CN110751591B - 一种基于模糊推理系统的自适应彩色图像隐写方法 - Google Patents

一种基于模糊推理系统的自适应彩色图像隐写方法 Download PDF

Info

Publication number
CN110751591B
CN110751591B CN201910868761.1A CN201910868761A CN110751591B CN 110751591 B CN110751591 B CN 110751591B CN 201910868761 A CN201910868761 A CN 201910868761A CN 110751591 B CN110751591 B CN 110751591B
Authority
CN
China
Prior art keywords
image
pixel
color
fuzzy
channel
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.)
Active
Application number
CN201910868761.1A
Other languages
English (en)
Other versions
CN110751591A (zh
Inventor
陈明志
谢加良
张瑞
许春耀
汤莉莉
翁才杰
饶庆裕
周怡
杨小权
李栋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Beika Technology Co ltd
Original Assignee
Beijing Beika Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Beika Technology Co ltd filed Critical Beijing Beika Technology Co ltd
Priority to CN201910868761.1A priority Critical patent/CN110751591B/zh
Publication of CN110751591A publication Critical patent/CN110751591A/zh
Application granted granted Critical
Publication of CN110751591B publication Critical patent/CN110751591B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
    • H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
    • H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
    • H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
    • H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
    • H04N1/32272—Encryption or ciphering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明公开一种基于模糊推理系统的自适应彩色图像隐写方法，包括如下步骤：步骤1，分离彩色载体图像颜色通道，提取载体图像各个颜色通道的特征；步骤2，确定隶属度函数，给定模糊规则，以步骤1提取的特征作为输入，经过模糊器、模糊推理机得到一个模糊输出，进而通过解模糊器得到一个清晰的输出值；步骤3，判断每个像素类型，根据颜色通道的复杂度估计其嵌入容量，加密拟隐藏的信息，利用LSB算法针对不同的像素类型自适应嵌入不同位数的秘密信息，合并图像颜色通道，得到载密图像。此种方法充分考虑彩色图像颜色空间复杂度，根据图像本身的纹理复杂度、视觉特性自适应嵌入不同的容量，能够提高图像嵌入容量、不可感知性及秘密信息安全性。

