CN111798390B - 一种基于多尺度滤波器图像增强的空域隐写方法 - Google Patents
一种基于多尺度滤波器图像增强的空域隐写方法 Download PDFInfo
- Publication number
- CN111798390B CN111798390B CN202010609536.9A CN202010609536A CN111798390B CN 111798390 B CN111798390 B CN 111798390B CN 202010609536 A CN202010609536 A CN 202010609536A CN 111798390 B CN111798390 B CN 111798390B
- Authority
- CN
- China
- Prior art keywords
- image
- distortion cost
- steganography
- original image
- enhancement
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000001914 filtration Methods 0.000 claims abstract description 15
- 238000004458 analytical method Methods 0.000 claims abstract description 8
- 238000012986 modification Methods 0.000 claims description 15
- 230000004048 modification Effects 0.000 claims description 15
- 238000012549 training Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 3
- 238000009792 diffusion process Methods 0.000 abstract description 6
- 230000002708 enhancing effect Effects 0.000 abstract description 6
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000006872 improvement Effects 0.000 abstract description 2
- 230000009286 beneficial effect Effects 0.000 abstract 1
- 230000000694 effects Effects 0.000 description 5
- 230000002159 abnormal effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000000873 masking effect Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000007480 spreading Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003707 image sharpening Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
Images
Classifications
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- G06T5/73—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
-
- 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
- H04N1/44—Secrecy systems
Abstract
本发明公开一种基于多尺度滤波器的空域图像隐写增强方法。首先,提出一种多尺度滤波器的增强方法,通过增强纹理区域和边缘区域,使得隐秘信息趋于嵌入这些区域;其次,通过主流空域隐写算法获得失真代价,基于扩散原则,对失真代价进行均值滤波,提出一种使嵌入区域更加聚集的调整方法。通过图像增强算法与扩散原则的结合,实现了对现有主流空域隐写算法的改进,能够抵抗目前最先进的高维隐写分析特征的检测。而本发明从图像增强的角度出发,基于多尺度滤波器来保证对不同尺度的边缘区域和纹理区域进行增强,使得隐秘信息的嵌入区域更加接近这些安全区域。该方法具有较强的通用性,有利于提高空域隐写算法的安全性。
Description
技术领域
本发明涉及多媒体安全和数字媒体处理技术领域,特别涉及对图像进行秘密信息嵌入的隐写算法技术领域。
背景技术
现代隐写术是一门利用数字媒体进行秘密通信的技术,其目标是在图像、音频、视频等数字媒体中隐藏秘密信息。随着互联网的普及以及图片自身的易传播性,数字图像成为极易获取的隐藏载体,其中空域图像作为无损的原始图像格式,因其无损性以及能够转换成其他图像格式的特性,得到了广泛的关注,各种基于空域图像的隐写算法层出不穷。但是,随着基于高维特征的隐写分析算法的提出,这些算法能对传统的空域隐写算法进行有效检测,这对空域图像隐写算法提出了严峻的挑战。
