CN111726629B - 基于多元线性回归的smvq压缩数据隐藏方法 - Google Patents

Abstract

本发明公开了一种基于多元线性回归的SMVQ压缩数据隐藏方法。本发明使用边匹配向量量化(SMVQ)算法得到各像素块的边缘像素,然后利用像素之间的相关性用多元线性回归预测出像素块中的其他像素,然后使用像素块中的所有像素匹配M‑1个码字构建状态码本SCB。在不出轨的情况下，如果线性回归预测出的像素比较接近真实像素,那么该像素块就可以不使用索引值来表示；否则就和SMVQ算法的规则一致。如果像素块出轨，则匹配与像素块最相近的VQ码本的码字，用VQ索引来替代该像素块。对于每个像素块，本发明所提出的方案把多元线性回归算法和SMVQ算法相结合，可以提高图像的压缩性能和秘密信息嵌入能力。

Description

基于多元线性回归的SMVQ压缩数据隐藏方法

技术领域

本发明研究的是压缩域信息隐藏这一领域，提出了一种基于多元线性回归的SMVQ压缩的数据隐藏方法。

背景技术

随着科学技术的飞速发展，数字媒体已成为人们首选的通信方式。这导致人们每天通过Internet传输的数字对象(例如，文本，图像，视频和音频)越来越多。因此,数据传输的隐私性和安全性变得越来越重要。为了提高数据传输的安全性，研究人员开发了各种加密算法，可以通过密钥将数据转换为无法识别的形式，我们将其称为密文。由于密文只能使用相应的密钥解密，因此发送者可以在不安全的通道上安全地发送加密的信息。但是，由于无法识别密文，所以这些无法识别的密文将在频道上特别突出，人们可以很容易地发现哪些数据已被加密，而这将引起一些不怀好意的人密切注意这些密文。恶意的、未经授权的用户可以轻松地监视、拦截、中断和篡改这些密文的传输。为了解决这个问题，研究人员开发了各种数据隐藏算法。这些数据隐藏算法将发件人的秘密消息嵌入到数字对象(例如，文本，图像，视频和音频)中，然后这些数字对象会生成隐匿对象(即带有机密消息的修改后的数字对象)。由于隐身对象与原始数字对象非常相似，因此当恶意用户在频道上找到隐身对象时，他们会认为它们是普通的数字对象，所以他们不会过多地关注这些隐身对象，自然也不会发现隐藏在其中的秘密数据。

数据隐藏技术分为两种主要类型，可逆数据隐藏和不可逆数据隐藏。可逆数据隐藏(RDH)技术可以从隐身对象中提取秘密消息并无损的恢复原始数字对象。不可逆的数据隐藏技术只能提取秘密消息，而不能在不失真的情况下恢复原始数字对象。我们将使用封面图像作为数字对象的RDH技术称为图像隐写术。

图像隐写术在军事和医学领域都有许多应用。与加密技术一起使用的图像隐写技术是加密图像中的RDH技术(RDHEI)，可以有效防止未经授权的恶意用户监视、拦截、中断和篡改所传输的数据。比如说，当医生不想在Internet上公开病人的照片和个人信息时，他可以首先加密病人的照片和个人信息，然后使用数据隐藏技术将加密的病人的个人信息嵌入加密的病人的照片中，然后再上传到Internet上。以这种方式，当接收器没有同时拥有图像加密密钥和信息加密密钥时，不能同时获得图像和信息。

图像隐写术主要分为压缩域、空间域和频域。在空间域上的图像隐写术是直接修改封面图像的像素值以嵌入秘密数据；频域中的图像隐写术是修改封面图像的频域以嵌入秘密数据；压缩域中的图像隐写术是先压缩图像腾出空间，然后将秘密数据嵌入被压缩的空间中。常用的图像压缩技术有Absolute Moment Block Truncation Coding算法(AMBTC)、Vector Quantization算法(VQ)和Side Match Vector Quantization(SMVQ)。其中，Vector Quantization算法由于易于实现而被广泛用于图像隐写术中。为了进一步提高压缩率，Kim在1992年提出了Side Match Vector Quantization(SMVQ)算法。但是现有技术中，图像视觉质量和信息嵌入能力依然有待于提升。

