CN109948307B - 基于像素多尺度预测的可逆数据隐藏方法 - Google Patents

Abstract

本发明提供了一种基于像素多尺度预测的可逆数据隐藏方法，包括：计算载体图像上每一个像素在所在区域的邻域复杂度，根据像素的邻域复杂度对所有的像素进行分类；对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图；利用直方图拓展‑平移嵌入算法，对预测误差直方图的峰值处的预测误差对应的像素值进行拓展和平移，将隐秘数据嵌入到像素值的预测误差上，进而得到嵌入隐秘数据的图像；将辅助信息通过LSB隐写算法嵌入到嵌入隐秘数据的图像中，得到含有隐秘数据的加密图像。本方法在保证一定嵌入容量的情况下，通过充分利用像素之间的信息冗余，有效降低载体图像的嵌入失真。

Description

基于像素多尺度预测的可逆数据隐藏方法

技术领域

本发明涉及信息安全技术领域，尤其涉及一种基于像素多尺度预测的可逆数据隐藏方法。

背景技术

随着计算机和互联网技术的发展，多媒体产品可以随时随地通过互联网被访问、交换和复制。对于音频、视频和图像这些多媒体产品的内容篡改、传播也越来越容易。这种的利性同样也得很多窃取原创作品的盗版行为和虚假信息的传播行为也越来越多。为了验证多媒体产品内容的完整性，防止伪造行为的发生，许多如加密、指纹识别和数据隐藏等技术得到了广泛的研究。其中，数据隐藏技术是一种可以以不易察觉的方式将数据隐藏到多媒体数据中，达到版权保护、内容认证和秘密通信的目的。

信息隐藏技术是通过利用多媒体载体内容上存在的信息冗余，在不影响原本信息价值的情况下，将识别信息嵌入到产品内容中。为了让嵌入信息后的多媒体文件和源文件内容保持一致，同时使得信息嵌入的痕迹不被察觉，信息隐藏技术更趋向于保证在嵌入一定数量的识别信息时对载体造成的视觉失真尽可能小。传统的信息隐藏技术关注于对各种内容攻击时的鲁棒性，通常会对多媒体数据引入不可逆的失真，不能应用于细微的破坏就会带来巨大影响的领域，例如对于医学或者军事图像的内容上的细微修改可能会造成结果的误判。为此，可逆数据隐藏技术为这些应用提供了有效的解决方案。可逆数据隐藏的可逆性意味着不仅可以从嵌入后图像中提取出嵌入数据，还可以无损的还原原始载体图像。

现有技术中虽然已经有许多可逆信息隐藏方法，基于像素值排序的可逆信息隐藏方法，对图像的修改少，保真度高，但是嵌入隐秘数据的容量非常有限。因此，研究对图像的修改少、高保真、嵌入隐秘数据容量高的可逆数据隐藏技术是非常有价值的。

发明内容

本发明提供了一种基于像素多尺度预测的可逆数据隐藏方法，以保证一定嵌入容量的情况下，通过充分利用像素之间的信息冗余，有效降低载体图像的嵌入失真。

为了实现上述目的，本发明采取了如下技术方案。

本发明提供了一种基于像素多尺度预测的可逆数据隐藏方法，包括：

S1计算载体图像上每一个像素在所在区域的邻域复杂度，根据像素的邻域复杂度对所有的像素进行分类。

S2对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图。

S3利用直方图拓展-平移嵌入算法，对所述预测误差直方图的峰值处的预测误差对应的像素值进行拓展和平移的修改操作，将隐秘数据嵌入到像素值的预测误差上，进而得到嵌入隐秘数据的图像。

S4将辅助信息通过最低有效位LSB隐写算法嵌入到嵌入隐秘数据的图像中，得到含有隐秘数据的加密图像。

优选地，计算载体图像上每一个像素在所在区域的邻域复杂度，包括：计算像素所在区域的竖直方向和水平方向相邻两个像素的差分，然后将所有差分的绝对值之和作为当前像素的邻域复杂度。

