基于参数拟合安全容量的自适应批量隐写方法与流程

技术特征：

1.一种基于参数拟合安全容量的自适应批量隐写方法，其特征在于：包括以下步骤：

S1、构造样本库与样本属性知识库，并计算样本属性度量值；

S2、通过隐写分析算法预估已有样本安全容量；

S3、以步骤S1得到的样本属性度量值和步骤S2得到的安全容量为依据建立安全容量模型并拟合该安全容量模型的参数；

S4、用步骤S3得到的安全容量模型及其参数来预测新样本的安全容量，根据用户选取的隐蔽信息与所预测的安全容量的比较结果调整嵌入率、确定最终隐写容量并进行嵌入，从而完成批量隐写。

2.如权利要求1所述的方法，其特征在于：所述步骤S1包括以下子步骤：

S11、构造样本库，使用多媒体采集设备采集或制备大量原文集C＝{c₁,c₂,...,c_n}，遍历嵌入率由0至1，通过嵌入长度为r_j的隐蔽信息得到隐文集其中E为隐写嵌入方法，k为算法所需的密钥；

S12、将样本放入隐写分析算法D里做预测，得到预测值{y＝D(x)}，其中x为原文集C或隐文集S的成员；

S13、构建对样本属性度量的函数库M＝{m}，其中，m包括但不限于样本尺寸、可嵌入位置数量或样本信号的纹理复杂度；

S14、计算得到样本的属性度量其中，c_i来自原文集C。

3.如权利要求2所述的方法，其特征在于：所述步骤S2包括以下子步骤：

S21、将所述步骤S14得到的样本属性度量值集合V^(m)按照该属性取值范围确定适合的粒度分类，得到各类的样本集

S22、分别统计每类中的样本在所述步骤S12得到的隐写分析预测结果的准确率

$p(B_i^{\left(m\right)},r)=\frac{{\mathrm{\Σ}}_{c\∈B_i^{\left(m\right)}}\left(D\right(c)=0)+{\mathrm{\Σ}}_{c\∈B_i^{\left(m\right)}}\left(D\right(E\left(c,r,k\right))\≠0)}{\left|B_i^{\left(m\right)}\right|},$

其中，为类中的元素个数，为中的元素，E(c,r,k)为对原文c以k为参数嵌入长度为r的隐蔽信息得到的隐文，根据用户设定的准确率阈值p_T得到安全容量使得为满足的最小r值。

4.如权利要求3所述的方法，其特征在于：所述步骤S3包括以下子步骤：

S31、将每类样本属性度量值的均值与所述步骤S22得到的安全容量用曲线模型或概率分布模型φ做拟合；

S32、对步骤S31的所有模型计算拟合优度，优先选择使用拟合度高的模型φ，并使用所述样本属性度量值{v_i}与所述安全容量来估计所选模型的参数θ，使得r'＝φ(v)，以预测出与相近的安全容量预测值。

5.如权利要求4所述的方法，其特征在于：所述曲线模型包括但不限于线性模型、多项式模型或多项式相除模型，所述概率分布模型包括但不限于二项式分布模型、正态分布模型、泊松分布模型或拉普拉斯分布模型。

6.如权利要求4或5所述的方法，其特征在于：所述步骤S4包括以下子步骤：

S41、制备一组原文样本{x_i}，选取需要嵌入的一段长度为a的隐蔽信息；

S42、计算样本集{x_i}的属性值{v_i}，并将该样本属性值代入所述步骤S32获得的安全容量模型r_i'＝φ(v_i)中，计算获得样本安全容量

S43、如果a＞∑r_i'，则增加制备原文样本直到a≤∑r_i'；在条件不允许增加制备原文样本的情况下，则按照确定新的嵌入量分配；

S44、将已有的隐蔽信息按照步骤S43得到的嵌入量{r_i'}进行分片，并将长度为r_i'的隐蔽信息分片嵌入到原文样本x_i中，从而完成批量隐写。