CN116308980B - 基于块最优动态选择的可逆信息隐藏方法 - Google Patents
基于块最优动态选择的可逆信息隐藏方法 Download PDFInfo
- Publication number
- CN116308980B CN116308980B CN202310173311.7A CN202310173311A CN116308980B CN 116308980 B CN116308980 B CN 116308980B CN 202310173311 A CN202310173311 A CN 202310173311A CN 116308980 B CN116308980 B CN 116308980B
- Authority
- CN
- China
- Prior art keywords
- block
- embedding
- pixel
- pixels
- blocks
- 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 96
- 230000002441 reversible effect Effects 0.000 title claims abstract description 28
- 238000004364 calculation method Methods 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims description 10
- 229910003460 diamond Inorganic materials 0.000 claims description 8
- 239000010432 diamond Substances 0.000 claims description 8
- 230000001965 increasing effect Effects 0.000 claims description 8
- 238000011084 recovery Methods 0.000 claims description 6
- 230000001174 ascending effect Effects 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 230000006835 compression Effects 0.000 claims description 3
- 238000007906 compression Methods 0.000 claims description 3
- 238000006467 substitution reaction Methods 0.000 claims 1
- 230000000007 visual effect Effects 0.000 abstract description 9
- 238000005516 engineering process Methods 0.000 abstract description 6
- 125000001438 phenoxymethylpenicilloyl group Chemical group 0.000 description 9
- 238000012360 testing method Methods 0.000 description 5
- 241001504519 Papio ursinus Species 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012163 sequencing technique Methods 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 235000002566 Capsicum Nutrition 0.000 description 1
- 101100136092 Drosophila melanogaster peng gene Proteins 0.000 description 1
- 241000758706 Piperaceae Species 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 201000007197 atypical autism Diseases 0.000 description 1
- 208000029560 autism spectrum disease Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000001407 pulse-discharge detection Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明涉及信息隐藏，数字水印技术领域，公开了一种基于块最优动态选择的可逆信息隐藏方法，包括水印嵌入与水印提取方法。首先以2×3的图像块作为基本嵌入单元，将载体图像分成灰、白两层，通过块复杂度计算，划分出平滑块和非平滑块；其次对于平滑块，进行二次划分成1×3的块，并结合预排序技术嵌入秘密信息，从而保持高嵌入容量；然后对于非平滑块，通过块内复杂度来衡量此块是否能够直接嵌入，若不能直接嵌入，使用块对角合并策略进行再次合并，以生成更大的块来实现水印嵌入。水印提取为水印嵌入的逆过程。与现有技术相比，本发明不仅使得嵌入容量有了显著的增加，而且载密图像的视觉质量也得到了有效保证。
Description
技术领域
本发明涉及信息隐藏，数字水印技术领域，具体涉及一种基于块最优动态选择的可逆信息隐藏方法。
背景技术
可逆信息隐藏(reversible data hiding,RDH)是近年来多媒体信息安全领域的热点研究问题，该技术能够将一定量的信息嵌入到载体图像中，并且不但能够盲提取所嵌入的信息，而且还可以无损恢复载体图像，因此其所具备的可逆特性，在军事、遥感以及医疗等特殊行业发挥出了巨大作用。一种良好的可逆信息隐藏算法需具备高嵌入量、低失真两个重要条件，但这二者间往往呈相互矛盾关系，因此，研究在同等嵌入容量下具有较低失真率的可逆信息隐藏技术具有重要的理论意义和应用价值。
