CN109934760A - 一种空域图像自适应隐写方法、系统及装置 - Google Patents
一种空域图像自适应隐写方法、系统及装置 Download PDFInfo
- Publication number
- CN109934760A CN109934760A CN201910087109.6A CN201910087109A CN109934760A CN 109934760 A CN109934760 A CN 109934760A CN 201910087109 A CN201910087109 A CN 201910087109A CN 109934760 A CN109934760 A CN 109934760A
- Authority
- CN
- China
- Prior art keywords
- image
- embedding
- information
- calculating
- spatial domain
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 27
- 238000012986 modification Methods 0.000 claims abstract description 104
- 230000004048 modification Effects 0.000 claims abstract description 104
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000001914 filtration Methods 0.000 claims description 6
- 238000003780 insertion Methods 0.000 abstract 2
- 230000037431 insertion Effects 0.000 abstract 2
- 230000006870 function Effects 0.000 description 14
- 238000001514 detection method Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 6
- 238000009792 diffusion process Methods 0.000 description 6
- 238000013179 statistical model Methods 0.000 description 5
- 239000000654 additive Substances 0.000 description 3
- 230000000996 additive effect Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000013139 quantization Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 241000014654 Adna Species 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 229940039231 contrast media Drugs 0.000 description 1
- 239000002872 contrast media Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Landscapes
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种空域图像自适应隐写方法、系统及装置，通过将输入的载体图像与高通滤波器卷积得到残差图像；将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，并计算所述变量序列的费希尔信息；根据所述费希尔信息计算嵌入修改代价；根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。本发明所提供的方法由于基于残差图像建模，并选择最大的费希尔信息作为最终值，因此具有较佳的隐写性能和较小的运算复杂度，为秘密信息的传递提供了便利。
Description
技术领域
本发明涉及信息安全技术领域，尤其涉及的是一种空域图像自适应隐写方法、系统及装置。
背景技术
隐写术是一种将秘密信息隐藏在数字媒体中传输的一种技术，其一直受到隐写分析(一种试图判别或发现数字媒体中是否隐藏秘密信息的技术) 的挑战。图像隐写是一种使用数字图像作为载体(Cover)的现代隐写术。
如图1所示，有秘密信息m需要从(名为Alice)发送者传递给(名为Bob)接收者。Alice将秘密信息m隐藏到载体图像(CI,Cover image)X 中得到载密图像(SI,Stegoimage)Y，然后通过传输通道传递给Bob.Bob 接收到载密图像后，提取数据得到秘密信息m’。当m’＝m时，表示此次隐写是成功的，否则此次隐写是失败的。监管者(名为Eve)能获取传输的内容，并进行隐写分析，判别所传输的对象是否载密对象。若Eve将传输的对象判别为载密图像，则会破坏通信，如阻断通信或对传输的对象进行破坏。因此，隐写的目标是使载密对象不可感知和抵抗隐写分析的检测。
