可逆数据隐藏（精选3篇）
可逆数据隐藏 篇1
可逆信息隐藏技术是指在嵌入秘密信息时, 如果含秘载体在公共信道传输过程没有被篡改, 那么合法用户和授权机构在接收端可以根据提取算法提取出隐藏的秘密信息, 并能够完全修复失真, 实现原始数据的精准恢复。
1 基于无损数据压缩的可逆信息隐藏算法
无损数据压缩[1]是实现可逆信息隐藏的基本方法。通过压缩原始图像数据, 可以获得信息隐藏的空间而不覆盖原始图像信息。
下面以一种简单的基于算术编码和LSB的可逆信息隐藏方案为例, 说明基于无损数据压缩的可逆信息隐藏的过程。算法流程如图1所示。
数据嵌入过程:设原始图像为I, 首先提取I的LSB平面位并一维化得到序列L和图像I’, 利用算术编码对L进行压缩, 压缩结果作为待隐藏信息W的一部分。将W置乱后嵌入到I’的LSB平面位, 得到最终的含秘图像Iw。
此算法数据嵌入率较低, 算法鲁棒性很差, 含秘图像也不能完全恢复, 常用于图像认证。
2 基于差值扩展的可逆信息隐藏算法
差值扩展技术最早是由Tian提出的, 其基本思想是通过扩展相邻像素点差值来隐藏数据, 即将数据隐藏在原始图像的高频分量或扩展的LSB上。算法基本原理如下:
设x和y是相邻像素点的灰度值, 且x, y∈[0, 255], 则差值d和平均值l分别为
相应的逆变换为
数据嵌入公式为
数据嵌入过程:首先利用式 (1) 计算相邻像素点xi和yi的差值di和均值li, 再利用公式 (3) 根据待隐藏的1比特数据wi (0或者1) 计算扩展差值di'2diiw, 最后利用式 (2) 计算嵌入数据后的像素值x'i和y'i。重复上述过程直到原始图像所有相邻像素点对都被处理完毕, 即得到含秘图像。
这种算法数据嵌入容量很大, 但像素值可能发生溢出。利用定位图可解决溢出问题, 但对嵌入容量影响较大。Coltuc等提出一种基于RCM变换可逆数据隐藏算法, 无需嵌入溢出定位图, 但载体图像质量严重下降。Lin C等提出一种无定位图的无损数据隐藏方法, 但该方法仅适于不可扩展像素对较少的图像, 普适性较差。
3 基于直方图调整的可逆信息隐藏算法
此方法最早由Ni提出, 其主要思想是通过对原宿主图像的直方图进行调整, 利用零点冗余来嵌入秘密数据。该类方法数据的嵌入描述如下:
数据的嵌入过程:设原宿主图像为I, x为像素点的取值。首先根据宿主图像I生成直方图h (x) , 然后找出直方图中的零点lp和峰值点pp。如果lp
Ni等提出利用直方图中三个最大点和最小点进行信息隐藏, 嵌入容量大且含秘图像质量较好, 但该算法复杂度高。高铁杠等[4]根据统计特性将图像直方图进行分类, 给出了不同情形下利用多个零点和峰值点进行数据隐藏的方法, 该方法普适性好, 含秘图像质量也较好。顾巧论等提出一种利用每个最大值点进行多位数据嵌入的方案, 嵌入的数据位数可以根据宿主图像和含秘图像的峰值信噪比自适应确定, 该方法嵌入容量大, 而且含秘图像质量较好。
4 问题与展望
仍需继续进行深入优化和完善的问题:
⑴如何在保证含秘图像质量 (PSNR) 的前提下, 提高嵌入容量。⑵如何消除定位图来处理像素值溢出的问题。⑶如何设计针对彩色图像和一些矢量图像的大容量可逆信息隐藏算法。
摘要：本文主要介绍了可逆数据隐藏技术的应用与研究进展, 对当前几种典型的可逆数据隐藏算法进行研究分析, 并对其未来发展方向进行了总结。
关键词：可逆数据隐藏,差值扩展,直方图调整
参考文献
[1]CELIK M U, SHARMAG, TEKALP AM, eta1.Lossless Generalized Lsb Data Embedding[J].IEEE Transactions on ImageProcessing, 2005, 14 (2) :253-266.
[2]Ni Z, Shi Y, Ansari N, et al.Reversible data hiding[J].IEEE Tran On Circuits and System for VideoTechnology, 2006, 16 (3) :354362.
[3]NI Z, SHI Y, ANSARIN, et, a1.Reversible Data Hiding[J].IEEE Tran.On Circuits and System for VideoTechnology, 2006, 16 (3) :354-362.
可逆数据隐藏 篇2
首先，选择要隐藏数据的单元格，
接着，调出“设置单元格格式”对话框，选择“数字”选项卡，单击左侧分类中的“自定义”，在右侧“类型”中输入自定义格式“;;;”，单击“确定”。
可逆信息隐藏算法综述 篇3
随着网络的流行,人们在方便地获取各种数字媒体信息的同时,如何保护这些媒体的版权、保证媒体信息的安全性成为一个迫切需要解决的问题。因此,作为保护版权、保证信息安全性的一种重要手段,信息隐藏技术在过去获得了长足的发展,成为研究领域一个新的热点和方向。
信息隐藏技术是一种利用宿主媒介的冗余特性以及人类的感知特征,通过某种方式改变宿主媒介,从而实现将信息隐藏在宿主媒介中的技术。一些常规的算法如:回声隐藏算法[1,2,3]相位编码算法[1,4]、扩频算法[5,6,7]、Patchwork算法[8,9]以及标量量化算法[10,11],在过去十年中相继被提出。
上述传统的信息隐藏算法,通常只考虑如何提取隐秘信息,而没有考虑如何恢复原宿主信号。在一些应用场合如医学诊断,法庭举证,艺术作品中,不光需要嵌入隐秘信息对宿主媒介进行保护,还需要适时地能够无失真地恢复出原始的宿主媒质,传统的信息隐藏算法不能满足其要求。作为信息隐藏技术的一个新的分支,可精确恢复原媒质信息的可逆信息隐藏技术最近正被广泛研究。可逆信息隐藏主要是指在嵌入信息时,虽然可能会对宿主数据的质量造成一定的破坏,但如果隐藏载体在传输过程没有发生变化,那么合法用户和权威机构在接收端可以根据提取算法提取出隐藏信息,并能够修复失真,实现原始数据的精准恢复。可逆信息隐藏技术与一般的隐藏技术没有原理上的本质区别,但是可逆技术在合法用户得到嵌入信息的过程中,将因信息嵌入而引起的宿主数据失真完全修正。这种技术在医学、军事、法律证据中有着非常广泛的应用前景。
当前所提出的可逆信息隐藏算法基本可以分为两大类:一类是基于差值扩散(Difference Expansion,DE)算法,另一类是基于直方图位移(Histogram shift,HS)算法。本文通过对这两类基本的无失真信息隐藏算法进行论述,分析和总结了这两类算法的各自优势及相应的局限性,并在此基础上对无失真信息隐藏算法的发展前景进行了展望。
1 基本的DE可逆信息隐藏算法
差值扩散技术最早由Tian[12,13,14]提出,其思想是利用较小的差值代表原信号的特征,然后通过扩散这差值从而达到嵌入隐秘信息的目的,即把数据隐藏在宿主信号的高频分量上。差值扩散的基本原理描述如下:
设一对数据为(x,y),则这两个数据的均值l(低频分量)和差值h(高频分量)可由式(1)、(2)定义为:
式(1)中符号ëû代表向下取整。为了嵌入隐秘信息,将需要嵌入的二进制隐秘数据wi按如下方式嵌入:
式(3)中的h1即为进行差值扩展后的高频分量。利用逆变换:
从而得到一簇新的数据(x′,y′)。通过对整个宿主信号的所有数据对进行相同操作,即实现隐秘信息的嵌入。整个嵌入流程如图1所示。
为了提取隐秘信息,恢复原始的宿主信号。将x′,y′替换式(1)、(2)中的数据对x,y,得到新数据的均值分量l′和高频分量h′。利用下式
即可恢复出原始的差值高频分量h和wi,将l′和h分别代替式(4)、(5)中的l和h1,即可恢复出原始的宿主信号对(x,y)。但是在Tian的差值扩散算法中,必须要关注溢出的处理。由于宿主信号一般都是在一定取值范围内的,例如8bit的灰度图像取值范围在[0,255]之间,假设x=210,y=10,根据式(1)和(2),l和h分别为110和200,令wi取值为0,则hi=400,经式(4)、(5)进行逆变换后,得到的新数据对x′,y′分别为310和-90,很明显超出了原宿主信号的取值范围,这些值是无效的,因此需要采用某种方式来解决溢出问题。
2 基本的HS可逆信息隐藏算法
另一类主要的可逆信息隐藏算法最早由Ni[15]提出,其主要的思想是利用直方图移位修正技术,即通过对原宿主信号的直方图进行变化来嵌入隐秘信息。整个信息嵌入的过程描述如下:
