CN110189273A - 一种基于重抽样的隐藏图像修复方法 - Google Patents

Abstract

本发明公开了一种基于重抽样的隐藏图像修复方法，信息载体和隐藏信息均为图像，其特征在于，包括如下步骤：1）构造伪复制数据集；2）通过伪复制数据集计算待修复像素的估计值；3）隐藏图像的修复。这种方法能够准确的恢复被破坏的像素，使得修复后的图像具有较高的峰值信噪比和较好的视觉效果。

Description

一种基于重抽样的隐藏图像修复方法

技术领域

本发明涉及图像处理和信息安全领域，具体是一种基于重抽样的隐藏图像修复方法。

背景技术

随着网络技术的发展，信息安全备受人们的关注。信息隐藏作为信息安全的重要研究领域，得到了广泛的应用。信息隐藏目的是将秘密信息嵌入到载体中，让截获者察觉不到隐秘通信的存在，提高信息的安全性。如果隐藏的载体和密秘信息均为图像，当载体图像被噪声等破坏时，提取的隐藏图像也会被破坏，对隐藏图像的恢复可提高其安全性。

现有技术中的空域图像恢复方法包括：开关中值和形态学滤波去除脉冲噪声的算法、自适应双阈值去除随机脉冲噪声的算法、基于迭代方法去除随机脉冲噪声等算法。开关中值和形态学滤波去除脉冲噪声算法首先通过基于侵蚀和膨胀算子的形态学梯度对噪声进行监测，然后通过混合滤波器去除监测到的脉冲噪声；自适应双阈值去除随机脉冲噪声算法，通过引入双阈值来改进噪声监测技术，应用窗口像素平均值计算阈值，准确的噪声监测更加有利于图像去噪；基于迭代方法去除随机脉冲噪声算法，通过检查噪声点分布，针对检测出的噪声点应用基于迭代的中值滤波进行修复。

现有技术中的频域图像恢复方法包括：基于小波和多重分形的奇异检测图像去噪方法、应用维纳滤波的双层混合小波变换实现图像恢复、应用对偶树复小波变换实现图像恢复等。基于小波和多重分形的奇异检测图像去噪方法，是用小波变换多分辨率进行分析，用不同尺度的局部统计自相似性，计算出各尺度局部奇异性的逐点奇异强度值，通过奇异强度的阈值划分，将每个尺度的小波系数分为两类：边缘相关正则小波系数和不规则系数，不规则系数类，用一种近似的最小均方误差估计方法进行降噪处理，而边缘关联规则的小波系数类，利用模糊加权均值滤波器进行平滑处理，旨在保护边缘和细节时降噪；应用维纳滤波的双层混合小波变换来实现图像恢复，根据混合小波并结合软阈值函数和硬阈值函数对图像进行初步处理，并使用维纳滤波处理得到恢复图像；应用对偶树复小波变换来实现图像恢复，用对偶树复小波变换来分解图像并且用压缩操作去除图像的噪声。

发明内容

本发明的目的是针对现有技术的不足，而提供一种基于重抽样的隐藏图像修复方法。这种方法能够准确地恢复被破坏的像素，使得修复后的图像具有较高的峰值信噪比和较好的视觉效果。

实现本发明目的的技术方案是：

一种基于重抽样的隐藏图像修复方法，信息载体和隐藏信息均为图像，与现有技术不同处在于，包括如下步骤：

1)构造伪复制数据集：检测载密图像的像素值，确定被噪声破坏的像素，对从被破坏像素中提取的秘密信息进行标记，从载密图像中提取隐藏图像，在隐藏图像中，若像素高5位未被破坏，该像素为可信点，不需修复；若像素高5位存在被破坏的比特位，该像素为不可信点，是待修复像素需进行修复，应用重抽样法进行隐藏图像修复，首先要构造伪复制数据集，将p_i,j的3×3邻域像素作为原始数据集，由于原始数据集中p_i-1,j-1,p_i-1,j+1,p_i+1,j-1,p_i+1,j+1与p_i,j的欧氏距离为p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j距离待修复点p_i,j的欧式距离为1，表明p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j与p_i,j的联系更为紧密，因此采用包含p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j这4个元素伪复制数据集对待修复点进行修复，用于修复p_i,j的伪复制数据集如公式(1)所示：