发明内容

在SMVQ算法中，我们只使用像素块的边缘像素匹配VQ编码簿来得到SMVQ的SCB。如果我们可以使用更好的预测策略来预测像素块中的其他像素值，则原始像素与我们预测的像素值之间的欧几里得距离可能会更小，甚至可以在不进行编码的情况下替换它。本发明所提出的方法基于SMVQ算法，结合多元线性回归预测，可以提高恢复过程中的图像质量并提高嵌入秘密信息的能力。首先，将原始图像进行分块，对第一行第一列的像素块进行VQ编码；其次，使用SMVQ算法得到其余像素块的边缘像素，利用多元线性回归预测出剩下的像素；然后使用边缘像素和预测出的像素一起建立SCB，判断该像素块是否出轨，采用不同编码策略，最后判断是否选择了使用多元回归预测出的像素值作为最合适的码字，针对不同情况采用相应的编码策略和嵌入方案。该方法能够利用像素之间的相关性，使用线性回归预测出其他像素，增加SMVQ匹配的准确性，同时在保证图像质量的前提下提高了图像的隐藏信息能力和压缩性能。

本发明具体采用的技术方案如下：

一种基于多元线性回归的SMVQ压缩数据隐藏方法，其步骤如下：

S1：把作为训练集的若干张灰度图分别分割成p×q大小的不重叠的像素块，根据LBG算法得到大小为N的VQ编码簿，同时以每个像素块第一行和第一列的p+q-1个边缘像素为自变量，其他p×q-(p+q-1)个像素为因变量，通过多元回归计算出每一个因变量关于其余p+q-1个自变量的关系矩阵B；

S2：将待嵌入秘密数据的原始灰度图像A分割成p×q大小的不重叠的像素块；

S3：根据SMVQ压缩编码得到图像A的第一行和第一列的像素块的编码和其余像素块A_t的边缘像素，再基于每个像素块A_t的p+q-1个边缘像素，通过所述关系矩阵B预测出像素块A_t中其他p×q-(p+q-1)个位置的像素值；

针对图像A中的每个像素块A_t，按照从左到右、从上到下的像素块扫描顺序，分别对每个像素块执行S4～S5，进行秘密信息嵌入：

S4：用第t块像素块A_t预测出的像素和它的边缘像素组成的向量X作为SCB的第一个项目，再用该向量X在所述VQ编码簿中寻找M-1个距离最近的码字一并作为SCB的项目，构成具有M个项目的SCB；

S5：对SCB中的每个项目，分别计算其与像素块A_t的真实像素之间的距离d；

如果SCB中存在一个项目与像素块A_t的真实像素之间的距离d≤T，则该像素块不出轨；而且，若SCB的所有项目中，距离d最小的是SCB的第一个项目，则不用任何索引值来代表A_t，在索引表SITable中该像素块位置直接嵌入log₂N bit的秘密数据，设定像素标记Flag(t)＝10；若SCB的所有项目中，距离d最小的是SCB中的一个码字，则在索引表SITable中该像素块位置使用该码字的索引值来代表A_t，并在索引值后连接(log₂N-log₂M)bit的秘密数据，设定像素标记Flag(t)＝11；

如果SCB中不存在一个项目和像素块的真实像素之间的距离d≤T，则该像素块出轨，在索引表SITable中该像素块位置采用VQ算法的编码，不进行秘密数据的嵌入，并设定像素标记Flag(t)＝00；

S6：遍历完图像A中的每个像素块A_t后，将个像素块的像素标记Flag(t)按序组成标识图Flag，将Flag和索引表SITable一并发送给接收端。

基于上述技术方案，本发明的各步骤可以进一步采用如下具体方法实现。

作为优选，所述S1中，p×q＝4×4，关系矩阵B计算方法下：

B＝(X^-1X)^-1X^-1Y

其中：

其中：m是分割成的像素块总数；x_ij是第i个像素块中第j个自变量位置的像素值，n＝p+q-1；y_i表示第i个像素块中因变量所在位置的像素值；b_i是回归方程中第j个自变量的系数。

