CN115049715A - 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术 - Google Patents
基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术 Download PDFInfo
- Publication number
- CN115049715A CN115049715A CN202210543882.0A CN202210543882A CN115049715A CN 115049715 A CN115049715 A CN 115049715A CN 202210543882 A CN202210543882 A CN 202210543882A CN 115049715 A CN115049715 A CN 115049715A
- Authority
- CN
- China
- Prior art keywords
- image
- block
- matching
- secret
- carrier
- 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.)
- Granted
Links
- 230000004927 fusion Effects 0.000 title claims abstract description 14
- 238000000034 method Methods 0.000 claims abstract description 101
- 238000007781 pre-processing Methods 0.000 claims abstract description 4
- 238000004891 communication Methods 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 22
- 230000006835 compression Effects 0.000 claims description 15
- 238000007906 compression Methods 0.000 claims description 15
- 239000013598 vector Substances 0.000 claims description 13
- 125000004122 cyclic group Chemical group 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000005192 partition Methods 0.000 claims description 6
- 229910002056 binary alloy Inorganic materials 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000001914 filtration Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 230000000007 visual effect Effects 0.000 abstract description 23
- 238000000682 scanning probe acoustic microscopy Methods 0.000 abstract description 6
- 238000004458 analytical method Methods 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 6
- 238000002474 experimental method Methods 0.000 description 6
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000013127 simulated treatment comparison Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000903 blocking effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002790 cross-validation Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000007123 defense Effects 0.000 description 1
- 238000006073 displacement reaction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000004904 shortening Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/49—Analysis of texture based on structural texture description, e.g. using primitives or placement rules
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computer Security & Cryptography (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,具体包括以下步骤:步骤1、图像预处理;步骤2、采用分块间灰度特征融合小波纹理特征的块匹配策略进行块匹配;步骤3、嵌入秘密图像IM;步骤4、重构提取图像IM'。本发明对比于已有块匹配多层嵌入方法,本发明方法在嵌入大容量秘密信息基础上仍可大幅提升隐写图像的不可感知性和提取秘密图像的视觉质量,同时本发明还能够有效地对抗高维SPAM模型隐写特征的隐写分析攻击,提高了隐写图像的安全性能。
Description
技术领域
本发明涉及图像隐写技术领域,特别是涉及一种基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术。
背景技术
