面向噪聲圖像的自適應高容量隱寫算法

摘 要： "該算法面向雷達、遙感圖像等含噪圖像提出了一種利用噪聲自適應嵌入的位平面加密算法。首先對不同的噪聲圖像利用遺傳算法自適應找到最佳嵌入閾值，在噪聲值較高處使用一種無須密鑰的加密算法將兩位秘密信息分別交叉嵌入到第一、三位平面中。然后利用BBE（binary-block embedding）算法將標記位數據壓縮到第二位平面。最后在第二位平面冗余處用同樣的加密算法將剩余秘密信息分別嵌入到第二、四位平面中完成信息隱藏。實驗分析表明在滿足高容量嵌入的條件下，與其他自適應位平面隱寫算法相比有良好的隱蔽性以及較強的魯棒性，同時能抵抗目前較好的隱寫分析算法，保證了數據傳送的安全性。

關鍵詞： "基因遺傳算法； 二進制塊嵌入； 高嵌入率； 加密算法； 位平面

中圖分類號： "TP309 """文獻標志碼： A

文章編號： "1001-3695（2022）02-037-0001-00

doi：10.19734/j.issn.1001-3695.2021.07.0275

Adaptive high capacity steganography algorithm for noisy images

Kong Shuiling1， Zhao Yan1，2， Zhao Jiaqi1

（1.College of Electronics amp; Information Engineering， Shanghai University of Electric Power， Shanghai 200090， China； 2.Guangxi Normal University， Guangxi Key Laboratory of Multi-Source Information Mining amp; Security， Guilin Guangxi 541004， China）

Abstract： "This paper proposed a bit-plane encryption algorithm using noise adaptive embedding for noisy images such as radar and remote sensing images.Firstly，the algorithm adaptively found the best embedding threshold in different noisy images using genetic algorithm，and used an encryption algorithm that did not require a secret key at higher noise values to cross-embed two pieces of secret information into the first and in the three-dimensional plane.Then it used the BBE（binary-block embedding） algorithm to compress the flag bit data to the second bit plane.Finally，it used the same encryption algorithm to embed the remaining secret information into the second and fourth bit planes to complete information hiding at the second bit plane redundancy.Experimental analysis shows that under the condition of satisfying high-capacity embedding，compared with other adaptive bit-plane steganography algorithms，it has good concealment and stronger robustness，and at the same time，it can resist the current better steganalysis algorithms to ensure security of data transmission.

Key words： "genetic algorithm； binary-block embedding（BBE）； high embedding rate； encryption algorithm； bit plane

0 引言

存在于圖像中的干擾信息可以被認為是圖像噪聲。就目前遙感技術而言，噪聲的存在嚴重影響了遙感圖像的質量，比如利用雷達或遙感等技術對地形進行偵測時，一般都會生成帶有各種各樣噪聲的圖像，另外海上遙感溢油圖像中也總是存在諸多的噪聲等［1～3］，對圖像特征的提取效果有直接的影響，基于這種情況，本文針對噪聲圖像提出了一種利用圖像噪聲及噪聲隨機性的數據隱寫算法，在噪聲較大像素點處嵌入秘密數據，即相當于在噪聲較大點處嵌入所謂的噪聲，來實現數據隱寫，這樣可以更好地達到隱秘效果。