作为优选，所述S2中，将原始灰度图像A分割成4×4大小的不重叠的像素块。

作为优选，所述S3中，其余像素块A_t的边缘像素计算方法如下：

其中：x_i表示当前像素块A_t中第i个像素值,L_i表示当前像素块A_t左边的像素块中第i个像素值，U_i表示当前像素块A_t上方的像素块中第i个像素值。

作为优选，所述S4中，向量X与VQ编码簿中码字的距离D计算公式如下：

其中：X＝(x′₁,x′₂,…,x′_k)表示向量，Y′＝{Y′₁,Y′₂,…,Y′_M}是VQ编码簿；VQ编码簿中的第l个码字表示为Y′_l＝(Y′_l1,Y′_l2,…,Y′_lk)，k＝p×q。

作为优选，所述S5中，SCB中的项目与像素块A_t的真实像素之间的距离d计算公式如下：

其中：x＝(x₁,x₂,…,x_k)是像素块A_t的真实像素，x_v表示像素块A_t中的第v个像素值，Y＝{Y₁,Y₂,…,Y_M}表示含有M个项目的SCB；SCB中的第l个项目表示为Y_l＝(Y_l1,Y_l2,…,Y_lk)，k＝p×q。

作为优选，所述S6中，索引表SITable与标识图Flag对应，若像素块的Flag(t)＝00，则索引表SITable中该像素块对应的编码结果VQ索引；若像素块的Flag(t)＝10，则索引表SITable中该像素块对应的编码结果为log₂N bit秘密信息；若像素块的Flag(t)＝11，则索引表SITable中该像素块对应的编码结果为码字的索引值后连接(log₂N-log₂M)bit秘密信息。

作为优选，当接收端收到发送端发送的标识图Flag和索引表SITable后，根据Flag(t)的值，提取索引表SITable中嵌入的秘密信息，得到嵌入的秘密信息后，再按照VQ编码簿还原出图像A。

作为优选，所述VQ编码簿的大小N＝128,256,512和1024。

作为优选，所述SCB中的项目数M＝16。

相对于现有技术而言，本发明的有益效果如下：

本发明将SMVQ算法和多元线性回归预测结合在一起，实现了压缩域的高容量信息隐藏。根据SCB中的项目和像素块A_j的真实像素之间的距离d对像素块进行分类(出轨或不出轨)，采用不同的编码方式和嵌入策略。和其他相关的数据隐藏方法相比较，本发明提出的方案在压缩和嵌入容量方面有所优化，同时还原的图像具有不错的视觉质量。实验结果表明，主码本大小N＝128，256，512,和1024，SCB的大小M＝16时，该方案可以获得更好地压缩率和信息嵌入能力。这些结果证实了该方法在压缩和数据嵌入方面优于现有算法。

附图说明

图1为本发明的算法流程图。

图2为本发明的像素获取图。

图3为本发明的嵌入过程流程图。

图4为本发明的测试图像，其中(a)Lena，(b)Baboon，(c)Barbara，(d)Tiffany，(e)Airplane，(f)Peppers，(g)Zelda，(h)Lake，(i)GoldHill；

图5为当N＝256时各图关于不同阈值T的PSNR和BR，其中(a)Lena，(b)Baboon，(c)Barbara，(d)Tiffany，(e)Airplane，(f)Peppers，(g)Zelda，(h)Lake，(i)GoldHill；

图6为当ER相同时不同方案在不同VQ编码簿大小下的平均BR，其中(a)N＝128，(b)N＝256，(c)N＝512，(d)N＝1024；

图7为当ER相同时不同方案在不同VQ编码簿大小下的平均EE，其中(a)N＝128，(b)N＝256，(c)N＝512，(d)N＝1024。

具体实施方式

下面结合附图，对本发明提出的方案的具体实施方案作进一步详细描述。

如图1所示，在本发明的一个较佳实施例中，提供了一种基于多元线性回归的SMVQ压缩数据隐藏方法，其具体步骤如下：

S1：把作为训练集的若干张灰度图分别分割成p×q大小的不重叠的像素块，根据LBG算法得到大小为N的VQ编码簿，同时以每个像素块第一行和第一列的p+q-1个边缘像素为自变量，其他p×q-(p+q-1)个像素为因变量，通过多元回归计算出每一个因变量关于其余p+q-1个自变量的关系矩阵B。