近年来,利用互联网把密文隐藏于各种数字媒体中进行隐蔽通信技术已经在国防安全、商业机密领域广泛应用并扮演着重要的角色。直接将秘密信息加密通过隐蔽信道传输密文的传统方式会导致潜在的安全信息泄漏问题。然而通过隐写技术传递密文可以有效地限制敌手的非法访问概率,从而最大化地实现传输内容的保密性和传输行为的隐蔽性。隐写技术是将加密过的秘密信息嵌入到一般性的非密写的数字化载体中。为了避免敌手轻易地获取密文信息,人们通常把隐写后载体(也称隐写体)存放于公开的网络环境中进行传输。由于隐写体具有高隐蔽性,敌手很难轻易地从海量数据中感知或检测出可攻击对象。对于接收者而言,要确保被嵌入载体中的信息有可持续保持和能被重新提取的特性。传输载体的选择通常是文本、图像、音频或视频等数字媒体中。其中,使用数字图像作为载体的隐写术应用最广泛。
在现有图像隐写技术中秘密信息的存在形式通常以文本字符为主,无法准确表达某些抽象的、具体形象的信息。在保证较高的不可感知性和较强的抗统计攻击性下如何把这些抽象的信息以图像的形式记录下来并隐藏于图像载体中进行隐蔽通信具有较高的实用性和研究价值。从载体图像中搜寻与秘密图像分块特征相匹配的图像分块重构秘密图像的方法使得在图像中隐藏一幅或者多幅图像成为了可能。其中利用矢量量化(VectorQuantization,VQ)压缩法嵌入大分辨率图像较为普遍。比如,利用搜索与秘密图像相似性高匹配分块的VQ技术图像隐藏,并采用k均值聚类方法生成代表分块重构图像以提高提取图像视觉质量,利用结合高效网格校验码(Syndrome Trellis Code,STC)来对抗结构化隐写分析攻击的图像隐藏方法。该类方案具体总结以下几个步骤:
1)构造候选匹配分块集合部分:由于在载体图像像素的低有效位嵌入图块索引信息,图像像素的高比特位则用于构建匹配分块集。为了在一幅载体图像中有效地扩充匹配分块库可以采用图像位平面循环位移的方式获得。
2)分块匹配方法部分:从该集合中为每个秘密图像分块寻找其最优匹配并记录索引值。目前已有方法通常比较分块间灰度值的差别,这种差异性容易造成图像块效应。为了解决这个问题,已有方法采用K均值(K-means)聚类方法选出部分代表分块作为其最优匹配并替换块匹配过程中未使用的候选匹配分块来改善块效应的问题,但是整体算法的执行复杂度也随之升高。
3)使用Huffman(霍夫曼)编码压缩信息部分:该过程把记录的分块索引和过程参数利用压缩编码方法压缩,目的在于缩短嵌入载体的秘密信息的长度,降低给隐写图像带来的扰动,提升隐写图像的视觉质量。
4)使用多层最低有效位(Least Significant Bit,LSB)或者校验格编码方法嵌入信息流部分:将压缩数据流嵌入到载体图像的多层LSB中。采用校验网格编码方法可以进一步提升嵌入效率,但是同时降低了嵌入负载能力。目前,已有方法仍存在一定缺点,具体如下:
1)现有方案图块匹配过程只考虑分块间灰度的均方差差异,而忽略了分块间纹理特征差异的作用。造成提取的秘密图像质量有所下降,易形成块效应,图像噪声的问题。
2)现有方案的隐写图像难以对抗高维特征的隐写分析算法。具体为,为了嵌入等比于载体图像1-4倍的秘密图像,需要每个载体图像像素提供3-4个比特位完成嵌入任务。即,嵌入扰动层数需要提供3-4层,难以保证可靠的安全性能。
3)现有方案执行效率较低。重构匹配图块采用聚类等算法虽然一定程度上提高了提取图像的视觉质量但是算法复杂度也随之升高,降低了执行效率。
发明内容
为解决上述存在的技术问题,本发明提供一种基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术。
为实现上述目的,本发明采用的技术方案是:基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,具体包括以下步骤:
步骤1、图像预处理:
1)输入1幅大小为hIM×wIM的秘密图像IM,大小为hCI×wCI的载体图像CI,其中hIM为秘密图像IM的高,wIM为秘密图像IM的宽,hCI为载体图像CI的高,wCI为载体图像CI的宽,将秘密图像IM及载体图像CI分别均分成不重叠的分块大小b=m×n的分块,其中m和n分别代表匹配分块的长和宽;
2)将秘密图像IM划分不重叠分块集{Dj}|0<=j<=bIM-1,bIM为秘密图像IM的分块数;
3)生成载体图像CI的组合位平面图像CI'并建立隐蔽通信信道x:在载体图像CI中,假设载体图像扰动层数用p表示,则p-LSB表示第p层最低有效位平面,将载体图像CI的个位平面叠加构成组合位平面图像CI';并取2-LSB及1-LSB位平面作为隐蔽通信信道x;
假设载体图像CI中任意一个像素pixi二进制为x8x7x6x5x4x3x2x1,则组合位平面图像CI'像素pixi'二进制为其中xμ,xν表示像素pixi'后两位比特值,分别来自像素pixi第μ、v位比特值;
4)利用高比特位循环位移法构造构成候选分块匹配集图像,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1,bCI为载体图像CI的候选分块匹配集分块数量;
步骤2、采用分块间灰度特征融合小波纹理特征的块匹配策略进行块匹配:对秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1及计算最优匹配分块比例参数δ,并记录在最优匹配分块比例参数δ下最优匹配分块索引集{zi}δ,并与剩余1-δ的秘密图像IM替换分块集{Dj}1-δ合并,在压缩率为β时用哈夫曼编码进行压缩,构成提取秘密图块信息流m;
步骤3、嵌入秘密图像IM:取出载体图像CI的1-LSB和2-LSB位平面构成的隐蔽通信信道x,利用Z4MPC编码方法将提取秘密图块信息流m、过程参数信息嵌入隐蔽通信信道x中得到隐蔽通信信道y,最后对隐蔽通信信道y进行逆置乱构成隐写体图像SI。
进一步地,所述基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术还包括:
步骤4、重构提取图像IM':
4)输入接收方得到的隐写体图像SI;
5)拟随机置乱,获取1-LSB和2-LSB位平面进行得到隐蔽通信信道y、过程参数信息;
6)利用公式HyT=m提取秘密消息,利用哈夫曼解码方法对m解码,获取解码消息流m';
4)按照最优匹配分块比例参数δ在m'中找到{zi}δ分块索引值对应的最优匹配分块集{Di}δ和从剩余消息流m'获得的图像IM替换分块集{Dj}1-δ重构提取图像IM'。