优选地，根据像素的邻域复杂度对所有的像素进行分类，包括：设置N个阈值参数，根据所述阈值参数，将所述像素根据邻域复杂度由小到大分成N+1类像素集合，N为正整数。

优选地，对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图，包括：剔除邻域复杂度最大的一类像素集合，即第N+1类像素集合，对其余像素集合进行多尺度预测得到预测值。

优选地，对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图，包括：对一定范围的邻域复杂度的像素集合中的每个像素选取对应的上下文信息，使用基于上下文最值预测算法，根据当前像素值与上下文中最值之间的关系，将最大或最小值信息作为对当前像素的预测值，进而得到预测误差值和对应的预测误差直方图。

优选地，对一定范围的邻域复杂度的像素集合中的每个像素选取对应的上下文信息，包括：对不同的像素集合，选取不同数量的像素作为对应像素集合的上下文信息，对每个像素集合中的像素选取距离最近的对应个数的像素作为上下文信息。

优选地，根据不同的像素集合，选取不同数量的像素作为对应像素集合的上下文信息，包括：所述像素集合对应的邻域复杂度越大，选取的像素数量越多。

优选地，根据当前像素值与上下文中最值之间的关系，将最大或最小值信息作为对当前像素的预测值，进而得到预测误差值和对应的预测误差直方图，包括：

当上下文C中最大值与最小值不相等，即max(C)≠min(C)，且x≥max(C)，则将max(C)作为x的预测值，预测误差值为：p＝x-max(C)；

当max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，则将min(C)作为x的预测值，预测误差值为：p＝min(C)-x；

当max(C)＝min(C)＝254，且x≥min(C)，预测误差值为：p＝0；

当max(C)＝min(C)≠254，且x≥max(C)，则将max(C)+1作为x的预测值，预测误差值为：p＝x-max(C)-1；

其他情况的像素被跳过。

优选地，利用直方图拓展-平移嵌入算法，对所述预测误差直方图的像素值进行拓展和平移的修改操作，将隐秘数据嵌入到像素值的预测误差上，进而得到嵌入隐秘数据的图像，包括：在修改原始图像的像素x进行嵌入时：

当max(C)≠min(C)，且x≥max(C)，修改后的像素值

为：

当max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，修改后的像素值

为：

当max(C)＝min(C)＝254，且x≥min(C)，修改后的像素值

为：

当max(C)＝min(C)≠254，且x≥max(C)，修改后的像素值

为：

其他情况像素被跳过。

优选地，辅助信息包括：阈值参数、嵌入容量、阈值个数和对应的阈值。由上述本发明的基于像素多尺度预测的可逆数据隐藏方法提供的技术方案可以看出，本发明通过对载体图像进行像素分类，剔除邻域复杂度高的像素，对邻域复杂度低的像素进行误差预测，将隐秘数据嵌入到像素值的预测误差上，进而得到嵌入隐秘数据的图像，能够提供较大的嵌入容量；并且在一定的嵌入容量下得到很小的嵌入失真，含密图像与原始图像相似度高，具有高保真、高容量的特点，尤其对平滑图像有更好的效果。

本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为基于像素多尺度预测的可逆数据隐藏方法的流程图；

图2为基于像素多尺度预测的可逆数据隐藏方法的实现原理图；

图3为像素的上下文信息示意图；

图4为不同的N值在不同嵌入容量下的性能比较结果图；

图5为原始图像；

图6为隐秘信息的嵌入图像；

图7为嵌入信息后的含密图像；

图8为采用本发明方法与现有技术的PSNR-嵌入容量的曲线图。

具体实施方式

下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

为便于对本发明实施例的理解，下面将结合附图以具体实施例为例做进一步的解释说明。

实施例

图1为本实施例的基于像素多尺度预测的可逆数据隐藏方法的流程图，图2为本实施例的基于像素多尺度预测的可逆数据隐藏方法的实现原理图，参照图1和图2，该方法包括，包括：