现有的用于隐写分析的手段主要是使用基于费希尔线性判别式(FLD， Fisherlinear discriminant)的集成分类器(EC，Ensemble classifier)，使用高维特征，如空域富模型(SRM，Spatial rich model)进行分类。对于全知型的监管者，其会使用选择通道回馈的SRM特征－倾斜d2方向扫描的最大值空域富模型(maxSRMd2，Max SRM withd2direction)－进行分类。现有技术中，使用启发式设计嵌入修改代价的隐写方法对SRM的抵抗较有效，但对maxSRMd2的抵抗较差；而基于统计模型的隐写方法对maxSRMd2 的抵抗较好，但对SRM的抵抗却较差。而且此类方法使用模型较为复杂，导致计算复杂度较高，所以上述方法中的隐写方法均不能满足抵抗性高且计算复杂度低的要求。
因此，现有技术有待于进一步的改进。
发明内容
鉴于上述现有技术中的不足之处，本发明的目的在于为用户提供一种空域图像自适应隐写方法、系统及装置，用于克服现有技术中的隐写方法使用模型复杂度高，且对抗隐写分析的抵抗性差的缺陷。
本发明解决技术问题所采用的技术方案如下：
本发明提供的第一实施例为一种空域图像自适应隐写方法，其中，包括：
将输入的载体图像与高通滤波器卷积得到残差图像；
计算所述残差图像的费希尔信息；
根据所述费希尔信息计算嵌入修改代价；
根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
可选的，所述计算所述残差图像的费希尔信息的步骤包括：
将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，由所述变量序列计算出所述残差图像的费希尔信息。
可选的，所述计算所述残差图像的费希尔信息的步骤还包括：
使用不同的高通滤波模型分别计算所述残差图像的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
可选的，所述根据所述费希尔信息计算嵌入修改代价的步骤还包括：
根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
在负载率约束下，根据计算出的嵌入修改概率得到嵌入修改代价。
可选的，所述根据所述费希尔信息计算嵌入修改代价的步骤还包括：
使用二维低通滤波器对计算出的嵌入修改代价进行扩散，得到扩散后的嵌入修改代价。
可选的，所述根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像的步骤中使用并发网格编码方法将秘密信息嵌入到载体图像中。
本发明提供的第二实施例为一种空域图像自适应隐写系统，其中，包括：
残差图像计算模块，用于将输入的载体图像与高通滤波器卷积得到残差图像；
FI信息计算模块，用于计算所述残差图像的费希尔信息；
修改代价计算模块，用于根据所述费希尔信息计算嵌入修改代价；
嵌入信息模块，用于根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
可选的，所述费希尔信息计算模块还包括：
信息选择单元，用于使用不同的高通滤波模型分别计算所述残差图像的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
可选的，所述修改代价计算模块包括：
修改概率计算单元，用于根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
嵌入代价计算单元，用于基于最小失真框架，根据计算出的嵌入修改概率得到嵌入修改代价。
本发明提供的第三实施例为一种空域图像处理装置，其中，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的空域图像自适应隐写控制程序，其中所述空域图像自适应隐写控制程序被所述处理器执行时实现以下步骤：
将输入的载体图像与高通滤波器卷积得到残差图像；
计算所述残差图像的费希尔信息；
根据所述费希尔信息计算嵌入修改代价；
根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
有益效果，本发明提供了一种空域图像自适应隐写方法、系统及装置，通过将输入的载体图像与高通滤波器卷积得到残差图像；将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，并计算所述变量序列的费希尔信息；根据所述费希尔信息计算嵌入修改代价；根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。本发明所提供的方法由于基于残差图像建模，并选择最大的费希尔信息作为最终值，因此具有较佳的隐写性能和较小的运算复杂度，为秘密信息的传递提供了便利。
附图说明
图1是数字图像隐写示意图；
图2是本发明所述空域图像自适应隐写方法的步骤流程图；
图3是本发明所述方法的具体应用实施例中信息隐写的步骤流程示意图；
图4是本发明所述方法具体应用实施例中选择的典型高通滤波器；；
图5是使用SRM特征检测本发明提供的方法与现有技术的隐写性能对比图；
图6是使用maxSRMd2特征检测本发明提供的方法与现有技术的隐写性能对比图；
图7是本发明所提供的所述系统的原理结构框图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚、明确，以下参照附图并举实施例对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用于解释本发明，并不用于限定本发明。