进一步地,所述步骤1中的步骤4)具体包括以下步骤:
①把组合位平面图像CI'中每个像素的8-LSB至5-LSB比特位进行一次循环右移,操作后生成的图像和原始载体图像CI共同构成候选分块匹配集图像;
②构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1并计算候选分块匹配集图像每一分块的像素值:
设秘密图像IM的分块数为bIM,则bIM为:
设载体图像CI的候选分块匹配集分块数量bCI=2×bIM,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1;
根据公式(2)计算候选分块匹配集图像中每一分块的像素值:
进一步地,所述步骤2具体包括以下步骤:
1)对载体图像CI的候选分块集{Di}的每一分块进行哈尔小波变换,记录所有每分块三方向高频特征值存放于矩阵向量中;其中,dwt2(·)为MATLAB小波变换函数,分别获取水平、斜下、垂直方向高频滤波值;
2)取出秘密图像IM第j个分块Dj|0<=j<=bIM-1,计算该分块三方向小波变换通滤波值存放于向量中;对于每个分块Dj计算与载体候选匹配分块集{Di}中分块间的最小曼哈顿灰度差距离MDmin=min({MD(Dj,Di)}),找出同一MDmin下的候选匹配分块集
其中,分块Di,Dj间曼哈顿灰度差距离定义为:
Di(k,l)和Dj(k,l)分别表示分块Di和Dj在(k,l)位置处像素值;
4)重复进行步骤1)-步骤3),为秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1;
5)设定一个参数当时将该匹配分块归入最优匹配分块集中,当所有秘密图像IM的分块均匹配后得到最优匹配分块比例参数δ,当δ→δ时,可以得到装载秘密图像IM时最优分块比例下界;记录比例参数δ下最优匹配分块索引集{zi}δ,并与剩余1-δ的秘密图像IM替换分块集{Dj}1-δ合并,在压缩率为β时用哈夫曼编码进行压缩,构成提取秘密图块信息流m。
进一步地,所述步骤2中的步骤5)的秘密图像IM最优匹配分块比例参数δ及比例参数下界δ是通过定理1得到的:
设q=8比特灰度,载体图像CI的分块大小为b=m×n,秘密图像IM中最优匹配分块比例参数为δ,哈夫曼编码压缩率为β,秘密图像IM的大小为hIM×wIM,载体图像CI的大小为hCI×wCI,αZ4为Z4MPC码的嵌入率,则δ下界为δ,
进一步地,所述步骤3中的过程参数信息包括最优匹配分块比例参数δ、哈夫曼编码压缩率β、hIM、wIM、分块大小b。
与现有技术相比,本发明的有益效果为:
1、本发明采用了分块间灰度特征融合小波纹理特征的块匹配策略进行块匹配,提升提取图像视觉质量。现有的块匹配图像隐藏方法在块匹配中只考虑分块灰度的均方差差异,而忽略了分块纹理特征差异的作用。基于此本发明在分块匹配过程中融入了纹理匹配技术。利用小波高通滤波器融合载体分块多方向纹理特征和分块灰度特征创建特征匹配集。匹配精度高,载体图像CI的候选分块集精练等特点,从而有效地缩短了编码码长。最后把最优匹配分块索引值和无最优匹配分块统一用哈夫曼编码压缩并利用Z4MPC码将信息嵌入于载体图像CI中。
2、本发明具有大嵌入容量特点。本发明使用Z4环上的大嵌入率乘积码—Z4MPC码作为编码器。其嵌入性能具体为:编码矩阵大小3×3,嵌入率为1.78bpp,嵌入效率为3。改码嵌入率高于二元STC和三元STC嵌入率上界,对于隐藏与载体图像CI等分辨率的多幅秘密图像IM时扰动的LSB层数最多不超过两层。目前主流的自适应网格校验编码方法能够有效地对抗高维特征的隐写分析,而其编码扰动层数不高于双层。即证明了网格校验码的嵌入扰动被限制在双层LSB以内才具有较好对抗高维隐写分析攻击。本发明在嵌入过程中将把压缩提取秘密图块信息流m嵌入到图像像素的最低比特位和次低比特位(1-LSB和2-LSB位平面)的隐蔽通信信道x中,同样将从这两个隐蔽信道提取秘密图像IM。
3、本发明嵌入一幅及多幅同载体图像CI大小一样的秘密图像IM时获得的隐写体图像SI仍具有较高的视觉质量。
4、本发明提升了隐写体图像SI安全性,可以对抗高维隐写特征的统计性隐写分析攻击。
附图说明
图1是本发明基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术中嵌入秘密图像IM的流程图;
图2是本发明基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术中重构提取图像IM'的流程图;
图3是本发明的生成载体图像CI的组合位平面图像CI'方法示意图;
图4是本发明的高四比特位循环位移效果图;其中,4(a)为载体图像CI,4(b)为组合位平面图像CI'循环右移一位图像,4(c)为组合位平面图像CI'循环右移二位图像,4(d)为组合位平面图像CI'循环右移三位图像;
图5是本发明的方法和SEV匹配方法分块细节对比图;其中,5(a)、5(b)为选取的2个纹理复杂区域的秘密图像IM分块,5(c)和5(d)为选取的2个纹理平滑区域的秘密图像IM分块;5(e)和5(f)分别为SEV匹配方法对5(a)和5(b)进行块匹配得到的分块,5(g)和5(h)分别为SEV匹配方法对5(c)和5(d)进行块匹配得到的分块;5(i)和5(j)分别为本发明的块匹配方法对5(a)和5(b)进行块匹配得到的分块,5(k)和5(l)分别为本发明的块匹配方法对5(c)和5(d)进行块匹配得到的分块;
图6是本发明的块匹配方法和SEV匹配方法得到的提取图像IM'效果对比图;其中6(a)为本发明的块匹配方法得到的提取图像IM'示意图,6(b)为SEV匹配方法得到的提取图像IM'示意图;6(c)为6(a)的局部放大示意图;6(d)为6(b)的局部放大示意图;
图7是本发明在不同参数值下提取图像IM'的视觉质量对比图;其中7(a)为原始Lena.bmp图像,7(b)为时得到的提取图像IM',7(c)为时得到的提取图像IM',7(d)为时得到的提取图像IM',7(e)为时得到的提取图像IM',7(f)为时得到的提取图像IM';
图8是本发明的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术在载体图像CI中嵌入4幅秘密图像IM得到的隐写体图像SI及提取图像IM'效果图;其中,8(a)为载体图像CI示意图,8(b)为嵌入的4幅秘密图像IM示意图,8(c)为得到的隐写体图像SI示意图,8(d)为提取图像IM'示意图;