传统的隐写术的重点在于如何尽量减小隐写过程对载体图像造成的影响,常见的做法就是通过合适的编码方式,让一个bit位的改变代表尽可能多的秘密信息。这种传统隐写术仅仅基于隐写过程本身,而不考虑图像内容,同时在隐写过程中会对原有图像的统计信息造成破坏。传统隐写分析正是基于统计信息来对隐写图像进行检测。
为了改进传统隐写算法不考虑图像内容的缺陷,越来越多现代的隐写算法将图像元素的修改集中在了纹理复杂的区域或者边缘区域,这些自适应隐写算法均比传统隐写算法安全。自适应隐写算法为载体图像的每个元素分配一个失真代价来表示其隐写安全程度,然后根据载体图像内容和待嵌入消息长度,自适应地选择纹理复杂区域或者边缘区域进行嵌入,从而使隐写后图像的总体失真达到最小。
现有的自适应空域隐写算法,如S-UNIWARD,WOW和Hill,在计算失真代价时,都是通过精心设计失真函数,通过对每一个像素点进行失真代价的计算,使得最终嵌入后图像的失真代价总和达到最小。然而,越来越多的研究表明,仅使用失真代价很难描述出图像的嵌入区域与隐写算法安全性的关系。并且,在嵌入率较大时,一些空域隐写算法会在平坦区域,即容易进行图像建模的区域进行嵌入,而这些区域通常是不安全的。因此,提升隐写算法安全性的一个可行性途径是通过图像增强的方式,对纹理区域和边缘区域这些嵌入信息相对安全的区域进行增强,使得在信息嵌入时能够尽可能选择这些区域,提升算法的安全性。
图像增强算法作为一种图像处理技术,通常表现为使用一个精心设计的滤波核,通过使用卷积等操作,对图像的部分区域进行一定程度的增强。常见的增强效果如对对比度较小的图像进行增强,达到增强对比度,使得原本昏暗的图像变得明亮的效果;或是使用锐化滤波器对一张较为模糊的图像进行增强,通过增强边缘的形式,使得图像看起来较为清晰。因此,基于图像增强算法的能够对局部区域进行增强的特性,能够将图像增强算法应用于图像隐写算法中,使得算法的安全性提高。
传统的图像锐化增强算法是通过锐化算子进行锐化操作,或通过平滑算子进行反锐化掩模(Unsharp masking,UM)。然而这两种锐化方式大部分都是使用单个滤波器进行强化,而单个滤波器所能增强的细节有限,这就导致了对边缘区域和纹理复杂区域的增强效果不明显。因此,本方法使用了多尺度滤波器的方式,通过使用不同大小的滤波器,以及不同形式的图像增强方式,通过将多种锐化结果进行综合,使得算法对图像细节的增强较为全面,为提高空域隐写算法的安全性提供了可能。
扩散原则(Spreading Rule)是一种描述像素间失真代价关系的方法。扩散原则的主要思想在于:当两个像素点的失真代价相同时,它们的安全性不仅仅是和像素点本身的失真代价相关,同时也与周围像素点的失真代价相关。具体表现为,若两个像素点失真代价相同,则周围像素点失真代价较小的那个像素点安全性更高。扩散原则为了体现这种像素间关系,对最终计算得到的失真代价进行一次均值滤波,使得像素点的失真代价能够受到周围像素点的失真代价的影响。将扩散原则应用于增强图像计算得到的失真代价,能够对隐写算法的安全性提升有一定效果。
因此,如何利用合适的滤波器对图像的纹理区域和边缘区域进行增强,使嵌入区域趋近于这些较为安全的区域,以提高隐写算法的安全性,对于自适应隐写算法具有重要的意义。
发明内容
本发明针对现有的自适应隐写算法所存在的问题,实现一种基于多尺度滤波器的空域图像隐写增强算法。
本发明基于图像增强能够对局部图像进行增强的特性,采用多尺度滤波器来增强图像中不同尺寸的边缘区域和纹理区域,并使用扩散原则,对图像的失真代价进行扩散,提高算法的安全性,最后结合集成分类器来对隐写算法的安全性进行测试。
本发明的技术方案为,一种基于多尺度滤波器图像增强的空域隐写方法,包括如下步骤:
步骤1,输入pgm格式的原始图像,将该原始图像复制一份,作为cover图像;
步骤2,对原始图像进行隐秘信息的嵌入,得到cover图像对应的stego图像,具体实现方式如下;
步骤2.1,使用多尺度高斯滤波器对原始图像进行锐化,得到高斯滤波器的锐化结果Eg;
步骤2.2,使用拉普拉斯算子对原始图像进行锐化,得到线性滤波锐化结果Es;
步骤2.3,将步骤2.1和步骤2.2中得到的两个锐化结果进行加权,并与原始图像X相加,得到最终的锐化图像Xs;
步骤2.4,利用主流的空域隐写算法,对锐化图像Xs进行失真代价的计算,得到失真代价P;
步骤2.5,对失真代价P进行一次均值滤波,得到平滑后的失真代价P′;
步骤2.6,根据平滑后的失真代价P′,对原始图像进行隐秘信息的嵌入,得到最终的隐秘stego图像;
步骤3,将成对的cover图像和对应的stego图像随机分成数量相同两部分,一部分作为训练集,另一部分作为验证测试集;
步骤4,利用隐写分析特征,分别提取cover图像和stego图像的特征;
步骤5,利用训练集中的cover图像特征和对应的stego图像特征,并结合集成分类器来训练隐写分析模型。
进一步的,步骤2.1的具体实现方式如下,
B1=G1*I,B2=G2*I,B3=G3*I (式1)
其中,G1、G2和G3分别代表了3个不同大小的高斯滤波器;I代表原始图像,B1、B2和B3分别代表了经过高斯滤波后的平滑图像;之后,再通过将三个平滑图像进行作差,得到不同大小的细节信息:
D1=I-B1,D2=B1-B2,D3=B2-B3 (式2)
D1、D2和D3分别代表了不同的图像细节,总的全局细节为这三个细节的加权和:
Eg=(1-w1*sgn(D1))*D1+w2*D2+w3*D3 (式3)