为了便于叙述，本发明中定义像素块中的像素序号从1开始，从上到下、从左往右递增，即第一行像素的序号依次为1,2,…q，第二行像素的序号依次为q+1,q+2,…,2q，……，最后一行像素的序号依次为(p-1)×q+1,(p-1)×q+2,…p×q。

本步骤中关系矩阵B计算方法下：

y₁＝b₀+b₁x₁₁+b₂x₁₂+…+b_nx_1n

y₂＝b₀+b₁x₂₁+b₂x₂₂+…+b_nx_2n

y_m＝b₀+b₁x_m1+b₂x_m2+…+b_nx_mn

Y＝XB

B＝(X^-1X)^-1X^-1Y

其中：m是分割成的像素块总数；x_ij是第i个像素块中第j个自变量位置的像素值，n＝p+q-1；b_i是回归方程中第j个自变量的系数。本实施例中，设置p×q＝4×4，因此，j＝1,2,3,4,5,9,13。y_i表示第i个像素块中需要计算关系矩阵的位置的像素值，不同位置的像素具有不同的关系矩阵。比如我们要计算像素块中第6个位置的像素的关系矩阵B₆，那么y_i就是训练集中第i个像素块第6个位置的像素。

S2：将待嵌入秘密数据的原始灰度图像A分割成p×q大小的不重叠的像素块。本实施例中，设置p×q＝4×4。

S3：根据SMVQ压缩编码得到图像A的第一行和第一列的像素块的编码和其余像素块A_t的边缘像素，再基于每个像素块A_t的p+q-1个边缘像素，通过所述关系矩阵B预测出像素块A_t中其他p×q-(p+q-1)个位置的像素值。

本步骤中，如图2所示，当前像素块记为A_t，L表示当前像素块A_t左边的像素块，U表示当前像素块A_t上方的像素块。此时L和U中的像素值是已知的，因此可以直接得出任一像素块A_t的p+q-1个边缘像素。对于4×4的像素块而言，具体计算方法如下：

其中：x_i表示当前像素块A_t中第i个像素值,L_i表示当前像素块A_t左边的像素块中第i个像素值，U_i表示当前像素块A_t上方的像素块中第i个像素值。

需注意的是，预测每个像素y_i所采用的关系矩阵B均为S1中针对同一位置像素回归得到的关系矩阵B，呈一一对应关系。比如我们要预测像素块中第6个位置的像素，那么就需要采用对应的关系矩阵B₆。

针对图像A中的每个像素块A_t，按照从左到右、从上到下的像素块扫描顺序，分别对每个像素块执行S4～S5，进行秘密信息嵌入。所谓从上到下，从左到右，其含义是对于剩余的像素块，从最左侧一列块开始，从上到下依次选择最上方的像素块进行信息嵌入，当该列的所有块处理完毕后，选择左侧第二列像素块进行信息嵌入，依次进行。步骤S4～S5的信息嵌入过程如下：

S4：用第t块像素块A_t预测出的像素和它的边缘像素组成的向量X作为SCB的第一个项目，再用该向量X在所述VQ编码簿中寻找M-1个距离最近的码字一并作为SCB的项目，构成具有M个项目的SCB。

本步骤中，向量X与VQ编码簿中码字的距离D计算公式如下：

其中：X＝(x′₁,x′₂,…,x′_k)表示向量，Y′＝{Y′₁,Y′₂,…,Y′_M}是VQ编码簿；VQ编码簿中的第l个码字表示为Y′_l＝(Y′_l1,Y′_l2,…,Y′_lk)，k＝p×q。

S5：对SCB中的每个项目，分别计算其与像素块A_t的真实像素之间的距离d，本步骤中距离d计算公式如下：

其中：x＝(x₁,x₂,…,x_k)是像素块A_t的真实像素，x_v表示像素块A_t中的第v个像素值，Y＝{Y₁,Y₂,…,Y_M}表示含有M个项目的SCB；SCB中的第l个项目表示为Y_l＝(Y_l1,Y_l2,…,Y_lk)，k＝p×q。

