,j)}=\left|P_{(i,j)}^{\′}-P_{(i,j-1)}^{\′}-Q_{(i+(j-1)\×m)}\right|\mathrm{mod}2\\ P_{(i,0)}^{\′}=P_{(i,n)}\end{array}\right.$

Step15：将计算机出的P_(i，j)与该像素点其余7个位平面重新进行结合，还原出载体图像A。

上述一种通用型大容量图像无损信息隐藏算法，如果分别用有效位A₁、A₂、A₃、A₄替换有效位A₀，重复上述步骤Step3-Step9，分别完成“单次2bpp嵌入”、“单次3bpp嵌入”、“单次4bpp嵌入”。

上述一种通用型大容量图像无损信息隐藏算法，如果重复N次上述步骤Step3-Step9，完成“N重1bpp嵌入”，所述N为正整。

本发明与现有技术相比的有效效果是：

(1)本发明算法在嵌入容量上有绝对优势。对于任何载体图像，利用本发明算法，仅在最低有效位进行单次秘密信息嵌入，嵌入率就可达到1bpp，而现有文献在保证峰值信噪比(Peak Signal to Noise Ratio，PSNR)维持在30dB以上的前提下，少有嵌入率能接近1bpp的。更重要的是，本发明算法也可在最低两位同时嵌入秘密信息，即“单次2bpp嵌入”，此时对载体图像像素点的最大修改值为3，同样“单次3bpp嵌入”的最大修改值为7，而按照人类的视觉敏感度的特点，以及现有的研究结果看，对图像像素值修改8个单位，是完全可接受的，那也就预示着采用“单次3bpp嵌入”时可嵌入容量达到3×m×n。大多数的无损信息隐藏算法均可多重嵌入，如果多重嵌入则嵌入率会更高，若采用“N重单次1bpp嵌入”方法时，修改的也只是最低有效位，对图像的质量影响很小，而此时的容量可达到N×m×n，嵌入率达到N bit/pixel。而现有技术的多重嵌入率远远达不到这样的结果。不难看出，本发明算法在嵌入容量和嵌入率上均有优势。

(2)本发明算法所得的含秘图像质量好。峰值信噪比(PSNR)是一种常用来评价图像品质的标准。按现有的衡量标准认为，PSNR值越大，含秘图像质量越好；反之，PSNR值越低，图像质量越差。一般来说随着秘密信息的不断嵌入，图像的PSNR值会逐步下降，当PSNR值低于30dB时，就会有明显失真，很容易被人眼发现，因此秘密信息在嵌入时最低限度要求PSNR值至少在30dB以上。本发明算法在单次嵌入率为1bpp时，PSNR值很大，说明含秘图象质量很好，在单次2bpp、3bpp时效果也比较好，到达单次4bpp时PSNR值降到30dB附近，已达到最低点，也就是本文算法在单次嵌入小于4bpp时，效果均比较好，而采用1bpp多重嵌入时，对图像的PSNR值几乎没有影响，但嵌入量却成倍增长，对于一些图像甚至嵌入重数越多，PSNR值反而越大，含秘图象质量越好。

(3)本发明算法所得的含秘图像隐蔽性好、安全性高。本发明算法引入了混沌序列，使得秘密信息嵌入时，不仅仅依赖于图像自身前后像素点的关联性，增加了含秘图像像素值的可能性，加大了破解难度，提高了算法的安全性在秘密信息的嵌入过程中，对图像的修改均为最低有效位，因此对图像的最大修改值为1，这个变化也是所有信息隐藏算法中修改量最小的，隐蔽性是最好的；秘密信息嵌入时，利用了前后像素点的位置关联，随机生成n个不重复整数作为图像列的编号，然后按照该编号生成的顺序，建立前后列之间位置的关联，再进行秘密信息的嵌入，安全性会更高。

相关述语的定义与说明

Logistic映射：混沌系统是一种较为复杂的非线性动力系统，而混沌现象是在非线性动力系统中出现的一种类似随机的过程，Logistic映射是其中一类被大家广泛应用的动力系统，其定义为：

x_k+1＝μx_k(1-x_k)

式中：0≤μ≤4称为分支参数，当x_k∈(0，1)且3.569 945≤μ≤4时，Logistic映射工作于混沌状态，产生的x_i∈[0，1]，且该混沌序列具有以下优点：(1)确定性和伪随机性；(2)既非周期又不收敛；(3)对初值的敏感性；(4)不可预测性；(5)序列的产生速度快，如果在计算的精度足够大的情形下，初值的敏感性可达到10^-15以上，但该随机序列在起始阶段随机性还不够好，为了保证序列具有更好的随机性，在使用时将从序列x_i的第100个值开始取值，记：X_i＝x_(i+100)

