CN108182655A - 一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法 - Google Patents

Abstract

本发明公开了一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，包括如下步骤：1）水印的嵌入；2）水印的提取；3）图像隐藏。这种方法能使嵌入水印的图像具有良好的隐蔽性、该图像受到图像操作攻击和几何攻击时具有强鲁棒性，特别是在对抗缩放攻击、滤波攻击、噪声攻击、锐化攻击、JPEG压缩和JPEG 2000压缩攻击时有着很强的鲁棒性。

Description

一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法 的图像隐藏方法

技术领域

本发明涉及图像隐藏技术领域，具体涉及一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法。

背景技术

图像隐藏是指将一幅图像隐藏到另一幅图像中。如今的图像隐藏技术在时空域和变换域进行图像隐藏是当前比较常见的采用方法。当前大多数的图像隐藏是在变换域中结合矩阵操作进行图像隐藏。现在主要的变换域图像隐藏包括小波变换，离散余弦变换，离散傅里叶变换；矩阵操作的图像隐藏技术包括基于奇异值分解的图像隐藏和基于海森堡分解的图像隐藏。研究者主要是基于单一变换域进行图像隐藏以抵抗图像过程的攻击；通过矩阵操作进行水印的嵌入以抵抗图像几何攻击。最常见的有基于小波变换的图像隐藏和基于矩阵操作的图像隐藏。但是这些算法有许多的不足之处。

第一种基于小波变换的图像隐藏，其图像隐藏过程包括对宿主图像的DWT变换和水印图像的小波变换后，对水印图像的系数乘以一个嵌入系数再与宿主图像的系数进行相加再通过逆小波变换得到嵌入水印后的图像。但是嵌入水印的图像在受到几何攻击后，其抵抗能力较弱，很难提取出完整的水印。

第二种基于奇异值分解的图像隐藏，图像隐藏过程包括对宿主图像的奇异值分解和水印图像的奇异值分解后，对水印图像得到的S系数乘以一个嵌入系数再与宿主得到的S’系数相加再通过逆奇异值分解变换得到嵌入水印后的图像。但是嵌入水印的图像在受到图像操作攻击后，其抵抗能力较弱，很难提取完整的水印。

因此嵌入水印的图像在满足隐蔽性的前提下，在受到大部分图像操作攻击和几何攻击的情况下都不能提取完整的水印，是需要一个比较平衡的水印算法。

发明内容：

本发明的目的是针对现有技术的不足，而提供一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的新型图像隐藏方法。这种方法能使嵌入水印的图像具有良好的隐蔽性、该图像受到图像操作攻击和几何攻击时具有强鲁棒性，特别是在对抗缩放攻击、滤波攻击、噪声攻击、锐化攻击、JPEG压缩和JPEG 2000压缩攻击时有着很强的鲁棒性。

实现本发明目的技术方案是：

一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，包括如下步骤：

1)水印的嵌入：宿主图像A顺序采用3级小波变换、海森堡分解、奇异值分解、逆奇异值分解、逆海森堡分解和逆3级小波变换对水印进行嵌入，得到嵌入水印后的图像WA；

2)水印的提取：图像WA顺序采用小波变换、海森堡分解、奇异值分解、逆奇异值分解对水印进行提取，得到提取的水印

3)图像隐藏：采用果蝇优化算法找出步骤1)、步骤2)中的水印嵌入、水印提取的使得嵌入水印的图像同时符合隐蔽性和强鲁棒性，且使评价函数得到最优值时取得的水印嵌入系数α，称为最优嵌入系数，依据水印嵌入最优系数α将水印嵌入到宿主图像中得到嵌入水印的图像。

所述步骤1)为：

(1)对宿主图像A进行3级小波变换得到图像A的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL、LH，LH和HH；

(2)依据LL＝P×H×P^T对系数LL进行海森堡分解得到系数P和H，其中P是LL的酉矩阵，H是LL的海森堡矩阵；

(3)依据对系数H进行奇异值分解得到系数HS_w，其中HU_w是H的酉矩阵，HS_w是H的对角矩阵，HV_w是H的另一个酉矩阵；

(4)依据将水印图像W进行奇异值分解得到系数S_w，其中U_w是W的酉矩阵，S_w是W的对角矩阵，V_w是W的另一个酉矩阵；

(5)依据结合嵌入系数α修改系数HS_w，进行水印的嵌入得到其中是嵌入水印信息的H的对角矩阵；

(6)依据通过对系数进行逆奇异值分解得到系数H^*，其中H^*是嵌入水印信息的H矩阵；

(7)依据LL^*＝P×H^*×P^T通过对系数H^*进行逆海森堡分解得到系数LL^*，其中LL^*是嵌入水印信息的图像A的低频近似分量；

(8)通过逆3级小波变换得到嵌入水印后的图像WA。

所述步骤2)为：

(1)对嵌入水印的图像WA进行小波变换得到图像WA的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL_w、LH_w、HK_w和HH_w；