S1计算载体图像上每一个像素在所在区域的邻域复杂度，根据像素的邻域复杂度对所有的像素进行分类。

在嵌入时，自左向右、自上向下逐像素预测并实现嵌入。那么，对于当前像素x，为了保证算法的可逆性，同时得到合理的邻域复杂度，右下方向和左下方向的像素也应该都参与到复杂度计算中，从而充分利用x的周边邻域信息。示意性地，图3为像素的上下文信息示意图，如图3所示，灰色区域24个像素c₁，...，c₂₄被用来计算领域复杂度，其中下标是根据邻域像素与像素x的距离远近来索引的。在计算邻域复杂度时，先计算像素c₁，...，c₂₄的竖直方向和水平方向相邻两个像素的差分，接下来将所有差分的绝对值之和作为当前像素x的邻域复杂度，即像素所在区域的平滑程度。相同类别的像素的邻域复杂度是相近的。

设置N个阈值参数，根据所述阈值参数，将所述像素根据邻域复杂度由小到大分成N+1类像素集合，N为正整数。

其中，N个阈值参数的设置根据最大的邻域复杂度Z进行设置。首先将最小预测T₁设置为1，然后依次设置其他阈值为T₂＝2，T₃＝3，...，T_N＝N。然后计算当前阈值组合下的嵌入容量，如果容量不足以嵌入所有信息，则首先将T_N递增1至Z。若容量依旧不足，则依次再递增T_N-1，T_N-2，...，T_N-1，直至嵌入容量大于等于需要嵌入的信息大小为止。在寻找合适的阈值参数过程中，时刻满足T₁＜T₂＜…＜T_N。

具体地，计算得到所有的像素的邻域复杂度以后，根据预先设计好的N个阈值参数T₁，...，T_N，将其中邻域复杂度大于等于0小于T₁的像素集合记为A₁、邻域复杂度大于等于T₁小于T₂的像素集合记为A₂，以此类推，邻域复杂度大于等于T_N的像素集合记为A_N+1。这种分类方法将图像像素根据周边邻域的平滑性进行了划分，得到了N+1类像素集合A₁，...，A_N+1。

S2对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图。

在这些像素集合中，A₁代表着最为平滑的区域的一部分像素，而A_N代表着纹理比较复杂区域的一部分像素，剔除邻域复杂度最大的一类像素集合，A_N+1不被考虑在内，即第N+1类像素集合，前N个集合的像素已经足够嵌入所有信息。对其余像素集合进行多尺度预测得到预测值。

对一定范围的邻域复杂度的像素集合中的每个像素选取对应的上下文信息，使用基于上下文最值的预测算法，根据当前像素值与上下文中最值之间的关系，将最大或最小值信息作为对当前像素的预测值，进而得到预测误差值和对应的预测误差直方图。对不同的像素集合，选取不同数量的像素作为对应像素集合的上下文信息，对每个像素集合中的像素选取距离最近的对应个数的像素作为上下文信息。像素集合对应的邻域复杂度越大，选取的像素数量越多。对于较为平滑的像素，即邻域复杂度较小的像素，将周边小范围邻域范围像素作为当前像素的上下文信息；对于较为复杂区域的像素，将周边较大范围领域的像素作为上下文信息。

具体地，多尺度预测的步骤为：

首先，进行像素预测前需要得到当前像素x的上下文信息C。对于平滑区域的像素，如x∈A₁，将与像素x距离最近的四个像素c₁，...，c₄作为x的上下文信息；对于次平滑区域的像素，如x∈A₂，将与像素x距离最近的八个像素c₁，...，c₈作为x的上下文信息；以此类推，更复杂区域的像素则用更大范围尺度的邻域的像素信息作为x的上下文信息。然后，为了利用得到的上下文信息C对像素x进行预测，实际预测过程中有如下5种情况需要考虑。

第一种情况：如果C中最大值与最小值不相等，即max(C)≠min(C)，且x≥max(C)，将max(C)作为x的预测值。则预测误差的计算方式为：p＝x-max(C)；

第二种情况：如果max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，将min(C)作为x的预测值。则预测误差的计算方式为：p＝min(C)-x；