图9是本发明方法在SPAM特征下各负载率平均检错率曲线图;
图10是本发明方法在SPAM特征下各负载率ROC曲线图。
具体实施方式
下面结合附图和实施例,对本发明的具体实施方式作进一步的描述。应当理解,本实施例仅用来说明本发明,但不用来限制本发明范围。
如图1至图2所示,基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,具体包括以下步骤:
步骤1、图像预处理:
1)输入1幅大小为hIM×wIM的秘密图像IM,大小为hCI×wCI的载体图像CI,其中hIM为秘密图像IM的高,wIM为秘密图像IM的宽,hCI为载体图像CI的高,wCI为载体图像CI的宽,将秘密图像IM及载体图像CI分别均分成不重叠的分块大小b=m×n的分块,其中m和n分别代表匹配分块的长和宽;
2)将秘密图像IM划分不重叠分块集{Dj}|0<=j<=bIM-1,bIM为秘密图像IM的分块数;
3)生成载体图像CI的组合位平面图像CI'并建立隐蔽通信信道x:在载体图像CI中,假设载体图像扰动层数用p表示,则p-LSB表示第p层最低有效位平面,将载体图像CI的个位平面叠加构成组合位平面图像CI';并取2-LSB及1-LSB位平面作为隐蔽通信信道x;
假设载体图像CI中任意一个像素pixi二进制为x8x7x6x5x4x3x2x1,则组合位平面图像CI'像素pixi'二进制为其中xμ,xν表示像素pixi'后两位比特值,分别来自像素pixi第μ、v位比特值;
如图3所示,任取载体图像CI中一个像素二进制为11010111,本发明给出生成载体图像CI的组合位平面图像CI'发生高比特位循环位移在像素层面解释的具体流程图如图3所示;
4)利用高比特位循环位移法构造构成候选分块匹配集图像,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1,bCI=2bIM为载体图像CI的候选分块匹配集分块数量;
所述步骤4)具体包括以下步骤:
①把组合位平面图像CI'中每个像素的8-LSB至5-LSB比特位进行一次循环右移,操作后生成的图像和原始载体图像CI共同构成候选分块匹配集图像;
如图4所示,4(c)、4(d)两图严重破坏像素的空间关系导致图片失真严重。因此本发明只选择4(a)、4(b)两图用作生成候选分块匹配集,即只选择组合位平面图像CI'及其循环右移一位图像作为生成分块匹配集图像。在匹配过程中,根据实验证明发生循环位移次数在2-3之间时生成的图像严重破坏像素的空间关系导致图片失真严重,图4给出实验效果。本发明根据实验结果设计生成更加精简、有效的载体图像CI的候选分块匹配集,减少可嵌信息码长。
②构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1并计算候选分块匹配集图像每一分块的像素值:
设秘密图像IM的分块数为bIM,则bIM为:
设载体图像CI的候选分块匹配集分块数量bCI=2×bIM,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1;
根据公式(2)计算候选分块匹配集图像中每一分块的像素值:
本发明中采用的是8比特灰度位图图像,式(2)中q=8。
步骤2、采用分块间灰度特征融合小波纹理特征的块匹配策略进行块匹配:对秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1及最优匹配分块比例参数δ,并记录在最优匹配分块比例参数δ下最优匹配分块索引集{zi}δ,并与剩余1-δ的秘密图像IM替换分块集{Dj}1-δ合并,在压缩率为β时用哈夫曼编码进行压缩,构成提取秘密图块信息流m;若候选匹配分块集{Di}|0<=i<=bCI-1中某个分块与秘密图像IM分块集{Dj}|0<=j<=bIM-1中某个分块的误差最小,则该分块称为最优匹配分块,同时记录所有最优匹配分块索引值,分块间误差分为灰度差和小波变换纹理特征误差两部分,具体步骤为:
1)对载体图像CI的候选分块集{Di}的每一分块进行哈尔小波变换,记录所有每分块三方向高频特征值存放于矩阵向量中;其中,dwt2(·)为MATLAB小波变换函数,分别获取水平、斜下、垂直方向高频滤波值;
2)取出秘密图像IM第j个分块Dj|0<=j<=bIM-1,计算该分块三方向小波变换通滤波值存放于向量中;对于每个分块Dj计算与载体候选匹配分块集{Di}中分块间的最小曼哈顿灰度差距离MDmin=min({MD(Dj,Di)}),找出同一MDmin下的候选匹配分块集
其中,分块Di,Dj间曼哈顿灰度差距离定义为:
Di(k,l)和Dj(k,l)分别表示分块Di和Dj在(k,l)位置处像素值;
4)重复进行步骤1)-步骤3),为秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1;
5)设定一个参数当时将该匹配分块归入最优匹配分块集中,当所有秘密图像IM的分块均匹配后得到最优匹配分块比例参数δ,当δ→δ时,可以得到装载秘密图像IM时最优分块比例下界δ;记录比例参数δ下最优匹配分块索引集{zi}δ,并与剩余1-δ的秘密图像IM替换分块集{Dj}1-δ合并,在压缩率为β时用哈夫曼编码进行压缩,构成提取秘密图块信息流m。
所述步骤5)的秘密图像IM最优匹配分块比例参数δ及比例参数下界δ是通过定理1得到的:最优匹配分块数量决定了占用存储空间大小。最优匹配分块比例参数δ值越小所占嵌密空间越大,反之,越小。由于Z4MPC编码的嵌入率αZ4给出了载体的最大嵌入容量,而对应的最优匹配分块比例参数δ控制了载体的待嵌入量,当比例参数下界为δ时正好满足了嵌入率为αZ4时对应的最大嵌入容量。定理1具体如下:
设q=8比特灰度,载体图像CI的分块大小为b=m×n,秘密图像IM中最优匹配分块比例参数为δ,哈夫曼编码压缩率为β,秘密图像IM的大小为hIM×wIM,载体图像CI的大小为hCI×wCI,αZ4为Z4MPC码的嵌入率,则δ下界为δ,
载体图像CI最大可嵌比特数为MBC:
MBC=αZ4×(hCI×wCI-1) (5)
设Z4MPC定义为其中C1(n1,k1)|r1=n1-k1,n1=2r1-1和C2(n2,k2)|r2=n2-k2,为剩余类整数环Z4上的线性分组码,其中令n1=n2=3,k1=k2=1,则编码矩阵大小为3×3;公式(5)中嵌入率为,