目前通过结合PEE策略，Li等人提出了基于像素值排序(pixel vaule order,PVO)的可逆嵌入方案，通过PVO将载体图像划分成固定大小的非重叠块，然后修改块内最大(小)值来嵌入秘密信息，由于在嵌入时块内像素的最大值和最小值永远处于+1或-1操作，因此秘密信息在嵌入前后块内像素值顺序仍旧保持一致，从而保证了可逆性。此外由于PVO算法只修改块内最大值和最小值，因此能够使得载密图像的失真不至于过大，但是由于只在预测误差值“1”处进行修改，使得嵌入容量过小。而后Peng等人为了能够增加秘密信息的嵌入容量，考虑到原始块内像素的相对位置，提出了基于改进的PVO(IPVO)可逆嵌入方案，但所采用的是固定大小的块，因此无法进一步提升算法的嵌入性能。
上述提出的基于像素值排序(pixel vaule order,PVO)可逆信息隐藏算法，因其良好的嵌入性能而被广泛研究，但传统的PVO算法通常将载体图像划分成多个非重叠且固定大小的块，但是若所划分的块较大，那么就会使得水印嵌入容量过小，然而若以小块进行划分，那么则会提高载密图像失真，降低图像质量，因此这些大部分算法无法根据所需水印嵌入容量，自适应调整块的大小以达到最佳性能；此外在计算块复杂度时，大部分算法所采用的都是半封闭式计算，因此利用所计算的块复杂度无法对块进行准确分类。
总之，亟需设计一种即能够显著提高嵌入容量又能够保证载密图像的视觉质量的可逆信息隐藏方法。
发明内容
发明目的：针对现有技术中存在的问题，本发明提供一种基于块最优动态选择的可逆信息隐藏方法，不仅使得嵌入容量有了显著的增加，而且载密图像的视觉质量也得到了有效保证。
技术方案：本发明提供了一种基于块最优动态选择的可逆信息隐藏方法，包括水印嵌入方法，所述水印嵌入方法包括如下步骤：
步骤1：对原始图像进行扫描，图像在扫描过程中遇到值为0的像素更改为1，值为255的像素改为254，构建溢出位置图LM记录这些像素，取LMi＝1，未溢出像素LMi＝0，最后当所有块都扫描完毕后，对最终得到的位置图采用算术编码对其进行无损压缩，压缩后的位置图为CLM，其长度表示为lCLM；
步骤2：嵌入时以2×3大小的块为基本单元将载体图像划分成灰、白两层，首先对灰色层进行操作，计算灰色层各块的局部复杂度BC，并设置阈值T1，如果BC≤T1，认定为平滑块，否则为非平滑块；
步骤3：对于2×3大小的平滑块，对其再次划分成1×3的图像块，然后对其中的小块像素根据预排序方案来自适应收集像素，并使用IPVO方法进行秘密信息嵌入；
步骤4：对于2×3的非平滑块，计算其块内复杂度值IBC并设置阈值T2，若IBC≤T2，采用IPVO方法来嵌入秘密信息；若IBC>T2，利用块对角合并策略判断当前块与对角块是否可以合并，具体为：计算当前块与对角块的像素密度分布值PDD，将其合并后相应计算合并块的PDD，若合并块的PDD均大于二者，那么认定这两个块可以进行合并，完成秘密信息的嵌入，否则不能够进行合并，跳过；
步骤5：在嵌入了整个有效载荷之后，通过LSB替换将辅助信息嵌入到第一行前36+lCLM个像素中，辅助信息包括块大小(4bits)、阈值T1和T2(16bits)、最后嵌入块索引(16bits)和压缩位置图的长度(lCLMbits)；
步骤6：对于白色层的像素重复前面步骤2-4，并生成最终的载密图像。
进一步地，还包括水印提取方法，具体包括：
S1：首先采用LSB方法提取载密图像第一行前36+lCLM个像素，以提取辅助信息，包括块大小、阈值T1和T2、最后嵌入块索引、压缩位置图CLM；
S2：将载密图像以2×3大小的块为基本单元划分成灰、白两层；首先从白色层开始，根据块复杂度计算方法，并根据所提取的阈值T1，划分平滑块和非平滑块；对于平滑块，将其二次划分成2个1×3大小的块，采用IPVO方法直接提取秘密信息，并恢复像素值；
S3：对于非平滑块，进一步计算块内复杂度值IBC，并利用所提取的阈值T2来提取秘密信息，若IBC≤T2，则采用与平滑块相同的操作提取秘密信息；否则根据块对角合并策略，来判定当前块是否与对角块进行了合并，由于块对角合并策略所利用的次大/次小像素在嵌入前后均不发生改变，因此在提取时以当前块、对角块以及二者合并块的顺序依次计算PDD，若合并块PDD均大于二者，那么该块则与对角块进行了合并，生成了合并块，然后对其提取秘密信息；
S4：最后采用同样的操作对灰色层完成秘密信息的提取，然后恢复图像。
进一步地，将载体图像划分成灰、白两层具体操作为：利用菱形预测两层嵌入方法将图像以2×3大小的块为基本单元，以棋盘方式划分为灰色层和白色层。
进一步地，计算灰色层各块的局部复杂度BC和白色层各块的局部复杂度步骤相同，采用棋盘式分层嵌入框架，使用最近的四个其他层的相邻块作为该块的上下文，通过全封闭的上下文来计算块的复杂度值；以灰色层为例：
上下文像素包括围绕中心灰色块的两圈像素点x1,x2,x3，...，x18,x19,x20，通过这些像素点来计算块复杂度值BC，计算公式如下：
BC＝dn+dv+dh (1)
其中dn，dv，dh分别表示对角、水平以及垂直像素间的差值总和，具体计算过程如下：
进一步地，所述步骤3中再次划分成1×3的图像块具体为：将灰色层和白色层的平滑块均进行再次划分，得到灰色叉集、灰色点集、白色叉集和白色点集，灰色叉集、白色叉集的像素连线均为原2×3图像块的正V型图像块，灰色点集、白色点集的像素连线均为原2×3图像块的倒V型图像块。
进一步地，所述预排序方案为基于预测误差值的预排序方案，具体为：
利用相邻集合的像素值作为预排序集合的上下文信息，对1×3块内的3个像素进行像素值预测，块内像素p1、p2、p3的均值计算如下：
其中，μ1、μ2、μ3分别表示p1、p2和p3的菱形均值，n1,n2,...,n8为块内三像素的上下文像素；
设一组均值序列{μ1,μ2,μ3}，利用块内三个像素均值来完成预排序处理，d1、d2为像素均值序列的两个差值，具体计算如下：
预排序方案为：
进一步地，计算块内复杂度值IBC具体方法为：
IBC＝pσ(5)-pσ(2) (6)
