信息隐藏算法.ppt

信息隐藏原理及应用 5.2 位平面算法 位平面算法是最早研究的一种算法，之所以研究位平面算法，因为针对于压缩攻击以及统计分析等，必须结合JPEG等的核心算法，而JPEG 2000的核心编码算法是分数位平面算法。在JPEG 2000中，由Davod S. Taubman提出的具有最优化截断点的嵌入式块编码(embedded block coding with optimized truncation，EBCOT) 算法实现中使用了位平面编码（BPC），建立的算法利用在位平面内或位平面间的对称和冗余，以便维护统计最小化，并且使BAC产生的可能编码比特流最小化。每个位平面的EBCOT有三个过程，在这些过程中的每一个过程中位平面部分的编码与其他两个过程都没有相互重叠。这就是位平面编码也称为分数（fractional）位平面编码的原因。在分数位平面的编码阶段中，将每个编编码块分解成一定数量的位平面。如果子带的精确度是P位，那么在子带中的每个编码块被分解成P个位平面。位平面编码(bit-plane coding，BPC)应用于每个编码块的每个位平面上来产生以上下文形式的中间数据和二进制判定值。 每个位平面的EBCOT有三个过程，三个过程执行的次 序如下所述。 （1）重要性传播过程（SPP）：在这个过程中，对位置的幅度值为1的位在第一时间进行编码，即相应采样系数的最重要位。 （2）幅度精练过程（MRP）：在SPP中位的位置未被编码，而在前一个位平面(即当前位不是相应采样系数的最重要位)的幅度值是1，在这个过程中进行编码。 （3）清理过程（CUP）：位置在上述两个过程中都没有被编码，那么将在这一过程中进行编码。这个过程也结合游程编码的形式，这将有助于零串的编码。 5.2.2 位平面算法实现 基于位平面示意图可知，G图像的每个像素占用8bit，将每个像素的特定比特位抽取出来，形成8个二值位平面图像，这种位平面分解可表示为： 自然图像的高位位平面很重要，图像的感知均在高位，而低位位平面主要是图像的噪声。所以像前面所述，一般可以替代最低有效位或者最多不超过替代最低的4位以内。 例子：以图像lena.bmp为例，首先对图像进行位平面分解。 其源Matlab编码如下： function g(action， varargin) clear; f=lena.bmp ;dim=128; n=fopen(f，r); img=fread(n，[dim，dim]); mask=8; %mask的值围是1～8 a=bitshift(img，-1); b=bitxor(img，a); nimg=bitget(b，mask); imagesc(nimg)，colormap(gray) 实验结果如图5-2所示。 图5.2 最高位平面到最低位平面 由实验结果可知，最高位平面代表了图像，而最低位平面一般是图像的冗余部分。一幅图像由表示像素的亮度值的矩阵组成，对于256×256的灰度图像，可以将图像分解成8个二值图像来表示8个位平面。 在图5.2的位平面分解图中，原始的自然图像都有相似的特征：高位位平面的轮廓特征强于低位位平面；并且随机性从高位到低位逐渐增强；另外最低位包含最少的图像信息，像素间的相关性是随机的，因而可用于图像信息的隐藏。 在位平面中最简单的嵌入是以确定的顺序直接嵌入到载体的数据位最低位里。但这样，就使得嵌入的数据位比较有规律地遵循着嵌入信息的分布规律，从而明显地改变了像素的统计规律，为检测提供较多统计信息。 为克服这一缺点可先以伪随机噪声序列将信息在嵌入前或嵌入的过程中进行处理。这样，信息就以伪随机噪声的形式存在于图像中，大大提高了检测的难度。这种方法嵌入简单，隐藏容量大，具有很好的不可感知性，然而对于鲁棒性以及抗干扰能力和其他一些安全问题比较大；对于任何形式的滤波以及处理相当敏感，比例的变化，旋转、剪切、噪声以及有损压缩都能够损坏隐藏图像；并且，攻击者可以通过简单地移除隐藏信息的位平面来彻底破坏信息。 那么最高的方式就是可以用随机性使低位的分布近似为高斯分布，为什么需要使用高斯分布呢，Cox等人提出高斯分布的随机序列具有更高的稳健性，可以更好地针对各类隐写分析和进攻。 随着位数的增高，分布趋向于平坦，零点值逐渐增大，位平面内的相关性逐渐增强。直方图可以很好地反映同一位平面间的像素的相关性，若像素的分布是随机的，直方图的分布会比较好地符合正态分布。位平面间的纹理的相似性表明在位平面中间存在着或多或少的相关性，众所周知，图像的最低位平面的分布是近似随机的，其与高位的相关性比较小，因而，将秘密信息预处理为随机序列。假设最低有效位随机信息的隐藏长度为L，因为随着位平面的降低，位平面的冗余度逐渐增加，故用于隐藏的位数呈