以圖像為載體的信息隱藏可分為兩類：空間域信息隱藏和變換域信息隱藏。其中基于空間域的信息隱藏算法最典型的是最低有效位（LSB） 算法［4］，該算法用秘密信息替換最低位，圖像內容信息易丟失，對抗攻擊能力較差。為了使數據傳送可靠，部分學者將密碼學與LSB隱寫術一起使用［5，6］，由于加密學有秘鑰的存在導致隱寫容量降低。Celik等人［7］在此基礎上對算法進行了改進，提出一種稱為 G-LSB（generalized least significant bits） 的算法，該技術修改了主機信號的最低級別（而不是位平面）以適應有效載荷信息，選擇性的壓縮和嵌入數據，使嵌入容量得到較大提升，但同時其數據失真率也會較高。而李笑等人［8］提出一種最高有效位和人類視覺系統相結合的空域算法。利用最高有效位的序列優化算法，對載體圖像的最高有效位進行匹配替換以減少秘密信息所占空間；利用人類視覺系統構建信息嵌入深度表，根據嵌入深度表的不同程度進行秘密信息的嵌入。大大提高了數據隱藏容量與失真率。為了進一步提高秘密信息的隱秘性以及安全性，更好地實現數據隱藏，2001年研究人員致力于使用遺傳算法進行數據嵌入，通過最優LSB替換和遺傳算法在封面圖像最右邊 K 位LSB隱藏秘密信息［9］，但該算法為了獲得最優 K 值將導致計算量較大。接著譚志偉等人［10］就提出了基于遺傳算法的數字隱寫算法，能滿足較高嵌入容量。其中心思想將宿主圖像像素序列轉換為比特位序列利用的是位面和比特方向基因的算法。而Yi等人［11］和袁源等人［12］中所提到的二進制塊嵌入（binary-block embedding，BBE）算法主要是將低位平面數據壓縮到高位平面以實現可逆信息隱藏，以便在空余位平面隱藏秘密數據，由于實現可逆導致嵌入容量相對減少，故而后續有部分研究者們采用無損壓縮技術產生冗余空間并使用位平面嵌入的方式增大嵌入容量。而對于圖像壓縮隱寫方面，Bai等人［13］提出了利用漢明碼技術在絕對矩塊截斷編碼（absolute moment block truncation coding，AMBTC）壓縮碼流中進行信息隱藏的算法。緊接著Kim等人［14］提出了一種利用漢明（7，4）和查找表優化碼字和減少像素失真的方法，但圖像嵌入容量還是不能較好滿足。對于位平面嵌入，Mandal等人［15］提出了一種結合自適應LSB替換和像素值差分（pixel-value differencing，PVD）的隱寫方法，灰度圖像以3×3或3×3加上2×2像素塊進行分割，在一個塊中，一個像素被稱為參考像素，替換4個不重要位。而Sahu等人［16］提出了一種基于像素值差分和模函數（pixel value difference and module function，PVDMF）的圖像隱寫方法，主要是為了提高峰值信噪比（peak signal-to-noise ratio，PSNR）和增大嵌入容量（嵌入容量，HC）。Jung［17］提出了一種基于位平面的混合數據隱藏方案，一個比特平面用于像素值差分（pixel-value differencing，PVD）方案嵌入秘密比特流，另一個比特平面采用最小有效位（least significant bit，LSB）替代方案，以提供較高的嵌入容量。

而變換域算法嵌入秘密信息主要是通過修改圖像變換域系數來實現。Thai等人［18］就在JPEG圖像修改DCT系數并結合LSB算法進行數據隱寫［19］。Thai等人［18］提出使用量化離散余弦變換（discrete cosine transform，DCT）系數的統計模型，并將其用于檢測JPEG圖像中的隱藏信息，通過將隱藏數據檢測公式化為假設檢驗，研究了用于Jsteg算法隱寫分析的最強大的似然比檢驗，并從理論上建立了其統計性能。Luo等人［20］提出了兩種隱寫分析方法來估計F5隱寫術的修改率及其改進版本，這些方法通常用于隱藏圖像中的保密性。估計的修改率可用于區分F5隱寫術標記的隱身圖像或其改進版本與原始圖像等。

雖然基于變換域隱藏算法具有較好的安全性但其存在著算法復雜，嵌入容量不高等問題，故本文選擇利用遺傳算法，在經過BM3D（block matching 3D filter algorithm）算法［21，22］去噪后的宿主圖像中尋找最佳閾值自適應選擇最優嵌入點，使圖像獲得最高峰值信噪比。根據閾值找出圖像中噪聲點較高者進行數據隱寫，這樣不僅能實現高容量嵌入還能針對人類視覺系統特性達到最佳不可見性，提高隱寫質量和安全性。本文主要貢獻與創新點有以下幾點：

a）與以往的隱寫算法中選取的載體不同，本文提出面向噪聲圖像進行數據隱寫。一方面利用噪聲的隨機性與復雜性可以實現大容量數據嵌入并保證數據嵌入的安全性與可靠性；另一方面由于數據嵌入本身就相當于噪聲的嵌入，故而在噪聲點嵌入“噪聲”保證了數據嵌入的隱蔽性。同時對載秘圖像進行濾波處理后，仍能保證秘密信息完整提取。