图像位平面：一幅数字图像可以用一个二维矩阵来表示，矩阵的元素代表像素点的灰度值，而由图像中每个像素点颜色值的某一位共同构成的一个新的二值图像称为该图像的一个位平面，一般定义从图像的第0个位平面到第7个位平面依次为最低位平面到最高位平面，相应的位被称为最低有效位LSB(LeastSignificant bits)或、最高有效位MSB(Most Significant bits)，在信息嵌入时，修改不同的位平面值对图像的影响不同，选择的位平面越低，对图像的改动越小。

单次1bpp嵌入：每一次将密信息嵌入到载体图像最低有效位时，每个像素最终可中嵌入一位秘密信息，即1bpp(bit per pixel)，简称为“单次1bpp嵌入”，表示平均每个像素嵌入的位数(bit)。bpp越大，表示单位像素嵌入率越高，总的嵌入量也就越大。如果选择最低两位嵌入，则最终可实现2bpp，类似地称为“单次2bpp嵌入”。依次类推，会有“单次3bpp嵌入”和“单次4bpp嵌入”等，同时将重复N次“单次1bpp嵌入”的方法，称作“N重1bpp嵌入”，最终可实现N bpp嵌入。“N次2bpp嵌入”，“N次3bpp嵌入”等原理与此同。

具体实施方式

以下以“单次1bpp嵌入”为例对本发明做进一步说明。

1、一种通用型大容量图像无损信息隐藏算法，其特征在于，包括以下步骤：

1)秘密信息的嵌入过程：

Step1：将载体图像记为A，其图像大小记为m×n，图像中各像素点的像素值记为A_ij，(1≤i≤m，1≤j≤n)；

Step2：将载体图像A的8个位平面从最高有效位(MSB)到最低有效位(LSB)依次记为A₇，A₆，…，A₀；

Step3：顺次读取载体图像A的像素值，利用公式P_ij＝A_ijmod 2，(1≤i≤m，1≤j≤n)得到载体图像A的最低有效位A₀的平面值P_ij；

并将最低有效位平面A₀中各元素的值记为P_ij，P_ij∈{0，1}；

Step4：将待隐藏的秘密信息W转化为二进制序列W_k(k≤m×n)；

Step5：构造一个二进制的随机序列Q，利用Logistic映射公式x_k+1＝μx_k(1-x_k)，以及(i＝1，2，3…)生成有效混沌序列Q_t，(t≥m×n)；

式中：0≤μ≤4，x_k∈(0，1)，且3.569945≤μ≤4序，列x_i从第100个值开始取值，记为X_i＝x_(i+100)；

Step6：构造一个二进制数绝对值模可逆运算模型，假设有a，b，c，d四个二进制数，即：a，b，c，d∈{0，1}，如果有：|(a+b+c)|mod 2＝d，则有下列关系式成立：

a＝(|d-b-c|)mod 2

b＝(|d-a-c|)mod 2

c＝(|d-a-b|)mod 2

Step7：令P′_(i，0)＝P_(i，n)，确定出初值P′_(i，0)；

Step8：从载体图像A的像素值A₁₁开始，将P_ij、W_i、Q_i分别看作Step4所述的二进制数绝对值模可逆运算模型中的a、b、c，套用Step4所述的二进制数绝对值模可逆运算模型：

$\left\{\begin{array}{c}{P}_{(i,0)}^{\′}=P_{(i,n)}\\ P_{(i,j)}^{\′}=\left|P_{(i,j-1)}^{\′}+W_{(i+(j-1)\×m)}+Q_{(i+(j-1)\×m)}\right|\mathrm{mod}2\end{array}\right.$

依次进行计算，得出所有的P′_(i，j)；

Step9：将所有计算出的P′_(i，j)值，顺次与该像素点其余7个位平面进行重组，并将其还原成m×n大小的图像，得到含秘图像B，实现秘密信息对载体图像A最低有效位平面A₀进行一轮嵌入；

2)秘信息的提取过程：

Step10：输入μ和x₀的初值，通过Step3所述公式x_k+1＝μx_k(1-x_k)和(i＝1，2，3…)计算出Q_i值；

Step11：读取含秘图像B的最后两列P′_(i，n)和P′_(i，n-1)，计算出P_(i，n)，下式：

P_(i，n)＝|P′_(i，n)-P′_(i，n-1)-Q_(i+(n-1)×m)|mod 2

Step12：令P′_(i，0)＝P_(i，n)，根据二进制数绝对值模可逆运算模型原理，利用下公式式：

W_(i+(j-1)×m)＝|P′_(i，j)-P′_(i，j-1)-Q_(i+(j-1)×m)|mod 2

Step13：顺次将计算出的W_i二进制序列，还原为秘密信息的原始文件类型，还原出秘密信息；

3)载体图像的还原：

Step14：从含秘图像B的最后一列P_(i，j)开始，由下面的公式可得出：

$\left\{\begin{array}{c}{P}_{(i,j)}=\left|P_{(i,j)}^{\′}-P_{(i,j-1)}^{\′}-Q_{(i+(j-1)\×m)}\right|\mathrm{mod}2\\ P_{(i,0)}^{\′}=P_{(i,n)}\end{array}\right.$