Description

一种基于模糊推理系统的自适应彩色图像隐写方法
技术领域
本发明属于图像信息隐藏技术领域，特别涉及一种基于模糊推理系统的自适应彩色图像隐写方法。
背景技术
在信息技术不断发展的同时，信息安全问题也日显突出。近年来，信息隐藏技术已成为信息安全的研究焦点之一。由于数字图像具有数据量大、冗余性强等特征，因此以其为载体的图像隐写技术是目前研究热点。目前根据图像隐写术嵌入域的不同，可将其分为空域隐写术[28，24]和变换域隐写术[26，27]两类；根据嵌入策略的不同，图像隐写术又可分为非自适应隐写术[25]和自适应隐写术[13，14，15]两类。自适应图像隐写算法是根据载体图像自身属性，将秘密信息嵌入到图像的纹理复杂(边缘)区域，该算法一定程度上提高了秘密信息的安全性[12]。与此同时，智能计算、机器学习与隐写术的结合也为近年来进入瓶颈期的传统隐写术注入了新的活力[16，17]，其中以模糊集理论为基础的模糊推理系统、模糊聚类分析、模糊几何学、模糊度量以及与其他智能计算相结合的方法可以有效提高图像信息隐写技术[18，3]。
模糊集理论是1965年L.A.zadeh提出的一种处理不确定性问题的有效软计算方法[21]，并在此基础上发展起来了传统模糊推理系统、模糊控制系统、自适应模糊差值推理系统等[2，22，23]。由于图像本身的不确定性及定义图像边缘和纹理时存在的模糊性，而模糊集理论在描述不确定性事件和不精确信息时具有先天的优势，因此将其用于图像处理、图像边缘检测、图像隐写等方面有较好的结果[19，20，4]。Khursheed和Mir[10，11]第一次尝试将模糊推理方法应用于隐写术，将信息嵌入到图像模糊逻辑域中，该算法计算成本低、不可感知性好，且嵌入率高、能够抗载体图像攻击。与其他隐藏方法相比，基于模糊推理系统的隐写方法将更多的精力集中在视觉质量的保持上，以提高嵌入容量及秘密信息安全性，表现出了优于传统方法的结果。
目前基于模糊集理论的图像隐写算法大都是基于灰度图像，推理系统仅考虑单输入单输出情形[3，8]，其颜色信息和图像本身特性没有被有效利用，导致嵌入容量有限、实用性不强。除此之外，现有的彩色图像隐写算法大多是将基于灰度图像的隐写算法直接用于彩色通道，未能充分运用彩色视觉感知机理和考虑彩色图像颜色通道间相关性，进而会导致隐写算法安全性不高、易被检测。
参考文献信息如下：
[1]Sivanandam S N.Introduction to Fuzzy Logic using MATLAB[J].Springer Berlin,2007,26(2):319-328.
[2]Sajasi S,Moghadam A M E.A high quality image steganography schemebased on Fuzzy Inference System[C]//Fuzzy Systems(IFSC),201313th IranianConference on.2013.
[3]Ashraf Z,Roy M L,Muhuri P K,et al.[IEEE 2018IEEE InternationalConference on Fuzzy Systems(FUZZ-IEEE)-Rio de Janeiro,Brazil(2018.7.8-2018.7.13)]2018IEEE International Conference on Fuzzy Systems(FUZZ-IEEE)-ANovel Image Steganography Approach Based on Interval Type-2Fuzzy Similarity[C]//2018IEEE International Conference on Fuzzy Systems(FUZZ-IEEE).IEEE,2018:1-8.
[4]熊来福.基于图像的隐写分析技术研究[D].北京化工大学,2018.
[5]CheddadA,Condell J,Curran K,et al.Digital image steganography:Survey and analysis ofcurrent methods[J].Signal Processing,2010,90(3):727-752.
[6]Wang Z,Bovik A C,Sheikh H R,et al.Image Quality Assessment:FromError Visibility to Structural Similarity[J].IEEE Transactions on ImageProcessing,2004,13(4).
[7]张成斌.形态与形态小波降噪技术及其在位移测量中的应用[D].南京航空航天大学,2016.
[8]Chan C K,Cheng L M.Hiding data in images by simple LSBsubstitution[J].Pattern Recognition,2004,37(3):469-474.