(2)依据对LL_w进行海森堡分解得到系数H_w，其中P_w是LL_w的酉矩阵，H_w是LL_w的海森堡矩阵；

(3)依据对系数H_w进行奇异值分解得到系数其中是H_w的酉矩阵，是H_w的对角矩阵，是H_w的另一个酉矩阵；

(4)依据结合嵌入系数α对系数进行修改得到系数其中是从H_w提取的水印信息的对角矩阵；

(5)依据对系数进行逆奇异值分解得到提取的水印W^*。

所述步骤3)为：

(1)初始化水印过程参数和果蝇优化算法参数：水印过程参数包括嵌入系数数组α_k(k＝1，2，...，n)、权重初始化λ和比例系数ω_i(i＝1，2)，

果蝇优化算法参数包括果蝇种群的初始位置InitX_axis，InitY_axis，最大迭代次数maxgen、果蝇种群的大小sizepop；

(2)对嵌入水印的图像WA实施以下多种攻击：伽马校正(0.8)攻击、缩放(512→256→512)攻击、缩放(512→1024→512)攻击、均值滤波(3×3)攻击、维纳滤波(3×3)攻击、中值滤波(3×3)攻击、高斯噪声(均值0，方差0.001)攻击、锐化(0.8)攻击、对比度调整(20％)攻击、散斑噪声(0.001)攻击、JPEG 2000压缩(压缩比为12)攻击、高斯低通滤波(3×3)攻击、JPEG压缩(品质因数50％)攻击和运动模糊(角度4，长度7)攻击，得到提取的水印计算峰值信噪比PSNR(A，WA)和归一化互相关通过公式计算目标函数的值；

(3)采用果蝇优化算法确定最优嵌入系数，包括如下过程：

a.确定一个果蝇个体靠嗅觉的寻找食物的距离坐标:(X_i＝X_axis+RandomValue、Y_i＝Y_axis+RandomValue)；

b.令估算的距离和味道浓度判决值分别为：S_i＝1/Dist_i；

c.设在果蝇种群中的味道浓度判决函数为Smell_i＝Function(S_i)；

(4)令Function(S_i)作为步骤(2)中的目标函数；

(5)步骤(3)还包括：

d.寻找在果蝇种群中有最大味道浓度的果蝇([bestSmell bestIndex]＝max(Smell))；

e.保存最好的味道浓度值以及对应的x，y坐标(Smellbest＝bestSmell、X_axis＝X(bestIndex)、Y_axis＝Y(bestIndex))；

(6)在达到最大迭代次数maxgen之前，重复步骤(3)，寻找更优的目标函数的值；直到达到最大的迭代次数maxgen，输出最优的目标函数值对应的坐标，得到对应的最优嵌入系数。

这种方法，在满足嵌入水印的图像良好的隐蔽性的同时，在面对图像操作攻击和几何攻击的时候能够体现出强鲁棒性，其效果体现在：

1.满足水印嵌入到宿主图像得到嵌入水印的图像，和宿主图像相比基本没有变化，拥有良好的隐蔽性，符合人类的视觉效果；

2.嵌入水印的图像在受到图像操作攻击和几何攻击后还能提取出水印；

3.通过果蝇优化算法寻找最优嵌入系数，能同时能满足嵌入水印后的图像的隐蔽性和鲁棒性。

这种方法能使嵌入水印的图像具有良好的隐蔽性、该图像受到图像操作攻击和几何攻击时具有强鲁棒性，特别是在对抗缩放攻击、滤波攻击、噪声攻击、锐化攻击、JPEG压缩和JPEG 2000压缩攻击时有着很强的鲁棒性。

附图说明

图1为实施例的方法总流程示意图；

图2为实施例中水印嵌入过程的流程示意图；

图3为实施例中水印提取过程的流程示意图；

图4为实施例中通过果蝇优化算法寻找最优嵌入系数的流程示意图。

具体实施方式

下面结合附图和实施例对本发明内容做进一步的阐述，但不是对本发明的限定。

实施例：

参照图1，一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，包括如下步骤：

1)水印的嵌入：宿主图像A顺序采用3级小波变换、海森堡分解、奇异值分解、逆奇异值分解、逆海森堡分解和逆3级小波变换对水印进行嵌入，得到嵌入水印后的图像WA；

2)水印的提取：图像WA顺序采用小波变换、海森堡分解、奇异值分解、逆奇异值分解对水印进行提取，得到提取的水印

3)图像隐藏：采用果蝇优化算法找出步骤1)、步骤2)中的水印嵌入、水印提取的使得嵌入水印的图像同时符合隐蔽性和强鲁棒性，且使评价函数得到最优值时取得的水印嵌入系数α，称为最优嵌入系数，依据水印嵌入最优系数α将水印嵌入到宿主图像中得到嵌入水印的图像。

