【图像处理】使用四树分割和直方图移动的可逆图像数据隐藏附Matlab代码

✅作者简介：热爱科研的Matlab仿真开发者，擅长数据处理、建模仿真、程序设计、完整代码获取、论文复现及科研仿真。

🍎 往期回顾关注个人主页：Matlab科研工作室

🍊个人信条：格物致知,完整Matlab代码及仿真咨询内容私信。

🔥 内容介绍

一、方案背景与意义

在当今数字化时代，图像数据的安全传输与版权保护需求日益迫切。可逆图像数据隐藏技术作为信息隐藏领域的重要分支，能够在嵌入秘密信息后，通过特定算法完全恢复原始载体图像，同时准确提取隐藏信息，在军事通信、医疗影像、版权认证等领域具有不可替代的应用价值。

传统的直方图移动算法虽具备较好的可逆性和低失真特性，但在面对复杂纹理图像时，单一的直方图处理易导致像素修改集中，抗攻击能力较弱。四树分割技术通过递归划分图像块，可根据不同区域的纹理特征自适应分配嵌入容量，二者结合能够有效平衡隐藏容量、图像失真与安全性，为可逆图像数据隐藏提供更优解决方案。

二、核心技术原理

（一）四树分割技术

四树分割（Quad - Tree Segmentation）是一种基于图像空间特征的自适应分割方法，其核心思想是通过递归方式将图像划分为大小相等的四个子块，具体流程如下：

1. 初始划分：将原始载体图像视为一个根节点块，判断该块的纹理复杂度（通常采用方差、熵值或梯度等指标衡量）。

1. 递归判断：若块的纹理复杂度超过预设阈值（表示该区域细节丰富，嵌入容量较低），则停止分割；若纹理复杂度低于阈值（表示该区域平滑，嵌入容量较高），则将该块进一步划分为四个等大小的子块。

1. 终止条件：当子块尺寸达到最小预设值（如 2×2 像素）或所有子块均满足纹理复杂度阈值要求时，分割过程终止。

通过四树分割，可将图像划分为不同大小的子块集合，平滑区域的小块为数据嵌入提供充足空间，复杂纹理区域的大块则减少像素修改，降低图像失真。

（二）直方图移动技术

直方图移动（Histogram Shifting）是一种经典的可逆数据隐藏算法，其核心原理是通过调整图像像素灰度值的直方图分布实现数据嵌入，具体步骤如下：

1. 直方图统计：计算载体图像的灰度直方图，确定直方图中的峰值点（灰度值出现频率最高的点）和零值点（灰度值未出现的点）。

1. 直方图调整：以峰值点为中心，将峰值点右侧（或左侧）的所有灰度值向右侧（或左侧）移动一个单位，在峰值点附近形成 “空穴”（可嵌入数据的空间）。

1. 数据嵌入：根据待嵌入秘密信息的二进制位（0 或 1），调整峰值点处的像素灰度值：若嵌入位为 0，保持像素灰度值不变；若嵌入位为 1，将像素灰度值调整到 “空穴” 位置。

1. 数据提取与图像恢复：提取时，根据峰值点附近像素的灰度值判断嵌入的二进制位，然后将移动后的灰度值恢复到原始位置，即可完全恢复载体图像并提取秘密信息。

三、融合方案设计

（一）预处理阶段

1. 图像标准化：对输入的载体图像进行灰度标准化处理（若为彩色图像，先转换为灰度图像），消除图像灰度值的异常波动，确保直方图统计的准确性。

1. 秘密信息编码：将待嵌入的秘密信息（如文本、密钥等）转换为二进制流，并采用 RS 编码等纠错编码技术对二进制流进行编码，提高数据传输的抗干扰能力。

（二）四树分割与块分类

1. 执行四树分割：按照上述四树分割流程，对预处理后的载体图像进行分割，得到不同大小的子块集合。

1. 块容量评估：计算每个子块的嵌入容量：对于平滑子块（小尺寸块），由于其灰度值分布集中，直方图峰值明显，嵌入容量较高；对于复杂子块（大尺寸块），由于其灰度值分布分散，嵌入容量较低。

