CN115955534A - 基于压缩感知的秘密嵌入分享方法、系统、终端及介质 - Google Patents

Abstract

本发明提出一种基于压缩感知的秘密嵌入分享方法、系统、终端及介质，该方法包括：对原始图像进行压缩采样，得到全采样测量值；对全采样测量值进行量化重建，得到量化重建测量值，对量化重建测量值进行感知预测，得到量化预测值；根据量化预测值和量化重建测量值确定量化残差值，根据量化残差值生成残差图像；根据残差图像生成影子图像，将秘密信息嵌入影子图像，得到秘密分享图像。本发明能够在压缩原始图像的同时为信息嵌入提取空间，在实现大容量信息嵌入的同时，保证原始图像边缘和纹理等重要部分的重建质量，进而提高了秘密信息嵌入后秘密分享图像的鲁棒性，提高了用户的使用体验。

Description

基于压缩感知的秘密嵌入分享方法、系统、终端及介质

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于压缩感知的秘密嵌入分享方法、系统、终端及介质。

背景技术

随着信息时代的到来，多媒体安全，特别是图像安全受到了人们的广泛关注。由于图像能够直观的表达各种信息，因此在互联网传输、储存等过程中易受到攻击。例如医院病人的病情图，用户云端中储存的个人隐私图像，一旦这些图像被窃取会对其造成危害。

近年来，不少学者将压缩感知和数据隐藏结合，但目前方法对单载体进行数据隐藏，一旦载密图像被恶意破坏，重建的原始图像就不能达到令人满意的重建质量，甚至重建不出原始图像。例如在云端存储中，若云服务器由于各种原因出现数据丢失或者被破坏的状况，用户保存在云端的数据就无法找回。

秘密分享是一种能有效解决云端存储数据丢失、被破坏问题的方案，但现有的基于秘密分享的数据隐藏方案不能保证嵌入空间的稳定性，图像鲁棒性较差，降低了用户的使用体验。

发明内容

本发明实施例的目的在于提供一种基于压缩感知的秘密嵌入分享方法、系统、终端及介质，旨在解决现有的秘密分享过程中，嵌入空间不稳定以及图像鲁棒性较差的问题。

本发明实施例是这样实现的，一种基于压缩感知的秘密嵌入分享方法，所述方法包括如下步骤：

获取原始图像，并对所述原始图像进行全采样，得到全采样测量值；

对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值；

根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像；

根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

本发明实施例的另一目的在于提出一种基于压缩感知的秘密嵌入分享系统，所述系统包括：

采样模块，用于获取原始图像，并对所述原始图像进行全采样，得到全采样测量值；

预测模块，用于对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值；

残差模块，用于根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像；

分享模块，用于根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

本发明实施例的另一目的在于提供一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述方法的步骤。

本发明实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述方法的步骤。

本发明实施例，通过对原始图像进行全采样，以得到表征压缩后原始图像的全采样测量值，通过量化预测值和量化测量值确定量化残差值，基于量化残差值能自动生成残差图像和载体影子图像，使得能够在压缩原始图像的同时为信息嵌入提取空间，在实现大容量信息嵌入的同时，保证原始图像边缘和纹理等重要部分的重建质量，提高了用户的使用体验。

附图说明

图1是本发明第一实施例提供的基于压缩感知的秘密嵌入分享方法的流程图；

图2是本发明第一实施例提供的原始图像、残差图像、影子图像和秘密分享图像的示意图；

图3是本发明第二实施例提供的基于压缩感知的秘密嵌入分享方法的流程图；

图4是本发明第三实施例提供的基于压缩感知的秘密嵌入分享系统的结构示意图；

图5是本发明第四实施例提供的基于压缩感知的秘密嵌入分享系统的结构示意图；

图6是本发明第五实施例提供的终端设备的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一

请参阅图1，是本发明第一实施例提供的基于压缩感知的秘密嵌入分享方法的流程图，该基于压缩感知的秘密嵌入分享方法可以应用于任一终端设备或系统，该基于压缩感知的秘密嵌入分享方法包括步骤：

步骤S10，获取原始图像，并对所述原始图像进行全采样，得到全采样测量值。

其中，通过对原始图像进行全采样，以得到表征压缩后原始图像的全采样测量值。

步骤S20，对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值。

其中，全采样测量值经过量化和反量化后得到量化还原测量值，量化的目的是将全采样测量值映射到指定的数值区间，以方便编码和传输等操作。该步骤中，可以利用多层压缩感知预测算法对量化还原测量值进行预测生成量化预测值，在多层压缩感知预测算法中，除第一层外每层的量化还原测量值都可以进行预测。

可选的，该步骤中，所述对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，包括如下步骤：

对所述全采样测量值进行量化处理得到量化测量值，并对量化处理后的所述全采样测量值进行反量化处理，得到所述量化还原测量值；

所述对所述全采样测量值进行量化处理采用的公式包括：

；

其中，

表示量化处理后的所述全采样测量值，

表示量化处理，

表示四舍五入操作，

表示 Y中的最小值，

表示 Y中的最大值，

为预设常数， Y表示所述全采样测量值。在本实施例中，

取值为250。

反量化操作为量化操作的逆运算，所述对量化处理后的所述全采样测量值进行反量化处理采用的公式包括：

；

其中，

表示所述量化还原测量值，

表示为反量化操作。测量值经过量化和反量化后会出现一定的损失，称为量化噪声，由于压缩感知具有一定的鲁棒性，有量化噪声的测量值也能较好地重建图像。

进一步地，该步骤中，将量化还原测量值均匀分成

层，其进行分层的公式对应为：

；

其中，

表示第

层对应的量化还原测量值，

表示每层的长度，

；

对所述量化还原测量值进行感知预测采用的公式表示为：

；

其中，

表示第

层的量化预测值，

表示压缩感知重建操作，

表示第 j层对应的测量矩阵，

表示前

层经过量化处理和反量化处理后的所述全采样测量值，

表示前

层测量值对应的测量矩阵，

表示前

层测量值还原的图像。

步骤S30，根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像。

其中，通过将量化预测值与量化测量值作差得到量化残差值，为后续秘密信息的嵌入操作腾出空间，该步骤中，基于预设置的关键测量值和量化残差值构建残差图像。

可选的，该步骤中，所述根据所述量化预测值和所述量化测量值确定量化残差值，包括：

计算所述量化预测值与所述量化测量值之间的差值，得到测量差值，并对所述测量差值进行预处理，得到所述量化残差值。

进一步地，该步骤中，所述对所述测量差值进行预处理采用的公式包括：

；

；

其中，

表示第

层的量化残差值，

表示第

层的量化测量值，

表示残差图像

中的值，

表示第

层设定的阈值，

的值为素数。

优选的，该步骤中，所述根据所述量化残差值生成残差图像之后，还包括：

根据所述量化残差值和所述量化预测值确定量化替换值，并将所述量化替换值对所述量化还原测量值进行替换；

经过预处理后的量化残差值

与量化预测值相加后的值替换掉第

层的经过量化和反量化的量化还原测量值

，利用压缩感知的鲁棒性来减少预处理带来的值损失，表示为：

；

对每层循环都进行上述操作后，得到第二层到最后层的预处理后量化残差值，由于第一层未经过预测，该层为关键层，因此

。

一示例性的残差图像实例效果图如图2中的(a)-(b)所示：图2中的(b)部分，绝大部分黑色部分为残差值。

步骤S40，根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

其中，基于分发器将由关键测量值和量化残差值组成的残差图像转化为载体影子图像，并分发给多个云端服务器。

一示例性的载体影子图像实例效果图如图2中的(c)所示，载体影子图像由秘密分享算法生成，根据设定的(t,n)阈值，将残差图像分为n块，只要获取其中的t块即可无损重建残差图像。在本实例中，将n块残差图像存储在n个云端服务器中以解决单一载体图像被破坏的问题。一示例性的嵌入秘密信息后的载体影子图像（秘密分享图像）实例效果图如图2中的(d)所示。

该步骤中，云端服务器为方便对载体影子图像管理将额外信息嵌入载体影子图像中并存储。载体影子图像存储在多个云端服务器中作为秘密信息嵌入的载体，云端服务器可通过经典的最高有效位(MSB)嵌入方法将秘密信息嵌入至载体影子图像中的残差值中。本实例中云端服务器还可以向载体影子图像中嵌入图像索引、上传时间、图像所有者ID等信息以方便在云端管理，提高了图像的可用性。

可选的，用户从云端服务器中下载秘密分享图像时，若未从多个云端服务器中得到满足最低阈值的秘密分享图像，只可单独提取存储在MSB的秘密信息；若从多个云端服务器中得到满足最低阈值的秘密分享图像，可提取残差图像。

该步骤中，可以将残差图像经过压缩感知还原算法得到重建后的原始图像，实现过程表示为：

；

其中，

表示为前

层测量值和残差还原的图像，从第一层开始不断重复上述操作，即可得到最终恢复图像

。

峰值信噪比（PSNR）是用来衡量图像感知质量的常用指标。如表1所示，展示了在不同嵌入率、不同层数下重建图像的平均PSNR，可以很直观的看出重建图像时，解密图像的视觉效果与原始图像非常接近，测得PSNR明显增加，说明本实施例在保证高嵌入率的同时也能很好的保证重建图像的质量。

表1：重建图像质量的平均PSNR

本实施例中，通过对原始图像进行全采样，以得到表征压缩后原始图像的全采样测量值，通过量化预测值和量化重建测量值确定量化残差值，基于量化残差值能自动生成残差图像和影子图像，使得能够在压缩原始图像的同时为信息嵌入提取空间，在实现大容量信息嵌入的同时，保证原始图像边缘和纹理等重要部分的重建质量，进而提高了秘密信息嵌入后秘密分享图像的鲁棒性，提高了用户的使用体验。与传统的方法相比，本发明不仅保证鲁棒性、可用性及合法用户体验，还实现图像逐层重建，并且具有较好的重建质量，实现了图像鲁棒性和可用性。

实施例二

请参阅图3，是本发明第二实施例提供的秘密嵌入分享方法的流程图，该实施例用于对第一实施例中的步骤S10作进一步细化，包括步骤：

步骤S11，对所述原始图像进行均匀分割得到图像块，并对各图像块进行矢量化处理得到矢量块。

其中，根据原始图像的尺寸将原始图像分为多块非重叠的图像块，对每个图像块分别进行矢量化操作得到矢量块。

步骤S12，根据各矢量块的长度和压缩率生成高斯测量矩阵，并将所述高斯测量矩阵对各矢量块进行全采样，得到所述全采样测量值。

其中，根据各矢量化块的长度和压缩率生成随机高斯测量矩阵，将随机高斯测量矩阵对各矢量化块进行压缩采样以得到全采样测量值，该步骤主要是用于获取需要作载体的图像。

本实施例中，为了减小计算机的内存负担，因此将原始图像 I分为多块非重叠的图像块，能够极大减小随机高斯测量矩阵的大小，表示为

 ，

表示第

块图像块，

，针对原始图像的采样，采样过程表示为：

；

其中， Y表示全采样测量值，

表示高斯函数随机生成的全采样混沌矩阵,其大小与非重叠图像块的大小一致。

本实施例，通过对原始图像进行均匀分割，以得到非重叠的图像块，通过对每个图像块分别进行矢量化操作，能有效地将各图像块转换为矢量格式，通过各矢量块的长度和压缩率能自动生成高斯测量矩阵，基于高斯测量矩阵能有效地对各矢量块进行压缩采样，得到全采样测量值。

实施例三

请参阅图4，是本发明第三实施例提供的基于压缩感知的秘密嵌入分享系统100的结构示意图，包括：采样模块10、预测模块11、残差模块12和分享模块13，其中：

采样模块10，用于获取原始图像，并对所述原始图像进行全采样，得到全采样测量值。

可选的，采样模块10还用于：对所述原始图像进行均匀分割得到图像块，并对各图像块进行矢量化处理得到矢量块，其中不同所述图像块之间未重叠；

根据各矢量块的长度和压缩率生成高斯测量矩阵，并将所述高斯测量矩阵对各矢量块进行全采样，得到所述全采样测量值。

预测模块11，用于对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值。

残差模块12，用于根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像。

分享模块13，用于根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

本实施例中，通过对原始图像进行全采样，以得到表征压缩后原始图像的全采样测量值，通过量化预测值和量化测量值确定量化残差值，基于量化残差值能自动生成残差图像和载体影子图像，使得能够在压缩原始图像的同时为信息嵌入提取空间，在实现大容量信息嵌入的同时，保证原始图像边缘和纹理等重要部分的重建质量，进而提高了秘密信息嵌入后秘密分享图像的鲁棒性，提高了用户的使用体验。

实施例四

请参阅图5，是本发明第四实施例提供的基于压缩感知的秘密嵌入分享系统101的结构示意图，包括：初始采样模块14、量化和反量化模块15、预测模块16、秘密分享模块17、数据嵌入与存储模块18和信息提取和恢复模块19，其中：

初始采样模块14，用于获取原始图像，根据原始图像的尺寸和设定的块数量生成非重叠块，再根据非重叠块的尺寸生成对应大小的由高斯函数组成的全采样混沌测量矩阵，将所述测量矩阵作为压缩感知的测量矩阵对非重叠图像块进行压缩采样，以得到测量值；

量化和反量化模块15，用于将测量值经过映射成压缩图像，或者将原始图像重新重建为测量值。

预测模块16，用于将经过量化和反量化的测量值分层，用需要预测层的上面所有层来对当前层进行预测，并与真实值作差来获得预测残差，预测残差值再经过预处理，为信息嵌入腾出空间。

秘密分享模块17，用于通过秘密分享方案将残差图像转化为影子图像。

数据嵌入与存储模块18，用于将影子图像嵌入秘密信息，并存储在云服务器中。

信息提取和重建模块19，用于若未从多个云端服务器中得到满足最低阈值的影子图像，只可单独提取秘密信息；若从多个云端服务器中得到满足最低阈值的影子图像，可提取残差图像，并利用压缩感知算法重建图像。

本实施例中，能够在保证高嵌入率的同时，保证图像边缘和纹理等重要部分的重建质量。与传统的方法相比，本实施例不仅保证嵌入稳定性、可用性及合法用户体验，还实现图像逐层重建，并且具有较好的重建质量，实现了图像鲁棒性和可用性。

实施例五

图6是本申请第五实施例提供的一种终端设备2的结构框图。如图6所示，该实施例的终端设备2包括：处理器20、存储器21以及存储在所述存储器21中并可在所述处理器20上运行的计算机程序22，例如基于压缩感知的秘密嵌入分享方法的程序。处理器20执行所述计算机程序22时实现上述各个基于压缩感知的秘密嵌入分享方法各实施例中的步骤。

示例性的，所述计算机程序22可以被分割成一个或多个模块，所述一个或者多个模块被存储在所述存储器21中，并由所述处理器20执行，以完成本申请。所述一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段，该指令段用于描述所述计算机程序22在所述终端设备2中的执行过程。所述终端设备可包括，但不仅限于，处理器20、存储器21。

所称处理器20可以是中央处理单元（Central Processing Unit，CPU），还可以是其他通用处理器、数字信号处理器（Digital Signal Processor，DSP）、专用集成电路（Application Specific Integrated Circuit，ASIC）、现成可编程门阵列（Field-Programmable Gate Array，FPGA）或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。

所述存储器21可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡（Smart Media Card，SMC），安全数字（Secure Digital，SD）卡，闪存卡（Flash Card）等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储所述计算机程序以及所述终端设备所需的其他程序和数据。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。

另外，在本申请各个实施例中的各功能模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

集成的模块如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读存储介质中。其中，计算机可读存储介质可以是非易失性的，也可以是易失性的。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，计算机程序包括计算机程序代码，计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读存储介质可以包括：能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-OnlyMemory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。需要说明的是，计算机可读存储介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减，例如在某些司法管辖区，根据立法和专利实践，计算机可读存储介质不包括电载波信号和电信信号。

以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种基于压缩感知的秘密嵌入分享方法，其特征在于，所述方法包括如下步骤：

获取原始图像，并对所述原始图像进行全采样，得到全采样测量值；

对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值；

根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像；

根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

2.根据权利要求1所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述对所述原始图像进行全采样，得到全采样测量值，包括：

对所述原始图像进行均匀分割得到图像块，并对各图像块进行矢量化处理得到矢量块，其中不同所述图像块之间未重叠；

根据各矢量块的长度和压缩率生成高斯测量矩阵，并将所述高斯测量矩阵对各矢量块进行全采样，得到所述全采样测量值。

3.根据权利要求2所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值的方法包括如下步骤：

对所述全采样测量值进行量化处理得到量化测量值，并对量化处理后的所述全采样测量值进行反量化处理，得到所述量化还原测量值；

所述对所述全采样测量值进行量化处理采用的公式包括：

；

其中，

表示量化处理后的所述全采样测量值，

表示量化处理，

表示四舍五入操作，

表示Y中的最小值，

表示Y中的最大值，

为预设常数，Y表示所述全采样测量值；

所述对量化处理后的所述全采样测量值进行反量化处理采用的公式包括：

；

其中，

表示所述量化还原测量值，

表示为反量化操作。

4.根据权利要求3所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述方法还包括：

将所述量化还原测量值均匀分成

层，其进行分层的公式对应为：

；

其中，

表示第

层对应的量化还原测量值，

表示每层的长度，

；

对所述量化还原测量值进行感知预测采用的公式表示为：

；

其中，

表示第

层的量化预测值，

表示压缩感知重建操作，

表示第

层对应的测量矩阵，

表示前

层经过量化处理和反量化处理后的所述全采样测量值，

表示前

层测量值对应的测量矩阵，

表示前

层测量值还原的图像。

5.根据权利要求4所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述根据所述量化预测值和所述量化测量值确定量化残差值，包括：

计算所述量化预测值与所述量化测量值之间的差值，得到测量差值，并对所述测量差值进行预处理，得到所述量化残差值。

6.根据权利要求5所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述对所述测量差值进行预处理采用的公式包括：

；

；

其中，

表示第

层的量化残差值，

表示第

层的量化测量值，

表示残差图像

中的值，

表示第

层设定的阈值，

的值为素数。

7.根据权利要求6所述的基于压缩感知的秘密嵌入分享方法，其特征在于，所述根据所述量化残差值生成残差图像之后，还包括：

根据所述量化残差值和所述量化预测值确定量化替换值，并将所述量化替换值对所述量化还原测量值进行替换。

8.一种基于压缩感知的秘密嵌入分享系统，其特征在于，应用如权利要求1至7任一项所述的基于压缩感知的秘密嵌入分享方法，所述系统包括：

采样模块，用于获取原始图像，并对所述原始图像进行全采样，得到全采样测量值；

预测模块，用于对所述全采样测量值进行量化还原，得到量化测量值与量化还原测量值，并对所述量化还原测量值进行感知预测，得到量化预测值；

残差模块，用于根据所述量化预测值和所述量化测量值确定量化残差值，并根据所述量化残差值生成残差图像；

分享模块，用于根据所述残差图像生成载体影子图像，并将秘密信息嵌入所述载体影子图像，得到秘密分享图像。

9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的基于压缩感知的秘密嵌入分享方法。

10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的基于压缩感知的秘密嵌入分享方法。

Images