b）本文首先采用的BBE算法與Yi等人［11］和袁源等人［12］算法區別在于本文是將恢復數據時需要的標記位數據進行壓縮，而Zhou等人［11］和Yuan等人［12］算法主要將低位平面數據放到高位平面壓縮過后的冗余空間里，導致失真率較大。其次本文提出一種新的加密嵌入算法，一次選取兩位秘密數據，在無須加密密鑰的情況下以接收雙方都知曉的方式對兩位秘密數據進行加密處理。保證了數據嵌入的安全性并減少了加密秘鑰占用空間。

c）為了提高嵌入安全性，本文選擇位平面交叉分兩步嵌入。第一步先將加密過的兩位秘密數據嵌入圖像高噪聲點處的第一、三位平面；第二步將后續秘密數據嵌入到標記位壓縮過后產生的冗余空間對應點的第二、四位平面中。最后實現數據完整嵌入。

1 本文算法

1.1 算法框架

首先針對噪聲圖像的自適應高容量隱寫算法流程如圖1所示。圖像所有者對原始噪聲圖像使用BM3D算法進行濾波去噪，根據遺傳算法得出最佳嵌入點。然后分別對圖像像素的4個低位平面利用一種新式的加密算法進行交叉分兩步嵌入。該算法不僅能夠保證數據的安全傳輸并具有較好的隱蔽性，同時接收者能正確提取出秘密信息。

1.2 算法過程

1.2.1 圖像預處理

數字圖像不同區域的統計特性存在巨大的差異。在圖像的平滑區域，其直方圖、共生矩陣、鄰域相關性等圖像統計特性相對明顯，若在該區域利用各種空間域或變換域方法嵌入秘密信息，很容易破壞圖像統計特性，從而被檢測出來。而圖像噪聲區域，其統計特性比較復雜，很難對其進行建模分析，因此該區域像素更能容忍數據嵌入引起的修改。

噪聲對應圖像頻率較高的區域，可通過BM3D算法對圖像進行濾波去噪。先將載體圖像像素歸一化，使得元素值 I（i，j） 都處于[0，1]，其中 （i，j） 為相應像素點位置， i∈[0，255[，j∈]0，255] ，然后利用BM3D算法進行濾波與歸一化處理得到對應數據 A（i，j） ，并將濾波前后像素差值 C（i，j）（C（i，j）=A（i，j）-I（i，j） 與遺傳算法得到的最佳嵌入閾值 T 相比，找出噪聲值較高點以生成全局候選隱寫位置，即可得到與原圖像相同尺寸的隱寫標記位平面 B 。其中當 C（i，j） 大于閾值 T 時， B（i，j）=1 ，表示該點為可嵌入數據點；反之為0，即為不可嵌入位。最后將標記位平面 B 以LSB方式替換圖像像素第二位平面，得到掩飾圖像 I 1 。

1.2.2 位平面分解

對圖像 I 進行位平面分解，得到 P 個二值圖像，其中第 "k "個位平面（ 1≤k≤P ） 中像素對應位計算如式（1）

I （k）（i，j）= "0 "otherwise

1 "[ I（i，j） 2k-1 ] mod "2=1 "（1≤k≤P） ""（1）

本文從Sentinel-1衛星偵察的數據集SSDD（https：// zhuanlan.zhihu.com/p/143794468）中任意選取兩幅海上船只檢測圖像作為測試圖像，如圖2所示。對圖2的兩幅測試圖像進行位平面分解，結果如圖3、4所示。

從位平面分解圖中可以看出，第五至八位包含了圖像的大部分信息，能反映出圖像的邊緣、輪廓、亮度等信息。由于第一至四位的位平面分解后像素值較小，幾乎不包含圖像中任何信息，類似于圖像的噪聲顯示，同時，由于人類視覺系統對該類像素具有低敏感性。故對在第一至四位的位平面進行數據嵌入，不僅能夠較好地滿足人類視覺不可見性，而且可以實現大容量嵌入，本文為了保證數據嵌入可靠性，安全性，采用交叉位平面嵌入，即將以往的LSB依次嵌入位平面算法替代為同時選取2 bits數據以一種無須秘鑰的加密形式先進行一、三位平面嵌入后再進行二、四位平面嵌入。