1. 块优先级排序：根据子块的嵌入容量和纹理复杂度，对所有子块进行优先级排序：嵌入容量高且纹理复杂度低的子块优先用于数据嵌入，以最大限度降低图像失真。

（三）自适应直方图移动与数据嵌入

1. 子块直方图处理：对每个优先级排序后的子块，单独计算其灰度直方图，根据子块的大小和灰度分布特征，自适应确定直方图的峰值点和移动方向（右侧或左侧）：

• 对于小尺寸平滑子块，选择灰度值频率最高的点作为峰值点，移动方向选择右侧（或左侧）灰度值分布较稀疏的一侧，以形成更大的 “空穴” 空间。

• 对于大尺寸复杂子块，选择灰度值频率次高的点作为峰值点，移动方向选择灰度值变化平缓的一侧，减少像素修改数量。

1. 分层数据嵌入：按照子块优先级顺序，将编码后的秘密信息二进制流分层嵌入到各子块中：

• 优先将秘密信息嵌入到高优先级子块中，直至该子块的嵌入容量达到上限。

• 若高优先级子块嵌入容量不足，再将剩余秘密信息嵌入到低优先级子块中。

• 嵌入过程中，记录每个子块的峰值点位置、移动方向和嵌入数据量等参数，生成嵌入密钥，用于后续的数据提取与图像恢复。

（四）数据提取与图像恢复

1. 密钥解析：获取嵌入过程中生成的嵌入密钥，解析出各子块的峰值点位置、移动方向和嵌入数据量等参数。

1. 子块数据提取：按照子块优先级的逆序，对每个子块进行数据提取：

• 根据子块的峰值点位置和移动方向，判断子块中像素的灰度值是否经过调整：若像素灰度值在 “空穴” 位置，提取嵌入位为 1；若像素灰度值在峰值点位置，提取嵌入位为 0。

• 将提取的二进制位按照嵌入顺序组合，得到编码后的秘密信息二进制流。

1. 图像恢复：对每个子块，将移动后的灰度值恢复到原始位置，消除 “空穴”，然后按照四树分割的逆过程，将所有子块拼接成完整的原始载体图像。

1. 秘密信息解码：采用与嵌入阶段对应的纠错解码技术，对提取的二进制流进行解码，恢复出原始的秘密信息。

四、方案性能分析

（一）隐藏容量

通过四树分割的自适应块划分，充分利用了图像平滑区域的高嵌入容量，相比传统的全局直方图移动算法，在相同图像失真条件下，隐藏容量可提升 20% - 30%（具体提升幅度取决于图像的纹理分布特征）。

（二）图像失真

由于采用了子块级别的自适应直方图移动，且优先选择平滑区域进行数据嵌入，避免了在复杂纹理区域的大量像素修改，图像的峰值信噪比（PSNR）可保持在 35dB 以上（通常认为 PSNR 大于 30dB 时，图像失真肉眼不可见），远高于传统算法的 30dB 左右。

（三）可逆性

方案通过严格的直方图移动逆过程和子块拼接，能够完全恢复原始载体图像（恢复后的图像与原始图像的均方误差为 0），同时准确提取秘密信息（提取准确率可达 100%，前提是无传输错误）。

（四）安全性

1. 抗攻击能力：由于秘密信息分散嵌入到多个子块中，且每个子块的直方图处理参数不同，方案对裁剪、滤波等常见图像处理攻击具有较强的抵抗能力：在 10% 以内的图像裁剪攻击下，仍可提取 80% 以上的秘密信息；在 3×3 均值滤波攻击下，PSNR 下降幅度小于 3dB。

1. 隐蔽性：嵌入数据后的载体图像与原始图像在视觉上无明显差异，通过人眼难以分辨，且其灰度直方图分布与原始图像相比，仅在局部子块有微小调整，不易被攻击者察觉。

五、应用场景与展望

（一）应用场景

1. 医疗影像领域：在 CT、MRI 等医疗影像中嵌入患者的病历信息或诊断数据，既不影响医生对影像的诊断，又可实现医疗数据的关联存储与安全传输，同时在需要时可完全恢复原始影像。

1. 版权认证领域：在数字图像中嵌入版权所有者的信息（如水印），用于图像版权的追溯与保护，由于方案具备可逆性，不会影响图像的正常使用。

1. 军事通信领域：在军事侦察图像中嵌入秘密指令或坐标信息，通过公开信道进行传输，方案的高安全性和低失真特性可确保信息传输的隐蔽性和准确性。

（二）未来展望

1. 多模态融合：将四树分割与直方图移动技术与深度学习结合，利用神经网络对图像纹理特征进行更精准的识别与分类，进一步优化子块划分和直方图处理参数，提升方案的性能。

1. 实时性优化：针对当前方案中四树分割递归计算耗时较长的问题，通过硬件加速（如 GPU 并行计算）或算法优化（如简化分割判断条件），提高方案的实时处理能力，满足实时通信场景的需求。

1. 多秘密信息嵌入：扩展方案的功能，实现同时嵌入多个不同类型的秘密信息（如文本、图像、音频等），并为每个秘密信息设置独立的提取密钥，提高方案的灵活性和实用性。

⛳️ 运行结果

🔗 参考文献

[1] 张珂,王小捷,靳越.四叉树直方图的特殊方向关系表达[J].中国图象图形学报, 2013, 18(1):6.DOI:10.11834/jig.20130113.

[2] 刘卓夫.基于图像内容的水下目标识别技术研究[D].哈尔滨工程大学[2025-11-23].DOI:CNKI:CDMD:1.2004.141312.

[3] 董兰芳,高伟南,王建富.基于直方图分析和率失真代价统计的帧内编码快速算法[J].电子技术, 2016(2):6-9.