现有多数内容自适应隐写方法都基于最小失真框架设计，其最优问题如下：
式中，
表示期望失真；π和ρ分别表示嵌入修改概率(Probability of embeddingchange,PEC)和嵌入修改代价(Cost of embedding change, CEC)；上标(i)表示元素(像素)的序号，有时也用(i,j)表示第i行第j 列的元素；△χ是修改集，在三元修改模型(Ternary change model,TCM) 下，△χ＝{-1,0,1}；
其中，h(π)是熵函数；L是要嵌入的秘密信息的长度。
在此最小失真框架下，使用与数据嵌入修改相关的代价来设计失真函数。多数隐写系统，通过在图像中多噪部分启发式的低代价定义将数据嵌入修改分布到图像中复杂或难以建模的区域。另一方面，有些方法使用统计模型来设计代价，尽力使载密图像与载体图像的统计模型一致来抵抗隐写分析。
同时，一些有效的代价策略，如代价扩散策略(CSR,Cost spread rule), 被结合到代价函数中，优化嵌入修改代价，提高隐写安全性。
现有技术中的多数图像隐写系统使用启发式的代价定义，如WOW(V. Holub andJ.Fridrich发表的论文“Designing steganographic distortion using directionalfilters,”in Proc.WIFS,Costa Adeje, Tenerife,Spain,Dec.2012,pp.234–239)、S-SUNIWARD(V.Holub, J.Fridrich,and T.Denemark发表的论文“Universal distortionfunction for steganography in an arbitrary domain,”EURASIP Journal onInformation Security,vol.2014,no.1,p.1,Jan.2014)、HILL (B.Li,M.Wang,J.Huang,and X.Li发表的论文“A new cost function for spatial image steganography,”inProc.ICIP,Paris,France,Oct. 2014,pp.4206–4210)等，使图像中含噪声多的部分有较小的嵌入修改代价，促使嵌入修改分布到复杂或难以建模的区域。有些图像隐写系统使用统计模型来设计代价，如MG(J.Fridrich and J.Kodovsky发表的论文“Multivariategaussian model for designing additive distortion for steganography,”inProc.ICASSP,Vancouver,BC,Canada,2013,pp. 2949–2953)、MVGG(Vahid Sedighi,Jessica Fridrich,and Rémi Cogranne 发表的论文：“Content-adaptive pentarysteganography using the multivariate generalized gaussian cover model,”inMedia Watermarking,Security,and Forensics 2015,Adnan M.Alattar,Nasir D.Memon,and Chad D.Heitzenrater,Eds.mar 2015,pp.9409–9409 –13,SPIE.)、MiPOD(V.Sedighi,R.Cogranne,and J.Fridrich， 2016年发表的论文：“Content-adaptive steganographyby minimizing statistical detectability,”IEEE Trans.Inf.Forensics Security,vol.11,no.2,pp.221–234,Feb.2016”)等。在MG中，载体图像被建模成一个n个独立的随机变量X＝(X1,X2,…,Xn)的序列，其中每个元素都是量化的方差为vi、0均值的高斯分布，表示为Q△(N(0,vi))，其中Q△是量化步长为Δ的一致标量量化器。分别用和(j∈M＝{k△|k∈Z})表示载体图像和载密图像的概率密度函数(Probabilitymass function,PMF)。对一个较大的n和较小的嵌入修改概率(Embedding changeprobability,ECP)βi，载体和载密图像间总的KL散度(Kullback-Leibler divergence,KLD)可估计如下。
其中，
是费希尔信息(FI,Fisher information)。
在三元修改模型下，嵌入修改Ci＝Yi-Xi∈{-1,0,1}.假设则上标“+”、“-”和“0”分别表示“+1”、“-1”和不修改操作。因此载密图像的PMF及其偏导数可表示为
qj＝(1-2βi)pj+βi(pj+1+pj-1) (6)
对方差为v的0均值高斯密度函数fv(x)，有
根据中值定理(Mean value theory,MVT)，对j'∈(j-1/2,j+1/2)，载体量化高斯分布表示
pj＝F△(j△)＝△fv(j'△) (9)
pj±1＝F△((j±1)△)可由x＝j△处的泰勒展开式(Taylor's formula,TF) 获得为：