(1)生成宿主信号的直方图。令x代表宿主信号的取值,为了描述方便,假定范围为x∈[0,255],h(x)代表原宿主信号的直方图中取值为x的样本个数。
(2)使用贪婪算法,搜索直方图的峰值和零值点,设为h(p)和h(v)。
(3)移动和修改原始图像在峰值和零值范围内的灰度值,获得信息嵌入位置。即:如果p
(4)依此选择每一个原宿主信号中样本值为p的样本Ii,根据隐秘信息mi对其进行修改。即:如果mi=1且p
以p
接收方根据嵌入逆过程可以提取出秘密信息,并精确恢复出原始图像。
3 两类基本算法的特点与改进算法板
本节主要讨论两类可逆信息隐藏基本算法的性质以及相关的改进算法。对于基本的DE算法,具有实现简单、嵌入容量大的特点,其嵌入容量可达到0.5bit/样本。但是溢出问题是必须解决的一个问题。常用的解决方法利用局部图。局部图是由0和1组成的一组标志,代表了宿主数据是否可以嵌入隐秘信息。但由于局部图挤占了隐秘信息的嵌入容量,如果考虑采用未压缩的局部图,则整个嵌入容量都被局部图所占据,所以,这种情况下不能嵌入任何隐秘信息。因此如何压缩局部图以获得更多的嵌入容量一直是这个领域研究的一个关键问题。而基本的HS算法峰值信噪比的下界为48.13 d B,对原宿主信号失真小,且算法操作简单。对比第一类DE算法,没有溢出的问题,不需要考虑局部图。但是,对于宿主数据的恢复以及隐秘信息的提取,必须预先知道原宿主信号直方图中的峰值和零值点的对应位置,否则无法实现可逆恢复原宿主数据。另外,基本的HS算法是基于直方图中的峰值和零值对的,因此算法的嵌入量过分依赖于原始宿主信号自身的特点,嵌入容量受到宿主信号分布特性的限制,且当宿主信号的直方图均匀分布时,算法就无法在宿主信号中嵌入任何信息。
为了解决基本的DE算法中由溢出问题导致的局部图挤占隐秘信息容量的缺陷,Alattar[16,17,18]和Kamstra[19]等提出了不同的改进算法。例如,Alattar将原方案中的一对数据为一个嵌入单元扩展为以三个或四个数据位一个嵌入单元,每个单元嵌入2~3bit,或者在不合适的单元不嵌入任何比特。相比于Tian的方法,Alattar所提算法未压缩的局部图尺寸从原来的1/2下降为1/3或1/4。如果考虑未被压缩的局部图,Tian的方案几乎无法嵌入隐秘信息,而Alattar的方案可以嵌入隐秘信息,显然,Alattar的方法优于Tian的方案。而如果局部图被压缩,则由于相邻样本间的相关性,Alattar的方案要显著优于Tian的方案。Kamstra和Heijmans提出了另一种改进的差值扩散算法。他们提出的算法主要思想是充分利用宿主样本间数据的相关性,根据相关度量对各样本数据对进行排序,从而减少局部图尺寸。针对相邻样本间的相关性排序可以显著增加差值扩散算法的可嵌入容量。
为了解决基本HS算法中嵌入容量小,过分依赖原始宿主信号自身特点等缺陷,A.Leest[20]等人提出了基于宿主分块的直方图可逆隐藏算法。该算法首先将宿主信号分块,以小块为单位生成块直方图并寻找其中的峰值与零值。然后在块直方图峰值右侧和零值左侧分别生成嵌入位置,完成信息嵌入,在接收端可以提取出嵌入的信息并恢复宿主图像。该算法利用图像分块后的直方图统计区域小,分布比较集中,不存在零点的几率极小,且每个分块中都能嵌入信息,从而大大提高了信息嵌入量。Yousefi[21]等提出了一种基于整数小波变换的无损信息隐藏算法。该方法通过修改直方图来生成信息的嵌入位置,然后通过修改小波域的高频子带系数的直方图来完成信息的嵌入,接收端在提取隐藏信息的同时可以恢复原始图像。算法嵌入量较大,而且还可以通过采用多层次的整数小波分解和直方图修改来进一步提高信息嵌入量。但是采用这种方法有可能发生溢出现象,需对可能发生溢出的对象点做记录,同时,还需要记录整数小波分解的层数,将它们的详细信息作为嵌入信息嵌入到宿主图像中,用来保证图像的无损恢复,这样也会挤占嵌入容量。
4 结束语