[9]王季方,卢正鼎.模糊控制中隶属度函数的确定方法[J].河南科学,2000(04):348-351.
[10]Khursheed F.and Mir A.H.,“Fuzzy logic based data hiding,”InProceeding of Cyber Security,Cyber Crime,and Cyber Forensics,Department ofElectronics and Communication,National Institute of Technology,Srinagar,India,2009.
[11]Kadhim I J,Premaratne P,Vial P J,et al.Comprehensive SurveyofImage Steganography:Techniques,Evaluations,and Trends in Future Research[J].Neurocomputing,2018.
[12]Pevny T,Filler T,Bas P.Using high-dimensional image models toperform highly undetectable steganography[C]//International Workshop onInformation Hiding.Springer,Berlin,Heidelberg,2010:161-177.
[13]Holub V,Fridrich J.Digital image steganography using universaldistortion[C]//Proceedings of the first ACM workshop on Information hidingand multimedia security.ACM,2013:59-68.
[14]Zhou W,Zhang W,Yu N.A new rule for cost reassignment in adaptivesteganography[J].IEEE Transactions on Information Forensics and Security,2017,12(11):2654-2667.
[15]Alam S,Ahmad T,Doja M N.A Novel Edge Based Chaotic SteganographyMethod Using Neural Network[C]//Proceedings of the 5th InternationalConference on Frontiers in Intelligent Computing:Theory andApplications.Springer,Singapore,2017:467-475.
[16]Islam M,Roy A,Laskar R H.Neural network based robust imagewatermarking technique in LWT domain[J].Journal ofIntelligent and FuzzySystems,2018,34(3):1691-1700.
[17]Hussain H.S.,Aljunid S.A.,Yahya S.,and Ali F.H.M.,“A novel hybridfuzzy-SVM image steganographic model,”In Proceeding of InternationalSymposium in Information Technology,vol.1,2010:1-6.
[18]Goodarzi M.H.,ZaeimA.,and ShahabiA.S.,“Convergence between fuzzylogic and steganography for high payload data embedding and more security,”InProceedings of6th International Conference on Telecommunication Systems,Services,andApplications,2011:130-138.
[19]A.K.Alvi,R.Dawes,Image steganography using fuzzy domaintransformation andpixel classification,in:Proceedings ofthe SEKE,2013:277–282.
[20]Zadeh LA.FUZZY SETS[J].Information and Control,1965,8(3):338-353.
[21]Yang L,Shen Q.Adaptive Fuzzy Interpolation[J].IEEE Transactionson Fuzzy Systems,2011,19(6):1107-1126.