其中是F△的l阶导数。同理，根据中值定理，对于l>1的x，当φl∈(x-△/2,x+△/2)时，有则：
则FI可得如下
对负载率(Payload)α，最优问题(1)的约束条件可改写为
与总KL散度联列并求基于嵌入修改概率β的最优解，得
式中λ>0是由约束条件决定的常数。
求解(15)式相当于解λIi(0)/2＝xln(x-2)，其中因为当时 h(x)取得最大值。使用渐近迭代法对满足y≤103的反函数y＝xln(x-2)查表可快速求解(15)式得到最优的嵌入修改概率βi。其中查表为查找预先构建并存储的对数表。可以想到的是，该表也可以是其他含有对数表的数据库。
基于最小加性失真框架，嵌入修改概率与嵌入修改代价满足下式；
则嵌入修改代价可得如下：
然后，发送者即可使用最优化编码，如并发网格编码 (Syndrome-trellis codes,STCs),将秘密信息嵌入到载体图像中得到载密图像。
在此基础上，MVGG使用通用高斯模型建模设计了一套五元嵌入的隐写系统；MiPOD使用一套比较复杂的模型来最小化最优检测器的能量得到FI。针对MG，这些方法都提升了隐写性能。
实施例1
本发明提供的第一实施例为一种空域图像自适应隐写方法，如图2，包括：
步骤S1、将输入的载体图像与高通滤波器卷积得到残差图像。
本步骤中首先输入载体图像到图像隐写终端，图像隐写终端根据所述将载体图像与预设置的高通滤波器进行卷积计算，得到残差图像。
具体的，本步骤中，选择使用的高通滤波器可以是一阶、二阶和高阶的，较佳的，二阶和三阶高通滤波器生成的残差图像的隐写性能最好。
步骤S2、计算所述残差图像的费希尔信息。
本步骤中，具体的，将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，由所述变量序列计算出所述残差图像的费希尔信息。使用不同的高通滤波模型分别计算所述变量序列的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
步骤S3、根据所述费希尔信息计算嵌入修改代价。
根据嵌入修改概率、费希尔信息和总的KL散度之间的关系，并在负载率约束下最小化KL散度求解嵌入修改代价。
具体的，根据所述费希尔信息计算嵌入修改代价的步骤还包括：
根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
在负载率约束下，根据计算出的嵌入修改概率得到嵌入修改代价。
步骤S4、根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
可选的，所述根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像的步骤中使用并发网格编码方法将秘密信息嵌入到载体图像中。
较佳的，所述根据所述费希尔信息计算嵌入修改代价的步骤还包括：
使用二维低通滤波器对计算出的嵌入修改代价进行扩散，得到扩散后的嵌入修改代价。使用扩散准则后，隐写安全性能会提高。更为详细的解释在B.Li,J.He,J.Huang,andY.Q.Shi,“A survey on image steganography and steganalysis,”Journal ofInformation Hiding and Multimedia Signal Processing,vol.2,no.2,pp.142–172,Apr.2011. 中有详细说明。
下面结合本发明的具体应用实施例，结合图3所示，对本发明所公开的方法进行更加详细的说明。
1.输入载体图像X；
2.根据输入的载体图像X计算残差图像；
公式如下：
式中，H是一个二维高通滤波器，η是残差图像。一般地，一个二维高通滤波器可以描述如下。
对于图像隐写，可以写成Y＝X+N，其中N是嵌入修改。则可以得到载密图像的残差图像如下
3.根据所述残差图像计算费希尔信息(FI,Fisher information)；
不同于现有技术中将载体图像建模，本发明中假设残差图像可建模成一系列具有不同方差的0均值高斯分布的变量，即ηXi～Q△(N(0,vi))，且假设载体图像噪声ηX和载密图像噪声ηY的概率密度函数(PMF,Probability mass function)分别为和(j∈M＝{k△|k∈Z})，对一个较大的n和较小的嵌入修改概率(ECP,Embeddingchange probability) βi，载体和载密图像间总的KL散度(Kullback-Leiblerdivergence,KLD) 可估计如下。
其中，
是费希尔信息(Fisher information,FI)。
对三元修改模型，假设β-＝β+＝β，则β0＝1-2β.假设邻域像素的修改概率近似，则
对方差为v的0均值高斯密度函数fv(x)，有
根据中值定理(MVT,Mean value theory)，对j'∈(j-1/2,j+1/2)，载体量化高斯分布可表示为
pj＝F△(j△)＝△fv(j'△)(25)
根据泰勒展开式(TF,Taylor's formula)，在x＝jk△处有：
则
因此，与高通滤波器H相关的隐写FI为：
可见，当R＝S＝1且a11＝1时，费希尔信息公式(28)与MG方法的公式 (12)的形式相同。
本发明使用多个高通滤波器分别计算FI，并取其中最大的FI作为最终的 FI值，如下所示。
式中，Π是一组高通滤波器的集合。
4、最小化KL散度，并解得嵌入修改代价ξi.
