灰度不变可逆隐藏的率失真模型

论文价格:150元/篇 论文用途:硕士毕业论文 Master Thesis 编辑:vicky 点击次数:141
论文字数:37155 论文编号:sb2021051215204735493 日期:2021-05-29 来源:硕博论文网
本文最大亮点是将当前修改独立的 RDH 率失真模型扩展到修改依赖模型,给出解决修改关联率模型的一般框架,并成功地将该理论应用于解决Grayscale-Invariance RDH,在理论上找到了灰度值不变 RDH 的最优修改方式,并取得了令人鼓舞的结果。该模型弥补了 RDH 理论在修改关联领域的空缺,扩展了 RDH 最优化理论。

第 1 章 绪论

1.1 研究背景与意义
信息隐藏是实现隐蔽通讯及存储的一种,其藏秘密信息于载体,并且对载体不会造成可观察影响。信息隐藏属于一门新兴交叉学科,主要通过将特定信息嵌到媒体文件之中,生成的载密文与载体文件之间的差异难以察觉,避免引起起监控者的注意力,从而尽可能减少可能遭受的窃取和破坏。密码术的宗旨是让现有的计算能力无法破解密码,但是加密文件的存在仿似此地无银三百两,反而容易引起监控者的攻击,信息隐藏更着重强调信息的隐蔽性,监控方根本识别不到隐蔽信息的存在。实际应用中,密码术和隐藏术相辅相成共同使用,进一步强化信息安全。
随着数字媒体的爆炸式增长,水印的应用变得非常普遍。如阿里巴巴 2016年的月饼门事件[1],公司为何能够快速准确从员工泄露的屏幕快照中定位员工信息?就是由于公司已经将员工信息通过水印技术藏于个人的电子设备之中。再如通用电气 2018 年的信息泄露事件,公司工程师巧妙避地将机密代码伪装于看似正常的日落照片中[2],从而轻易避开安全检测机制,将机密文件带出公司。这些都是信息隐藏的示例应用程序。
信息隐藏能够容纳较高的嵌入容量,接收方获得与载体图视觉不可区分的载密图像后能够无损提取嵌入机密信息。但因信息藏入量较多,载体图像会受到很大程度的破坏并且不可逆,导致大容量隐藏技术在使用的时候具有较多的限制。
............................

1.2 国内外研究现状与发展趋势
在过去的十年中,出现了许多优秀的 RDH 算法。通常实现 RDH 需要进行两个步骤,其一,生成信息熵尽可能小,也即直方图尽可能陡峭的载体序列,对于图像而言,像素的预测误差(Prediction Error, PE)是最常用的载体序列。其二,在引入尽可能小的失真为目标的情况下可逆修改载体序列以嵌入秘密消息。以修改方式为标准,RDH 被罗列为三种基本策略:差值扩张策略[18-26]、直方图平移策略[27-32]和递归编码构造策略[33-40]。
空域图像基于像素修改的 RDH 算法研究目前已经非常深入,学者们尝试将基于像素修改的算法扩展应用到其他媒体文件,出现了基于 JPEG 图像[41-45]、语音[46-50]、视频[51-52]、三维模型[53-54]、高动态图像[55-58]等等新载体的 RDH 算法。
图 1.2 传统算法下的 SIFT 特征匹配
图 1.2 传统算法下的 SIFT 特征匹配
如上前文所述,原始图中嵌入信息相当于添加噪声,噪声的存在使得载密图的后期与原始图相比出现误差。以图 1.2 为例,在信息嵌入之后,基于尺度不变特征描述子(SIFT)来匹配载密图像和载体图像,从而导致出现错误的 SIFT 匹配。在许多情况下,尤其是对于医学和军事图像处理,可能不允许这种处理精度的下降。当然,图片拥有者可以从载密图无损地还原载体图,其后应用于任何进一步处理。 但是,除了恢复载体图像需要计算成本之外,嵌入算法和密钥都由隐写分析者掌握,因此图像处理者几乎不可能在每次处理之前还原载体图像。实际上,图像处理者甚至不能理解当前图像是否隐藏了信息。
................................