其中w1、w2和w3分别代表了3个不同大小的权重;sgn()函数为符号函数,对矩阵D1中的每个元素都进行判断,当其中元素大于0时返回1,等于0时返回0,小于0时返回-1。
进一步的,步骤2.2的具体实现方式如下,
ES=X-B (式5)
其中X代表原始图像,B代表原始图像中的低频部分,将原始图像与图像中的低频部分B作差,得到图像的高频部分ES,图像中的低频部分通过对原始图像X进行低通滤波得到。
进一步的,步骤2.3的具体实现方式如下,
Xs=αEg+(1-α)Es+X (式6)
其中,α表示权重,X代表原始图像。
进一步的,步骤2.6中使用STC编码对原始图像进行隐秘信息的嵌入,具体实现方式如下,
步骤2.6.1,输入原始图像X,需要嵌入的隐秘信息m以及双方约定的校验矩阵H,并对原始图像X进行置乱;
步骤2.6.2,将置乱后的图像进行分段;
步骤2.6.3,对于分段中的每一个像素点xi,分别考虑修改或者不修改两种情况,若为修改,则在总的失真代价上加上该像素点对应的失真代价;
步骤2.6.4,对每个分段进行步骤2.6.3的操作,并保留下总的失真代价值最小的修改方案;
步骤2.6.4,根据失真代价值最小的修改方案,对选中的嵌入像素点进行随机的±1操作来进行信息的嵌入,若遇到边界像素点0或者255时,对于边界像素点0只采取+1操作,对于边界像素点255只采取-1操作。
进一步的,w1、w2和w3的取值分别为0.5,0.25和0.25。
进一步的,G1、G2和G3的大小分别为4*4,7*7,15*15。
进一步的,步骤2.5中采用大小为7*7的均值滤波器对失真代价P进行一次均值滤波。
与现有技术相比,本发明的优点在于增强纹理区域噪声点的同时能够减少对于平坦区域噪声的增强。现在的空域隐写技术,大多是基于图像纹理区域更适合嵌入的原则来设计是真代价函数,而对于图像中各式各样的像素点而言,单一的失真函数没有办法很好地描述出每个像素点是否适合嵌入。这就导致了纹理区域中高失真代价的异常点和平坦区域低失真代价的异常点的出现,从而造成了平坦区域进行了隐秘信息的嵌入导致算法不安全。现有算法基本没有对这两类异常点进行考虑,或者仅仅考虑了纹理区域的高失真代价异常点而忽视了平坦区域的低失真代价点。而本发明所提出的方法能够同时兼顾这两类异常点,并且能适用于现有的主流空域隐写算法,帮助现有算法解决这两类异常点造成的问题,提升算法的安全性。
附图说明
图1为不同滤波器进行图像增强的结果示意图,(a)(b)(c)(d)分别代表了使用3*3,4*4,7*7,15*15四种尺寸的滤波器进行图像增强的结果。
图2为本发明的隐写算法流程图。
图3为本发明实施例中,将本发明方法用于现有的主流空域隐写算法WOW(a)、S-UNIWARD(b)以及HILL(c)的对比效果图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步说明。
如图2所示,本发明提供的一种基于多尺度滤波器图像增强的空域隐写方法,包括如下步骤:
步骤1,输入pgm格式的原始图像,将该原始图像复制一份,作为cover图像;
步骤2,对原始图像进行隐秘信息的嵌入,得到cover图像对应的stego图像,具体实现方式如下;
步骤2.1,使用多尺度高斯滤波器对原始图像进行锐化,得到高斯滤波器的锐化结果Eg;
为了尽可能地增强图像中的纹理区域和边缘区域,本方法使用了多种尺寸的滤波器,旨在尽可能多地增强图像中存在的纹理区域和边缘区域。本方法所使用的高斯核模型如下所述。
B1=G1*I,B2=G2*I,B3=G3*I (式1)
其中,G1、G2和G3分别代表了3个不同大小的高斯滤波器,4*4,7*7,15*15,I代表了原始图像。B1、B2和B3分别代表了经过高斯滤波后的平滑图像。之后,再通过将三个平滑图像进行作差,得到不同大小的细节信息:
D1=I-B1,D2=B1-B2,D3=B2-B3 (式2)
D1、D2和D3分别代表了不同的图像细节,总的全局细节为这三个细节的加权和:
Eg=(1-w1*sgn(D1))*D1+w2*D2+w3*D3 (式3)
其中w1、w2和w3分别代表了3个不同大小的权重,取值分别为0.5,0.25和0.25,sgn()函数为符号函数,对矩阵D1中的每个元素都进行判断,当其中元素大于0时返回1,等于0时返回0,小于0时返回-1。
使用这种多尺度高斯核增强的方式是通过使用加权和的形式,将不同尺度的图像细节进行组合,能够得到更多的图像细节信息。如图1所示,子图(a)(b)(c)(d)分别代表了使用3*3,4*4,7*7,15*15四种尺寸的滤波器进行图像增强的结果。从四个子图可以看出,随着滤波器尺度的增大,对于不同尺寸的细节的增强效果不同。具体来说,对于小尺寸的滤波器,如图(a)中的3*3滤波器,在增强小尺度纹理细节的同时,也会对图像上方的一些平坦区域噪声也进行增强,这是在隐写时所不希望的,因为在平坦区域进行嵌入会导致算法的安全性降低。对于大尺度的滤波器,如图(c)和图(d),这些滤波器对于图像中大尺度的边缘区域增强效果较为明显而对于平坦区域的噪声不敏感。因为一幅图像所包含的纹理细节是有多种尺度的,因此,本方法结合了多种尺度的滤波器,并通过调整权重的方式,在降低平坦区域噪声带来的影响的同时,增强多种尺度大小的纹理细节和边缘区域。
步骤2.2,使用拉普拉斯算子对原始图像进行锐化,得到线性滤波锐化结果Es;
对于以锐化为目的的图像增强而言,通常可以使用锐化算子进行直接增强的线性掩模法或者使用平滑算子的反锐化掩模法。线性掩模法的缺陷在于这种方法对于平坦区域的噪声同样敏感,即这种方法可能会对图像的平坦区域也进行增强,这是在隐写过程中所不希望的。而反锐化掩模法通过将原始图像与平滑图像作差,得到了图像的锐化部分,避免了对平坦区域的增强。