其中，pσ(5)和pσ(2)分别表示2×3图像块的次大与次小像素值，如果块内复杂度IBC小于等于T2则认为该块不用再次进行合并。
进一步地，所述步骤4中计算2×3的非平滑块与对角块的像素密度分布值PDD的具体方法为：
其中，num表示块中像素个数，pσ(num-1)表示块中次大像素值，pσ(2)表示块中次小像素值，这二者的值在嵌入前后均不会发生任何改变。
进一步地，所述IPVO方法进行秘密信息嵌入具体操作为：
1)对包含n个像素值的块，对其像素值{P1,P2,...,Pn}按升序进行排序，然后获得一个有序序列{Pσ(1),Pσ(2),...,Pσ(n)}，其中σ:{1,2,...,n}→{1,2,...,n}是一对一的映射，如果Pσ(i)＝Pσ(j)且i＜j使得Pσ(1)≤Pσ(2)≤...≤Pσ(n)，σi＜σj，IPVO中的预测误差dmax计算为：
dmax＝pu-pv (8)
这里u＝min(σ(n),σ(n-1))，v＝max(σ(n),σ(n-1))；
2)秘密信息b∈{0,1}通过修改预测误差dmax进行嵌入：
之后最大像素修改为：
最小像素的嵌入类似于上述最大像素的嵌入；预测误差dmin计算如下：
dmin＝ps-pt (11)
其中，s＝min(σ(1),σ(2))，t＝max(σ(1),σ(2))；
3)秘密信息b∈{0,1}通过修改预测误差dmin进行嵌入：
之后最小像素修改为：
进一步地，所述IPVO方法进行秘密信息提取具体操作为：
提取秘密信息时，最大像素值在嵌入时，要么增加1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最大像素值恢复由以下可得：
其中，像素值{P1,P2,...,Pn}按升序进行排序，获得一个有序序列{Pσ(1),Pσ(2),...,Pσ(n)}，其中σ:{1,2,...,n}→{1,2,...,n}是一对一的映射，为秘密信息b∈{0,1}通过修改预测误差dmax进行嵌入后的像素；/>为修改后的最大像素；
提取秘密信息时，由于最小像素值在嵌入时，要么减1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最小像素值恢复由以下可得：
其中，为秘密信息b∈{0,1}通过修改预测误差dmin进行嵌入后的像素；/>为修改后的最小像素。
有益效果：
1、本发明提出的基于块动态最优选择的可逆信息隐藏方法。首先以2×3的图像块作为基本嵌入单元，将载体图像分成灰、白两层，通过环形块复杂度计算，划分出平滑块和非平滑块；其次对于平滑块，进行二次划分成1×3的块，并结合预排序技术嵌入秘密信息，从而保持高嵌入容量；然后对于非平滑块，通过块内复杂度来衡量此块是否能够直接嵌入，若不能直接嵌入，使用块对角合并策略进行再次合并，以生成更大的块来实现水印嵌入。所提出的方案不仅使得嵌入容量有了显著的增加，而且载密图像的视觉质量也得到了有效保证。
2、本发明通过将原始图像以块为基本嵌入单元分成灰、白两层，通过这种方式可以使用上下文像素更精确地计算每个块的局部复杂度，从而为秘密信息的嵌入提供了更好的像素块选择。此外在所提出的方法中不再采用固定大小的块，而是根据块上下信息以及嵌入容量自适应动态选择，对于较小的嵌入容量，可通过在原始图像的使用较大的块嵌入秘密信息，以提高图像视觉质量，而对于较大的嵌入容量，可通过选择较小块来提高嵌入容量。此外在选择较小块嵌入时，使用块内像素均值来估计块内像素的分布，并相应地实现像素预排序，以增加可嵌入像素的数量，在一定程度达到增强算法嵌入性能的效果。
附图说明
图1为本发明秘密信息嵌入流程图；
图2为本发明秘密信息提取流程图；
图3为本发明菱形预测策略流程框图；
图4为本发明块集合划分方案；
图5为本发明块复杂度计算示意图；
图6为本发明基于预排序的像素值排序方案中的灰色叉集及上下文像素；
图7为本发明基于空间位置的8种预排序模式；
图8为传统扫描顺序的IPVO方案的灰色层1×3图像块及块内像素均值；
图9为传统IPVO与本发明基于预排序IPVO方案直方图对比；其中(a)为传统IPVO；(b)为基于预排序IPVO方案直方图；
图10为本发明图像块对角合并策略；
图11为本发明实施例的测试图像；
图12为本发明五种方法在六幅测试图像中PSNR值曲线对比图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
本发明公开了一种基于块最优动态选择的可逆信息隐藏方法，参见图1和图2，包括水印嵌入与水印提取方法，参见图1，水印嵌入方法主要包括如下步骤：
步骤1：对原始图像进行扫描，图像在扫描过程中遇到值为0的像素更改为1，值为255的像素改为254，构建溢出位置图LM记录这些像素，取LMi＝1，未溢出像素LMi＝0，最后当所有块都扫描完毕后，对最终得到的位置图采用算术编码对其进行无损压缩，压缩后的位置图为CLM，其长度表示为lCLM。
步骤2：嵌入时以2×3大小的块为基本单元将载体图像划分成灰、白两层，首先对灰色层进行操作，计算灰色层各块的局部复杂度BC，并设置阈值T1，如果BC≤T1，认定为平滑块，否则为非平滑块。
块划分：
受Sachnev等人(SachnevV,KimH J,Nam J,et al.Reversible watermarkingalgorithm using sorting and prediction[J].IEEE Transactions on Circuits andSystems for Video Technology,2009,19(7):989-999.)所提出的菱形预测方案的启发，本发明给出了一种新的块划分模式。菱形预测方案将封面图像以棋盘方式划分为灰色层和白色层，如图3所示，该方案的不仅能够为像素预测提供更多的上下文信息，而且还能够利用相邻层像素值较为准确的计算出该像素的局部复杂度值，判定该像素是否处于复杂区域内。因此本发明引入了菱形预测两层嵌入思想，以2×3的图像块作为基本嵌入单元，将载体图像划分成灰、白两层。这样划分的目的在于能够充分利用该块的上下文信息，从而更加精确计算出块复杂度。由于平滑块内像素值大多数较为相近，冗余信息较多，为了能够充分利用这些信息，因此将平滑块进行再次划分得到四个集合，即灰色点集、灰色叉集、白色点集和白色叉集。每个集合以1×3的图像块为基本嵌入单元进行有序嵌入，这四个集合在嵌入时互不影响，保证了方法的可逆性。