📣 部分代码

🎈 部分理论引用网络文献，若有侵权联系博主删除

 👇 关注我领取海量matlab电子书和数学建模资料 

🏆团队擅长辅导定制多种科研领域MATLAB仿真，助力科研梦：

🌈 各类智能优化算法改进及应用

生产调度、经济调度、装配线调度、充电优化、车间调度、发车优化、水库调度、三维装箱、物流选址、货位优化、公交排班优化、充电桩布局优化、车间布局优化、集装箱船配载优化、水泵组合优化、解医疗资源分配优化、设施布局优化、可视域基站和无人机选址优化、背包问题、 风电场布局、时隙分配优化、 最佳分布式发电单元分配、多阶段管道维修、 工厂-中心-需求点三级选址问题、 应急生活物质配送中心选址、 基站选址、 道路灯柱布置、 枢纽节点部署、 输电线路台风监测装置、 集装箱调度、 机组优化、 投资优化组合、云服务器组合优化、 天线线性阵列分布优化、CVRP问题、VRPPD问题、多中心VRP问题、多层网络的VRP问题、多中心多车型的VRP问题、 动态VRP问题、双层车辆路径规划（2E-VRP）、充电车辆路径规划（EVRP）、油电混合车辆路径规划、混合流水车间问题、 订单拆分调度问题、 公交车的调度排班优化问题、航班摆渡车辆调度问题、选址路径规划问题、港口调度、港口岸桥调度、停机位分配、机场航班调度、泄漏源定位

🌈 机器学习和深度学习时序、回归、分类、聚类和降维

2.1 bp时序、回归预测和分类

2.2 ENS声神经网络时序、回归预测和分类

2.3 SVM/CNN-SVM/LSSVM/RVM支持向量机系列时序、回归预测和分类

2.4 CNN|TCN|GCN卷积神经网络系列时序、回归预测和分类

2.5 ELM/KELM/RELM/DELM极限学习机系列时序、回归预测和分类

2.6 GRU/Bi-GRU/CNN-GRU/CNN-BiGRU门控神经网络时序、回归预测和分类

2.7 ELMAN递归神经网络时序、回归\预测和分类

2.8 LSTM/BiLSTM/CNN-LSTM/CNN-BiLSTM/长短记忆神经网络系列时序、回归预测和分类

2.9 RBF径向基神经网络时序、回归预测和分类

2.10 DBN深度置信网络时序、回归预测和分类

2.11 FNN模糊神经网络时序、回归预测

2.12 RF随机森林时序、回归预测和分类

2.13 BLS宽度学习时序、回归预测和分类

2.14 PNN脉冲神经网络分类

2.15 模糊小波神经网络预测和分类

2.16 时序、回归预测和分类

2.17 时序、回归预测预测和分类

2.18 XGBOOST集成学习时序、回归预测预测和分类

2.19 Transform各类组合时序、回归预测预测和分类

方向涵盖风电预测、光伏预测、电池寿命预测、辐射源识别、交通流预测、负荷预测、股价预测、PM2.5浓度预测、电池健康状态预测、用电量预测、水体光学参数反演、NLOS信号识别、地铁停车精准预测、变压器故障诊断

🌈图像处理方面

图像识别、图像分割、图像检测、图像隐藏、图像配准、图像拼接、图像融合、图像增强、图像压缩感知

🌈 路径规划方面

旅行商问题（TSP）、车辆路径问题（VRP、MVRP、CVRP、VRPTW等）、无人机三维路径规划、无人机协同、无人机编队、机器人路径规划、栅格地图路径规划、多式联运运输问题、 充电车辆路径规划（EVRP）、 双层车辆路径规划（2E-VRP）、 油电混合车辆路径规划、 船舶航迹规划、 全路径规划规划、 仓储巡逻

🌈 无人机应用方面

无人机路径规划、无人机控制、无人机编队、无人机协同、无人机任务分配、无人机安全通信轨迹在线优化、车辆协同无人机路径规划

🌈 通信方面

传感器部署优化、通信协议优化、路由优化、目标定位优化、Dv-Hop定位优化、Leach协议优化、WSN覆盖优化、组播优化、RSSI定位优化、水声通信、通信上传下载分配

🌈 信号处理方面

信号识别、信号加密、信号去噪、信号增强、雷达信号处理、信号水印嵌入提取、肌电信号、脑电信号、信号配时优化、心电信号、DOA估计、编码译码、变分模态分解、管道泄漏、滤波器、数字信号处理+传输+分析+去噪、数字信号调制、误码率、信号估计、DTMF、信号检测

🌈电力系统方面

微电网优化、无功优化、配电网重构、储能配置、有序充电、MPPT优化、家庭用电

🌈 元胞自动机方面

交通流 人群疏散 病毒扩散 晶体生长 金属腐蚀

🌈 雷达方面

卡尔曼滤波跟踪、航迹关联、航迹融合、SOC估计、阵列优化、NLOS识别

🌈 车间调度

零等待流水车间调度问题NWFSP 、 置换流水车间调度问题PFSP、 混合流水车间调度问题HFSP 、零空闲流水车间调度问题NIFSP、分布式置换流水车间调度问题 DPFSP、阻塞流水车间调度问题BFSP

👇