[22]Yang L,Li J,Fehringer G,et al.Intrusion detection system by fuzzyinterpolation[C]//IEEE International Conference on Fuzzy Systems.IEEE,2017.
[23]Rajendran S,Doraipandian M.Chaotic Map Based Random ImageSteganography Using LSB Technique[J].International Journal of NetworkSecurity,2017,19.
[24]Patel N,Meena S.LSB based image steganography using dynamic keycryptography[C]//2016International Conference on Emerging Trends inCommunication Technologies(ETCT).IEEE,2016.
[25]Soni A,Jain J,Roshan R.Image steganography using discretefractional Fourier transform[C]//International Conference on IntelligentSystems and Signal Processing.IEEE,2013.
[26]Savithri G,Vinupriya,Mane S,et al.Parallel Implementation ofRSA2D-DCT Steganography and Chaotic 2D-DCT Steganography[M]//Proceedings ofInternational Conference on Computer Vision and Image Processing.SpringerSingapore,2017.
[27]Chandramouli R,Memon N.Analysis of LSB based image steganographytechniques[C]//International Conference on Image Processing.2001.
[28]宋晓峰,林少锋,韩鹍,等.图像自适应隐写和隐写分析技术进展[J].电子信息对抗技术,2017,32(1):70-76.
发明内容
本发明的目的，在于提供一种基于模糊推理系统的自适应彩色图像隐写方法，充分考虑图像本身特性和各颜色空间复杂度，能够提高载体图像嵌入容量、不可感知性及秘密信息安全性。
为了达成上述目的，本发明的解决方案是：
一种基于模糊推理系统的自适应彩色图像隐写方法，包括如下步骤：
步骤1，分离彩色图像颜色通道，提取载体图像特征；
步骤2，确定隶属度函数，给出模糊规则，以步骤1提取的特征作为输入，经过模糊器、模糊推理机得到一个模糊输出，进而通过解模糊器得到一个清晰的输出值；
步骤3，对彩色图像的每个像素进行类型判断，根据各个颜色通道的复杂度估计其嵌入容量，加密拟隐藏的信息，利用LSB算法针对不同的像素类型，根据拟隐藏信息量自适应嵌入不同位数的秘密信息，合并图像颜色通道，得到载密图像。其中，在嵌入信息时，会根据设定的一些因素(如载体图像自身属性、秘密信息量)，选择最佳的隐藏位置和隐藏量，从而在一定程度上提高秘密信息的安全性和载密图的不可感知性。
上述步骤1中，包含计算载体图像中RGB各个颜色通道中每个像素的相邻像素相似度和像素亮度。
以R通道为例，所述计算相邻像素相似度的方法是：
对于每个像素，以其为中心将载体图像划分为3×3的窗口，则像素Pi和其相邻像素Pj颜色分量的灰度差异计算公式是：
ΔRi,j＝|P(R)i-P(R)j|
其中，P(R)i是第i个像素R通道的灰度值，P(R)j是第j个像素R通道的灰度值；通道上像素Pi和Pj的相似性度量函数为：
Figure BDA0002202071810000061
其中，Dn是归一化系数；进而对3×3窗口中像素Pi和Pj所有可能的组合都进行相似性计算。
以R通道为例，所述计算像素亮度的方法是：
设X是载体图像，P(R)(ij)是图像X的R通道第i行第j列的像素值，则像素亮度的计算公式为：
Figure BDA0002202071810000062
其中，D为图像最大灰度值255，B(R)(ij)是图像X的R通道第i行第j列的像素亮度。
上述步骤2中，将RGB各个颜色通道的相邻像素相似度和像素亮度作为输入，通过所构造的隶属度函数得到相邻像素相似隶属度和像素亮度隶属度，并分别将其隶属度用语义类表示。
上述步骤2中，利用图像本身特性，给出模糊推理规则，使用Mamdani型模糊系统进行推理。
上述步骤2中，解模糊器采用面积重心法得到清晰的输出值。