设霍夫曼编码压缩比例为β,根据公式(5)及嵌入信息比特长度不大于载体图像CI可嵌最大比特数条件,得出,
步骤3、嵌入秘密图像IM:取出载体图像CI的1-LSB和2-LSB位平面构成的隐蔽通信信道x,利用Z4MPC编码方法将提取秘密图块信息流m、过程参数信息嵌入隐蔽通信信道x中得到隐蔽通信信道y,所述过程参数信息包括最优匹配分块比例参数δ、哈夫曼编码压缩率β、hIM、wIM、分块大小b,最后对隐蔽通信信道y进行逆置乱构成隐写体图像SI;判断所有秘密图像IM是否嵌入完毕,若是,则输出隐写体图像SI,若否,则返回步骤1继续嵌入新的秘密图像IM。
本发明中采用的Z4MPC编码方法为公知技术(参见已发表论文:L.Y.Zhang andD.Y.Chen,“A Modified Product Code Over in Steganography with Large EmbeddingRate”,KSII Transactions on Internet and Information Systems,vol.10,no.7,pp.3353-3370,2016,10.3837/tiis.2016.07.027.)。
步骤4、重构提取图像IM':
1)接收隐写体图像SI;
2)拟随机置乱,获取1-LSB和2-LSB位平面进行得到隐蔽通信信道y、过程参数信息;
3)利用公式HyT=m(参见已发表论文:L.Y.Zhang andD.Y.Chen,“AModifiedProduct Code Over in Steganography with Large Embedding Rate”,KSIITransactions on Internet and Information Systems,vol.10,no.7,pp.3353-3370,2016,10.3837/tiis.2016.07.027.)提取秘密消息,利用哈夫曼解码方法对m解码,获取解码消息流m';
4)按照最优匹配分块比例参数δ在m'中找到{zi}δ分块索引值对应的最优匹配分块集{Di}δ和从剩余消息流m'获得的秘密图像IM替换分块集{Dj}1-δ重构提取图像IM'。
下面结合具体的实验数据来说明本发明方法(基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术)的有益效果:
(1)本发明方法选取BossBase1.01图库中25.pmg图片作为载体图像CI,Lena.bmp图像作为秘密图像IM,hCI×wCI=512×512,hIM×wIM=512×512本发明的步骤2利用改进分块匹配策略提升提取图像视觉质量。已有的SEV分块相似度匹配方法仅考虑了分块间的灰度值差别,本发明方案在分块匹配改进策略方案中提出融合分块间灰度特征和小波纹理特征的进行分块匹配,可以综合分析图像分块的内容、结构对应的纹理结构及灰度的关系,并在提取秘密图像IM时完成精准匹配,提升提取图像视觉质量。如图5所示,本发明在秘密图像IM中任意选择4个大小为4×8的分块,其中2个为纹理复杂区域的秘密图像IM分块,2个为纹理平滑区域的秘密图像IM分块,在候选匹配分块集{Di}|0<=i<=bCI-1中选择最优匹配分块。本发明方案给出实验结果图,如图5所示,分别对比利用传统分块灰度SEV匹配方法和本发明的块匹配方法下筛选分块的像素值。本发明方案分别提取纹理复杂和纹理平滑区域分块进行对比。图5中的5(a)-5(b)是纹理复杂区域的秘密图像IM分块,从5(i)和5(j)可以明显看出,本发明的块匹配方法得到的分块纹理匹配相似度接近于原始秘密分块,从图5(e)和5(f)可以看出,SEV方法匹配分块纹理相似度与原始秘密分块差别较大;5(c)、5(d)是纹理平滑区域分块,5(g)、5(h)表明了在SEV方法匹配的分块间灰度值方差较小,纹理细节表达性不够,而采用本发明的块匹配方法,5(k)、5(l)的结果显示在保持了一定的灰度相关性外,其分块间的纹理匹配度也较高。本发明方案选取BossBase1.01图库中25.pmg作为载体图像CI,Lena.bmp作为秘密图像IM,分别对比本发明和SEV匹配方法的提取图像IM'结果,如图6所示。从结果可以看出,由于SEV匹配方法仅仅考虑分块灰度值差异,所以在匹配过程中会出现分块灰度差异小但纹理特征差异大的现象。例如,图6中的6(b)和6(d)中会出现一些随机噪声,同时在一些边缘纹理区域块效应特征明显。
(2)本发明具有大嵌入容量特点。已有方法采用编码算法的嵌入率有限导致需要通过增加嵌入层数来完成多幅图片的隐藏,大大降低隐写图像的安全性能。本发明利用高负载率Z4MPC编码方法进行秘密信息的嵌入,使得扰动嵌入层数限定在两层以内,大大提升了隐写图像的安全性,本发明用高维SPAM隐写分析特征进行抗统计攻击测试达到良好的测试效果。由于本发明方法采用Z4PMC大嵌入率编码方案,使得在嵌入一幅至多幅同等载体大小的图片时仍能使载体图像CI像素的扰动层数控制在两层以内。乘积码是一种由短的分量汉明码构造高效长码的技术,是由两个线性码通过直积的方式构造出的一个二维线性码。假设线性分组码C1(n1,k1)和C2(n2,k2)为剩余类整数环Z4上的线性码。具体嵌入过程为:在码阵中对每一个行码C2逐行嵌入密文共执行n1次;找到前k2个嵌入列对每一个列码C1逐行嵌入密文共执行k2次;在每一次列嵌入时需要进行修改行密文还原操作。密文提取则需对每行及前k2个嵌入列按照公式HyT=m提取密文。每次编码满足加法交换群,乘法半交换群运算需满足Gary映射:φ(0,0)=0,φ(0,1)=1,φ(1,1)=3,φ(1,0)=2。Z4MPC编码方法提供了由像素最低有效位及次低有效位(Second Least significantbit,SLSB)构成双层嵌密信道,在交织编码过程中其基于Lee距译码方法求得最优解。本发明采用的高效Z4环下乘积码-Z4MPC是一种大嵌入率高效编码,编码矩阵大小3×3,其隐写嵌入率为1.78bpp,嵌入效率接近3,嵌入率高于双层的多元STC嵌入率上界。本发明方法利用Z4MPC码在隐蔽信道中嵌入秘密信息不仅增加可嵌入容量还确保了可靠的安全性。