基本的反锐化掩模法所使用的模型如下所述:
Y=X+ω*ES (式4)
ES=X-B (式5)
其中Y代表了经过锐化增强的图像,X代表了原始图像,B代表了原图像中的低频部分。将原图像与图像中的低频部分B作差,得到图像的高频部分ES。图像中的低频部分可以通过对原图像X进行低通滤波得到,ω代表增强时所使用的系数。
步骤2.3,将步骤2.1和步骤2.2中得到的两个锐化结果进行加权,并与原始图像X相加,得到最终的锐化图像Xs;所用公式如式(6)所示,其中α代表了权重:
Xs=αEg+(1-α)Es+X (式6)
步骤2.4,利用主流的空域隐写算法,对锐化图像Xs进行失真代价的计算,得到失真代价P;
步骤2.5,对失真代价P进行一次均值滤波,得到平滑后的失真代价P′;
利用MATLAB的fspecial函数,生成大小为7*7的均值滤波器;
步骤2.6,根据失真代价P′,使用STC编码对原始图像进行隐秘信息的嵌入,得到最终的隐秘stego图像。具体实现步骤如下;
步骤2.6.1,输入原始图像X,需要嵌入的隐秘信息m以及双方约定的校验矩阵H,并对原始图像X进行置乱。
步骤2.6.2,将置乱后的图像进行分段(本实施例中分为了4段)。
步骤2.6.3,对于分段中的每一个像素点xi,分别考虑修改或者不修改的可能。若为修改,则在总的失真代价上加上该像素点对应的失真代价。
步骤2.6.4,对每个分段进行上述步骤,并保留下总的失真代价值最小的修改方案。
步骤2.6.4,根据失真代价值最小的修改方案,对选中的嵌入像素点进行随机的±1操作来进行信息的嵌入。若遇到边界像素点0或者255时,对于边界像素点0只采取+1操作,对于边界像素点255只采取-1操作。
步骤3,将成对的cover图像和对应的stego图像随机分成数量相同两部分,一部分作为训练集,另一部分作为验证测试集;
步骤4,利用隐写分析特征,分别提取cover图像和stego图像的特征;
步骤5,利用训练集中的cover图像特征和对应的stego图像特征,并结合集成分类器来训练隐写分析模型。
步骤6,用测试集样本的特征来验证隐写分析模型的安全性。
对于训练好的模型,我们只需要输入一张图像,模型就会给出一个判别结果,用来判定这张图是不含有隐秘信息的原始图像还是已经嵌入了秘密信息的隐秘图像。
本文将该方法用于现有的主流空域隐写算法WOW、S-UNIWARD以及HILL,并将增强效果与原始算法以及同类增强算法MS算法进行了一个对比。实验结果如图3所示,本文算法的检测错误率在三种主流空域隐写算法下,均优于原始算法以及MS增强算法。即本文算法具有更强的抗隐写分析检测能力,具有更好的安全性。
本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代,但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。
Claims (7)
1.一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于,包括如下步骤:
步骤1,输入pgm格式的原始图像,将该原始图像复制一份,作为cover图像;
步骤2,对原始图像进行隐秘信息的嵌入,得到cover图像对应的stego图像,具体实现方式如下;
步骤2.1,使用多尺度高斯滤波器对原始图像进行锐化,得到高斯滤波器的锐化结果Eg;
步骤2.2,使用拉普拉斯算子对原始图像进行锐化,得到线性滤波锐化结果Es;
步骤2.3,将步骤2.1和步骤2.2中得到的两个锐化结果进行加权,并与原始图像X相加,得到最终的锐化图像Xs;
步骤2.4,利用空域隐写算法,对锐化图像Xs进行失真代价的计算,得到失真代价P;
步骤2.5,对失真代价P进行一次均值滤波,得到平滑后的失真代价P′;
步骤2.6,根据平滑后的失真代价P′,对原始图像进行隐秘信息的嵌入,得到最终的隐秘stego图像;
步骤3,将成对的cover图像和对应的stego图像随机分成数量相同两部分,一部分作为训练集,另一部分作为验证测试集;
步骤4,利用隐写分析特征,分别提取cover图像和stego图像的特征;
步骤5,利用训练集中的cover图像特征和对应的stego图像特征,并结合集成分类器来训练隐写分析模型。
2.如权利要求1所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:步骤2.1的具体实现方式如下,
B1=G1*I,B2=G2*I,B3=G3*I (式1)
其中,G1、G2和G3分别代表了3个不同大小的高斯滤波器;I代表原始图像,B1、B2和B3分别代表了经过高斯滤波后的平滑图像;之后,再通过将三个平滑图像进行作差,得到不同大小的细节信息:
D1=I-B1,D2=B1-B2,D3=B2-B3 (式2)
D1、D2和D3分别代表了不同的图像细节,总的全局细节为这三个细节的加权和:
Eg=(1-w1*sgn(D1))*D1+w2*D2+w3*D3 (式3)
其中w1、w2和w3分别代表了3个不同大小的权重;sgn()函数为符号函数,对矩阵D1中的每个元素都进行判断,当其中元素大于0时返回1,等于0时返回0,小于0时返回-1。
3.如权利要求1所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:步骤2.3的具体实现方式如下,