对负载率(Payload)α，最优问题(1)的约束条件可改写为
与总KL散度联列并求基于嵌入修改概率β的最小值，有
式中λ>0是由约束条件决定的常数。
求解(32)式相当于解λIi(0)/2＝xln(x-2)，其中因为当时 h(x)取得最大值。使用渐近迭代法对满足y≤103的反函数y＝xln(x-2)查表可快速求解(32)式得到最优的嵌入修改概率βi。其中查表为查找预先构建并存储的对数表。可以想到的是，该表也可以是其他含有对数表的数据库。
基于最小加性失真框架，嵌入修改概率与嵌入修改代价满足下式；
则嵌入修改代价可得如下：
5、扩散嵌入修改代价，得到实际的嵌入修改代价，如下所示。
式中，L是一个二维低通滤波器。
6、使用最优编码方案，如并发网格编码(STCs,Syndrome-trellis codes)，将秘密信息嵌入到载体图像，得到载密图像。
实施例2
本发明提供的第二实施例为一种空域图像自适应隐写系统，如图4，包括：
残差图像计算模块410，用于将输入的载体图像与高通滤波器卷积得到残差图像；其功能如步骤S1所述。
FI信息计算模块420，用于计算所述残差图像的费希尔信息；其功能如步骤S2所述。
修改代价计算模块430，用于根据所述费希尔信息计算嵌入修改代价；其功能如步骤S3所述。
嵌入信息模块440，用于根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像，其功能如步骤S4所述。
进一步的，所述费希尔信息计算模块还包括：
信息选择单元，用于使用不同的高通滤波模型分别计算所述变量序列的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
进一步的，所述修改代价计算模块包括：
修改概率计算单元，用于根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
嵌入代价计算单元，用于基于最小失真框架，根据计算出的嵌入修改概率得到嵌入修改代价。
实施例3
本发明提供的第三实施例为一种空域图像处理装置，其中，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的空域图像自适应隐写控制程序，其中所述空域图像自适应隐写控制程序被所述处理器执行时实现以下步骤：
将输入的载体图像与高通滤波器卷积得到残差图像；
计算所述残差图像的费希尔信息；
根据所述费希尔信息计算嵌入修改代价；
根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
下面以本发明所提供的方法或系统所取得的隐写性能与现有技术中公开的隐写方法或系统进行比对，说明本发明所提供方法和系统具有更好的隐写性能。
本发明对残差图像建模计算费希尔信息，并使用多个不同的高通滤波器分别建模，并选择最大的费希尔信息作为最终值，经过最小化KL散度解得嵌入修改代价，并使用代价扩散得到实际的嵌入修改代价，使隐写的安全性能更高。使用图像数据库BOSSBase1.01来进行验证比较。这个图像库包含使用不同相机不同场景拍摄的10000张512×512维的可移植灰度映射格式(PGM,Portable Gray Map)的灰度图像。用测试错误率PE(PE,Probability of error)来评价隐写性能：
式中，PMD、PFA分别表示漏检率(Probability of missing detection, PMD)和虚警率(Probability of false alarm,PFA)。PE越大表明隐写安全性越高。使用基于费希尔线性判别器(Fisher linear discriminant,FLD) 的集成分类器(Ensemble classifier)进行分类。使用现有的MG、WOW、 S-SUNIWARD、HILL和MiPOD技术做对比。使用图像隐写分类特征SRM和 maxSRMd2进行分类。把载体和载密图像按5000/5000的比例成对随机划分成训练和测试集，取10次这样划分的测试结果的平均值作为最后的结果。本发明使用残差图像建模计算嵌入修改代价，隐写算法简写成MGR。
1、MG和使用不同二维高能滤波器的MGR的性能对比
不同于MG，本系统对残差图像建模计算嵌入修改代价。使用不同高通滤滤器计算残差图像进行建模的隐写性能与MG比较如下表所示。
表1使用不同高通滤波器生成残差图像的MGR系统与MG技术的SRM 特征检测性能比较
| 滤波器 | 0.05bpp | 0.1bpp | 0.2bpp | 0.3bpp | 0.4bpp | 0.5bpp |
| MG | 0.3715 | 0.2935 | 0.2131 | 0.1654 | 0.1339 | 0.1119 |
| FR | 0.4041 | 0.3432 | 0.2629 | 0.2114 | 0.1705 | 0.1396 |
| SH | 0.4083 | 0.3467 | 0.2686 | 0.2142 | 0.1733 | 0.1400 |
| KB | 0.4327 | 0.3668 | 0.2745 | 0.2066 | 0.1617 | 0.1253 |
| KV | 0.4155 | 0.3511 | 0.2485 | 0.1884 | 0.1443 | 0.1129 |
| MGR* | 0.4516 | 0.3951 | 0.3081 | 0.2383 | 0.1882 | 0.1518 |
负载率(Payload)α的单位是位每像素(bit per pixel，bpp)。表中，负载率从0.05bpp～0.5bpp；FR是一阶高通滤波器、SH是二阶水平高通滤波器、KB是三阶滤波器和KV是五阶滤波器。可见，二阶和三阶高通滤波器生成的残差图像的隐写性能最好。平衡计算复杂度和性能，本系统选择二阶和三阶高通滤波器组成高通滤波器集合，如图5所示。表中MGR*行即是使用该高通滤波器集合的系统性能。