1.3 數據信息嵌入

1.3.1 第一、三位平面嵌入

對原始圖像 I 預處理過后，獲得掩飾圖像 I 1 ，其中掩飾圖像 I 1 第二位平面放置的是標記位 B 信息。本文利用一次隱藏2 bits數據的加密嵌入算法，先將秘密信息 "secret 轉換為 n 個數據對 message "，嵌入方式如圖5所示。

輸入：掩飾圖像 I 1 ，分塊大小 s ，秘密信息 secret 。

輸出：隱寫圖像 G 1 ，嵌入容量 N 。

a）對掩飾圖像 I 1 進行位平面分解，將秘密信息重組為二行 n 列的矩陣序列 message 。提取掩飾圖像 I 1 的第二位平面——標記位平面 B 。

b）如果 B（i，j）=0，（i，j） 位置處不做任何處理；否則，先判斷秘密信息 message 第一列的兩個數據 m（1，k），m（2，k） 是否相等。如果 m（1，k）=m（2，k） ，第三位平面的相同位嵌入數據“1”；反之嵌入數據“0”。

c）當第三位平面位嵌入“1”時說明要隱寫的2 bits秘密信息有“11”或者“00”兩種情況，此時檢測第一位秘密數據，當 m（1，i）=1 時，就意味著要隱寫的數據為“11”，則第一位平面對應位嵌入“1”；反之若 m（1，i）=0 時，第一位平面對應位嵌入“0”。同樣地，第三位平面為“0”時，可知隱寫的 2 bit數據為“10”或“01”，此時用同樣的方法嵌入到第一位平面中。

d）最后完成第一、三位平面的數據嵌入，得到隱寫圖像 G 1 ，同時記錄嵌入容量 N 。

1.3.2 標記位平面 B 壓縮

為減少標記位占用冗余空間，以便更好地增大嵌入容量，將第二位平面利用BBE壓縮算法進行壓縮，多余的冗余空間可以繼續嵌入秘密信息。

輸入：掩飾圖像 I 1 ，分塊大小 s ，秘密信息 secret 。

輸出：可在此嵌入標記位平面 F ，嵌入容量 C b 。

a）將掩飾圖像 I 1 分成 s*s 不重疊塊，根據BBE算法獲得塊分類標志type以及可嵌入容量 CB 。

b）記錄壓縮后冗余部分，即為可再次嵌入空間，并將塊中可再次嵌入位置用“1”表示，即 F（i，j）=1 ，反之，不可再次嵌入處 F（i，j）=0 。

c）為了實現數據準確提取，需記錄原始塊中塊分類標志位處數據 E ，故將其疊加到 message 中作為第二、四位平面嵌入的秘密信息，并計算出 E 大小長度為 k ，可表示為 message1=[E，message（1：2，N+1：end）] 。

d）重復以上流程 ，直至所有塊皆被壓縮，得到可再次嵌入數據標記位平面 F 以及可增加嵌入容量 C b 。

1.3.3 第二、四位平面嵌入

首先將上述嵌入一、三位平面后的隱寫圖像 G 1 分成同樣尺寸 s *s 的不重疊塊，同樣按照上述圖5流程嵌入到第二、四位平面，記錄嵌入容量 N1 ，不同的是標記位平面由 B 轉變為 F 。當所有塊完全嵌入秘密信息，得到載密圖像 G ，記錄嵌入容量為 Num=N+N1-k 。

1.4 數據提取

輸入：載秘圖像 G ，塊大小 s 。

輸出：秘密信息 message 。

將載秘圖像 G 分為 ss 的不重疊塊 ，提取載密圖像 G 的第二、四位平面前兩位或前三位數據重組為一個二行 n 列數據 M ，將該數據利用圖6的方式恢復成原始信息 MB ，其中由圖6可知對于數據 "M 每次提取數據 M 的一列。

a）判斷第一位數據即 m（1，k） 是否為1，按照嵌入規則可知若 m（1，k）=1 則說明嵌入的是2 bit相同數據“11”或“00”，反之，則嵌入的是2 bit不同數據“10”或“01”。

b）再判斷第二位數據 m（2，k） 是否為1，在 m（1，k）=1 的情況下，若為1，則說明嵌入的秘密數據為“11”，反之為“00”；而對于 m（1，k）=0 時，若 m（2，k）=1 則說明嵌入的數據為“10”，反之為“01”。