块复杂度计算：
本发明中由于采用了棋盘式分层嵌入框架，因此可以使用最近的四个其他层的相邻块作为该块的上下文，从而通过全封闭的上下文来更准确计算块的复杂度值，这里以灰色层块为例进行说明，如图5所示，上下文像素包括围绕中心灰色块的两圈像素点x1,x2,x3，...，x18,x19,x20，通过这些像素点来计算块复杂度值BC，计算公式如下：
BC＝dn+dv+dh (1)
其中dn，dv，dh分别表示对角、水平以及垂直像素间的差值总和，具体计算过程如下：
通过所计算出的块复杂度值，设定阈值T以区分平滑块与非平滑块，具体来说，当某一块的复杂度值BC≤T1，那么就将该块认定为平滑块，若BC＞T1，则认定该块为非平滑块。对于平滑块和非平滑块将进行进一步的处理，以此来提升方法的嵌入性能。
步骤3：对于2×3大小的平滑块，对其再次划分成1×3的图像块，然后对其中的小块像素根据预排序方案来自适应收集像素，并使用IPVO方法进行秘密信息嵌入。
对于2×3大小的平滑块，对其再次划分成1×3的图像块，具体划分方案为：将灰色层和白色层的平滑块均进行再次划分，得到灰色叉集、灰色点集、白色叉集和白色点集，灰色叉集、白色叉集的像素连线均为原2×3图像块的正V型图像块，灰色点集、白色点集的像素连线均为原2×3图像块的倒V型图像块，具体参见图3所示。
IPVO方法秘密信息嵌入：
在进行秘密信息嵌入时，使用IPVO方法，IPVO是基于传统PVO的改进。利用最大和次大像素的空间位置关系，可以将数据嵌入到预测误差值“0”中，有效增加了嵌入容量，整体方法步骤描述如下：
1)对包含n个像素值的块，对其像素值{P1,P2,...,Pn}按升序进行排序，然后获得一个有序序列{Pσ(1),Pσ(2),...,Pσ(n)}，其中σ:{1,2,...,n}→{1,2,...,n}是一对一的映射，如果Pσ(i)＝Pσ(j)且i＜j使得Pσ(1)≤Pσ(2)≤...≤Pσ(n)，σi＜σj，IPVO中的预测误差dmax可以计算为：
dmax＝pu-pv (3)
这里u＝min(σ(n),σ(n-1))，v＝max(σ(n),σ(n-1))。
2)秘密信息b∈{0,1}通过修改预测误差dmax进行嵌入：
之后最大像素修改为：
提取秘密信息时，由于最大像素值在嵌入时，要么增加1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最大像素值恢复由以下可得：
最小像素的嵌入类似于上述最大像素的嵌入。预测误差dmin计算如下：
dmin＝ps-pt (8)
这里s＝min(σ(1),σ(2))，t＝max(σ(1),σ(2))。
3)秘密信息b∈{0,1}通过修改预测误差dmin进行嵌入：
之后最小像素修改为：
提取秘密信息时，由于最大像素值在嵌入时，要么减1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最小像素值恢复由以下可得：
基于预排序的像素值排序方案：
IPVO作为一种高效的RDH技术，在PVO的基础上额外考虑了块内像素了位置序列，因此得以选定emax＝1和emax＝0作为可扩展误差，因此预测误差值“0”和“1”的数量对于提高性能至关重要。根据公式(3)和(4)我们可以观察到，只有pσ(n)在序列中的位置较大或者pσ(1)位置较小时，才会使得负误差值的出现，也就是说如果为较大像素值分配较小的空间位置，那么就能够增加预测误差值“1”的数量，使得方法的嵌入容量得到一定程度的提升。基于以上考虑，本发明给出一种基于预测误差值的预排序方案，旨在能够根据预测误差值分布自适应定义其空间位置。
首先将每个2×3的平滑块进行再次划分，得到2个1×3的图像块，以1×3的图像块为基本嵌入单元进行操作，根据图4可以看出每个1×3的图像块属于不同集合，而各集合像素的预测以及嵌入均不会影响其他相邻集合，由于各集合的预测和嵌入操作均相似，因此这里以灰色叉集为例进行介绍。
利用相邻集合的像素值作为该集合的上下文信息，对1×3块内的3个像素进行像素值预测，如图6所示，块内像素p1、p2、p3的均值计算如下：
其中μ1、μ2、μ3分别表示p1、p2和p3的菱形均值，n1,n2,...,n8为块内三像素的上下文像素。
对于前面所计算的各个块像素的均值，以图6所示的扫描顺序得到一组均值序列{μ1,μ2,μ3}，我们利用块内三个像素均值来完成预排序处理，以估计像素分布并确定应该如何定义像素的空间位置。因为通常来说像素菱形均值能够较为准确的表示待预测像素，特别是在平滑区域内。因此以1×3的灰色叉集块为例，总结了8种预排序模式，如图7所示。此外，如何确定最佳模式也在图7中给出，其中d1、d2为像素均值序列的两个差值，具体计算如下：
预排序方案为：
在先前的方案中，像素总是以图6的扫描顺序被收集到序列中，假设像素采用传统的收集方案应用于图8的1×3图像块中，则{p1,p2,p3}＝{163,164,165}从而计算出emax＝164-165＝-1，emin＝163-164＝-1，因此该块中并无可扩展的预测误差。此时将该序列代入预排序方案中，得到其三个像素的菱形预测值{μ1,μ2,μ3,}＝{162.5,163,164.25}，可以发现其满足模式4条件，因此通过应用模式4的扫描顺序，得到{p3,p2,p1}＝{165,164,163}，此时emax＝165-164＝1，emin＝164-163＝1，从而获得了两个可扩展的预测误差，因此该块中的最大以及最小像素均可嵌入，这种自适应预排序模式将会在一定程度上降低误差值“±1”中“-1”出现的概率，提升嵌入容量。
为了验证本方案的有效性，将标准测试图像Lena分成1×3块大小的灰色和白色层。这里仅对灰色层进行操作，然后分别采用基于传统扫描顺序的IPVO方案以及本发明基于预排序的IPVO方案，生成预测误差直方图，从而进行对比预测误差值“±1”的数量，如图9所示，可以看到应用本发明所提出的预排序方案，预测误差值为“-1”的无效平移误差数量明显减少，而预测误差值为“1”的可扩展误差相对增加。