第三种情况：max(C)＝min(C)＝254，且x≥min(C)，这里令预测误差p＝0；

第四种情况：如果max(C)＝min(C)≠254，且x≥max(C)，将max(C)+1作为x的预测值。则预测误差的计算方式为：p＝x-max(C)-1；

第五种情况：除了述4种情况外，其他情况的像素将会被跳过，不会参与到预测和后面的嵌入过程中。其中，通过基于上下文最值的预测算法得到的p的取值范围是[0，+∞)。

通过这种基于平滑性考虑的多尺度预测方案，将不同类的像素的预测误差统计在一起，可以得到更精确的预测结果和更尖锐的预测误差直方图。

S3利用直方图拓展-平移嵌入算法，对所述预测误差直方图的像素值进行拓展和平移的修改操作，将隐秘信息嵌入到像素值的预测误差上，进而得到嵌入隐秘信息的图像。

具体地，在得到所有像素的预测误差以后，优先选择平滑区域的像素进行嵌入。也就是说，将隐秘信息嵌入到像素x∈{A₁，...，A_N}的预测误差中，复杂区域的像素x∈A_N+1将被跳过不进行嵌入操作。整个嵌入过程自左向右，自上向下进行。然后采用直方图拓展-平移嵌入算法，对当前像素x的预测误差p进行修改，嵌入1bit信息b∈{0，1}。因为在预测误差直方图上，直方图的峰值在p＝0的频次最高，预测误差值为0的像素被用来嵌入信息，得到值为0的预测误差在经过拓展后修改为

1bit信息被嵌入；值大于或等于1的预测误差经过平移操作后为

这样，信息就被嵌入到了预测误差中。而在修改原始图像的像素x进行嵌入时，为了保证可逆性，有以下5种情况需要考虑。

第一种情况：如果max(C)≠min(C)，且x≥max(C)，修改后的像素值

为：

第二种情况：如果max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，修改后的像素值

为：

第三种情况：如果max(C)＝min(C)＝254，且x之min(C)，修改后的像素值

为：

第四种情况：如果max(C)＝min(C)≠254，且x≥max(C)，修改后的像素值

为：

第五种情况：除上述4种情况外，其他情况的像素将会被跳过不会参与到嵌入过程中。

S4将辅助信息通过最低有效位(Least Significant Bit，LSB)隐写算法嵌入到嵌入隐秘信息的图像中，得到含有隐秘信息的加密图像。

在得到嵌入信息的图像之后，还需要嵌入可以盲提取的一些辅助信息。这些辅助信息包括：处理像素溢出问题的位置图向量及长度、嵌入容量、阈值个数N和阈值T₁，...，T_N。

具体包括：首先将辅助信息变换为二进制流信息，总计L_LSB个比特的信息。然后将嵌入信息的图像的前L_LSB个像素的最低有效位记录下来，替换成L_LSB个辅助信息的二进制信息。最后将图像的最低有效位信息通过与信息相同的嵌入方式嵌入到图像的最后面的像素中。将辅助信息嵌入后，得到了最终的含有隐秘信息的加密图像。

进一步地，该方法还包括隐秘数据提取的图像恢复，具体步骤为：

1、提取辅助信息

首先，读取含有隐秘信息的加密图像的前L_LSB个像素的最低有效位信息，得到辅助信息。

2、领域复杂度计算与像素分类

与嵌入过程相反，提取隐秘信息的过程是自下向上、自右向左进行的，这样做可以保证每个像素的上下文信息与嵌入时一致。对于当前要处理的像素

先利用如图2所示的灰色区域24个像素c₁，...，c₂₄计算出邻域复杂度。然后，提取者将邻域复杂度与辅助信息中的N个参数阈值T₁，...，T_N进行比较，找到一个阈值