c）依此類推，重復循環恢復數據 M 的每一列，并重組可得到對應原始數據 MB ，并且可知 MB 即為前面嵌入中提到的數據 E與message 1 的組合。

d）然后按照BBE算法，通過表1的方式利用第二位平面的塊標志位數據恢復第二位平面數據。假設第二位平面提取的前兩位為 a（1，1 ： 2）==[1，1] ，表示該塊為全1數據，則標記位圖恢復可恢復為 B b{i，j}=ones（s） ；同時還需記錄除塊標志位以外都為可嵌入位置，并令 B f 在可嵌入位置對應位處填“1”，不可嵌入位處為“0”。注意在不可嵌入塊中，也就是當 a（1，1 ： 2）= =[0，0] 時不光要記錄該整個塊都不可嵌入，同時還需記錄包含不可嵌入塊位置的索引。

e）通過不可嵌入塊的索引從提取的數據 MB 中找出相應位的標記位圖數據，完整提取嵌入到第二位平面的位標記位圖 B b 。

f）根據提取出的位標記位圖 B b 及判斷嵌入位置的位標記圖 B f ，完成載秘圖像 G 的第二、四位平面的數據 mess 1 提取。

g）位標記圖 B b 完整提取過后，按照前面所述第一、三位平面的嵌入方式，根據圖7的提取方式，提取第一、三位平面信息數據 mess 2 。判斷位標記圖 B b（i，j） 是否為1，如為1，則表示該位置有數據嵌入；反之，沒有數據嵌入。

h）當 B b（i，j）=1 時，提取載秘圖像 G 第三位平面對應位數據 m 1（i） 。此時后續提取過程與圖6類似，首先判斷第三位數據即 m 1（i） 是否為1，按照嵌入規則可知若 m 1（i）=1 則說明嵌入的是2 bit相同數據“11”或“00”，反之，則嵌入的是2 bit不同數據“10”或“01”；然后再提取并判斷載密圖像第一位平面的對應位數據 m 2（i） 是否為1，在 m 1（i）=1 的情況下，若為1，則說明嵌入的秘密數據 mess 2（i） 為“11”，反之 mess 2（i） 為“00”；而對于 m 1（i，j）=0 時，若 m 2（i）=1 則說明嵌入的數據 mess 2（i） 為“10”，反之 mess 2（i） 為“01”。

i）依此類推，重復循環提取第一、三位平面數據得到數據 mess 2 ?？芍罱K提取信息為 message=[mess 1，mess 2] 。

2 實驗結果與分析

本文面向遙感雷達噪聲圖像隱寫，故從Sentinel-1衛星偵察的數據集SSDD（https：//zhuanlan.zhihu.com/p/143794468）中任意選取6張海上船只檢測圖像作為測試圖像。利用軟件MATLAB 2019a對所提算法進行仿真。圖8（a）～（f）為測試圖像，圖9（a）～（f）對應隱寫后的圖像。統一以灰度圖像的形式測試并計算嵌入容量，PSNR等評估值。測試圖像大小為512×512，像素的取值為[0，255]。其中對測試圖像進行位平面分解時選用 P =8。秘密信息 secret 為隨機生成的隨機序列，分塊大小 s =4。

2.1 不可見性分析

2.1.1 該算法對圖像的性能評估

圖像隱寫最基本問題就是保證隱寫過后人類感知系統不可察覺。對于數字圖像而言一般會選擇均方誤差（mean squared error，MSE）、PSNR和結構相似性（structural similarity index，SSIM）等一系列指標對隱寫前后圖像失真率評價。故本文選用以上指標以及有效荷載payload評估該算法對圖像質量的影響如表2所示。