步骤4：对于2×3的非平滑块，计算其块内复杂度值IBC并设置阈值T2，若IBC≤T2，采用IPVO方法来嵌入秘密信息；若IBC>T2，利用块对角合并策略判断当前块与对角块是否可以合并，具体为：计算当前块与对角块的像素密度分布值PDD，将其合并后相应计算合并块的PDD，若合并块的PDD均大于二者，那么认定这两个块可以进行合并，完成秘密信息的嵌入，否则不能够进行合并，跳过。
对于平滑区域采用较小的块能够提升基于IPVO的RDH算法的嵌入性能，然而对于一些复杂区域的块采用较大块其表现出的效果更为显著。因此对于图像中的非平滑区域我们以2×3的块为嵌入单元，从而进一步挖掘其嵌入潜力。但并非所有非平滑的块都能够通过我们所划分的2×3图像块达到较佳的嵌入效果，因为往往有些区域的像素值相差较大，因此通过进一步扩大块的大小往往能够在性能上得到进一步提升，这里我们将采用像素分布密度(PDD)来衡量块的嵌入潜力，PDD计算公式如下：
其中，num表示块中像素个数，pσ(num-1)表示块中次大像素值，pσ(2)表示块中次小像素值，这二者的值在嵌入前后均不会发生任何改变。
PDD能够较为准确的描述像素的密度分布，因此这对于衡量待嵌入块的嵌入潜力较为有效。
块对角合并策略：
1)由图10所示的配对模式将相邻像素块进行配对，然后根据阈值T1消除由平滑块所组成的图像块对以及消除由小于阈值T2所组成的图像块对，其中阈值T2决定单个2×3图像块是否用于进一步合并的标准，这里采用块内复杂度进行计算，其中IBC计算公式如下所示：
IBC＝pσ(5)-pσ(2) (16)
这里pσ(5)和pσ(2)分别表示2×3图像块的次大与次小像素值，如果块内复杂度IBC小于T2则认为该块不用再次进行合并。
2)分别计算剩余图像块对中两个块的PDD，然后将这两个块进行合并，计算出合并后块的PDD，若合并块的PDD大于两者的PDD，那么认为这个合并块可以利用，否则不进行合并。
3)然后对其他图像块对进行2)操作，直到所有图像块都计算完毕。
由于一副图像中非平滑块往往处于同一区域，因此采用以上块对角合并策略，通过进一步增加块的大小，往往能够充分挖掘块的嵌入潜力，使得载密图像在保证一定视觉质量的前提下，提升图像块的利用率，提高嵌入容量。
步骤5：在嵌入了整个有效载荷之后，通过LSB替换将辅助信息嵌入到第一行前36+lCLM个像素中，辅助信息包括块大小(4bits)、阈值T1和T2(16bits)、最后嵌入块索引(16bits)和压缩位置图的长度(lCLMbits)。
步骤6：对于白色层的像素重复前面步骤2-4，并生成最终的载密图像。
本发明公开的基于块最优动态选择的可逆信息隐藏方法的水印提取方法具体包括：
S1：首先采用LSB方法提取载密图像第一行前36+lCLM个像素，以提取辅助信息，包括块大小、阈值T1和T2、最后嵌入块索引、压缩位置图CLM。
S2：将载密图像以2×3大小的块为基本单元划分成灰、白两层。首先从白色层开始，根据上述块复杂度计算方法，并根据所提取的阈值T1，划分平滑块和非平滑块。对于平滑块，我们将其二次划分成1×3大小的块，采用IPVO方法中的公式(6)、公式(7)、公式(11)、公式(12)直接提取秘密信息，并恢复像素值。
S3：对于非平滑块，进一步利用公式(16)计算块内复杂度值IBC，并利用所提取的阈值T2来提取秘密信息，若IBC≤T2，则采用与平滑块相同的操作提取秘密信息，否则根据上述提出的块对角合并策略，来判定当前块是否与对角块进行了合并，由于块对角合并策略所利用的次大/次小像素在嵌入前后均不发生改变，因此在提取时以当前块、对角块以及二者合并块的顺序依次计算PDD，若合并块PDD均大于二者，那么该块则与对角块进行了合并，生成了合并块，然后对其提取秘密信息；
S4：最后采用同样的操作对灰色层完成秘密信息的提取，然后恢复图像。
本发明选择六副512×512标准灰度图像作为测试图像，这些图像均来自于USC-SIPI数据库，分别是Lena、Baboon、Plane、Boat、Peppers、Elaine，如图11所示。此外为了客观衡量所提方法所具有的性能优势，以峰值信噪比值(PSNR)以及嵌入容量(EC)为评价指标，将本发明方法与IPVO(Peng F,Li X,Yang B.Improved PVO-based reversibledatahiding[J].Digital Signal Processing,2014,25:255-265)，EP-IPVO(Kumar R,Jung KH.Enhancedpairwise IPVO-based reversibledata hiding scheme using rhombuscontext[J].Information Sciences,2020,536:101-119)，BE-PVO(Kumar R,Kim D S,LimS H,et al.High-fidelity reversibledata hiding using block extension strategy[C]//201934th international technical conference on circuits/systems,computers and communications(ITC-CSCC).IEEE,2019:1-4)以及DPVO(Wang X,Ding J,Pei Q.A novel reversible image data hiding scheme based on pixel valueordering and dynamic pixel block partition[J].Information sciences,2015,310:16-35)进行了对比，此外实验过程中采用MATLAB伪随机数生成不同长度的{0，1}二进制序列用作嵌入的秘密信息。
PSNR值是衡量载密图像视觉质量的关键指标，一般PSNR值越高则载密图像视觉质量也会越高。因此我们从5000bits开始，依次将不同大小的秘密信息嵌入到六幅纹理各异的测试图像中，然后对其PSNR值进行计算，结果是通过改变阈值T1和阈值T2所获得的，以求达到最佳性能，然后与其他方法进行了对比，如图12所示。
