魏偉一，楊　陽(yáng)，朱強(qiáng)軍

(西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，甘肅蘭州　730070)

?

一種基于PCNN圖像分割和LSB的自適應(yīng)隱寫(xiě)

魏偉一，楊陽(yáng)，朱強(qiáng)軍

(西北師范大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院，甘肅蘭州730070)

為了提高圖像LSB隱寫(xiě)時(shí)的嵌入容量與視覺(jué)質(zhì)量，結(jié)合圖像的位面圖內(nèi)容特性，提出了一種基于圖像PCNN分割的LSB自適應(yīng)隱寫(xiě)方案.該方案對(duì)圖像的前4個(gè)位面圖分別進(jìn)行PCNN圖像分割，并計(jì)算分割結(jié)果之和，以此作為各像素可以嵌入的秘密信息比特?cái)?shù)，然后采用LSB方法進(jìn)行隱寫(xiě).實(shí)驗(yàn)結(jié)果表明，該算法具有較好的視覺(jué)隱蔽性和較高的數(shù)據(jù)嵌入量，而且不需要存儲(chǔ)額外的嵌入深度信息.

圖像隱寫(xiě)；LSB；PCNN；圖像分割

數(shù)字隱寫(xiě)(Steganography)就是將秘密信息以不易覺(jué)察的方式嵌入到公開(kāi)的數(shù)字媒體中，并通過(guò)公共通信信道進(jìn)行安全傳送[1].現(xiàn)有的數(shù)字隱寫(xiě)算法中，最為經(jīng)典的是最低有效位(Least significant bits, LSB)替換算法及其改進(jìn)算法[2-3]，主要原理是將載體圖像的若干較低比特位用秘密信息位直接替換或隨機(jī)匹配，但是替換位數(shù)太多則會(huì)降低載密圖像的視覺(jué)質(zhì)量.因此很多改進(jìn)的密寫(xiě)方法利用圖像內(nèi)容和人眼的視覺(jué)特性[4-5]，將載體圖像進(jìn)行分類(lèi)，在紋理特征豐富或灰度變化劇烈的區(qū)域隱藏較多的信息位，在平坦區(qū)域部分則嵌入較少的數(shù)據(jù)量，以此在保持載密圖像較好的視覺(jué)質(zhì)量的前提下提高圖像隱寫(xiě)的嵌入容量[6-7].基于圖像像素區(qū)域的分類(lèi)嵌入思想，劉勁等[8]提出了利用小波對(duì)比度決定圖像塊嵌入深度的LSB密寫(xiě)方法，算法對(duì)載體圖像分塊并計(jì)算各塊的小波對(duì)比度絕對(duì)值之和，以確定各圖像塊的嵌入位數(shù)，然后在空域進(jìn)行LSB嵌入.算法在一定程度上提高了嵌入容量，但是要對(duì)圖像進(jìn)行分塊并進(jìn)行小波變換，導(dǎo)致算法效率不高，而且每個(gè)圖像塊擁有相同的嵌入位數(shù)，使得載密圖像出現(xiàn)分塊效應(yīng)，同時(shí)需要在嵌入時(shí)額外保存各塊的嵌入深度.彭程等[9]提出了一種基于邊緣匹配與最低有效位的圖像隱寫(xiě)算法，根據(jù)人類(lèi)視覺(jué)特性，利用像素及其相鄰像素間的差值，將圖像區(qū)域分為平滑區(qū)、過(guò)渡區(qū)和邊緣區(qū)，在3個(gè)區(qū)域中分別采用不同比特?cái)?shù)的最低有效位嵌入.廖琪男[10]利用像素的3個(gè)相鄰像素特征進(jìn)行像素分類(lèi)并采用模函數(shù)運(yùn)算進(jìn)行嵌入，取得了較好的嵌入質(zhì)量.Varsaki等[11]提出對(duì)圖像紋理進(jìn)行分類(lèi)來(lái)選擇不同的嵌入深度實(shí)現(xiàn)隱寫(xiě).但是這些圖像塊劃分方法都采用了固定的判決閾值，從而導(dǎo)致像素劃分無(wú)法自適應(yīng)確定.因此如何有效地進(jìn)行圖像像素的精確劃分，根據(jù)圖像內(nèi)容自適應(yīng)決定各像素的嵌入深度，是大容量信息密寫(xiě)的核心問(wèn)題.