上述步骤3中，根据模糊推理得到的输出值将像素类型分为五种类型，结合图像复杂度特征，不同类型不同颜色通道自适应嵌入不同的秘密信息。
上述步骤3中，在嵌入秘密信息时，将十进制值的像素转换为二进制比特流，其中第七位平面所能保存的图像信息最大，然后依次递减。
采用上述方案后，本发明可以根据图像本身的纹理复杂度、视觉特性自适应嵌入不同的容量，本发明的载密图像不可感知性好，嵌入容量理想，安全性高，能够完整提取秘密信息。同时，该算法可实现批量嵌入及提取，更加智能化。
附图说明
图1是模糊推理系统结构图；
图2是相邻像素相似度隶属度函数及语言术语表示图；
图3是像素亮度隶属度函数及语言术语表示图；
图4是测试图片示例；
图5是嵌入灰度图像结果示意图；
图6是本发明的流程图。
具体实施方式
本发明提供一种基于模糊推理系统的自适应彩色图像隐写方法，首先分离彩色图像颜色通道，分别提取载体图像特征；其次确定隶属度函数，给出模糊规则，通过模糊器、模糊推理机及解模糊化得到一个清晰的输出值；最后判断像素类型，并进行嵌入容量估计，利用LSB算法针对不同的像素类型和不同颜色通道嵌入不同位数的秘密信息，合并图像颜色通道，得到载密图像；根据编号获取加密时保存的随机序列、提取密钥提取隐写信息。以下将结合具体实施例，配合图6所示，对本发明的技术方案及有益效果进行详细说明。
1.1特征提取
载体图像中往往包含很多冗余像素值，并且人类视觉系统对这些冗余像素值有着较低的敏感度。因此，将图像嵌入到这些冗余像素中可以在避免图像失真的情况下提高有效载荷容量和秘密信息安全度。本实施例将计算相邻像素相似度，像素亮度来实现图像平滑度、亮度、边缘度等特征的提取。
1.1.1相邻像素相似度计算
对于每个像素，以其为中心将图像划分为3×3的窗口，计算窗口内中心像素的相似度。以下为像素Pi和Pj在R颜色分量的灰度差异计算公式(G,B颜色分量计算方法相同)：
ΔRi,j＝|P(R)i-P(R)j|.
其中，P(R)i是第i个像素R通道的灰度值，P(R)j是第j个像素R通道的灰度值。R颜色分量中像素Pi和Pj的相似性度量函数为：
Figure BDA0002202071810000081
其中，Dn是归一化系数。进而对3×3窗口中像素Pi和Pj所有可能的组合都进行相似性计算。
1.1.2像素亮度计算
RGB图像由R、G、B三个通道组成，每个通道都以灰度来显示，用不同的灰度色阶来表示“红，绿，蓝”在图像中的比重。其中每个灰度色阶都有8位格式，其值介于“0”到“255”之间，表示亮度的明暗程度。人类视觉系统往往对较亮区域的敏感度低于较暗区域，因此本文通过下述方法提取像素亮度特征。以R通道为例(G,B通道方法相同)：
设X是载体图像，P(R)(ij)是图像X的R通道第i行第j列的像素值，则像素亮度的计算公式[3]为：
Figure BDA0002202071810000082
其中B(R)(ij)是图像X的R通道第i行第j列的像素亮度，D为图像最大灰度值255。
1.2模糊推理系统
模糊推理系统包括：模糊器、模糊推理规则、模糊推理机、解模糊器[2]。本实施例将上述得到的相邻像素相似度矩阵、亮度矩阵作为模糊推理系统的输入，经过模糊器、模糊推理机得到一个模糊输出，进而通过解模糊器得到一个清晰的输出，根据输出值判断像素类型。模糊推理系统结构如图1所示。
本实施例将计算出的相邻像素相似度和亮度作为模糊器的输入，通过特征隶属度函数得到相邻像素相似度隶属度和像素亮度隶属度，并分别用语义类表示其隶属度，如图2和图3所示。
根据图像自身特性，给出30条模糊推理规则，如表1所示(部分示例)。利用Mamdani型模糊系统[1]进行模糊推理。：
表1像素亮度隶属度的语言术语表示
Figure BDA0002202071810000091
在去模糊化过程中，使用面积重心法(Centriod)得到最终的清晰输出值Q，进一步，对RGB图像X中各个像素进行嵌入容量估计。具体各个通道的嵌入容量，如表2所示：
表2各通道像素嵌入容量及类型表
Figure BDA0002202071810000092
1.3基于模糊推理系统的自适应嵌入方法
将RGB图像X分为三个颜色分量X(R)、X(G)、X(B)，对各个颜色分量中的每个像素P(R)ij、P(G)ij、P(B)ij进行上文所述的特征提取及模糊逻辑推理，得到清晰输出Q，进而对每个像素进行类型判断，估计其嵌入容量，将拟隐藏的信息加密后按照所估计的嵌入容量，自适应地嵌入X(R)、X(G)、X(B)通道中的像素，对RGB类秘密图像则将其分为三个颜色空间自适应的嵌入载体图像，合并颜色通道，得到载密图像。在嵌入秘密信息时采用最低有效位(LSB)嵌入算法，将像素(十进制值)转换为二进制比特流，其中第七位平面所能保存的图像信息是最大的，依次递减，但与此同时位平面的数值能影响到原像素值的因素逐渐减小。因此，本实施例通过图像复杂度分析，在避免图像失真的情况下利用多个位平面来保存需隐藏的图像。
1.4基于模糊推理系统的自适应提取方法