2、不同扩散尺度的MGR性能对比
使用二维平均低通滤波器对嵌入修改代价进行扩散，即式(35)中L为 h×h的平均低通滤波器。使用不同尺度的低通滤波器扩散代价的隐写性能如下表所示。
表2MGR不同扩散尺度的SRM特征检测性能对比
| 尺度(h) | 0.05bpp | 0.1bpp | 0.2bpp | 0.3bpp | 0.4bpp | 0.5bpp |
| 3 | 0.4584 | 0.4108 | 0.332 | 0.2741 | 0.2193 | 0.1782 |
| 5 | 0.4516 | 0.4296 | 0.358 | 0.2961 | 0.2473 | 0.2020 |
| 7 | 0.4668 | 0.4289 | 0.3624 | 0.3015 | 0.2506 | 0.2103 |
| 9 | 0.4644 | 0.4276 | 0.3587 | 0.2991 | 0.2488 | 0.2079 |
| 11 | 0.4613 | 0.4258 | 0.3565 | 0.2974 | 0.2463 | 0.2065 |
可见尺度h＝7时，隐写性能最好。即MGR系统的扩散尺度h＝7。
3、与现有技术的性能对比
使用SRM特征检测本系统与现有技术的隐写性能对比如图6所示，使用maxSRMd2特征检测本系统与现有技术的隐写性能对比如图7所示，可见，使用SRM特征检测时，本发明与HILL方法的性能相当，且比其它现有技术都好；使用maxSRMd2特征检测时，本发明与MiPOD方法的性能相当，且比其它现有技术都好。因此，本发明比现有技术有更高的隐写性能。
4、计算复杂度
本发明与MiPOD一样，都是基于模型的隐写系统。但MiPOD使用了一个比较复杂的方法来估算方差并计算FI，而本系统使用一个简单的方法，如下式来估计方差。
上式中EN表示邻域的期望值，如3×3邻域。
而MiPOD中所使用的用于估算方差的公式如下：
式中，In是对角单位矩阵；rn是第n个p×p块图像残差展成p2×1列向量，G是p2×q的矩阵，其中取p＝9时，隐写的性能最好。
因此可得到本发明与MiPOD的主要不同之处在于费希尔信息的计算。本发明与MiPOD的费希尔信息计算的时间对比如下表所示：
表3计算FI的时间
| 系统 | MiPOD | MGR |
| 花费时间(秒) | 0.4329 | 0.0544 |
本对比所用电脑配置为Intel(R)Xeon(R)CPU E5-2630v2@2.60GHz 和32G内存。可见，本发明比MiPOD有较小的计算复杂度。
本发明提供了一种空域图像自适应隐写方法、系统及装置，通过将输入的载体图像与高通滤波器卷积得到残差图像；将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，并计算所述变量序列的费希尔信息；根据所述费希尔信息计算嵌入修改代价；根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。本发明所提供的方法由于基于残差图像建模，并选择最大的费希尔信息作为最终值，因此具有较佳的隐写性能和较小的运算复杂度，为秘密信息的传递提供了便利。
可以理解的是，对本领域普通技术人员来说，可以根据本发明的技术方案及其发明构思加以等同替换或改变，而所有这些改变或替换都应属于本发明所附的权利要求的保护范围。
Claims (10)
1.一种空域图像自适应隐写方法，其特征在于，包括：
将输入的载体图像与高通滤波器卷积得到残差图像；
计算所述残差图像的费希尔信息；
根据所述费希尔信息计算嵌入修改代价；
根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
2.根据权利要求1所述的空域图像自适应隐写方法，其特征在于，计算所述残差图像的费希尔信息的步骤包括：
将所述残差图像建模成具有不同方差的0均值高斯分布的变量序列，由所述变量序列计算出所述残差图像的费希尔信息。
3.根据权利要求1所述的空域图像自适应隐写方法，其特征在于，计算所述残差图像的费希尔信息的步骤还包括：
使用不同的高通滤波模型分别计算所述残差图像的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
4.根据权利要求1所述的空域图像自适应隐写方法，其特征在于，根据所述费希尔信息计算嵌入修改代价的步骤还包括：
根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
在负载率约束下，根据计算出的嵌入修改概率得到嵌入修改代价。
5.根据权利要求4所述的空域图像自适应隐写方法，其特征在于，根据所述费希尔信息计算嵌入修改代价的步骤还包括：
使用二维低通滤波器对计算出的嵌入修改代价进行扩散，得到扩散后的嵌入修改代价。
6.根据权利要求1所述的空域图像自适应隐写方法，其特征在于，根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像的步骤中使用并发网格编码方法将秘密信息嵌入到载体图像中。
7.一种空域图像自适应隐写系统，其特征在于，包括：
残差图像计算模块，用于将输入的载体图像与高通滤波器卷积得到残差图像；
FI信息计算模块，用于计算所述残差图像的费希尔信息；
修改代价计算模块，用于根据所述费希尔信息计算嵌入修改代价；
嵌入信息模块，用于根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
8.根据权利要求7所述的空域图像自适应隐写系统，其特征在于，所述费希尔信息计算模块还包括：