其中，PSNR（peak signal to noise ratio）峰值信噪比，計算如式（2）所示。

PSNR = 10 log 10 MaxValue2 MSE "=10 log 10 [2]^bit-1 "MSE ） ""（2）

SSIM對兩幅圖像的相似性進行評估，計算如式（3）～（7）所示。

S（x，y）=f（l（x，y），c（x，y），s（x，y）） ""（3）

l（x，y）= 2μ xμ y+c 1 μ x2+μ y2+c 1 """（4）

l（x，y）= 2σ xσ y+c 2 σ x2+σ y2+c 2 """（5）

s（x，y） = "σ x "y+C 3 σ xσ y+C 3 """（6）

SSIMx，y=［l（x，y）］α*[c（x，y）]β*[s（x，y）]γ ""（7）

從表2可知均方誤差MSE值 較小，說明原始圖像與隱寫后圖像擬合很好，數據嵌入較穩定；從峰值信噪比PSNR值以及有效荷載Payload值可以證實該算法在滿足高容量嵌入的同時還能保證良好的圖像質量；而結構相似性指標SSIM值接近于1，意味著本文算法對圖像質量的影響很小。

2.1.2 各算法對圖像視覺不可見性分析

本文算法及文獻［8，11，13，17］描述的相關算法對六幅測試圖像進行性能比較，表3給出了五種算法在滿嵌時的有效荷載payload數值。

從表3可以看出本文算法滿嵌時有效荷載數與文獻［8，11，13，17］四個算法相比，僅次于文獻［8］算法，但優于其他三個算法。說明本文算法具有較高的嵌入容量。

圖10（橫軸a～f為圖8（a）～（f）所示的實驗圖像）給出了五種算法針對不同測試圖像在滿嵌時的PSNR值，該值越大說明圖像質量越好。可以看出，在滿嵌時相比其他算法，針對六個測試圖像本文算法的PSNR值均是最大，因此滿嵌時本文算法的視覺效果最好。同時從圖10可以看出，六個測試圖像的視覺質量值變化不大，說明本文算法對不同測試圖像嵌入效果相對比較穩定。

2.1.3 各算法對圖像統計不可見性分析

目前現有對空間域圖像隱寫技術進行隱寫分析的算法一般有RS（Regular Singular） 算法，卡方隱寫分析算法，信息量估計法以及GPC（Gray-Level Plane Crossing） 算法等。其中RS 算法在嵌入率為 0% 和 100% 最為準確，其他的存在10%的誤差。卡方隱寫分析算法一般在嵌入率約 70% 的時候才檢測出有嵌入，低于該數結果為0。信息量估計法只有在低嵌入率下準確，其他誤差較大。GPC分析法在隱寫率較大的時候較準確，曲線也穩定。故本文使用GPC分析法對各測試圖像進行檢測，并與對比算法比較，結果如表4～9所示。

GPC分析法檢測值越高說明隱寫檢測分析能力越強，對于隱寫算法來說，該值越低說明算法越好。從表4～9的數據可以看出文獻［8］算法雖嵌入率較高，但其大部分檢測結果也是最高的，最容易被檢測出圖像是否被嵌入信息。而本文算法的檢測結果與其他算法相當，甚至有時更低，結合表3綜合分析，說明該算法在實現高嵌入率的同時還有良好的統計不可見性。

2.2 嵌入容量分析

為了更直觀地展現測試圖嵌入容量與PSNR值變化情況。分別對測試圖嵌入不同數量信息，計算嵌入不同數量信息時的PSNR值。其中本文算法及文獻［8，11，13，17］算法基于測試圖像與隱寫圖像的實驗數據對比結果如圖11所示。圖11（a）～（f）分別為隱寫圖像9（a）～（f）在不同嵌入率下的PSNR值比較結果。從圖11中可以看出，當嵌入率相同時，本文算法的 PSNR值比四種對比算法都高，這是因為本文除針對噪聲圖像使用遺傳算法自適應選擇嵌入點以交叉位平面的加密算法嵌入外，還利用BBE算法對標記位壓縮提高嵌入容量，使得圖像在滿足高容量嵌入的同時還保證了較高的視覺效果。

2.3 魯棒性分析

2.3.1 數據抗干擾性檢測

實際應用中，不可避免的會存在一些數據丟失或者其他數據攻擊。為檢測所提算法的魯棒性，將大小為128×128的灰度圖像以及第一張測試圖分別作為秘密圖像和載體圖像進行魯棒性實驗，圖12分別表示對載密圖像進行MSB，LSB丟失，隨機進行大小為50×50的數據剪切以及中值濾波等攻擊，圖13表示經攻擊后提取的秘密圖像。