2)通过伪复制数据集计算待修复像素的估计值：设p_i,j为修复像素，从p_i,j的3×3邻域中开始寻找可信点，若可信点个数小于2，则扩大查找范围，直到满足可信点个数要求或到达图像边界，设查找到m个可信像素，像素的低三位若存在被破坏位，将被破坏位同时置1得到最值，同时置0得到最小值，设max_k(k＝1,2,…,m)表示第i个可信像素最大值、min_k为第k个可信像素最小值，maxs＝max(max₁,max₂,…,max_m),mins＝min(min₁,min₂,…,min_m),得到p_i,j及邻域像素的取值范围，

对于伪复制数据集为{q₁,q₂,q₃,q₄,q₅,q₆,q₇}，设像素q_k(k＝1,2,3,4,5,6,7)的高5位中的不可信位置0或1，低三位保持不变，得到介于mins与maxs之间的可能值集合为其中u_k元素的个数，共有7个数据集，如公式(2)所示：

，

设在7个数据集中，从每个集合取一个元素得到数据集O_k，则：

，

其中k＝1,2,…,s，令：

l_k＝mean(O_k) (4)，

计算t_k(k＝1,2,…,z)与l₁,l₂,…,l_s差值的平方和y_k，设y₁,y₂,…,y_z的最小值设为y，且若e＝1，则得到p_i,j的估计值value为若e>1，令：

，

其中v＝1,2,…,e，令：

w＝argmin(g₁,g₂,…,g_e) (6)，

argmin(·)为计算一组数中的最小值所对应的下标，则得到p_i,j的估计量value为

3)隐藏图像的修复：将待修复像素p_i,j被破坏的位置0或1，得到p_i,j所有的可能值，设这些介于mins与maxs之间的可能值为t₁,t₂,…,t_z，则修复值为其中之一，依据步骤2)的方法可分别计算出A₁、A₂、A₃、A₄的估计值，分别为value₁,value₂,value₃,value₄，令：

v＝round(value₁,value₂,value₃,value₄) (7)，

round(·)为求均值并四舍五入取整运算，在t₁,t₂,…,t_z中与v差值绝对值最小的元素为p_i,j的修复值，实现对p_i,j的修复，同理，可修复隐藏图像中所有非边界不可信像素：修复隐藏图像边界不可信像素时，若相邻像素有可信像素，则用这些可像素的均值对其进行修复，若相邻像素没有可信像素，则用所有相邻像素的均值对其进行修复，最终完成对隐藏图像的恢复。

本技术方案中载体和隐藏信息都是图像，统计学方法在数据分析、数据预测等方面应用广泛，本技术方案将统计学重抽样的方法应用于隐藏图像的恢复中，将被噪声等破坏的像素作为缺失数据，考虑图像自身特性，构造多个伪复制数据集，根据这些构造的数据集预测被破坏像素的值。

这种方法能够准确的恢复被破坏的像素，使得修复后的图像具有较高的峰值信噪比和较好的视觉效果。

附图说明

图1为实施例中被隐藏图像矩阵示意图；

图2为实施例中载体图像矩阵示意图；

图3为实施例中载密图像矩阵示意图；

图4为实施例中被强度0.3椒盐噪声污染的载密图像矩阵示意图；

图5为实施例中从图4中恢复的隐藏图像矩阵示意图；

图6为实施例中图4中像素是否可信标记矩阵示意图；

图7为实施例中修复后的隐藏图像矩阵示意图。

具体实施方式

下面结合实施例对本发明内容作进一步的详细说明，但不是对本发明的限定。

实施例：

本例选择大小为3×3隐藏图像，如图1所示，按行遍历隐藏图像中的像素，每个像素按照由高位到低位的顺序排列，得到3×3×8位秘密信息，为{01100111、01101000、01100110、01111110、01101110、01101101、01101001、01101010、01101000}，如图2所示为6×6大小的载体图像，隐藏位数为2，将72位秘密信息按行遍历的顺序隐藏到载密像素的次低位和最低位，得到载密图像如图3所示，载密图像添加强度为0.3的椒盐噪声后所得到的载密图像如图4所示。