如图2所示，所述步骤1)为：

(1)对宿主图像A进行3级小波变换得到图像A的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL、LH，LH和HH；

(2)依据LL＝P×H×P^T对系数LL进行海森堡分解得到系数P和H，其中P是LL的酉矩阵，H是LL的海森堡矩阵；

(3)依据对系数H进行奇异值分解得到系数HS_w，其中HU_w是H的酉矩阵，HS_w是H的对角矩阵，HV_w是H的另一个酉矩阵；

(4)依据将水印图像W进行奇异值分解得到系数S_w，其中U_w是W的酉矩阵，S_w是W的对角矩阵，V_w是W的另一个酉矩阵；

(5)依据结合嵌入系数α修改系数HS_w，进行水印的嵌入得到其中是嵌入水印信息的H的对角矩阵；

(6)依据通过对系数进行逆奇异值分解得到系数H^*，其中H^*是嵌入水印信息的H矩阵；

(7)依据LL^*＝P×H^*×P^T通过对系数H^*进行逆海森堡分解得到系数LL^*，其中LL^*是嵌入水印信息的图像A的低频近似分量；

(8)通过逆3级小波变换得到嵌入水印后的图像WA。

如图3所示，所述步骤2)为：

(1)对嵌入水印的图像WA进行小波变换得到图像WA的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL_w、LH_w、HL_w和HH_w；

(2)依据对LL_w进行海森堡分解得到系数H_w，其中P_w是LL_w的酉矩阵，H_w是LL_w的海森堡矩阵；

(3)依据对系数H_w进行奇异值分解得到系数其中是H_w的酉矩阵，是H_w的对角矩阵，是H_w的另一个酉矩阵；

(4)依据结合嵌入系数α对系数进行修改得到系数其中是从H_w提取的水印信息的对角矩阵；

(5)依据对系数进行逆奇异值分解得到提取的水印W^*。

如图4所示，所述步骤3)为：

(1)初始化水印过程参数和果蝇优化算法参数：水印过程参数包括嵌入系数数组α_k(k＝1，2，...，n)、权重初始化λ和比例系数ω_i(i＝1，2)，

果蝇优化算法参数包括果蝇种群的初始位置InitX_axis，InitY_axis，最大迭代次数maxgen、果蝇种群的大小sizepop；

(2)对嵌入水印的图像WA实施以下多种攻击：伽马校正(0.8)攻击、缩放(512→256→512)攻击、缩放(512→1024→512)攻击、均值滤波(3×3)攻击、维纳滤波(3×3)攻击、中值滤波(3×3)攻击、高斯噪声(均值0，方差0.001)攻击、锐化(0.8)攻击、对比度调整(20％)攻击、散斑噪声(0.001)攻击、JPEG 2000压缩(压缩比为12)攻击、高斯低通滤波(3×3)攻击、JPEG压缩(品质因数50％)攻击和运动模糊(角度4，长度7)攻击，得到提取的水印计算峰值信噪比PSNR(A，WA)和归一化互相关通过公式计算目标函数的值；

(3)采用果蝇优化算法确定最优嵌入系数，包括如下过程：

a.确定一个果蝇个体靠嗅觉的寻找食物的距离坐标:(X_i＝X_axis+RandomValue、Y_i＝Y_axis+RandomValue)；

b.令估算的距离和味道浓度判决值分别为：S_i＝1/Dist_i；

c.设在果蝇种群中的味道浓度判决函数为Smell_i＝Function(S_i)；

(4)令Function(S_i)作为步骤(2)中的目标函数；

(5)步骤(3)还包括：

d.寻找在果蝇种群中有最大味道浓度的果蝇([bestSmell bestIndex]＝max(Smell))；

e.保存最好的味道浓度值以及对应的x，y坐标(Smellbest＝bestSmell、X_axis＝X(bestIndex)、Y_axis＝Y(bestIndex))；

(6)在达到最大迭代次数maxgen之前，重复步骤(3)，寻找更优的目标函数的值；直到达到最大的迭代次数maxgen，输出最优的目标函数值对应的坐标，得到对应的最优嵌入系数。

Claims (4)

1.一种基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，包括如下步骤：

1)水印的嵌入：宿主图像A顺序采用3级小波变换、海森堡分解、奇异值分解、逆奇异值分解、逆海森堡分解和逆3级小波变换对水印进行嵌入，得到嵌入水印后的图像WA；

2)水印的提取：图像WA顺序采用小波变换、海森堡分解、奇异值分解、逆奇异值分解对水印进行提取，得到提取的水印

3)图像隐藏：采用果蝇优化算法找出步骤1)、步骤2)中的水印嵌入、水印提取使得嵌入水印的图像同时符合隐蔽性和强鲁棒性，且使评价函数得到最优值时取得的水印嵌入系数α，称为最优嵌入系数，依据水印嵌入最优系数α将水印嵌入到宿主图像中得到嵌入水印的图像。

2.根据权利要求1所述的基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，所述步骤1)为：

(1)对宿主图像A进行3级小波变换得到图像A的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL、LH，LH和HH；

(2)依据LL＝P×H×P^T对系数LL进行海森堡分解得到系数P和H，其中P是LL的酉矩阵，H是LL的海森堡矩阵；

(3)依据对系数H进行奇异值分解得到系数HS_w，其中HU_w是H的酉矩阵，HS_w是H的对角矩阵，HV_w是H的另一个酉矩阵；

(4)依据将水印图像W进行奇异值分解得到系数S_w，其中U_w是W的酉矩阵，S_w是W的对角矩阵，V_w是W的另一个酉矩阵；

(5)依据结合嵌入系数α修改系数HS_w，进行水印的嵌入得到其中是嵌入水印信息的H的对角矩阵；

(6)依据通过对系数进行逆奇异值分解得到系数H^*，其中H^*是嵌入水印信息的H矩阵；

(7)依据LL^*＝P×H^*×P^T通过对系数H^*进行逆海森堡分解得到系数LL^*，其中LL^*是嵌入水印信息的图像A的低频近似分量；

(8)通过逆3级小波变换得到嵌入水印后的图像WA。

3.根据权利要求1所述的基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，所述步骤2)为：

(1)对嵌入水印的图像WA进行小波变换得到图像WA的低频近似分量系数、水平高频细节分量系数、垂直高频细节分量系数、对角高频细节分量系数依次为LL_w、LH_w、HL_w和HH_w；

(2)依据对LL_w进行海森堡分解得到系数H_w，其中P_w是LL_w的酉矩阵，H_w是LL_w的海森堡矩阵；

(3)依据对系数H_w进行奇异值分解得到系数其中是H_w的酉矩阵，是H_w的对角矩阵，是H_w的另一个酉矩阵；

(4)依据结合嵌入系数α对系数进行修改得到系数其中是从H_w提取的水印信息的对角矩阵；

(5)依据对系数进行逆奇异值分解得到提取的水印W^*。

4.根据权利要求1所述的基于小波变换、奇异值分解、海森堡分解和果蝇优化算法的图像隐藏方法，其特征在于，所述步骤3)为：

(1)初始化水印过程参数和果蝇优化算法参数：水印过程参数包括嵌入系数数组α_k(k＝1，2，...，n)、权重初始化λ和比例系数ω_i(i＝1，2)，

果蝇优化算法参数包括果蝇种群的初始位置InitX_axis，InitY_axis，最大迭代次数maxgen、果蝇种群的大小sizepop；

(2)对嵌入水印的图像WA实施以下多种攻击：伽马校正(0.8)攻击、缩放(512→256→512)攻击、缩放(512→1024→512)攻击、均值滤波(3×3)攻击、维纳滤波(3×3)攻击、中值滤波(3×3)攻击、高斯噪声(均值0，方差0.001)攻击、锐化(0.8)攻击、对比度调整(20％)攻击、散斑噪声(0.001)攻击、JPEG 2000压缩(压缩比为12)攻击、高斯低通滤波(3×3)攻击、JPEG压缩(品质因数50％)攻击和运动模糊(角度4，长度7)攻击，得到提取的水印(i＝1，2，...，N)，计算峰值信噪比PSNR(A，WA)和归一化互相关通过公式计算目标函数的值；

(3)采用果蝇优化算法确定最优嵌入系数，包括如下过程：

a.确定一个果蝇个体靠嗅觉的寻找食物的距离坐标:(X_i＝X_axis+RandomValue、Y_i＝Y_axis+RandomValue)；

b.令估算的距离和味道浓度判决值分别为：S_i＝1/Dist_i；

c.设在果蝇种群中的味道浓度判决函数为Smell_i＝Function(S_i)；

(4)令Function(S_i)作为步骤(2)中的目标函数；

(5)步骤(3)还包括：

d.寻找在果蝇种群中有最大味道浓度的果蝇([bestSmell bestIndex]＝max(Smell))；

e.保存最好的味道浓度值以及对应的x，y坐标(Smellbest＝bestSmell、X_axis＝X(bestIndex)、Y_axis＝Y(bestIndex))；

(6)在达到最大迭代次数maxgen之前，重复步骤(3)，寻找更优的目标函数的值；直到达到最大的迭代次数maxgen，输出最优的目标函数值对应的坐标，得到对应的最优嵌入系数。