本实施例中，设置N＝128,256,512和1024,M＝16。

当获得距离d后，将其与预设的阈值T进行对比，根据对比结果执行如下操作：

如果SCB中存在一个项目与像素块A_t的真实像素之间的距离d≤T，则该像素块不出轨。若像素块不出轨则继续判断如下：若SCB的所有项目中，距离d最小的是SCB的第一个项目，则不用任何索引值来代表A_t，在索引表SITable中该像素块位置直接嵌入log₂N bit的秘密数据，设定像素标记Flag(t)＝10；若SCB的所有项目中，距离d最小的是SCB中的一个码字，则在索引表SITable中该像素块位置使用该码字的索引值来代表A_t，并在索引值后连接(log₂N-log₂M)bit的秘密数据，设定像素标记Flag(t)＝11。

如果SCB中不存在一个项目和像素块的真实像素之间的距离d>T，则该像素块出轨，在索引表SITable中该像素块位置采用VQ算法的编码，不进行秘密数据的嵌入，并设定像素标记Flag(t)＝00。

当N＝256,M＝16时嵌入过程的流程图如图3所示，一般采用高四位存放索引值。当前像素块编码完成后，按光栅扫描顺序读取下一个像素块并进行上述隐藏过程直至所有索引处理完毕。

S6：遍历完图像A中的每个像素块A_t后，将个像素块的像素标记Flag(t)按序组成标识图Flag，将Flag和索引表SITable一并发送给接收端。

根据S5的步骤可知，在索引表SITable中，其索引值与标识图Flag一一对应：

若像素块的Flag(t)＝00，则索引表SITable中该像素块对应的编码结果为VQ索引；

若像素块的Flag(t)＝10，则索引表SITable中该像素块对应的编码结果为log₂Nbit秘密信息；

若像素块的Flag(t)＝11，则索引表SITable中该像素块对应的编码结果为码字的索引值‖(log₂N-log₂M)bit秘密信息，其中“‖”表示连接符。

S7：当接收端收到发送端发送的标识图Flag和索引表SITable后，根据Flag(t)的值，按照前述S5中的信息嵌入规则依次提取索引表SITable中嵌入的秘密信息，将各像素块中嵌入的秘密信息按序拼接后，即可得到嵌入的完整秘密信息后。然后，再基于标识图Flag和索引表SITable，结合VQ编码簿即可还原出图像A。具体的还原过程与现有技术类似，不再赘述。

由此可见，本发明提出了一种基于多元线性回归的SMVQ压缩数据隐藏方法，在该方法中本发明使用边匹配向量量化(SMVQ)算法得到各像素块的边缘像素，然后利用像素之间的相关性用多元线性回归预测出像素块中的其他像素，然后使用像素块中的所有像素匹配M-1个码字构建状态码本SCB。在不出轨的情况下，如果线性回归预测出的像素比较接近真实像素,那么该像素块就可以不使用索引值来表示；否则就和SMVQ算法的规则一致。如果像素块出轨，则匹配与像素块最相近的主码本的码字，用VQ索引来替代该像素块。对于每个像素块，所提出的方案把多元线性回归算法和SMVQ算法相结合，从而能够更加精确的匹配码字或者直接得到更接近真实像素的预测值。

为了进一步展示本发明的技术效果，下面给出上述方法在实际案例中的具体应用结果。

实施例

本实施例基于上述方法进行实验，具体实施步骤如上所述，不再赘述。下面仅展示实验结果。在所有实验中，本发明使用图4中的9张灰度图作为测试图像，大小为512×512。为了评估所提出方案的性能，本发明比较了所提方案与相关作品的比特率(BR)，嵌入率(ER)，嵌入效率(EE)和峰值信噪比(PSNR)。

阈值T的数值对于所提出方案的性能有着极大的影响。阈值T最佳的取值会使得恢复图像具有最大的PSNR(码本大小为N＝1024的除外)。当码本大小为N＝1024时，本发明选择在一定BR的前提下具有最大的PSNR的T值作为最佳的取值。表1显示了图4中测试图像的最佳阈值T的取值，其码本大小为N＝128、256、512和1024。因为每个图像中的像素信息是不同的，所以每个测试图像的最佳阈值T也会有所不同。为了方便本发明的实验，我们发现当N＝128、256、512和1024，T＝2000、800、400和800时，本发明可以使得大多数图像获得最佳的PSNR。