第 2 章 保持灰度值不变的可逆隐藏算法

2.1算法概述
如第一章所述,诸多彩色图像处理算法均基于灰度图进行操作,因此只要在满足灰度值不变的约束条件下进行可逆隐藏,则针对载密图像的后期就如同针对原始图一样。进行 Grayscale-Invariance RDH 研究具备相当的实用价值。
Hou 等人率先提出具备灰度值不变功能的可逆隐藏算法,其思想是通过修改红蓝两个颜色通道中的灰度级进行信息嵌入,然后调整绿色通道中的灰度级使得满足灰度图不发生改变的约束条件。
图 3.1 保持灰度值不变可逆隐藏算法流程
图 3.1 保持灰度值不变可逆隐藏算法流程
..........................

2.2递归嵌入算法
RDH 在解码端需要部分辅助参数才能实现载体图的重构和秘密信息的提取,为此需要在固定位置上预留一些像素用于记录这些的辅助信息。一般而言,辅助参数通过 LSB 替换嵌在预留像素的最低比特位,替换出的最低比特位连同秘密信息需要隐藏于载体之中传递给解码端。区别于传统 RDH 算法,对于Grayscale Invariance RDH,任一颜色通道中任何位置灰度级的些许改变包括 LSB替换导致的改变,均可能导致灰度值发生改变。因此,预留像素不可以如传统RDH 那样在图像中任意选择,则需要选择发生蓝色灰度级 LSB 替换之后还可以保证对应灰度值不变的像素,被定义为不变点。辅助信息通过 LSB 替换隐藏于蓝色灰度级之中,其修改幅度只能是 0 或 1,只需要像素点满足约束(3   17),则发生 LSB 替换后灰度值依然不变,解码端能够再次找到预留的不变点像素,并从中获取辅助参数。由于蓝色灰度对灰度值的贡献为 0.114,不变点像素点的概率将达到(1-0.114)。
SIFT 特征发生偏差,那么依托于特征的应用会毫无疑问地受到影响。以 SIFT特征匹配为例,需要选取载体图与载密图中特征响应大于0.5的 SIFT 点进行匹配,结果展示在图 3.12。随着嵌入信息的增加,Ou 等人算法下映射着的灰度图失真会越来越大,那么 SIFT 特征值损失会越来越高,最终 SIFT 匹配效果自然也会越来越不准确。
...........................

第 3 章 保持灰度值不变的可逆隐藏算法.....................19
3.1 算法概述..................... 19
3.2 基于灰度图的多项式预测....................... 20
第 4 章 保持灰度值不变的可逆隐藏算法率失真模型 ...........35
4.1 引言....................... 36
4.2 算法框架............................ 36
第 5 章 总结与展望 ...................55
5.1 工作总结................................ 55
5.2 未来展望............................ 55

第 4 章 保持灰度值不变的可逆隐藏算法率失真模型

4.1 引言
图 4.1 提出算法的实现流程
图 4.1 提出算法的实现流程
对于 Grayscale-Invariance RDH,三种颜色通道的修改是相互关联的。通过分解联合修改失真并将绿色灰度级和蓝灰度级的修正失真与红色灰度级的修正失真关联起来,提出了一种新的修改失真估计方法,并对 Grayscale-InvarianceRDH 的率失真模型进行近似估计。模型建立以后,再给出估计出最优转移概率矩阵的一般方式,根据最优修改概率再应用 RHM,便可以实现理论上可证明最优的最优修改。实验结果表明,该方法扩大了最优编码的应用范围,并能够显著提高 Grayscale-Invariance RDH 的性能。
...........................
 
第 5 章 总结与展望

5.1 工作总结
本文以保持灰度值不变 RDH 算法为切入点,本文从 RDH 率失真模型出发,将当前修改独立的率失真模型扩展到修改依赖的率失真模型并求解,再将该理论模型成功的应用在保持灰度值不变的 RDH 算法研究上,并取得了显著效果。论文主要研究工作及创新点归纳如下:
本文最大亮点是将当前修改独立的 RDH 率失真模型扩展到修改依赖模型,给出解决修改关联率模型的一般框架,并成功地将该理论应用于解决Grayscale-Invariance RDH,在理论上找到了灰度值不变 RDH 的最优修改方式,并取得了令人鼓舞的结果。该模型弥补了 RDH 理论在修改关联领域的空缺,扩展了 RDH 最优化理论。
针对 Grayscale-Invariance RDH,除最优化理论之外,该论文还给出基于可分离灰度的线性预测模型,通过进一步挖掘各个颜色通道和灰度值之间的相关性,产出了更陡峭的载体直方图,从而为信息嵌入提供了更为优质的载体序列。
参考文献(略)

上一篇:基于深度学习的兴趣点推荐系统思考范文
下一篇:基于电商平台的用户推荐算法探讨