從圖13可以看出本文算法在經過以上攻擊后依舊能完整提取出所隱藏信息，雖然在某些攻擊下數據提取存在差異，但隱秘重要信息仍清晰可見，可以看出本文算法抗干擾性強，魯棒性較好。

2.3.2 圖像抗干擾性檢測

將載秘圖像在相同嵌入率下進行圖像銳化以及旋轉5°檢測。其中評價標準NCC是一種基于統計學計算兩組樣本數據相關性的算法，其取值[-1，1]，對圖像而言，若兩幅圖像相互匹配則NCC值為1，如果完全不同則為-1，其計算式為

= f-μ σ """"（8）

其中： f 為灰度值、 μ 為所有像素平均值、 σ 為標準方差。假設 t 表示對比圖像像素值，則其計算如式（9）所示。

NCC= 1 n-1 ∑ x，y "（f（x，y）-μ f）（t（x，y）-μ t） σ fσ t """"（9）

其中： n 表示對比圖像像素總數， n-1 是自由度。

表10～15分別為測試圖像8（a）～（f）經上述幾種攻擊后，該算法與對比算法的抗干擾性能比較，可以看出本文算法經過以上幾種攻擊后，原始圖像與隱寫圖像的數據相關性NCC值在大部分情況下比其他4個算法更接近1，說明隱寫前后兩幅圖基本不受攻擊的影響，因此本文算法具有良好的抗干擾能力。

3 結束語

本文針對雷達或遙感等技術偵測得到的噪聲圖像，提出了一種利用遺傳算法對經過BM3D去噪后的噪聲圖像中尋找最佳嵌入閾值分塊嵌入秘密信息的算法。利用遺傳算法實現自適應選擇圖像嵌入點，達到高質量隱寫，保證隱寫圖像具有較好的不可見性。同時為了提高隱寫容量，利用BBE算法進行壓縮，減少標記位占用空間，以提高嵌入容量。該算法在嵌入時，一次性嵌入兩位秘密數據，將秘密信息以接收雙方都知道的轉換規則，實現秘密信息的嵌入，從而保證數據的安全性，并且這種方式無須加密秘鑰的參與從而避免了占用嵌入空間。與其他相應算法相比，在滿嵌的條件下本文算法的PSNR值與性能第2的算法相比提高了1.07%；同時在不同嵌入容量下，PSNR平均提高了1.08%。仿真實驗及性能對比實驗的具體結果均表明該算法在圖像嵌入率和PSNR結果方面優于對比算法。同時本文算法對現存較好的隱寫分析算法有較好抵抗性，對不同的攻擊有較好的魯棒性。

參考文獻：

［1］ "孫鑫.遙感圖像噪聲評價方法研究及系統實現［D］.南京：南京理工大學，2018. （Sun Xin.Research on remote sensing image noise evaluation method and system implementation［D］.Nanjing：Nanjing University of technology，2018）.

［2］ Espeseth M M，Brekke C，Jones E C， et al. The impact of system noise in polarimetric SAR imagery on oil spill observations［J］. IEEE Trans on Geoscience and Remote Sensing ，2020， 58 （6）：0196-2892.

［3］ 傅鵬，孫權森，紀則軒.基于光譜—空間信息的高光譜遙感圖像混合噪聲評估［J］ .紅外與毫米波學報，2015， 34 （2）：236-242. （Fu Peng，Sun Quansen，Ji Zexuan.Evaluation of hybrid noise in hyperspectral remote sensing images based on spectral-spatial information［J］ . Journal of Infrared and Millimeter Waves ，2015， 34 （2）：236-242.）

［4］ 石先卓，李元旦，賀丹，等.一種基于LSB灰度圖像信息隱寫的改進算法［J］ .信息與電腦：理論版，2019， 31 （21）：62-64. （Shi Xianzhuo，Li Yuandan，He Dan， et al. An improved algorithm based on LSB gray-scale image information steganography［J］. Information and Computer：Theoretical Edition ，2019， 31 （21）：62-64.）

［5］ Das P，Kushwaha S C，Chakraborty M.Multiple embedding secret key image steganography using LSB substitution and Arnold transform［C］//Proc of the 2nd International Conference on Electronics and Communication Systems .Piscataway，NJ：IEEE Press，2015：845-849.