信息选择单元，用于使用不同的高通滤波模型分别计算所述残差图像的费希尔信息，选定其中的最大值作为费希尔信息的最佳值。
9.根据权利要求7所述的空域图像自适应隐写系统，其特征在于，所述修改代价计算模块包括：
修改概率计算单元，用于根据费希尔信息与KL散度之间的关系，计算嵌入修改概率；
嵌入代价计算单元，用于在负载率约束下，根据计算出的嵌入修改概率得到嵌入修改代价。
10.一种空域图像自适应隐写装置，其特征在于，包括：处理器、存储器及存储在所述存储器上并可在所述处理器上运行的空域图像自适应隐写控制程序，其中所述空域图像自适应隐写控制程序被所述处理器执行时实现以下步骤：
将输入的载体图像与高通滤波器卷积得到残差图像；
计算所述残差图像的费希尔信息；
根据所述费希尔信息计算嵌入修改代价；
根据所述嵌入修改代价将秘密信息嵌入到载体图像中，形成最终的隐写图像。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910087109.6A CN109934760B (zh) | 2019-01-29 | 2019-01-29 | 一种空域图像自适应隐写方法、系统及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910087109.6A CN109934760B (zh) | 2019-01-29 | 2019-01-29 | 一种空域图像自适应隐写方法、系统及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109934760A true CN109934760A (zh) | 2019-06-25 |
| CN109934760B CN109934760B (zh) | 2023-04-07 |
Family
ID=66985301
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910087109.6A Active CN109934760B (zh) | 2019-01-29 | 2019-01-29 | 一种空域图像自适应隐写方法、系统及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109934760B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199693A (zh) * | 2020-09-30 | 2021-01-08 | 东南数字经济发展研究院 | 一种基于卡通化图像的隐写方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101582157A (zh) * | 2009-03-06 | 2009-11-18 | 中山大学 | 一种基于相邻像素差异的自适应空域隐写方法 |
| WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
| WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN106683031A (zh) * | 2016-12-30 | 2017-05-17 | 深圳大学 | 一种数字图像隐写分析特征提取方法及提取系统 |
| CN108416725A (zh) * | 2018-03-13 | 2018-08-17 | 中山大学 | 一种基于消除块效应的非对称jpeg隐写方法 |
-
2019
- 2019-01-29 CN CN201910087109.6A patent/CN109934760B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101582157A (zh) * | 2009-03-06 | 2009-11-18 | 中山大学 | 一种基于相邻像素差异的自适应空域隐写方法 |
| WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
| WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN106683031A (zh) * | 2016-12-30 | 2017-05-17 | 深圳大学 | 一种数字图像隐写分析特征提取方法及提取系统 |
| CN108416725A (zh) * | 2018-03-13 | 2018-08-17 | 中山大学 | 一种基于消除块效应的非对称jpeg隐写方法 |
Non-Patent Citations (3)
| Title |
|---|
| B .LI ,J .HE ,J .HUANG ,AND Y .Q .SHI: ""A survey on image steganography and steganalysis"", 《JOURNAL OF INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》 * |
| J.FRIDRICH & J.KODOVSKY: ""Multivariate gaussian model for designing additive distortion for steganography"", 《2013 IEEE INTERNATIONAL CONFERENCE ON ACOUSTICS， SPEECH AND SIGNAL PROCESSING》 * |