秘密信息的提取过程是嵌入过程的逆过程。为提取秘密图像，首先将载密图像Z分成三个颜色空间，Z(R)、Z(G)、Z(B)，对每个颜色空间中的各个像素进行相邻像素相似度计算和亮度计算；其次将所提取的特征S、B作为模糊逻辑推理系统的输入，根据模糊推理规则及模糊推理机得到模糊输出T，并通过解模糊器得到清晰的输出Q，最后对各个像素进行类型判断，根据提取容量估计，在每个像素的相应位平面提取秘密信息，得到秘密图像。
2实验结果分析
本实施例利用上述描述的基于模糊推理系统的自适应嵌入与提取方法，对一些经典的测试图像进行秘密信息的嵌入与提取。首先，将本实施例提出算法的图像可嵌入容量与传统LSB嵌入算法[9]进行对比分析，其次以峰值信噪比(PSNR)、平均结构相似度(MSSIM)为评估指标，对载密图像进行图片质量检测。
2.1可嵌入容量对比分析
如图4所示，本实施例以经典的测试图像girl、lena、boat、baboon为例，和传统的LSB嵌入算法进行了容量对比分析，传统的LSB算法将秘密信息嵌入最低位平面，对于大小为M×N×3的RGB图片X，可嵌入的最大容量为M×N×3×1(bits)，而本实施例提出的基于模糊推理系统的自适应隐写算法则可在避免图像失真的情况下大大提高嵌入容量，如表3所示。
表3嵌入容量对比表
Figure BDA0002202071810000101
由上表可知，对于不同的图片，本发明所提出的基于模糊逻辑推理系统的自适应隐写算法与传统LSB算法相比，可嵌入容量均远远大于传统LSB算法。
2.2图片质量评估
为了评价本发明提出的基于模糊推理系统的自适应隐写算法的性能，本实施例以girl、lena、boat、baboon等标准测试图像为例，用本发明所提出的隐写算法嵌入，得到载密图像，而后以峰值信噪比(PSNR)、平均结构相似度(MSSIM)为评估指标，对载密图像进行图片质量检测，度量其失真度。
2.2.1.峰值信噪比(PSNR)
PSNR主要用于评价图像及其噪声水平的客观标准，其单位为对数分贝(dB)。PSNR值越高说明图像噪声越低[4，5]，图像质量越好。一般图像的PSNR值在30dB以下表示图像质量较低，即秘密信息嵌入引起的图像失真明显，而对于PSNR值达到40dB以上图像，为高质量图像，即载密图像非常接近原始图像[6]。
具体数学公式如下所示：
Figure BDA0002202071810000111
其中Cmax是图像中像素最大值，即对于unit8bit数据Cmax＝255；对于双精度数据Cmax＝1，而MSE为单色图像的均方误差，公式如下所示：
Figure BDA0002202071810000112
其中，M和N是图像的维数，i和j是图像坐标，Xij是载体图像，Yij是生成的载密图像。
2.2.2平均结构相似度
结构相似度(MSSIM)是一种衡量两幅图像相似度的指标，用均值估计亮度，用标准差估计对比度，用协方差估计结构相似度[6][7]。其中，亮度、对比度和结构三个评价因子可表示为：
Figure BDA0002202071810000113
Figure BDA0002202071810000114
Figure BDA0002202071810000115
式中，X为载体图像，Y为载密图像；μX、μY、σX、σY为图像X、图像Y的均值、标准差；σXY为图像X和Y的协方差；C1、C2、C3是常数。
由这三个评价因子所组成的SSIM指标为：
SSIM(X,Y)＝[L(X,Y)]α[C(X,Y)]β[S(X,Y)]γ
最终得到一个SSIM指数映射矩阵：
Figure BDA0002202071810000121
其中Xi、Yi为图像X、Y局部窗口中的像素值，MN为局部窗口的数量。MSSIM值在0到1之间，其值越高代表图像失真度越小。
2.3结果分析
本实施例在彩色载体图像上嵌入彩色秘密图像，以图5(a)Baboon(512x512x3)为载体图像，将图5(b)peppers(256x256x3)作为秘密图像嵌入图5(a)中，得到载密图像5(c)(512x512x3)，并将其提取得到秘密图像5(d)(256x256x3)，结果如图5所示。
由图5可知，载密图像在视觉上不可感知，且在三通道中分别嵌入秘密信息(256x256x3)，载密图像的PSNR值为39.1553dB、SSIM值为0.9923，失真度较低。
在载体图像Lena(512x512x3)、Baboon(512x512x3)中分别嵌入不同分辨率的RGB图像peppers，结果如表4所示：
表4载密图像质量分析表
Figure BDA0002202071810000122
由上表可知，即便在图像512x512x3中嵌入大小为280x280x3，即1881600bits的秘密图像，其PSNR值仍远高于30(dB)、MSSIM值仍高于0.90，说明该算法嵌入容量大、不可感知性好、安全性高。
以上实施例仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明保护范围之内。