Xs=αEg+(1-α)Es+X (式6)
其中,α表示权重,X代表原始图像。
4.如权利要求1所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:步骤2.6中使用STC编码对原始图像进行隐秘信息的嵌入,具体实现方式如下,
步骤2.6.1,输入原始图像X,需要嵌入的隐秘信息m以及双方约定的校验矩阵H,并对原始图像X进行置乱;
步骤2.6.2,将置乱后的图像进行分段;
步骤2.6.3,对于分段中的每一个像素点xi,分别考虑修改或者不修改两种情况,若为修改,则在总的失真代价上加上该像素点对应的失真代价;
步骤2.6.4,对每个分段进行步骤2.6.3的操作,并保留下总的失真代价值最小的修改方案;
步骤2.6.4,根据失真代价值最小的修改方案,对选中的嵌入像素点进行随机的±1操作来进行信息的嵌入,若遇到边界像素点0或者255时,对于边界像素点0只采取+1操作,对于边界像素点255只采取-1操作。
5.如权利要求2所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:w1、w2和w3的取值分别为0.5,0.25和0.25。
6.如权利要求2所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:G1、G2和G3的大小分别为4*4,7*7,15*15。
7.如权利要求1所述的一种基于多尺度滤波器图像增强的空域隐写方法,其特征在于:步骤2.5中采用大小为7*7的均值滤波器对失真代价P进行一次均值滤波。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609536.9A CN111798390B (zh) | 2020-06-29 | 2020-06-29 | 一种基于多尺度滤波器图像增强的空域隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010609536.9A CN111798390B (zh) | 2020-06-29 | 2020-06-29 | 一种基于多尺度滤波器图像增强的空域隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111798390A CN111798390A (zh) | 2020-10-20 |
CN111798390B true CN111798390B (zh) | 2022-10-21 |
Family
ID=72809646
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010609536.9A Active CN111798390B (zh) | 2020-06-29 | 2020-06-29 | 一种基于多尺度滤波器图像增强的空域隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111798390B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113766084B (zh) * | 2021-08-10 | 2022-08-16 | 西安电子科技大学 | 一种增强图像平滑度的可逆信息隐藏方法、系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764270A (zh) * | 2018-04-03 | 2018-11-06 | 上海大学 | 一种利用卷积神经网络集成的信息隐藏检测方法 |
CN110728613A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于块效应的非加性失真jpeg图像隐写方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150006390A1 (en) * | 2013-06-26 | 2015-01-01 | Visa International Service Association | Using steganography to perform payment transactions through insecure channels |
WO2016134171A1 (en) * | 2015-02-19 | 2016-08-25 | Visa International Service Association | Steganographic image on portable device |
CN108898538A (zh) * | 2018-05-08 | 2018-11-27 | 天津大学 | 一种融合lbp特征的图像空域隐写算法 |
CN109472733A (zh) * | 2018-10-22 | 2019-03-15 | 天津大学 | 基于卷积神经网络的图像隐写分析方法 |
CN110009585A (zh) * | 2019-04-02 | 2019-07-12 | 深圳安盛生物医疗技术有限公司 | 一种多尺度图像增强方法 |
-
2020
- 2020-06-29 CN CN202010609536.9A patent/CN111798390B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108764270A (zh) * | 2018-04-03 | 2018-11-06 | 上海大学 | 一种利用卷积神经网络集成的信息隐藏检测方法 |