| J.FRIDRICH & J.KODOVSKY: ""Rich Models for Steganalysis of Digital Images"", 《IEEE TRANSACTIONS ON INFORMATION FORENSIC AND SECURITY》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112199693A (zh) * | 2020-09-30 | 2021-01-08 | 东南数字经济发展研究院 | 一种基于卡通化图像的隐写方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109934760B (zh) | 2023-04-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116584098A (zh) | 图像编码和解码、视频编码和解码：方法、系统和训练方法 | |
| Eggers et al. | Quantization effects on digital watermarks | |
| CN111491170B (zh) | 嵌入水印的方法及水印嵌入装置 | |
| US7095873B2 (en) | Watermarking via quantization of statistics of overlapping regions | |
| Qiao et al. | Robust steganography resisting JPEG compression by improving selection of cover element | |
| CN112634117B (zh) | 基于生成对抗网络的端到端jpeg域图像隐写方法 | |
| KR20160049482A (ko) | 삼차원 객체를 워터마킹하기 위한 방법 | |
| Zhang et al. | Improving the robustness of JPEG steganography with robustness cost | |
| Qin et al. | A new spatial steganographic scheme by modeling image residuals with multivariate Gaussian model | |
| Hamamoto et al. | Image watermarking technique using embedder and extractor neural networks | |
| Behnia et al. | Watermarking based on discrete wavelet transform and q-deformed chaotic map | |
| Wu et al. | Sign steganography revisited with robust domain selection | |
| CN109934760B (zh) | 一种空域图像自适应隐写方法、系统及装置 | |
| KR101143192B1 (ko) | 랜덤화된 신호 변환 및 적용을 제공하는 방법 | |
| Li et al. | Improved spread transform dither modulation using a perceptual model: robustness to amplitude scaling and JPEG compression | |
| Tang et al. | Reversible data hiding for JPEG images based on block difference model and Laplacian distribution estimation | |
| Sharifzadeh et al. | Quantized Gaussian embedding steganography | |
| CN114390154B (zh) | 基于信道匹配网络选择嵌入通道的鲁棒隐写方法及系统 | |
| Thai et al. | Steganalysis of Jsteg algorithm based on a novel statistical model of quantized DCT coefficients | |
| Braci et al. | How quantization based schemes can be used in image steganographic context | |
| Ababneh et al. | Iterative compensation schemes for multimedia content authentication | |
| Alturki et al. | Analysis of blind data hiding using discrete cosine transform phase modulation | |
| Sidorov | Hidden Markov models and steganalysis | |
| Shih et al. | A differential evolution based algorithm for breaking the visual steganalytic system | |
| Zhang et al. | Improving Robustness of TCM-based Robust Steganography with Variable Robustness |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |