【图像隐藏】像素预测和位平面压缩的加密图像可逆数据隐藏【含Matlab源码 2218期】

💥💥💞💞欢迎来到Matlab仿真科研站博客之家💞💞💥💥

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。

🍎个人主页：Matlab仿真科研站博客之家

🏆代码获取方式：
💥扫描文章底部QQ二维码💥

⛳️座右铭：行百里者，半于九十；路漫漫其修远兮，吾将上下而求索。

⛄更多Matlab图像处理（仿真科研站版）仿真内容点击👇
Matlab图像处理（仿真科研站版）

⛄一、加密图像可逆数据隐藏简介

1 信息隐藏技术概述
信息隐藏技术是把秘密信息隐藏在多媒体信息中的一种方法。图像是最适合信息隐藏的数据载体。信息隐藏的方法主要有数字水印技术、隐写术等。

信息隐藏可以分为有损信息隐藏与可逆信息隐藏信息隐藏技术, 区别在于接收端是否能无失真恢复载体。有损信息隐藏技术可以应用于多媒体数据的版权保护场景, 接收端提取秘密数据后不能完全恢复载体。可逆信息隐藏可应用在多媒体数据的非法篡改后, 可以验证其完整性并无损恢复, 比如医疗诊断信息等, 在接收端提取秘密信息后可以无失真恢复载体。

如图1所示, 信息隐藏技术的分类:根据信息隐藏的载体是否会造成永久性失真分为有损信息隐藏和可逆信息隐藏, 可逆信息隐藏又根据信息隐藏是否有加密分为密文域可逆信息隐藏和非密文可逆信息隐藏。

图1 信息隐藏技术的分类

2 加密图像的可逆信息隐藏的意义
随着信息技术的不断发展, 通信、信息安全领域的研究可以从不同的角度去探究, 多媒体数据在通信的传输中, 极易遭受到了非法截取、内容篡改等。多媒体数据涉及到的内容, 小到版权保护和隐私保护, 如医疗诊断信息、所有权信息、身份验证数据或软件序列号, 大到国家军事国防方面的图像信息。因此, 保护信息安全变得尤其的重要。

图像的加密和信息隐藏是保护信息安全的研究方向。密码学是通过加密可以保证数据内容的安全性。信息隐藏技术是通过嵌入秘密数据来验证其多媒体数据的完整性。

加密图像的可逆信息隐藏对于数据处理过程中的信息安全可以起到双重保险的作用, 加密对图像数据内容进行保护, 而嵌入的秘密数据可以起到在解密后监视多媒体数据的传输中是否被篡改, 验证其完整性和原始载体的无损恢复, 可以应用的场景, 如远程医学诊断、云环境下加密数据标注、司法上的数字取证等。

3 可逆信息隐藏研究现状
可逆信息隐藏技术的研究中, Tian[1]提出了可逆信息隐藏技术的差分展开机制, 通过将相邻像素差加倍并调整奇偶校验, 将秘密数据嵌入到原始图像中。Ni[2]等人首先提出了基于直方图平移的可逆信息隐藏方法, 对图像直方图中的峰值点平移, 修改像素值实现了可逆的秘密数据嵌入。M.Thodi和J.J.Rodriguez[3]中引入了预测误差扩展策略, 充分利用图像像素冗余, 取得了不错的率失真性能。Qin[4]等根据图像局部复杂度的分布自适应地选择参考像素, 并提出了基于预测的直方图平移的方案, 该方案可以获得数据嵌入时预测误差的集中直方图。J.Fridrich和M.Goljan[5]提出对图像压缩腾出空间来嵌入秘密信息实现可逆信息隐藏。

加密图像的可逆信息隐藏, 是将加密技术和信息隐藏技术两者结合起来, 分别从内容和存在的不同角度保护信息的安全性, 主要有两种情况:第一种, 先加密原始图像, 在加密图像后嵌入秘密信息;第二种, 先在原始图像嵌入秘密信息再加密, 得到密文图像。比如在云服务端, 可以在用户加密过的图像内容中嵌入额外的数据, 图像内容所有者在保护隐私不泄密的同时, 这样, 经过标记的加密图像就可以在云上进行有效的管理, 经过授权的接收方可以正确提取嵌入的数据, 并能无损地恢复原始明文图像。因此, 对加密图像的可逆信息隐藏方案, 从加密后的图像中找到空间进行数据隐藏, 保证数据提取和图像恢复。

文献[8,9,10]张和项提出的基于公钥加密的可逆信息隐藏算法就是利用公钥加密的加法同态性设计出了加密可逆信息隐藏算法, 文献[11]中肖也提出了利用具有加法同态性的加密算法处理原文图像后, 再利用多层差值直方图平移进行秘密数据嵌入。在加密图像信息隐藏领域引入了同态加密技术的早期算法, 引用Okamoto-Uchiyama公钥密码[14]来加密原文数据, 通过利用加密系统的同态属性适应性替换量化后的密文图像DCT系数来嵌入数字水印。

同态算法尤其是全同态加密技术的计算复杂度与密文扩展极大地影响了加密图像秘密数据嵌入的效率, 这种情况可以引入密文压缩技术有效提高嵌入效率, Zhang[7]提出了一种独立可分的加密域图像的可逆信息隐藏算法, 是利用密文压缩技术实现可分离的代表算法, 一种典型的加密图像的可逆信息隐藏方案。

4 加密图像的可逆信息隐藏
加密图像的可逆信息隐藏研究, 提出研究内容包括以下两个方面:

4.1 基于加法同态的直方图多峰值平移的可逆信息隐藏算法。
Subramanyam等人提出的加密算法[6], 这种加密算法具有加法同态性。加密原始图像M, 由一个秘密种子s用RC4算法得到密钥流K。加密算法对每一个像素进行模加运算得到加密图像C:

初始灰度图像M;随机产生密钥流K;n表示图像的像素个数;mi, j表示M的第i行j列个像素;Ci, j表示C的第i行j列个像素;ki, j表示K的第i行j列的值。

加密图像C的相邻像素模减得到差值:

(在构造ki, j时, 令组成相邻像素对的ki, j相同)

因此, di, j= (mi, j+1-mi, j) mod 256

由上可知, 密文域像素模减的差值和明文域像素模减的差值是一样的, 差值构成差值直方图。通过多层差值直方图平移进行信息嵌入。本文提出了将图像分块通过不同的扫描方式得到最优最多峰值之和的差值直方图, 进行多层平移信息嵌入, 可以根据不同的载体图像提高信息嵌入容量。

4.2 基于Paillier同态公钥加密与预测误差的可逆信息隐藏算法。
同态性加密算法首先由Rivest等人所提出[12]。现有的基于Paillier同态公钥加密的可逆信息隐藏算法计算复杂度高, 运算成本较大, 例如文献[8]。于此, 文献[13]提出了一种新的加密图像的可逆信息隐藏算法, 先在原始图像预留空间嵌入秘密数据, 图像加密前, 将载体图像分为嵌入像素和参考像素, 通过嵌入像素点的四个相邻的上下左右参考像素值来计算它的预测像素值, 实际像素值与预测像素值运算获得预测误差值。把预测误差值小于阈值T的嵌入像素定位为目标像素, 可以映射成一张目标像素定位表。

目标像素定位后, 图像进行Paillier同态加密:

再把秘密数据用相同的密钥和加密算法加密, 信息隐藏者将待嵌入的额外信息组成伪像素, 根据定位表的位置信息, 替换目标像素的值, 完成秘密信息嵌入。发送方不需要发送定位表。接收方拥有相应的密钥, 图像解密前, 都可以根据目标像素定位表来提取秘密信息。图像解密后, 可以通过四个相邻像素的预测误差值提取秘密信息并恢复图像。

⛄二、部分源代码

clear
clc
%I = imread(‘测试图像\Airplane_1.tiff’); %Jetplane
% I = imread(‘测试图像\Lake.tiff’);
I = imread(‘测试图像\Lena.tiff’);
% I = imread(‘测试图像\Man.tiff’);
% I = imread(‘测试图像\Peppers.tiff’);