恰好大于领域复杂度，则当前像素

属于集合

3、多尺度预测

根据得到的类别确定上下文信息C。由于信息提取是反向进行的，右下和左下方向像素已经经过提取和修复，与原始图像相同，所以当前像素

的集合

与嵌入信息前是相同的，而且由此确定的上下文信息C也是相同的。嵌入者要计算当前像素的预测误差

分为以下五种情况考虑。

第一种情况：如果max(C)≠min(C)，且

将max(C)作为

的预测值。则预测误差的计算方式为：

第二种情况：如果max(C)≠min(C)，且

或者max(C)＝min(C)≠254，且

将min(C)作为

的预测值。则预测误差的计算方式为：

第三种情况：max(C)＝min(C)＝254，且

将min(C)作为

的预测值。则预测误差的计算方式为：

第四种情况：如果max(C)＝min(C)≠254，且

将max(C)+1作为

的预测值。则预测误差的计算方式为：

第五种情况：除上述4中情况外，其他情况的像素将会被跳过，因为没有信息嵌入。

这里得到的预测误差

的取值范围是[0，+∞)。

4、隐秘信息提取

根据直方图拓展、平移算法，在嵌入时，预测误差为0的像素被用来拓展嵌入；其他的预测误差作平移操作，像素值增加1。所以若当前像素的预测误差为

则表示嵌入1bit信息b＝0；若当前像素的预测误差为

则表示嵌入1bit信息b＝1；其他预测误差

没有信息嵌入。

5、图像恢复

提取隐秘信息以后，需要将当前像素恢复为原始像素值，以便于接下来要信息提取和图像修复操作可以无误进行。对于当前像素

修复过程分成三种情况。

第一种情况：如果预测误差

则修复后像素

将max(C)作为

的预测值。则预测误差的计算方式为：

第二种情况：如果预测误差

且满足一下三个条件之一，

max(C)≠min(C)，且

max(C)＝min(C)＝254，且

max(C)＝min(C)≠254，且

则修复后像素

第三种情况：如果预测误差

max(C)≠min(C)，且

或者max(C)＝min(C)≠254，且

则修复后像素

最后将提取得到的原图像的L_LSB个最低有效位信息替换到最开始的像素位置，得到修复后的图像。

本领域技术人员应能理解，图3仅为简明起见而示出的像素的上下文信息的数量可能小于一个图像中的数量，但这种省略无疑是以不会影响对发明实施例进行清楚、充分的公开为前提的。

下面采用基于邻域复杂度预测的可逆数据隐藏方法进行仿真实验，利用附图和表格数据对实验结果进行展示和分析，以此说明本发明具有优良的性能。

在仿真实验中，使用峰值信噪比(Peak Signal to Noise Ratio，PSNR)作为性能评价指标。图4为不同的N值在不同嵌入容量下的性能比较结果图，参照图3，可以看到，随着N增加，得到的性能是不断提升的，但是提升效果在不断减少，N＝3到N＝4得到的提升已经非常小了，因此，使用N＝4作为一个比较合适的参数选择。

图5到图7分别是：原始图像、隐秘信息的嵌入图像和嵌入信息后的含密图像。其中，隐蔽信息嵌入量为10,000bits。图6说明嵌入的隐秘信息主要分布在平滑区域。尤其是在最平滑的帽檐部分嵌入信息最多。通过图5和图7的比较，也就是原图和含密图像的比较，可以发现视觉上几乎没有什么区别。

下表1为10,000bit嵌入量下采用不同方法的性能比较，其中，引用的Ou和Peng的方法均为现有技术中的方法。

通过表1可以得到10,000bits的嵌入量下的PSNR为61.19dB，这是一个远超同类方法的性能。

表1

本发明方法得到的含密图像与原图相似度高，具有高保真的特点；其次在嵌入容量方面也有很大的优势。

图8为采用本发明方法与现有技术的PSNR-嵌入容量的曲线图，参照图8，比较的是8张典型的512×512的灰度图像，可以看出本发明方法得到的性能远远超过现有技术中的两种经典算法。而在Baboon图像上，本发明算法没有比Ou等人的算法的性能好，这是因为Baboon图像的纹理比较复杂，无论是平滑区域还是复杂区域的纹理复杂度都很高。这时，过多上下文信息的介入反而对预测起到了反作用，这对多尺度预测是很不利的。在除此之外的图像上，表2为20,000bit嵌入量下的性能比较，通过表1和表2可以看到，本发明算法在10,000bits的嵌入量下，比同类方案的平均性能分别高了0.93dB和0.66dB；在20,000bits的嵌入量下，比同类方案的平均性能分别高了1.00dB和0.79dB。这是一个很大的提升。并且，通过本发明方法得到的所有图像上的嵌入容量均不低于现有算法，而在平滑图像如Lena和Airplane上，最大嵌入容量远超现有算法。