表1：图4中各个测试图像的最佳阈值T

表2、3、4和5比较了本方案和相关工作的所有码本大小的PBR。PBR计算公式为(|CS|-|S|)/(H×W)，即没有嵌入任何秘密信息时的压缩率。当VQ主码本大小为N＝128、256、512和1024时，对于最佳阈值T＝2000、800、400和800，提出的方案的PBR分别是0.251、0.307、0.376和0.374bpp。这些数据低于相关作品的PBR。因此，本发明得出的结论是，由于该方法的平均PBR最低，而最佳阈值T的选择集中在PSNR上，因此该方案可以在保持一定图像质量的同时提高图像的压缩性能。

表2：当N＝128时各个方案的PBRs

表3：当N＝256时各个方案的PBRs

表4：当N＝512时各个方案的PBRs

表5：当N＝1024时各个方案的PBRs

由于本发明阈值T最佳的取值会使得恢复图像具有最大的PSNR(码本大小为N＝1024的除外)，而不是生成最低的PBR。所以图5比较了当主码本大小N＝256，SCB大小M＝16时，图4的测试图像在不同阈值T下的PSNR和PBR。实验结果表明，当阈值T小于最佳阈值T时，图像的PSNR会随着T的变大而有所增加，在最佳阈值T处达到最大值，接着当阈值T大于最佳阈值T时，图像的PSNR反而会随着T的变大而降低；而图像的PBR则是随着T的变大而降低。由此本发明可以得出结论，当本发明以牺牲一些PSNR为代价，所提出的方案能够进一步提高图像的压缩性能。

为了更好地与相关工作形成对比，本发明比较了当嵌入的秘密信息量分别为5000，10000，15000，20000比特时，本发明的方案与其他方案的压缩率。也就是说，如果提议的方案可以在隐藏与相关工作相同数量的秘密比特的同时还保持较低的BR，那么就说明所提的方案比其他方法具有更好的嵌入能力。即，对于相同的ER，所提出的方案还可以嵌入比相关工作更多的秘密比特。图6和图7比较了在具有相同ER的条件下，所提议方案和相关工作的平均BR和EE。其中现有技术中的相关工作具体做法参见如下文献：

[13]Lin,C.-C.,Liu,X.-L.,&Yuan,S.-M.(2015).Reversible data hiding forVQ-compressed images based on search-order coding and state-codebookmapping.Information Sciences,293,314–326.https://doi.org/10.1016/j.ins.2014.08.057

[15]Wang,L.,Pan,Z.,&Zhu,R.(2017a).A novel reversible data hidingscheme by introducing current state codebook and prediction strategy forjoint neighboring coding.Multimedia Tools and Applications,76(24),26153–26176.https://doi.org/10.1007/s11042-016-4000-3

[16]Wang,L.,Pan,Z.,&Zhu,R.(2017b).Anovel reversible data hidingscheme using SMVQ prediction index and multi-layer embedding.Multimedia Toolsand Applications,76(24),26225–26248.https://doi.org/10.1007/s11042-016-4108-5

结果表明，所提出的方案具有比相关作品更低的平均BR和更高的EE。把这些观察结果与图5的结果相结合，本发明可以得出结论，本发明的方案提高了相关作品的嵌入能力，如果愿意牺牲一些PSNR的话，提出的方案还能获得更高的嵌入能力。

以上所述的实施例只是本发明的一种较佳的方案，然其并非用以限制本发明。有关技术领域的普通技术人员，在不脱离本发明的精神和范围的情况下，还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案，均落在本发明的保护范围内。

Claims (10)

1.一种基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，步骤如下：

S1：把作为训练集的若干张灰度图分别分割成p×q大小的不重叠的像素块，根据LBG算法得到大小为N的VQ编码簿，同时以每个像素块第一行和第一列的p+q-1个边缘像素为自变量，其他p×q-(p+q-1)个像素为因变量，通过多元回归计算出每一个因变量关于其余p+q-1个自变量的关系矩阵B；

S2：将待嵌入秘密数据的原始灰度图像A分割成p×q大小的不重叠的像素块；

S3：根据SMVQ压缩编码得到图像A的第一行和第一列的像素块的编码和其余像素块A_t的边缘像素，再基于每个像素块A_t的p+q-1个边缘像素，通过所述关系矩阵B预测出像素块A_t中其他p×q-(p+q-1)个位置的像素值；