%I = imread(‘测试图像\Airplane_0.tiff’);
% I = imread(‘测试图像\Baboon.tiff’);
% I = imread(‘测试图像\Tiffany.tiff’);

% I = imread(‘测试图像\gpic1.tif’); %尺寸：512384
% I = imread(‘测试图像\gpic2.tif’); %尺寸：384512
%I = imread(‘测试图像\gpic1049.tif’);%尺寸：384*512
origin_I = double(I);
%% 产生二进制秘密数据
num_D = 3000000;
rand(‘seed’,0); %设置种子
D = round(rand(1,num_D)1); %产生稳定随机数
%% 设置密钥
K_en = 1; %图像加密密钥
K_sh = 2; %图像混洗密钥
K_hide=3; %数据嵌入密钥
%% 设置参数
Block_size = 4; %分块大小（存储分块大小的比特数需要调整，目前设为4bits）
L_fix = 3; %定长编码参数
L = 4; %相同比特流长度参数,方便修改
%% 空出图像空间并加密混洗图像（内容所有者）
[ES_I,num_Of,PL_len,PL_room,total_Room] = Vacate_Encrypt(origin_I,Block_size,L_fix,L,K_en,K_sh);
%% 净载荷空间大于num的情况下才进行数据嵌入（代表有压缩空间）
[row,col] = size(origin_I); %计算origin_I的行列值
num = ceil(log2(row))+ceil(log2(col))+2; %记录净压缩空间大小需要的比特数
if total_Room>=num %需要num比特记录净压缩空间大小
%% 在加密混洗图像中嵌入数据（数据嵌入者）
[stego_I,emD] = Data_Embed(ES_I,K_sh,K_hide,D);
num_emD = length(emD);
%% 在载密图像中提取秘密信息（接收者）
[exD] = Data_Extract(stego_I,K_sh,K_hide,num_emD);
%% 恢复载密图像（接收者）
[recover_I] = Image_Recover(stego_I,K_en,K_sh);
%% 图像对比
figure(1);
H=GetHis(origin_I);
plot(0:255,H);
area(0:255,H,‘FaceColor’,‘b’)
figure(2);
H=GetHis(ES_I);
plot(0:255,H);
area(0:255,H,‘FaceColor’,‘b’)
figure(3);
H=GetHis(stego_I);
plot(0:255,H);
area(0:255,H,‘FaceColor’,‘b’)
figure(4);
subplot(141);imshow(origin_I,[]);title(‘原始图像’);
subplot(142);imshow(ES_I,[]);title(‘加密图像’);
subplot(143);imshow(stego_I,[]);title(‘载密图像’);
subplot(144);imshow(recover_I,[]);title(‘恢复图像’);
%% 计算图像嵌入率
[m,n] = size(origin_I);
bpp = num_emD/(mn);
%% 结果判断
check1 = isequal(emD,exD);
check2 = isequal(origin_I,recover_I);
if check1 == 1
disp(‘提取数据与嵌入数据完全相同！’)
else
disp(‘Warning！数据提取错误！’)
end
if check2 == 1
disp(‘重构图像与原始图像完全相同！’)
else
disp(‘Warning！图像重构错误！’)
end
%---------------结果输出----------------%
if check1 == 1 && check2 == 1
disp([‘Embedding capacity equal to : ’ num2str(num_emD) ’ bits’] )
disp([‘Embedding rate equal to : ’ num2str(bpp) ’ bpp’])
fprintf([‘该测试图像------------ OK’,‘\n\n’]);
else
fprintf([‘该测试图像------------ ERROR’,‘\n\n’]);
end
else %该图像太复杂，溢出预测误差太多，导致辅助信息大于压缩空间
disp(‘辅助信息大于压缩空间，导致无法存储数据！’)
fprintf([‘该测试图像------------ ERROR’,‘\n\n’]);
end

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]彭青梅，禹谢华.基于加密图像的可逆信息隐藏[J].信息技术与信息化. 2018,(12)

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置