(3)本发明嵌入一幅及多幅同载体图像CI大小一样的秘密图像IM时获得的隐写体图像SI仍具有较高的视觉质量。BossBase1.01图库中25.pgm图片作为载体图像CI,4幅秘密图像IM为20.pgm、27.pgm、30.pgm、Lena.bmp,本发明方案将隐写体图像SI和载体图像CI之间的图像间视觉质量判定指标峰值信噪比(Peak signal-to-noise ratio,PSNR)设为psnrST,psnrST越高,表示隐写图像视觉不可感知性高;将秘密图像IM与提取图像IM'之间的PSNR设为psnrEI,psnrEI越高,表示提取图像IM'与秘密图像IM越相似,即提取图像IM'能够保留秘密图像IM更多的内容特征。
本发明方案给出结果实验图,图7给出不同值下秘密图像IM(Lena.bmp图像)与提取图像IM'的视觉质量效果对比。可以看出随着值的增加,选择匹配时分块特征差异大的载体替代分块集越小,提取图像IM'视觉质量逐步下降,MBI/MBC参数比降低,即嵌入秘密图像IM时占用可嵌空间较小。反之,提取图像IM'质量越高,秘密图像IM占用可嵌空间越小。这里,MBC为载体图像CI最大可嵌比特数,MBI为嵌入秘密图像IM分块所占总比特空间,比例参数为MBI/MBC,即计算嵌入秘密图像IM分块所占比特数比上载体图像CI可嵌最大比特数的比值。图8给出嵌入4幅秘密图像IM(20.pgm、27.pgm、30.pgm、Lena.bmp)时,隐写体图像SI及提取图像IM'的视觉质量效果,可以看出,本发明得到的提取图像IM'的视觉质量较好。表1给出不同值下嵌入1幅秘密图像IM(Lena.bmp图像)的提取图像IM'的各参数对比值及对应的视觉质量参数。表2给出了本发明方法载体图像CI中嵌入4幅不同秘密图像IM(20.pgm、27.pgm、30.pgm、Lena.bmp)的各参数(Payload)对比数据,表3给出嵌入单幅Lena图像或4幅秘密图像IM(20.pgm、27.pgm、30.pgm、Lena.bmp)时,本发明方法和已有方法对于参数psnrEI/psnrST的对比数据。表2中(MBI/MBC)N|N∈{1,2,3,4}表示第N个秘密图像IM的MBI/MBC比例参数,Payload表示在大小为hCI×wCI的载体图像CI嵌入第N个秘密图像IM时的负载率,通过式(7)计算:
由表2可以看出,均可获得较好的视觉质量,特别地,对于隐写体图像SI保持了很高的视觉不可感知性。表3中的实验数据证明嵌入1幅秘密图像IM时,对比已有方法,本发明方法的psnrST性能最高提升近25%,psnrEI性能最高提升近1-2%;而嵌入4幅秘密图像IM时,本发明方法的psnrST性能最高提升近50%,psnrEI性能略低,主要原因在于值越高替换分块数量越少,以牺牲提取秘密图像IM质量为代价降低每幅图片所占存储空间,从而在嵌入多幅秘密图像IM时使载体图像CI的负载率控制在Z4MPC能承受的最大负载范围内,秘密图像IM信息最终嵌入于载体图像CI的双层LSB位平面内,提升了隐写图像的安全性。由于SEV+STCs方法嵌入4幅秘密图像需要占用载体图像4层位比特平面图,而本发明方法仅占用2层,所以本发明方法具有较高的不可见性和对抗隐写分析安全性能。
(4)本发明提升了隐写体图像SI安全性,可以对抗高维隐写特征的统计性隐写分析攻击。由于嵌入密文比特数量的多少直接影响嵌密图像安全性能,本发明将针对不同值测试嵌入1副或者4幅大小为512×512的8比特灰度秘密图像IM的隐写安全性,设参数本发明技术方案结合Z4MPC编码方法对图片按指定的参数值嵌入秘密图像IM构成隐写集。其中,当时最优匹配分块比例数δ接近下界,可以获得最优视觉质量提取图像,载体嵌入容量较大;当时最优匹配分块比例参数δ接近上界,获得较低视觉质量提取图像,载体嵌入容量较小;当时,可以嵌入4幅秘密图像IM,嵌入4幅秘密图像IM的总负载率约为1.56bpp。则本发明实验对应的隐写图像集负载率在实验中,Bossbase1.01库中5000张图片中随机挑选2500张训练出训练集分类器,随机抽选2500张图片作为测试集进行测试,随机子空间维数为d_sup=300。训练分类器时,利用五折(Five-Fold)交叉验证(Cross-Validation,CV)决定训练的分类器最佳参数。将重复10次隐写分析实验以平均错误率作为最终结果。本发明采用SPAM隐写分析特征及ensemble2.0分类器进行统计攻击测试安全性,实验需要提供统计攻击的检测率,检测率用错误率即漏检率和虚警率的均值。漏检率为测试集中隐写体图像SI被预测为正常载体图像CI的概率,而虚警率表示测试集中的正常载体图像CI被误测为隐写体图像SI的概率。从图9和图10所示的本发明在SPAM特征下各负载率平均检错率及ROC曲线图可以看出,当嵌入4幅秘密图像IM时(图10中嵌入4幅秘密图像IM表示为4-IM,符号表示为phi),载体图像CI负载率为1.56bpp,其平均错检率为0.0644;当嵌入1幅秘密图像IM且(图10中嵌入1幅秘密图像IM表示为1-IM,符号表示为phi)时获得最优视觉质量,对应负载率为1.5bpp,其平均错检率为0.0762;当嵌入1幅秘密图像IM且时获得最低视觉质量,对应负载率为0.35bpp,其平均错检率为0.4112。本发明方法在嵌入单幅秘密图像IM时能够有效地抵抗高维隐写分析方法的检测,在嵌入4幅秘密图像IM时抗隐写分析性能降低,但是根据表2,表3可以看出提取图像IM'仍然保持较好的视觉不可见性。
表2本发明方法在载体图像CI中嵌入不同秘密图像IM的各参数对比表
表3本发明方法与已有方法嵌入秘密图像IM时psnrEI/psnrST参数对比表
以上对本发明所提供的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术进行了详细的介绍,但应理解的是,这些描述仅仅用具体的个例对原理以及实施方式进行阐述,并非用来限制本发明专利的应用。本发明的保护范围由附加权利要求限定,并可包括在不脱离本发明专利保护范围和精神下针对发明专利所做的各种变性,改革及等效方案。
Claims (6)
1.基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,其特征在于,具体包括以下步骤:
步骤1、图像预处理:
1)输入1幅大小为hIM×wIM的秘密图像IM,大小为hCI×wCI的载体图像CI,其中hIM为秘密图像IM的高,wIM为秘密图像IM的宽,hCI为载体图像CI的高,wCI为载体图像CI的宽,将秘密图像IM及载体图像CI分别均分成不重叠的分块大小b=m×n的分块,其中m和n分别代表匹配分块的长和宽;