表2

综上所述，本实施例通过基于邻域复杂度预测的可逆数据隐藏方法，充分利用像素的上下文信息，显著的降低了嵌入失真；同时这是一种逐像素嵌入的技术，有较高的嵌入容量的保证；在相同的嵌入容量下，通过本发明方法得到的含密图像与原图像之间的PSNR要明显高于现有技术得到的PSNR。

本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的流程并不一定是实施本发明所必须的。

通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (6)

1.一种基于像素多尺度预测的可逆数据隐藏方法，其特征在于，包括：

计算载体图像上每一个像素在所在区域的邻域复杂度，根据像素的邻域复杂度对所有的像素进行分类；

对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图，包括：

对一定范围的邻域复杂度的像素集合中的每个像素选取对应的上下文信息，包括：所述像素集合对应的邻域复杂度越大，选取的像素数量越多；

使用基于上下文最值预测算法，根据当前像素值与上下文中最值之间的关系，将最大或最小值信息作为对当前像素的预测值，进而得到预测误差值和对应的预测误差直方图，包括：

当上下文C中最大值与最小值不相等，即max(C)≠min(C)，且x≥max(C)，则将max(C)作为x的预测值，预测误差值为：p＝x-max(C)；

当max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，则将min(C)作为x的预测值，预测误差值为：p＝min(C)-x；

当max(C)＝min(C)＝254，且x≥min(C)，预测误差值为：p＝0；

当max(C)＝min(C)≠254，且x≥max(C)，则将max(C)+1作为x的预测值，预测误差值为：p＝x-max(C)-1；

其他情况的像素被跳过；

利用直方图拓展-平移嵌入算法，对所述预测误差直方图的峰值处的预测误差对应的像素值进行拓展和平移的修改操作，将隐秘数据嵌入到像素值的预测误差上，进而得到嵌入隐秘数据的图像，包括：采用直方图拓展-平移嵌入算法，对当前像素x的预测误差p进行修改，嵌入1bit信息b∈{0，1}，在预测误差直方图上，直方图的峰值在p＝0的频次最高，预测误差值为0的像素被用来嵌入信息，得到值为0的预测误差在经过拓展后修改为

1bit信息被嵌入；值大于或等于1的预测误差经过平移操作后为

在修改原始图像的像素x进行嵌入时：

当max(C)≠min(C)，且x≥max(C)，修改后的像素值

为：

当max(C)≠min(C)，且x≤min(C)，或者max(C)＝min(C)≠254，且x≤min(C)，修改后的像素值

为：

当max(C)＝min(C)＝254，且x≥min(C)，修改后的像素值

为：

当max(C)＝min(C)≠254，且x≥max(C)，修改后的像素值

为：

其他情况像素被跳过；

将辅助信息通过最低有效位LSB隐写算法嵌入到嵌入隐秘数据的图像中，得到含有隐秘数据的加密图像。

2.根据权利要求1所述的方法，其特征在于，所述的计算载体图像上每一个像素在所在区域的邻域复杂度，包括：计算像素所在区域的竖直方向和水平方向相邻两个像素的差分，然后将所有差分的绝对值之和作为当前像素的邻域复杂度。

3.根据权利要求1所述的方法，其特征在于，所述的根据像素的邻域复杂度对所有的像素进行分类，包括：设置N个阈值参数，根据所述阈值参数，将所述像素根据邻域复杂度由小到大分成N+1类像素集合，N为正整数。

4.根据权利要求3所述的方法，其特征在于，所述的对分类后的一定范围邻域复杂度的像素集合进行多尺度预测得到预测值，进而得到预测误差值和对应的预测误差直方图，包括：剔除邻域复杂度最大的一类像素集合，即第N+1类像素集合，对其余像素集合进行多尺度预测得到预测值。

5.根据权利要求1所述的方法，其特征在于，所述的对一定范围的邻域复杂度的像素集合中的每个像素选取对应的上下文信息，包括：对不同的像素集合，选取不同数量的像素作为对应像素集合的上下文信息，对每个像素集合中的像素选取距离最近的对应个数的像素作为上下文信息。

6.根据权利要求1所述的方法，其特征在于，所述的辅助信息包括：阈值参数、嵌入容量、阈值个数和对应的阈值。

Images