脈沖耦合神經(jīng)網(wǎng)絡(luò)PCNN(Pulse coupled neural network)是Eckhorn等在模擬猴、貓等哺乳動(dòng)物的腦視覺(jué)皮層過(guò)程中,觀(guān)察到神經(jīng)元的同步規(guī)則后,建立起來(lái)的一個(gè)反映同步脈沖產(chǎn)生現(xiàn)象的連接模型[12].由于PCNN模型具有良好的生物視覺(jué)依據(jù)，并且不需要訓(xùn)練數(shù)據(jù)，被成功應(yīng)用于圖像分割等各類(lèi)圖像應(yīng)用中.在PCNN圖像分割中，最早產(chǎn)生脈沖輸出的像素將引發(fā)其鄰域內(nèi)其他相似像素對(duì)應(yīng)的神經(jīng)元進(jìn)行激發(fā)，從而產(chǎn)生脈沖.筆者因此根據(jù)人眼視覺(jué)對(duì)變化劇烈區(qū)域及較暗區(qū)域都不敏感這兩個(gè)特點(diǎn)，利用PCNN像素劃分策略，提出基于PCNN圖像分割的LSB大容量密寫(xiě)方案.算法首先將圖像像素的最高4個(gè)位面圖分別進(jìn)行PCNN分割，并將分割結(jié)果相加，自適應(yīng)獲得各個(gè)像素的嵌入位數(shù)，然后進(jìn)行圖像的LSB隱寫(xiě).實(shí)驗(yàn)結(jié)果與數(shù)據(jù)分析表明，該方案具有較好的視覺(jué)隱蔽性和較高的數(shù)據(jù)嵌入量，而且不需要存儲(chǔ)額外的嵌入深度信息.

1　基于PCNN的圖像嵌入深度判決

PCNN神經(jīng)元模型主要由接受域、內(nèi)部調(diào)制和脈沖發(fā)生器3部分組成,其數(shù)學(xué)表達(dá)式如下[13]956:

(1)

(2)

(3)

(4)

(5)

其中,i,j為神經(jīng)元的標(biāo)號(hào);Sij為神經(jīng)元(i,j)來(lái)自外部的刺激；Lij(n)為來(lái)自于其他神經(jīng)元的輸入；Fij(n)為第n次迭代時(shí)的反饋輸入；Uij(n)為神經(jīng)元的內(nèi)部活動(dòng)項(xiàng)；θij(n)和Yij(n)分別為第n次迭代的動(dòng)態(tài)閾值和脈沖輸出；M和W為鏈接矩陣；αF,αL和αθ分別為Fij，Lij和θij的衰減時(shí)間常數(shù)；VF,VL,Vθ分別為Fij,Lij,θij對(duì)應(yīng)的固定電勢(shì).

在對(duì)圖像進(jìn)行PCNN分割過(guò)程中，每個(gè)神經(jīng)元的外部刺激對(duì)應(yīng)圖像中的1個(gè)像素，迭代計(jì)算產(chǎn)生的脈沖輸出Y(n)中主要包含了圖像紋理與邊緣等信息.在當(dāng)前的PCNN圖像分割中，核心問(wèn)題在于模型參數(shù)和算法迭代次數(shù)的確定，馬義德等[14]提出的基于信息熵的PCNN分割迭代終止條件判決及其參數(shù)設(shè)置的經(jīng)典方法,很好地解決了算法的核心問(wèn)題.

在基于PCNN的圖像像素嵌入深度判決中，由于一幅圖像的高位位面反映了圖像的基本信息，低位位面起到細(xì)節(jié)作用，有時(shí)低位還往往是噪聲.因此，可以將圖像像素比較重要的最高4個(gè)位面作為深度判決位面進(jìn)行PCNN分割，相對(duì)不太重要的后4個(gè)位面則作為可選的嵌入位面.由于圖像PCNN的分割結(jié)果反映了圖像紋理、邊緣及內(nèi)容特性，因此將各個(gè)判決位面點(diǎn)火后的二值圖像進(jìn)行相加，所得到的矩陣作為對(duì)應(yīng)像素的LSB嵌入深度.

2　隱寫(xiě)方案

在基于PCNN的LSB隱寫(xiě)中，先利用PCNN的嵌入深度判決方法計(jì)算各個(gè)像素值的嵌入深度，然后進(jìn)行各個(gè)像素的LSB替換密寫(xiě).該方案框架如圖1所示.