一种基于重抽样的隐藏图像修复方法，信息载体和隐藏信息均为图像，包括如下步骤：

1)构造伪复制数据集：检测载密图像，像素值为255或0的载密像素为被噪声破坏像素，根据隐藏时的顺序提取秘密信息，并对从破坏像素中提取的隐藏信息进行标记，提取的秘密信息为{01100111、01100000、01100111、01111110、11111110、01101100、01111000、01101011、01001000}，计算得到恢复隐藏图像像素值，如图5所示，秘密信息的标记为{00000011、00001100、00000011、00000000、11110000、00000011、00110011、00000011、00110000}其中1表示对应的秘密信息被破坏，0表示对应的秘密信息没有被破坏，在隐藏图像中，若像素高5位未被破坏，该像素不需进行修复，若像素高5位存在被破坏的比特位，对其进行标记，采用重抽样方法进行修复，如图6所示为提取的隐藏图像中各像素是否可信标记矩阵示意图，若对应的像素需要修复用1来表示，若对应的不需要修复用0来表示；

将重抽样法应用于图像修复，首先要构造伪复制数据集，将p_i,j的3×3邻域像素作为原始数据集，则原始数据集为{p_i-1,j-1,p_i-1,j,p_i-1,j+1,p_i,j-1,p_i,j+1,p_i+1,j-1,p_i+1,j,p_i+1,j+1}，原始数据集中p_i-1,j-1,p_i-1,j+1,p_i+1,j-1,p_i+1,j+1与p_i,j的欧氏距离为p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j距离待修复点p_i,j的欧式距离为1，表明p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j与p_i,j的联系更为紧密，因此采用包含p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j这4个元素伪复制数据集对待修复点进行修复，如公式(1)所示：

将i＝2，j＝2时带入公式(1)得到4个元素伪复制数据集对p_2,2进行修复，4个伪复制数据集为：

2)通过伪复制数据集计算待修复像素的估计量：设p_i,j为不可信非边界像素，位于隐藏图像的第i＝2行第j＝2列，依据邻域可信像素，确定p_2,2修复值的取值范围，即从p_2,2的3×3邻域中开始寻找可信点，若可信点个数小于2，则扩大查找范围，直到满足可信点个数要求或到达图像边界：从p_2,2的3×3邻域中查找到m＝5个可信像素p_1,1,p_1,3,p_2,1,p_2,3,p_3,2，5个可信像素中高五位不存在被破坏位，某个像素的低三位若存在被破坏位，将被破坏位置1或置0，得到该像素的最大和最小值；某个像素的低三位若不存在被破坏位，该像素的最大和最小值为该像素的像素值，设max_i(i＝1,2,…,m)表示查找的第i个可信像素最大值、min_i为查找的第i个可信像素最小值，由max₁＝103，max₂＝103，max₃＝126，max₄＝111，max_m＝107和min₁＝100，min₂＝100，min₃＝126，min₄＝108，min_m＝104，得到p_i,j及邻域像素的取值范围：maxs＝max(max₁,max₂,…,max_m)＝126,mins＝min(min₁,min₂,…,min_m)＝100。将p_i,j被破坏的高5位置0或置1，得到若干个p_i,j的可能修复值，设t₁,t₂,…,t_z为介于maxs与mins之间的可能值，求得t₁＝126，t₂＝110，z＝2，则修复值为t₁,t₂其中之一。

对于伪复制数据集为{q₁,q₂,q₃,q₄,q₅,q₆,q₇}＝A₁，设像素q_k(k＝1,2,3,4,5,6,7)的高5位中的不可信位置0或置1，低三位保持不变，伪复制数据集中其他像素值不变，得到介于maxs与mins之间的可能值集合为其中u_k为元素的个数，如公式(2)所示：

由公式(2)，得到7个数据集为：

设令：

其中k＝1,2,3,4，令：

l_k＝mean(O_k) (4)

计算t_k(k＝1,2,…,z)与l₁,l₂,…,l_s差值的平方和y_k，设y₁,y₂,…,y_z的最小值设为y，且e＝1，则得到p_i,j的估计量value为