Claims (5)

1.一种基于模糊推理系统的自适应彩色图像隐写方法，其特征在于包括如下步骤：
步骤1，分离彩色图像颜色通道，提取载体图像特征；
步骤2，确定隶属度函数，给出模糊规则，以步骤1提取的特征作为输入，依次经过模糊器、模糊推理机得到一个模糊输出，进而通过解模糊器得到一个清晰的输出值；
步骤3，对彩色图像的每个像素进行类型判断，根据各个颜色通道的复杂度估计其嵌入容量，加密拟隐藏的信息，利用LSB算法针对不同的像素类型，根据拟隐藏信息量自适应嵌入不同位数的秘密信息，合并图像颜色通道，得到载密图像；
所述步骤1中，包含计算载体图像中RGB各个颜色通道中每个像素的相邻像素相似度和像素亮度；
以R通道为例，所述计算相邻像素相似度的方法是：
对于每个像素，以其为中心将载体图像划分为3×3的窗口，则像素Pi和其相邻像素Pj颜色分量的灰度差异计算公式是：
ΔRi,j＝|P(R)i-P(R)j|
其中，P(R)i是第i个像素R通道的灰度值，P(R)j是第j个像素R通道的灰度值；通道上像素Pi和Pj的相似性度量函数为：
Figure FDA0004040855520000011
其中，Dn是归一化系数；进而对3×3窗口中像素Pi和Pj所有可能的组合都进行相似性计算；
以R通道为例，所述计算像素亮度的方法是：
设X是载体图像，P(R)(ij)是图像X的R通道第i行第j列的像素值，则像素亮度的计算公式为：
Figure FDA0004040855520000021
其中，D为图像最大灰度值255，B(R)(ij)是图像X的R通道第i行第j列的像素亮度；
所述步骤2中，将RGB各个颜色通道的相邻像素相似度和像素亮度作为输入，通过所构造的隶属度函数得到相邻像素相似隶属度和像素亮度隶属度，并分别将其隶属度用语义类表示。
2.如权利要求1所述的基于模糊推理系统的自适应彩色图像隐写方法，其特征在于：所述步骤2中，利用图像本身特性，给出模糊推理规则，使用Mamdani型模糊系统进行推理。
3.如权利要求1所述的基于模糊推理系统的自适应彩色图像隐写方法，其特征在于：所述步骤2中，解模糊器采用面积重心法得到清晰的输出值。
4.如权利要求1所述的基于模糊推理系统的自适应彩色图像隐写方法，其特征在于：所述步骤3中，根据模糊推理得到的输出值将像素类型分为五种类型，结合图像复杂度特征，不同类型不同颜色通道自适应嵌入不同的秘密信息。
5.如权利要求1所述的基于模糊推理系统的自适应彩色图像隐写方法，其特征在于：所述步骤3中，在嵌入秘密信息时，将十进制值的像素转换为二进制比特流，其中第七位平面所能保存的图像信息最大，然后依次递减。
CN201910868761.1A 2019-09-16 2019-09-16 一种基于模糊推理系统的自适应彩色图像隐写方法 Active CN110751591B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910868761.1A CN110751591B (zh) 2019-09-16 2019-09-16 一种基于模糊推理系统的自适应彩色图像隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910868761.1A CN110751591B (zh) 2019-09-16 2019-09-16 一种基于模糊推理系统的自适应彩色图像隐写方法