Step1S：将计算机出的P_(i，j)与该像素点其余7个位平面重新进行结合，还原出载体图像A。

Claims (3)

1.一种通用型大容量图像无损信息隐藏算法，其特征在于，包括以下步骤：

1)秘密信息的嵌入过程：

Step1：将载体图像记为A，其图像大小记为m×n，图像中各像素点的像素值记为A_ij，(1≤i≤m，1≤j≤n)；

Step2：将载体图像A的8个位平面从最高有效位(MSB)到最低有效位(LSB)依次记为A₇，A₆，…，A₀；

Step3：顺次读取载体图像A的像素值，利用公式P_ij＝A_ij mod 2，(1≤i≤m，1≤j≤n)得到载体图像A的最低有效位A₀的平面值P_ij；

并将最低有效位平面A₀中各元素的值记为P_ij，P_ij∈{0，1}；

Step4：将待隐藏的秘密信息W转化为二进制序列W_k(k≤m×n)；

Step5：构造一个二进制的随机序列Q，利用Logistic映射公式x_k+1＝μx_k(1-x_k)，以及生成有效混沌序列Q_t，(t≥m×n)；

式中：0≤μ≤4，x_k∈(0，1)，且3.569945≤μ≤4序，列x_i从第100个值开始取值，记为X_i＝x_(i+100)；

Step6：构造一个二进制数绝对值模可逆运算模型，假设有a，b，c，d四个二进制数，即：a，b，c，d∈{0，1}，如果有：|(a+b+c)|mod 2＝d，则有下列关系式成立：

a＝(|d-b-c|)mod 2

b＝(|d-a-c|)mod 2

c＝(|d-a-b|)mod 2

Step7：令P′_(i，0)＝P_(i，n)，确定出初值P′_(i，0)；

Step8：从载体图像A的像素值A₁₁开始，将P_ij、W_i、Q_i分别看作Step4所述的二进制数绝对值模可逆运算模型中的a、b、c，套用Step4所述的二进制数绝对值模可逆运算模型：

$\left\{\begin{array}{c}{P}_{(i,0)}^{\′}=P_{(i,n)}\\ P_{(i,j)}^{\′}=|P_{(i,j-1)}^{\′}+W_{(i+(j-1)\×m)}+Q_{(i+(j-1)\×m)}|\mathrm{mod}2\end{array}\right.$

依次进行计算，得出所有的P′_(i，j)；

Step9：将所有计算出的P′_(i，j)值，顺次与该像素点其余7个位平面进行重组，并将其还原成m×n大小的图像，得到含秘图像B，实现秘密信息对载体图像A最低有效位平面A₀进行一轮嵌入，因其最终可在每个像素中嵌入一位秘密信息，即1bit/pixel，简称为“单次1bpp嵌入”；

2)秘信息的提取过程：

Step10：输入μ和x₀的初值，通过Step3所述公式x_k+1＝μx_k(1-x_k)和计算出Q_i值；

Step11：读取含秘图像B的最后两列P′_(i，n)和P′_(i，n-1)，计算出P_(i，n)，下式：

P_(i，n)＝|P′_(i，n)-P′_(i，n-1)-Q_(i+(n-1)×m)|mod 2

Step12：令P′_(i，0)＝P_(i，n)，根据二进制数绝对值模可逆运算模型原理，利用下公式式：

W_(i+(j-1)×m)＝|P′_(i，j)-P′_(i，j-1)-Q_(i+(j-1)×m)|mod 2

Step13：顺次将计算出的W_i二进制序列，还原为秘密信息的原始文件类型，还原出秘密信息；

3)载体图像的还原：

Step14：从含秘图像B的最后一列P_(i，j)开始，由下面的公式可得出：

$\left\{\begin{array}{c}{P}_{(i,j)}=|P_{(i,j)}^{\′}-P_{(i,j-1)}^{\′}-Q_{(i+(j-1)\×m)}|\mathrm{mod}2\\ P_{(i,0)}^{\′}=P_{(i,n)}\end{array}\right.$

Step15：将计算机出的P_(i，j)与该像素点其余7个位平面重新进行结合，还原出载体图像A。

2.根据权利要求1所述的一种通用型大容量图像无损信息隐藏算法，其特征在于，分别用有效位A₁、A₂、A₃、A₄替换有效位A₀，重复上述步骤Step3-Step9，分别完成“单次2bpp嵌入”、“单次3bpp嵌入”、“单次4bpp嵌入”。

3.根据权利要求1所述的一种通用型大容量图像无损信息隐藏算法，其特征在于，重复N次上述步骤Step3-Step9，即可完成“N重1bpp嵌入”，此处N为任意正整数。