在图12中，我们可以看到，在相同嵌入容量下，本发明所提出方法的PSNR值均高于其他方法。以纹理较为复杂的Baboon图和纹理较为平滑的AirPlane图为例，当Baboon图嵌入容量为5000bit时，本方法的PSNR值为60.07dB，比其他四种方法分别高出1.18dB、1.46dB、1.1dB、1.15dB，对于这类纹理复杂的载体图像保持高PSNR值的原因在于，本发明可通过阈值的调整，能够动态调整块的大小，本方法所给出的最大块为3×4，对于Baoon图来说，采用更大的块往往对于低嵌入容量来说，其PSNR值较高，而IPVO、EP-IPVO所采用的块大小为为固定块，BE-PVO以及DPVO在平滑块的定位上通过块内像素的次大值以及次小值计算，相比之下本发明所给出的环形复杂度计算更为准确，因此本发明所提方法PSNR值更高。这里值得注意的是，与本发明方法PSNR值相差最大的为EP-IPVO方法，这是因为该方法为了能够扩大嵌入容量，以1×3块为基本嵌入单元，并利用块三像素的均值来进行第二轮嵌入，因此单个像素的最大失真为2，因此相比之下PSNR值较低。
而对于较为平滑的Airplane图来说，同样当嵌入容量为5000bit时，本发明方法PSNR值为66.67dB，与DPVO以及IPVO方法较为接近，但明显高于BE-PVO和EP-IPVO，这是因为前面提到的本发明所给出的块复杂度计算更为准确，可以使得秘密信息精确嵌入到平滑区。
此外根据表1和表2五种方法在嵌入10000bits和2000bits秘密信息下的PSNR值比较可以看出，对于10000bits的嵌入容量，所提出的方法PSNR均值分别优于IPVO 0.94dB，EP-IPVO 1.49dB，DPVO 0.63dB,BE-PVO1.25dB；对于20000bits的嵌入容量，这四种方法的PSNR均值分别低于本发明所提方法0.64dB，1.7dB，0.43dB，1.44dB。这因为我们提出的方法在嵌入块的选择上更灵活，可以更好地利用块的嵌入潜力。
根据图12可以看出本发明方法的最大嵌入容量(EC)要高于IPVO、DPVO、BE-PVO，这是因为本方法以1×3的块作为最小嵌入单元，而这三种方法都是以2×2的块作为最小基本嵌入块，因此本方法可通过调整阈值T，来增加本发明的最大嵌入容量，此外由于在这些较小块中，给出了像素预排序技术，因此进一步提升了最大嵌入容量。但是却低于EP-IPVO，主要是EP-IPVO主要是对单个像素进行了两次修改，在第二次采用了预测误差扩展来嵌入信息，因此具备了较大的嵌入容量，但是这种嵌入方式在第二次嵌入时，为了保证方法的可逆性，以像素均值作为块中像素值大小的衡量标准，采用预测误差扩展来嵌入信息，但是均值预测准确度有限，会提高载密图像失真。而本发明方法很好的权衡了嵌入容量和视觉质量，使得方法具备了一定的性能优势。
表1五种方法的PSNR值比较(嵌入10000bit)
表2五种方法的PSNR值比较(嵌入20000bit)
上述实施方式只为说明本发明的技术构思及特点，其目的在于让熟悉此项技术的人能够了解本发明的内容并据以实施，并不能以此限制本发明的保护范围。凡根据本发明精神实质所做的等效变换或修饰，都应涵盖在本发明的保护范围之内。
Claims (9)
1.一种基于块最优动态选择的可逆信息隐藏方法，其特征在于，包括水印嵌入方法，所述水印嵌入方法包括如下步骤：
步骤1：对原始图像进行扫描，图像在扫描过程中遇到值为0的像素更改为1，值为255的像素改为254，构建溢出位置图LM记录这些像素，取LMi＝1，未溢出像素LMi＝0，最后当所有块都扫描完毕后，对最终得到的位置图采用算术编码对其进行无损压缩，压缩后的位置图为CLM，其长度表示为lCLM；
步骤2：嵌入时以2×3大小的块为基本单元将载体图像划分成灰、白两层，首先对灰色层进行操作，计算灰色层各块的局部复杂度BC，并设置阈值T1，如果BC≤T1，认定为平滑块，否则为非平滑块；
步骤3：对于2×3大小的平滑块，对其再次划分成1×3的图像块，然后对其中的小块像素根据预排序方案来自适应收集像素，并使用IPVO方法进行秘密信息嵌入；
利用相邻集合的像素值作为预排序集合的上下文信息，对1×3块内的3个像素进行像素值预测，块内像素p1、p2、p3的均值计算如下：
其中，μ1、μ2、μ3分别表示p1、p2和p3的菱形均值，n1,n2,...,n8为块内三像素的上下文像素；
设一组均值序列{μ1,μ2,μ3}，利用块内三个像素均值来完成预排序处理，d1、d2为像素均值序列的两个差值，具体计算如下：
预排序方案为：
步骤4：对于2×3的非平滑块，计算其块内复杂度值IBC并设置阈值T2，若IBC≤T2，采用IPVO方法来嵌入秘密信息；若IBC>T2，利用块对角合并策略判断当前块与对角块是否可以合并，具体为：计算当前块与对角块的像素密度分布值PDD，将其合并后相应计算合并块的PDD，若合并块的PDD均大于二者，那么认定这两个块可以进行合并，完成秘密信息的嵌入，否则不能够进行合并，跳过；
步骤5：在嵌入了整个有效载荷之后，通过LSB替换将辅助信息嵌入到第一行前36+lCLM个像素中，辅助信息包括块大小、阈值T1和T2、最后嵌入块索引和压缩位置图的长度；
步骤6：对于白色层的像素重复前面步骤2-4，并生成最终的载密图像。
2.根据权利要求1所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，还包括水印提取方法，具体包括：
S1：首先采用LSB方法提取载密图像第一行前36+lCLM个像素，以提取辅助信息，包括块大小、阈值T1和T2、最后嵌入块索引、压缩位置图CLM；
S2：将载密图像以2×3大小的块为基本单元划分成灰、白两层；首先从白色层开始，根据块复杂度计算方法，并根据所提取的阈值T1，划分平滑块和非平滑块；对于平滑块，将其二次划分成2个1×3大小的块，采用IPVO方法直接提取秘密信息，并恢复像素值；
S3：对于非平滑块，进一步计算块内复杂度值IBC，并利用所提取的阈值T2来提取秘密信息，若IBC≤T2，则采用与平滑块相同的操作提取秘密信息；否则根据块对角合并策略，来判定当前块是否与对角块进行了合并，具体为在提取时以当前块、对角块以及二者合并块的顺序依次计算PDD，若合并块PDD均大于二者，那么该块则与对角块进行了合并，生成了合并块，然后对其提取秘密信息；