圖1　隱寫(xiě)過(guò)程

2.1嵌入方法

基于PCNN的LSB隱寫(xiě)算法為：

1)獲取載體圖像的最高4個(gè)位面圖，利用bitand(I,x)提取圖像的最高4個(gè)位面圖，I為載體圖像，x分別取128,64,32,16；

2)對(duì)所得到的4個(gè)位面圖分別進(jìn)行PCNN分割；

3)將分割得到的4個(gè)二值圖像進(jìn)行求和，各數(shù)值作為對(duì)應(yīng)像素的嵌入深度；

4)在各個(gè)像素的后4位上，分別利用所得的嵌入深度進(jìn)行秘密信息嵌入.

2.2提取方法

載密圖像中提取秘密信息的方法為：

1)提取載密圖像的最高4個(gè)位面圖；

2)對(duì)4個(gè)位面圖按照嵌入時(shí)的處理方法，得到各像素的嵌入深度；

3)按照各個(gè)像素的嵌入深度值進(jìn)行數(shù)據(jù)提取.

3　實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)中的PCNN圖像分割采用文獻(xiàn)[15]中的參數(shù)，以像素對(duì)比度自適應(yīng)確定PCNN模型中的鏈接系數(shù)，以圖像的互信息熵作為算法的迭代終止條件.為了驗(yàn)證密寫(xiě)算法的嵌入容量和載密圖像的視覺(jué)隱秘性，實(shí)驗(yàn)中利用混合光學(xué)雙穩(wěn)模型生成水印序列，選用6幅128×128的圖像作為載體圖像，以峰值信噪比(RPSN)作為視覺(jué)不可覺(jué)察性測(cè)度.由于算法中以像素的最高4位作為各像素嵌入深度的判決位，后4位作為候選的嵌入位，各個(gè)像素?fù)碛胁煌那度肷疃龋粌H嵌入容量大，載密圖像具有良好的視覺(jué)特性，而且可以實(shí)現(xiàn)盲提取.

圖2中依次給出了本算法仿真中的載體和載密圖像，及其放大的差異圖以及與基于小波對(duì)比度LSB隱寫(xiě)的對(duì)比結(jié)果.可以看出，算法中的載密圖像不僅具有良好的視覺(jué)隱蔽性，而且載密圖像和載體圖像間的差異圖具有較好的隨機(jī)性，從而更加不容易進(jìn)行密寫(xiě)分析.表1給出了各個(gè)實(shí)驗(yàn)的密寫(xiě)性能與基于小波對(duì)比度密寫(xiě)的性能對(duì)比，圖3和圖4給出了2個(gè)算法結(jié)果的嵌入容量比和RPSN趨勢(shì)比較.可以明顯看出，基于PCNN分解的LSB算法具有較高的嵌入容量，嵌入比都在25%以上，而且具有較高的RPSN值.文獻(xiàn)[16]指出，隱寫(xiě)中圖像間的RPSN如果高于38，則認(rèn)為人眼基本無(wú)法察覺(jué)出圖像的降質(zhì).從表1 RPSN的數(shù)據(jù)看，文中隱寫(xiě)算法中的載密圖像具有較好的視覺(jué)保真度.另外，在算法中只需要進(jìn)行圖像4個(gè)位面圖的PCNN分割，相對(duì)于基于小波對(duì)比度的LSB密寫(xiě)，要將圖像分塊并且每塊都要進(jìn)行小波變換而言，文中算法具有較好的時(shí)間效率.圖5給出了文中算法和基于小波對(duì)比度LSB密寫(xiě)的時(shí)間效率對(duì)比.

圖2　密寫(xiě)圖像及原始圖像的差異

載體圖像(256×256)小波對(duì)比度密寫(xiě)容量文中方法密寫(xiě)容量小波對(duì)比度方法RPSN文中方法RPSNLena15142415909739.479739.6558Couple15968015764738.006139.2233Baboon16710416533239.201238.7600Man14950415512339.365039.7367Pepper15321615629839.104539.3196Woman13632015780640.327839.4248Plane16358417758639.044539.8502

圖3　文中算法和基于小波對(duì)比度密寫(xiě)算法的嵌入容量比

圖4　文中算法和基于小波對(duì)比度密寫(xiě)算法的RPSN比較

圖5　文中算法和基于小波對(duì)比度密寫(xiě)算法的時(shí)間效率比較

[1]BENDER W,GRUHL D,MORIMOTO N,et al.Techniques for data hiding[J].IBM System Journal,1996,35(3/4):313 .