CN110728613A (zh) * | 2019-09-18 | 2020-01-24 | 武汉大学 | 基于块效应的非加性失真jpeg图像隐写方法 |
Non-Patent Citations (2)
Title |
---|
基于S-UNIWARD的图像自适应空域隐写术;李宁波等;《计算机工程与设计》;20161016(第10期);全文 * |
基于小波系数相关性的图像自适应空域隐写术;李宁波等;《电子技术应用》;20160712(第07期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN111798390A (zh) | 2020-10-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zheng et al. | Image dehazing by an artificial image fusion method based on adaptive structure decomposition | |
Zhang et al. | Enhancement and noise reduction of very low light level images | |
Kang et al. | A context-adaptive SPN predictor for trustworthy source camera identification | |
Kumar et al. | Enhanced pairwise IPVO-based reversible data hiding scheme using rhombus context | |
CN112561804A (zh) | 基于多尺度细节增强的低光照水下图像增强方法 | |
CN108038833B (zh) | 一种梯度相关性检测的图像自适应锐化方法和存储介质 | |
KR101587196B1 (ko) | 스플릿 에지 강화 구조 | |
Geetha et al. | Steganogram removal using multidirectional diffusion in fourier domain while preserving perceptual image quality | |
CN112700363B (zh) | 一种基于区域选择的自适应可视水印嵌入方法和装置 | |
Pei et al. | A novel image recovery algorithm for visible watermarked images | |
CN111798390B (zh) | 一种基于多尺度滤波器图像增强的空域隐写方法 | |
Chen et al. | Defining cost functions for adaptive steganography at the microscale | |
Kumari et al. | Fast single image and video deweathering using look-up-table approach | |
CN104616259B (zh) | 一种噪声强度自适应的非局部均值图像去噪方法 | |
WO2009034555A2 (en) | Image data processing and arrangements therefor | |
Patwari et al. | Image steganography based on difference of Gaussians edge detection | |
CN111696064B (zh) | 图像处理方法、装置、电子设备及计算机可读介质 | |
Li et al. | Saliency guided naturalness enhancement in color images | |
CN116645260A (zh) | 一种基于条件扩散模型的数字水印攻击方法 | |
Chen et al. | An adaptive image dehazing algorithm based on dark channel prior | |
Thomas et al. | Effectual single image dehazing with color correction transform and dark channel prior | |
Kumari et al. | Real time image and video deweathering: The future prospects and possibilities | |
CN109167892B (zh) | 一种视频图像细节增强方法与系统 | |
CN111986095B (zh) | 基于边缘提取的图像处理方法及图像处理装置 | |
Kumari et al. | Optimized dwt based digital image watermarking and extraction using rnn-lstm |
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 |