S4：最后采用同样的操作对灰色层完成秘密信息的提取，然后恢复图像。
3.根据权利要求1或2所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，将载体图像划分成灰、白两层具体操作为：利用菱形预测两层嵌入方法将图像以2×3大小的块为基本单元，以棋盘方式划分为灰色层和白色层。
4.根据权利要求1或2所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，计算灰色层各块的局部复杂度BC和白色层各块的局部复杂度步骤相同，采用棋盘式分层嵌入框架，使用最近的四个其他层的相邻块作为该块的上下文，通过全封闭的上下文来计算块的复杂度值；以灰色层为例：
上下文像素包括围绕中心灰色块的两圈像素点x1,x2,x3，...，x18,x19,x20，通过这些像素点来计算块复杂度值BC，计算公式如下：
BC＝dn+dv+dh (1)
其中dn，dv，dh分别表示对角、水平以及垂直像素间的差值总和，具体计算过程如下：
5.根据权利要求1所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，所述步骤3中再次划分成1×3的图像块具体为：将灰色层和白色层的平滑块均进行再次划分，得到灰色叉集、灰色点集、白色叉集和白色点集，灰色叉集、白色叉集的像素连线均为原2×3图像块的正V型图像块，灰色点集、白色点集的像素连线均为原2×3图像块的倒V型图像块。
6.根据权利要求1或2所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，计算块内复杂度值IBC具体方法为：
IBC＝pσ(5)-pσ(2) (6)
其中，pσ(5)和pσ(2)分别表示2×3图像块的次大与次小像素值，如果块内复杂度IBC小于等于T2则认为该块不用再次进行合并。
7.根据权利要求1所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，所述步骤4中计算2×3的非平滑块与对角块的像素密度分布值PDD的具体方法为：
其中，num表示块中像素个数，pσ(num-1)表示块中次大像素值，pσ(2)表示块中次小像素值，这二者的值在嵌入前后均不会发生任何改变。
8.根据权利要求1所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，所述IPVO方法进行秘密信息嵌入具体操作为：
1)对包含n个像素值的块，对其像素值{P1,P2,...,Pn}按升序进行排序，然后获得一个有序序列{Pσ(1),Pσ(2),...,Pσ(n)}，其中σ:{1,2,...,n}→{1,2,...,n}是一对一的映射，如果Pσ(i)＝Pσ(j)且i＜j使得Pσ(1)≤Pσ(2)≤...≤Pσ(n)，σi＜σj，IPVO中的预测误差dmax计算为：
dmax＝pu-pv (8)
这里u＝min(σ(n),σ(n-1))，v＝max(σ(n),σ(n-1))；
2)秘密信息b∈{0,1}通过修改预测误差dmax进行嵌入：
之后最大像素修改为：
最小像素的嵌入类似于上述最大像素的嵌入；预测误差dmin计算如下：
dmin＝ps-pt (11)
其中，s＝min(σ(1),σ(2))，t＝max(σ(1),σ(2))；
3)秘密信息b∈{0,1}通过修改预测误差dmin进行嵌入：
之后最小像素修改为：
9.根据权利要求2所述的基于块最优动态选择的可逆信息隐藏方法，其特征在于，所述IPVO方法进行秘密信息提取具体操作为：
提取秘密信息时，最大像素值在嵌入时，要么增加1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最大像素值恢复由以下可得：
其中，像素值{P1,P2,...,Pn}按升序进行排序，获得一个有序序列{Pσ(1),Pσ(2),...,Pσ(n)}，其中σ:{1,2,...,n}→{1,2,...,n}是一对一的映射，为秘密信息b∈{0,1}通过修改预测误差dmax进行嵌入后的像素；/>为修改后的最大像素；
提取秘密信息时，由于最小像素值在嵌入时，要么减1或不变，所以块内像素值顺序并未发生改变，那么秘密信息的提取以及最小像素值恢复由以下可得：
其中，为秘密信息b∈{0,1}通过修改预测误差dmin进行嵌入后的像素；/>为修改后的最小像素。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173311.7A CN116308980B (zh) | 2023-02-28 | 2023-02-28 | 基于块最优动态选择的可逆信息隐藏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310173311.7A CN116308980B (zh) | 2023-02-28 | 2023-02-28 | 基于块最优动态选择的可逆信息隐藏方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116308980A CN116308980A (zh) | 2023-06-23 |
| CN116308980B true CN116308980B (zh) | 2024-06-21 |
Family
ID=86833488
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310173311.7A Active CN116308980B (zh) | 2023-02-28 | 2023-02-28 | 基于块最优动态选择的可逆信息隐藏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116308980B (zh) |
Family Cites Families (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103093127B (zh) * | 2013-01-21 | 2015-07-15 | 深圳大学 | 基于数独和多重数字水印的动态版权保护系统及实现方法 |