［6］ Juneja M，Sandhu P S.Improved LSB based steganography techniques for color images in spatial domain［EB/OL］.（2014）［2021-08-27］.http：//ijns.jalaxy.com.tw/contents/ijns-v16-n6/ijns-2014-v16-n6-p452-462.pdf.

［7］ Celik M U，Sharma G，Tekalp A M.Lossless generalized LSB date embedding［J］. IEEE Trans on Image Processing ，2005， 14 （2）：253-266.

［8］ 李 笑，王春玲，陳 亮.一種改進的空域圖像信息隱藏算法［J］.西安工程大學學報，2020， 34 （1）：119-123，130. （Li Xiao，Wang Chunling，Chen Liang.An improved spatial image information hiding algorithm［J］. Journal of Xi’an Polytechnic University ，2020， 34 （1）：119-123，130.）

［9］ Wang Ranzan，Lin Chifang，Lin Jachen.Image hiding by optimal LSB substitution and genetic algorithm［J］. Pattern Recognition ，2001， 34 （3）：671-683.

［10］ 譚志偉，孫新領，楊觀賜.基于遺傳算法和高隱藏容量的數字圖像隱寫算法［J］.現代電子技術，2016， 39 （11）：50-54. （Tan Zhiwei，Sun Xingling，Yang Guanchi.Steganographic algorithm for digital image based on genetic algorithm and high hidden capacity［J］. Modern Electronic Technology ，2016， 39 （11）：50-54）.

［11］ Yi Shuang，Zhou Yicong.Binary-block embedding for reversible data hiding in encrypted images［J］. Signal Processing ，2017， 133 ：40-51.

［12］ 袁源，和紅杰，陳帆.減少相鄰位平面間冗余度的加密圖像可逆信息隱藏［J］.中國圖象圖形學報，2019， 24 （1）：13-22. （Yuan Yuan，He Hongjie，Chen Fan.Reversible information hiding for encrypted image with reduced redundancy between adjacent bit planes［J］. Journal of Image and Graphics ，2019， 24 （1）：13-22.）

［13］ Bai Junlan，Chang C.A high payload steganographic scheme for compressed images with hamming code［J］. International Journal of Network Security ，2016， 18 （6）：1122-1129.

［14］ Kim C，Shin D K，Yang C N， et al. "Hybrid data hiding based on AMBTC using enhanced hamming code［J］. Application and Theory of Multimedia Signal Proc Using Machine Learning or Advanced Methods ，2020， 10 （15）：5336.

［15］ Mandal B，Pradhan A，Swain G.Adaptive LSB substitution Steganography technique based on PVD［C］//Proc of the 3rd International Conference on Trends in Electronics and Informatics.Piscataway，NJ：IEEE Press，2019：19-32.

［16］ Sahu A K，Swain G.An optimal information hiding approach based on pixel value differencing and modulus function［J］. Wireless Personal Communications ，2019， 108 ：159-174.

［17］ Jung K H.Data hiding scheme improving embedding capacity using mixed PVD and LSB on bit plane［J］. Journal of Real-Time Image Processing ，2018， 14 （14）：127-136.

［18］ Thai T H，Cogranne R，Retrain F.Statistical model of quantized DCT coefficients：application in the steganalysis of Jsteg algorithm［J］. IEEE Trans on Image Processing ，2014， 23 （5）：1980-1993

［19］ Lee W，Sun Wei.Reversible steganography scheme based on position-recording in DCT coefficients［C］//Proc of the 15th International Conference Computational Intelligence and Security.Piscataway，NJ：Springer，2019：424-428.

［20］ Luo Xiangyang，Liu Fenlin，Yang Chunfang.On F5 steganography in images［J］. Computer Journal ，2012， 55 （4）：447-456.

［21］ 劉翔宇.稀疏理論與BM3D算法結合的圖像去噪算法研究［D］ .沈陽：東北大學，2015. （ Liu Xiangyu.Research on image denoising algorithm based on sparse theory and BM3D algorithm［D］.Shenyang：Northeast University，2015）.

［22］ Kong Zhaoming，Yang Xiaowei，He Lifang.A comprehensive comparison of multi-dimensional image denoising methods［EB/OL］.（2020-11-06）［2021-08-27］.https：//arxiv.org/pdf/2011.03462.pdf.