2)将秘密图像IM划分不重叠分块集{Dj}|0<=j<=bIM-1,bIM为秘密图像IM的分块数;
3)生成载体图像CI的组合位平面图像CI'并建立隐蔽通信信道x:在载体图像CI中,假设载体图像扰动层数用p表示,则p-LSB表示第p层最低有效位平面,将载体图像CI的个位平面叠加构成组合位平面图像CI';并取2-LSB及1-LSB位平面作为隐蔽通信信道x;
假设载体图像CI中任意一个像素pixi二进制为x8x7x6x5x4x3x2x1,则组合位平面图像CI'像素pixi'二进制为p∈{x8,x7,x6,x5,x4,x3,xμ,xν},其中xμ,xν表示像素pixi'后两位比特值,分别来自像素pixi第μ、v位比特值;
4)利用高比特位循环位移法构造构成候选分块匹配集图像,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1,bCI=2bIM为载体图像CI的候选分块匹配集分块数量;
步骤2、采用分块间灰度特征融合小波纹理特征的块匹配策略进行块匹配:对秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1及计算最优匹配分块比例参数δ,并记录在最优匹配分块比例参数δ下最优匹配分块索引集{zi}δ,并与剩余1-δ的秘密图像IM替换分块集{Dj}1-δ合并,在压缩率为β时用哈夫曼编码进行压缩,构成提取秘密图块信息流m;
步骤3、嵌入秘密图像IM:取出载体图像CI的1-LSB和2-LSB位平面构成的隐蔽通信信道x,利用Z4MPC编码方法将提取秘密图块信息流m、过程参数信息嵌入隐蔽通信信道x中得到隐蔽通信信道y,最后对隐蔽通信信道y进行逆置乱构成隐写体图像SI。
2.如权利要求1所述的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,其特征在于,还包括:
步骤4、重构提取图像IM':
1)输入接收方得到的隐写体图像SI;
2)拟随机置乱,获取1-LSB和2-LSB位平面进行得到隐蔽通信信道y、过程参数信息;
3)利用公式HyT=m提取秘密消息,利用哈夫曼解码方法对m解码,获取解码消息流m';
4)按照最优匹配分块比例参数δ在m'中找到{zi}δ分块索引值对应的最优匹配分块集{Di}δ和从剩余消息流m'获得的秘密图像IM替换分块集{Dj}1-δ重构提取图像IM'。
3.如权利要求1所述的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,其特征在于,所述步骤1中的步骤4)具体包括以下步骤:
①把组合位平面图像CI'中每个像素的8-LSB至5-LSB比特位进行一次循环右移,操作后生成的图像和原始载体图像CI共同构成候选分块匹配集图像;
②构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1并计算候选分块匹配集图像每一分块的像素值:
设秘密图像IM的分块数为bIM,则bIM为:
设载体图像CI的候选分块匹配集分块数量bCI=2×bIM,构建载体图像CI的候选分块匹配集{Di}|0<=i<=bCI-1;
根据公式(2)计算候选分块匹配集图像中每一分块的像素值:
4.如权利要求1所述的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,其特征在于,所述步骤2具体包括以下步骤:
1)对载体图像CI的候选分块集{Di}的每一分块进行哈尔小波变换,记录所有每分块三方向高频特征值存放于矩阵向量中;其中,dwt2(·)为MATLAB小波变换函数,分别获取水平、斜下、垂直方向高频滤波值;
2)取出秘密图像IM第j个分块Dj|0<=j<=bIM-1,计算该分块三方向小波变换通滤波值存放于向量中;对于每个分块Dj计算与载体候选匹配分块集{Di}中分块间的最小曼哈顿灰度差距离MDmin=min({MD(Dj,Di)}),找出同一MDmin下的候选匹配分块集
其中,分块Di,Dj间曼哈顿灰度差距离定义为:
Di(k,l)和Dj(k,l)分别表示分块Di和Dj在(k,l)位置处像素值;
4)重复进行步骤1)-步骤3),为秘密图像IM每一分块在载体图像CI的候选分块匹配集{Di}中寻找最优匹配分块索引值zi|0<=i<=bCI-1;
6.如权利要求1所述的基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术,其特征在于,所述步骤3中的过程参数信息包括最优匹配分块比例参数δ、哈夫曼编码压缩率β、hIM、wIM、分块大小b。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543882.0A CN115049715B (zh) | 2022-05-19 | 2022-05-19 | 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210543882.0A CN115049715B (zh) | 2022-05-19 | 2022-05-19 | 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115049715A true CN115049715A (zh) | 2022-09-13 |
CN115049715B CN115049715B (zh) | 2024-04-09 |
Family
ID=83160186
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210543882.0A Active CN115049715B (zh) | 2022-05-19 | 2022-05-19 | 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115049715B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131544A (zh) * | 2023-10-27 | 2023-11-28 | 北京睿航至臻科技有限公司 | 基于深度隐写的数据隐私保护方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106169189B (zh) * | 2016-06-24 | 2019-08-27 | 中国科学院信息工程研究所 | 基于嵌入量双层最优分配比的stc编码方法 |