针对图像A中的每个像素块A_t，按照从左到右、从上到下的像素块扫描顺序，分别对每个像素块执行S4～S5，进行秘密信息嵌入：

S4：用第t块像素块A_t预测出的像素和它的边缘像素组成的向量X作为SCB的第一个项目，再用该向量X在所述VQ编码簿中寻找M-1个距离最近的码字一并作为SCB的项目，构成具有M个项目的SCB；

S5：对SCB中的每个项目，分别计算其与像素块A_t的真实像素之间的距离d；

如果SCB中存在一个项目与像素块A_t的真实像素之间的距离d≤T，则该像素块不出轨；而且，若SCB的所有项目中，距离d最小的是SCB的第一个项目，则不用任何索引值来代表A_t，在索引表SITable中该像素块位置直接嵌入log₂N bit的秘密数据，设定像素标记Flag(t)＝10；若SCB的所有项目中，距离d最小的是SCB中的其他一个码字，则在索引表SITable中该像素块位置使用该码字的索引值来代表A_t，并在索引值后连接(log₂N-log₂M)bit的秘密数据，设定像素标记Flag(t)＝11；

如果SCB中不存在一个项目和像素块的真实像素之间的距离d≤T，则该像素块出轨，在索引表SITable中该像素块位置采用VQ算法的编码，不进行秘密数据的嵌入，并设定像素标记Flag(t)＝00；

S6：遍历完图像A中的每个像素块A_t后，将个像素块的像素标记Flag(t)按序组成标识图Flag，将Flag和索引表SITable一并发送给接收端；

其中，VQ为Vector Quantization算法，SMVQ为Side Match Vector Quantization，SCB为状态码本。

2.根据权利要求1所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S1中，p×q＝4×4，关系矩阵B计算方法下：

B＝(X^-1X)^-1X^-1Y.

其中：

其中：m是分割成的像素块总数；x_ij是第i个像素块中第j个自变量位置的像素值，n＝p+q-1；y_i表示第i个像素块中因变量所在位置的像素值；b_i是回归方程中第j个自变量的系数。

3.根据权利要求2所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S2中，将原始灰度图像A分割成4×4大小的不重叠的像素块。

4.根据权利要求3所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S3中，其余像素块A_t的边缘像素计算方法如下：

其中：x_i表示当前像素块A_t中第i个像素值,L_i表示当前像素块A_t左边的像素块中第i个像素值，U_i表示当前像素块A_t上方的像素块中第i个像素值。

5.根据权利要求4所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S4中，向量X与VQ编码簿中码字的距离D计算公式如下：

其中：X＝(x′₁,x′₂,…,x′_k)表示向量，Y′＝{Y′₁,Y′₂,…,Y′_M}是VQ编码簿；VQ编码簿中的第l个码字表示为Y′_l＝(Y′_l1,Y′_l2,…,Y′_lk)，k＝p×q。

6.根据权利要求5所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S5中，SCB中的项目与像素块A_t的真实像素之间的距离d计算公式如下：

其中：x＝(x₁,x₂,…,x_k)是像素块A_t的真实像素，x_v表示像素块A_t中的第v个像素值，Y＝{Y₁,Y₂,…,Y_M}表示含有M个项目的SCB；SCB中的第l个项目表示为Y_l＝(Y_l1,Y_l2,…,Y_lk)，k＝p×q。

7.根据权利要求6所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述S6中，索引表SITable与标识图Flag对应，若像素块的Flag(t)＝00，则索引表SITable中该像素块对应的编码结果为VQ索引；若像素块的Flag(t)＝10，则索引表SITable中该像素块对应的编码结果为log₂N bit秘密信息；若像素块的Flag(t)＝11，则索引表SITable中该像素块对应的编码结果为码字的索引值后连接(log₂N-log₂M)bit秘密信息。

8.根据权利要求7所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，当接收端收到发送端发送的标识图Flag和索引表SITable后，根据Flag(t)的值，提取索引表SITable中嵌入的秘密信息，得到嵌入的秘密信息后，再按照VQ编码簿还原出图像A。

9.根据权利要求1所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述VQ编码簿的大小N＝128,256,512和1024。

10.根据权利要求1所述的基于多元线性回归的SMVQ压缩数据隐藏方法，其特征在于，所述SCB中的项目数M＝16。

Images