Publications (2)

Publication Number Publication Date
CN110751591A CN110751591A (zh) 2020-02-04
CN110751591B true CN110751591B (zh) 2023-04-07

Family

ID=69276459

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910868761.1A Active CN110751591B (zh) 2019-09-16 2019-09-16 一种基于模糊推理系统的自适应彩色图像隐写方法

Country Status (1)

Country Link
CN (1) CN110751591B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111432218B (zh) * 2020-04-30 2021-12-14 广州酷狗计算机科技有限公司 视频编码与解码方法、装置、终端及存储介质
CN112381077B (zh) * 2021-01-18 2021-05-11 南京云创大数据科技股份有限公司 一种人脸图像信息的隐藏方法
CN113132550B (zh) * 2021-03-22 2023-01-24 中山大学 一种基于fpga的彩色图像隐秘通信系统
CN113704703B (zh) * 2021-08-27 2024-04-16 上海钧正网络科技有限公司 信息隐藏方法、装置及计算机存储介质
CN114025053B (zh) * 2021-09-28 2023-12-01 上海电力大学 结合高色彩相似度预处理的图像隐写方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004057892A1 (en) * 2002-12-20 2004-07-08 Nokia Corporation Method and device for organizing user provided information with meta-information
CN101923701A (zh) * 2010-07-19 2010-12-22 西安建筑科技大学 基于数字水印技术的印刷品防伪图像的防伪认证方法
CN106023051A (zh) * 2016-05-06 2016-10-12 武汉理工大学 基于云模型和超混沌系统的dna图像加密方法及系统
CN107481182A (zh) * 2017-08-02 2017-12-15 井冈山大学 一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法
CN109658322A (zh) * 2018-12-11 2019-04-19 宁波大学 一种大容量图像隐写方法和秘密信息提取方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004057892A1 (en) * 2002-12-20 2004-07-08 Nokia Corporation Method and device for organizing user provided information with meta-information
CN101923701A (zh) * 2010-07-19 2010-12-22 西安建筑科技大学 基于数字水印技术的印刷品防伪图像的防伪认证方法
CN106023051A (zh) * 2016-05-06 2016-10-12 武汉理工大学 基于云模型和超混沌系统的dna图像加密方法及系统
CN107481182A (zh) * 2017-08-02 2017-12-15 井冈山大学 一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法
CN109658322A (zh) * 2018-12-11 2019-04-19 宁波大学 一种大容量图像隐写方法和秘密信息提取方法

Also Published As

Publication number Publication date
CN110751591A (zh) 2020-02-04

Similar Documents

Publication Publication Date Title
CN110751591B (zh) 一种基于模糊推理系统的自适应彩色图像隐写方法
Emad et al. A secure image steganography algorithm based on least significant bit and integer wavelet transform
CN110211016B (zh) 一种基于卷积特征的水印嵌入方法
Yuan et al. Fast and robust image watermarking method in the spatial domain
CN111899251A (zh) 一种区分伪造来源和目标区域的copy-move型伪造图像检测方法
Elsharkawy et al. New and efficient blind detection algorithm for digital image forgery using homomorphic image processing
Sajasi et al. A high quality image steganography scheme based on fuzzy inference system
Wang et al. Quaternion Markov Splicing Detection for Color Images Based on Quaternion Discrete Cosine Transform.
Chen et al. A no‐reference blurred colourful image quality assessment method based on dual maximum local information
CN109003247A (zh) 彩色图像混合噪声的去除方法
Halboos et al. Improve steganography system using agents software based on statistical and classification technique
Li et al. A cascaded algorithm for image quality assessment and image denoising based on CNN for image security and authorization
Chang et al. Image Quality Evaluation Based on Gradient, Visual Saliency, and Color Information
Kumari et al. Optimized dwt based digital image watermarking and extraction using rnn-lstm
Kuznetsov A new approach to jpeg tampering detection using convolutional neural networks
CN113934985A (zh) 一种面向噪声图像的自适应高容量隐写方法
Xiao et al. Blind Quality Metric via Measurement of Contrast, Texture, and Colour in Night-Time Scenario.
CN111754459A (zh) 基于统计深度特征的染色伪造图像检测方法及电子装置
Guo et al. AISM: An Adaptable Image Steganography Model with User Customization
Li et al. Perceptual Robust Hashing for Color Images with Canonical Correlation Analysis
CN112991200B (zh) 一种红外图像自适应增强的方法与装置
Wen et al. When Distortion Meets Perceptual Quality: A Multi-task Learning Pipeline
Zeggari et al. Perceptual image quality assessment based on gradient similarity and Ruderman operator
Xie Adaptive spatial image steganography and steganalysis using perceptual modelling and machine learning
Bagade et al. Generalized referenceless image quality assessment framework using texture energy measures and pattern strength features

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