US11153503B1 (en) * | 2018-04-26 | 2021-10-19 | AI Incorporated | Method and apparatus for overexposing images captured by drones |
-
2022
- 2022-05-19 CN CN202210543882.0A patent/CN115049715B/zh active Active
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117131544A (zh) * | 2023-10-27 | 2023-11-28 | 北京睿航至臻科技有限公司 | 基于深度隐写的数据隐私保护方法 |
CN117131544B (zh) * | 2023-10-27 | 2024-01-12 | 北京睿航至臻科技有限公司 | 基于深度隐写的数据隐私保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115049715B (zh) | 2024-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Arsalan et al. | Protection of medical images and patient related information in healthcare: Using an intelligent and reversible watermarking technique | |
Li et al. | Dither modulation of significant amplitude difference for wavelet based robust watermarking | |
Ying et al. | Reversible data hiding with image enhancement using histogram shifting | |
Chang et al. | Reversible steganographic method using SMVQ approach based on declustering | |
CN107689026B (zh) | 基于最优编码的可逆隐写方法 | |
CN115049715A (zh) | 基于纹理融合特征块匹配和大嵌入率乘积码的图像隐写术 | |
Lakshmi et al. | Difference expansion based reversible watermarking algorithms for copyright protection of images: state-of-the-art and challenges | |
CN111161124A (zh) | 基于均方误差评估的参考矩阵模型的图像隐写方法 | |
Datta et al. | Two-layers robust data hiding scheme for highly compressed image exploiting AMBTC with difference expansion | |
Gao et al. | Reversible watermarking algorithm based on wavelet lifting scheme | |
Wu et al. | Efficient reversible data hiding via two layers of double-peak embedding | |
Malik et al. | A high capacity data hiding scheme using modified AMBTC compression technique. | |
Kamal et al. | Capacity improvement of reversible data hiding scheme through better prediction and double cycle embedding process | |
Xintao et al. | Hide the image in fc-densenets to another image | |
Chang et al. | Reversible steganography for BTC-compressed images | |
CN114630130B (zh) | 一种基于深度学习的换脸视频溯源方法及系统 | |
Bhattacharyya et al. | A novel approach of video steganography using pmm | |
CN110047495B (zh) | 基于2级奇异值分解的大容量音频水印算法 | |
CN114374774A (zh) | 基于最近邻像素预测的可分离加密域可逆信息隐藏方法 | |
Mshir et al. | A New Model for Creating Layer Planes Using Steganography for Text Hiding | |
CN113378186A (zh) | 一种基于编码的图像加密隐藏信息的方法及装置 | |
Tan et al. | WaterDiff: Perceptual Image Watermarks Via Diffusion Model | |
Maity et al. | Reversible image watermarking using modified difference expansion | |
Maity et al. | Intelligent modified difference expansion for reversible watermarking | |
Kaur et al. | Matrix matching method for secret communication using image steganography |
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 |