| CN106067157B (zh) * | 2016-05-27 | 2019-06-11 | 陕西师范大学 | 变方向差值扩展和同步嵌入的可逆水印嵌入和提取方法 |
| CN106228501B (zh) * | 2016-07-13 | 2019-07-26 | 西安电子科技大学 | 一种基于整数变换的自适应可逆数字水印方法 |
| CN109859090B (zh) * | 2018-12-21 | 2023-07-25 | 广东工业大学 | 基于人类视觉系统的可逆水印方法及装置 |
| CN110910299B (zh) * | 2019-11-29 | 2021-01-05 | 山东科技大学 | 一种基于整数小波变换的自适应可逆信息隐藏方法 |
| CN115550518A (zh) * | 2022-09-30 | 2022-12-30 | 西安交通大学 | 一种基于自适应像素块划分的可逆信息隐藏方法及系统 |
-
2023
- 2023-02-28 CN CN202310173311.7A patent/CN116308980B/zh active Active
Non-Patent Citations (2)
| Title |
|---|
| improved pvo-based reversible dta hiding;Fei Peng;Digital signal processing;20140228;全文 * |
| 可逆图像水印及可逆图像认证技术研究;罗剑高;中国优秀硕士学位论文全文数据库信息科技辑;20111215;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116308980A (zh) | 2023-06-23 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109949199B (zh) | 基于二维预测误差直方图自适应扩展的可逆信息隐藏方法 | |
| Lu et al. | Secure halftone image steganography based on pixel density transition | |
| CN110232651B (zh) | 一种基于分块预测及差值直方图平移的可逆信息隐藏方法 | |
| CN111898136A (zh) | 一种基于预测误差值排序的高保真可逆信息隐藏方法和装置 | |
| CN112132734B (zh) | 一种基于多通道差值排序的图像可逆信息隐藏方法 | |
| Peng et al. | Reversible data hiding based on RSBEMD coding and adaptive multi-segment left and right histogram shifting | |
| CN112070647B (zh) | 一种可逆高动态范围图像信息隐藏方法 | |
| CN110246076B (zh) | 基于Tucker分解的高动态范围图像水印方法 | |
| CN114399419B (zh) | 基于预测误差扩展的可逆图像水印算法 | |
| Uyyala et al. | Reversible data hiding using improved gradient based prediction and adaptive histogram bin shifting | |
| CN110047029B (zh) | 一种结合多层差扩展具有对比度增强的可逆信息隐藏方法及装置 | |
| Lu et al. | Asymmetric-histogram based reversible information hiding scheme using edge sensitivity detection | |
| CN113032813B (zh) | 基于改进的像素局部复杂度计算和多峰嵌入的可逆信息隐藏方法 | |
| Uyyala et al. | Reversible data hiding with selected directional context based prediction using 8-neighborhood | |
| Fan et al. | A comparative study between PVO-based framework and multi-predictor mechanism in reversible data hiding | |
| CN116308980B (zh) | 基于块最优动态选择的可逆信息隐藏方法 | |
| Tang et al. | Reversible data hiding based on improved rhombus predictor and prediction error expansion | |
| CN107292803B (zh) | 一种符合人眼观察规律的可逆鲁棒数字图像水印方法 | |
| CN115690014A (zh) | 一种基于纹理度交叉嵌入的医学图像篡改检测及自恢复方法 | |
| CN116468594B (zh) | 基于菱形像素对互补嵌入的可逆水印算法 | |
| CN109389546B (zh) | 多分块可逆水印嵌入方法及装置、水印提取方法及装置 | |
| CN118115345A (zh) | 基于二次预测误差和双向嵌入的可逆图像水印方法 | |
| CN111816195A (zh) | 一种音频可逆隐写方法、秘密信息提取及载体音频恢复方法 | |
| Su et al. | Reversible Data Hiding Based on Pixel-Value-Ordering and Pixel Block Merging Strategy. | |
| CN116957894B (zh) | 基于像素相关性的预测误差扩展可逆水印算法 |
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 |