3)隐藏图像的修复：

依据步骤2)的方法可分别计算出A₁、A₂、A₃、A₄的估计量，分别为value₁＝110，value₂＝110,value₃＝110,value₄＝110，令：

v＝round(value₁,value₂,value₃,value₄) (7)

round(·)为求均值并四舍五入取整运算，由公式(7)得到v＝t₂＝110，为p_2,2的修复值。

同理，修复隐藏图像边界不可信像素，若相邻像素有可信像素，则用这些可像素的均值对其进行修复，若相邻像素没有可信像素，则用所有相邻像素的均值对其进行修复，最终完成对隐藏图像的恢复，具体地，p_1,2应用相邻像素p_1,1，p_1,3，p_2,1，p_3,2来修复，p_1,1，p_1,3，p_2,1，p_3,2的像素均值为110，因此p_1,2的修复值为110，p_3,1应用相邻像素p_2,1，p_3,2来修复，p_2,1，p_3,2的像素均值为116，因此p_3,1的修复值为116，p_3,3应用相邻像素p_2,3，p_3,2来修复，p_2,1，p_3,2的像素均值为107，因此p_3,1的修复值为107，隐藏图像修复完成，如图7所示为修复后的隐藏图像矩阵示意图。

Claims (1)

1.一种基于重抽样的隐藏图像修复方法，信息载体和隐藏信息均为图像，其特征在于，包括如下步骤：

1)构造伪复制数据集：检测载密图像的像素值，确定被噪声破坏的像素，对从被破坏像素中提取的秘密信息进行标记，从载密图像中提取隐藏图像，在隐藏图像中，若像素高5位未被破坏，该像素为可信点，不需修复；若像素高5位存在被破坏的比特位，该像素为不可信点，是待修复像素需进行修复，构造伪复制数据集，将p_i,j的3×3邻域像素作为原始数据集，原始数据集中p_i-1,j-1,p_i-1,j+1,p_i+1,j-1,p_i+1,j+1与p_i,j的欧氏距离为p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j距离待修复点p_i,j的欧式距离为1，表明p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j与p_i,j的联系更为紧密，采用包含p_i-1,j,p_i,j-1,p_i,j+1,p_i+1,j这4个元素伪复制数据集对待修复点进行修复，用于修复p_i,j的伪复制数据集如公式(1)所示：

2)通过伪复制数据集计算待修复像素的估计值：设p_i,j为修复像素，从p_i,j的3×3邻域中开始寻找可信点，若可信点个数小于2，则扩大查找范围，直到满足可信点个数要求或到达图像边界，设查找到m个可信像素，像素的低三位若存在被破坏位，将被破坏位同时置1得到最值，同时置0得到最小值，设max_k(k＝1,2,…,m)表示第i个可信像素最大值、min_k为第k个可信像素最小值，maxs＝max(max₁,max₂,…,max_m),mins＝min(min₁,min₂,…,min_m),得到p_i,j及邻域像素的取值范围，

对于伪复制数据集为{q₁,q₂,q₃,q₄,q₅,q₆,q₇}，设像素q_k(k＝1,2,3,4,5,6,7)的高5位中的不可信位置0或1，低三位保持不变，得到介于mins与maxs之间的可能值集合为其中u_k元素的个数，共有7个数据集，如公式(2)所示：

，

设在7个数据集中，从每个集合取一个元素得到数据集O_k，则：

，

其中k＝1,2,…,s，令：

l_k＝mean(O_k) (4)，

计算t_k(k＝1,2,…,z)与l₁,l₂,…,l_s差值的平方和y_k，设y₁,y₂,…,y_z的最小值设为y，且若e＝1，则得到p_i,j的估计值value为若e>1，令：

，

其中v＝1,2,…,e，令：

w＝argmin(g₁,g₂,…,g_e) (6)，

argmin(·)为计算一组数中的最小值所对应的下标，则得到p_i,j的估计量value为

3)隐藏图像的修复：将待修复像素p_i,j被破坏的位置0或1，得到p_i,j所有的可能值，设这些介于mins与maxs之间的可能值为t₁,t₂,…,t_z，则修复值为其中之一，依据步骤2)的方法可分别计算出A₁、A₂、A₃、A₄的估计值，分别为value₁,value₂,value₃,value₄，令：

v＝round(value₁,value₂,value₃,value₄) (7），

round(·)为求均值并四舍五入取整运算，在t₁,t₂,…,t_z中与v差值绝对值最小的元素为p_i,j的修复值，实现对p_i,j的修复，同理，可修复隐藏图像中所有非边界不可信像素：修复隐藏图像边界不可信像素时，若相邻像素有可信像素，则用这些可像素的均值对其进行修复，若相邻像素没有可信像素，则用所有相邻像素的均值对其进行修复，最终完成对隐藏图像的恢复。