[2]王朔中,張新鵬,張衛(wèi)明.以數(shù)字圖像為載體的隱寫(xiě)分析研究進(jìn)展[J].計(jì)算機(jī)學(xué)報(bào),2009,32(7):1247.

[3]FRIDRICH J,KODOVSKY J.Steganalysis of LSB replacement using parity-awarefeatures[C]//Information Hiding.Berlin:Springer,2013:31.

[4]TOET A,RUYVEN L,VELATON J.Merging thermal and visual images by a contrast pyramid[J].Opt Engineering,1989,28(7):789.

[5]WU D C,TSAI W H.A steganographic method for images by pixel-value differencing[J].Pattern Recognition Letters,2003,24(10):1613.

[6]ZHANG X P,WANG S Z.Steganography using multiple-base notational system and human vision sensitivity[J].IEEE Signal Processing Letters,2005,12(1):67.

[7]JUNEJA M,SANDHU P S.A new approach for information hiding in color images using adaptive steganography and hybrid feature detection with improved PSNR and capacity[J].International Journal of Engineering and Technology,2013,5(2):1853.

[8]劉勁,康志偉,何怡剛.一種基于小波對(duì)比度和LSB 的密寫(xiě)[J].電子學(xué)報(bào),2007,35(7):1391.

[9]彭程,秦拯,劉鵬,等.基于邊緣匹配與最低有效位的圖像隱寫(xiě)方法[J].計(jì)算機(jī)工程,2011,37(14):106.

[10]廖琪男.基于邊緣匹配和模函數(shù)的安全密寫(xiě)算法[J].電子學(xué)報(bào),2012,40(10):2002.

[11]VARSAKI E,FOTOPOULOS V,SKODRAS A N.Data hiding based on image texture classification[J].Signal,Image and Video Processing,2013,7(2):247.

[12]JOHNSON J L,PADGETT M L.PCNN and applications[J].IEEE Trans on Neural Networks,1999,10(3):480.

[13]鄧翔宇,馬義德.PCNN 參數(shù)自適應(yīng)設(shè)定及其模型的改進(jìn)[J].電子學(xué)報(bào),2012,40(5):955.

[14]馬義德,戴若蘭.一種基于脈沖耦合神經(jīng)網(wǎng)絡(luò)和圖像熵的自動(dòng)圖像分割方法[J].通信學(xué)報(bào),2002,23(1):46.

[15]魏偉一,李戰(zhàn)明.基于改進(jìn)PCNN 和互信息熵的自動(dòng)圖像分割[J].計(jì)算機(jī)工程,2010,36(13):199.

[16]PETITCOLAS F,ANDERSON R.Evaluation of copyright marking systems[C]//Proc IEEE Multimedia Systems.Florence:IEEE Computer Society,1999:9574.

(責(zé)任編輯惠松騏)

A adaptive steganographic method based on PCNN image segmentation and LSB

WEI Wei-yi,YANG Yang，ZHU Qiang-jun

(College of Computer Science and Engineering,Northwest Normal University,Lanzhou 730070,Gansu，China)

In order to improve the embedding capacity and visual quality in image LSB steganographic,combining with the character of cover’s biplanes,a novel LSB steganographic embedding based on PCNN image segmentation is presented.The method extracts the first 4 plane images and partitions by way of PCNN method,then adds the 4 segmentation as the number of embedded for every pixel and embed secret information with LSB.Experimental results show that the proposed method not only provides better visual quality and higher payload,but also does not save the embedding length data.

image steganography;LSB;PCNN;image segmentation

10.16783/j.cnki.nwnuz.2016.02.010

2014-10-08;修改稿收到日期:2015-05-28

甘肅省科技計(jì)劃資助項(xiàng)目(1506RJZA130);甘肅省高等學(xué)?？蒲许?xiàng)目(2014B-018)

魏偉一 (1976—)，男，甘肅蘭州人，副教授，博士．主要研究方向?yàn)槎嗝襟w信息安全．

E-mail:weiwy@nwnu.edu.cn

TP 309.2

A

1001-988Ⅹ(2016)02-0043-04