一种优化决策面的改进隐写方法
【技术领域】
[0001] 本发明涉及信息安全技术领域，尤其涉及一种优化决策面的改进隐写方法。
【背景技术】
[0002] 隐写是指将秘密信息隐藏在载体中进行隐秘通信的技术；隐写分析则是对检测对 象进行分析，判断其是否为含密载体，并进一步估计秘密信息大小和嵌入位置，最终提取 秘密信息的过程。隐写过程中，对高位平面进行数据嵌入时，其隐藏容量在增大的同时会引 起安全性的迅速下降。
[0003] 目前，一般使用智能优化的方法解决隐写过程中的可优化问题，从而提高隐写安 全性。比如，针对LSB±l(LeastSignificantBitsMatching，LSBM)隐写算法，学者们采用 不同智能优化手段提高其安全性，例如李晓霞等[1]采用粒子群优化JPEG隐写域中±1序 列，保持了PSNR值。刘光杰等[2]利用遗传优化达到保持图像二阶统计特征的目的。郭艳 卿等[3]采用二进制粒子群优化JPEG隐写中的±1序列，保持了相对熵值。于丽芳等[4] 采用粒子群优化使图像隐写引起的分块效应变化最小。Ghasemi等[5]通过遗传优化保持 了LSBM在小波域中隐写性能。上述优化策略同样适用LSB±k隐写。当LSB±1隐写算法 扩充至最低k个位平面上时，就会得到LSB±k隐写，LSB±k可应用于大容量的信息隐藏。 对于其他的隐写算法，同样可以采用上述优化方法实现对安全性的提高。
[0004] 但是，上述改进方式都是通过智能优化的手段尽量保持隐写前后的某种特征不变 来提高隐写安全性，即只优化其中某种特征不变。然而，目前多数隐写分析算法都是采用高 维特征，因此，若只优化其中某种特征不变，仍可以通过其它特征进行有效的隐写分析，从 而导致隐写信息的安全性下降。
【发明内容】
[0005] 本发明的目的在于提供一种优化决策面的改进隐写方法，从而解决现有技术中存 在的前述问题。
[0006] 为了实现上述目的，本发明采用的技术方案如下：
[0007] -种优化决策面的改进隐写方法，包括如下步骤：
[0008] S1，按照隐写算法对载体图像进行隐写得到载密图像集；
[0009] S2,根据所述载密图像集，提取载体图像与载密图像特征，经过训练分类器得到决 策面；
[0010] S3,以所述决策面为指导，采用智能优化算法优化所述隐写算法嵌入过程中可优 化的部位，使得所述载体图像与所述载密图像特征在所述决策面不可区分，得到新的载密 图像集；
[0011] S4,以所述新的载密图像集做为S2中的所述载密图像集，按照S2-S3的方法操作 j-Ι次，得到一系列的决策面DpDyD,i，以及一系列的载密图像集Sd1;其中，j、η 为自然数，2彡j彡η，2彡η彡100 ;
[0012] S5,以决策面D,i为优化目标，将一系列的载密图像集SdS^S,i放入分类器进行 训练，采用智能优化算法对所述隐写算法中的所述嵌入过程可优化的部位进行优化，使决 策面D,i失效，得到载密图像集S
[0013]S6,判断j是否等于n，若是，则执行S7-S8,若否，返回S4;
[0014]S7,根据所述载密图像集Si，提取载密图像特征，经过训练分类器得到决策面Dn， 并输出决策面集D={DuDyDj;
[0015]S8,在所述决策面集D={DpD2*"Dn}中随机选择决策面，对该决策面进行智能优 化，得到特征变化具有随机性的载密图像。
[0016] 优选地，所述隐写算法包括空域LSB±k，LSBM隐写算法及频域隐写PM算法。
[0017] 优选地，所述智能优化算法包括二进制离散混合蛙跳算法、二进制粒子群优化算 法、遗传优化算法和蚁群优化算法。
[0018] 优选地，S3包括如下步骤：
[0019]S301，设置优化初始值和优化目标；
[0020]S302,根据所述智能优化算法优化初始值及优化目标，通过优化迭代，得到最优 解；
[0021] S303,采用所述最优解，对所述载体图像进行隐写，得到载密图像。
[0022] 优选地，S301中，所述优化初始值的设置方法为：将所述载体图像中需要修改像 素值的位置转换为一个t维的向量：X1=[Xu，xl2，…xlt]T，其中，t的长度为图像像素值与 秘密信息不相同个数的总和，Xll，xl2，…，^的取值为1和〇,分别表示加k和减k操作。
[0023] 优选地，S301中，所述优化目标的设置方法为：通过对t维向量中每个个体的适应 度函数进行求解，确定最大的适应度函数值。
[0024] 优选地，所述t维向量中每个个体的适应度函数为：
[0025] f(X,) =F(fc,fs,D^ =L(fc,D^XL(fs,Ds)
[0026] 其中，f。，fs分别表示载体图像c和载密图像s的特征向量，D,表示随机选择的决 策面，L(f。，D)，L(fs，D)分别是f。和fs在决策面D」上的投影。
[0027] 优选地，采用二进制粒子群优化算法，S302采用如下如下方法进行实施：
[0028]S3021a，在一个D维的搜索空间中，随机生成m个粒子群体P= {XpXyXj， 设置每个粒子的初始值，即设置每个粒子的初始位置，计算粒子群每个个体的适应度 值以&)，并随机初始化每个粒子的速度；每个粒子不断地更新自己的速度和位置；对 于每个粒子在第t次迭代中，第i个粒子的当前位置表示为Xjt) = (Xu(t)，Xl2(t)，··· xid(t))，其中，i= 1，2,…m;d= 1，2,…D，m表示粒子数，D表示D维空间，当前速度表 示为Vi(t) = (Vjt),Vi2(t),…Vid(t))，其中，i= 1，2,…m;d= 1，2,…D，m表示粒子 数，D表示D维空间，每次迭代中，迄今为止粒子个体搜索到的自身最好的位置用pbjt)= (pbidthpbiJt)，..·pbjt))表示，记作pbest;群体中所有粒子搜索至lj的全局最优的位置 用gb(t) = (gbJthgbJth-gbZt))表示，记作gbest;
[0029]S3022a，在每次迭代中，每个粒子根据下列规则以所述当前速度、所述自身最好的 位置和以及所述全局最优的位置来调整自己的飞行速度和位置，
[0030] Vid(t+1) = 〇*Vid(t)+c1*r1*(pbid(t)-Xid(t))+c2*r2*(gb(t)-Xid(t))
[0031] Xid(t+1) =Xid(t)+Vid(t+1)
[0032] 其中，Vld(t+1)和Vld(t)分别表示粒子在第t+1代和第t代的速度，Xld(t+1)和 Xid(t)分另丨」表示粒子在第t+Ι代和第t代的位置，其中，i= 1，2,...m;d= 1，2, ...D，m表示 粒子数，D表示D维空间，&^为（0, 1)上的随机数；ω是惯性权重，调整粒子群的搜索范 围，Cl，c2为学习因子，为一非负的常数，表示粒子受个体认知和社会认识的影响程度，调节 向pbest和gbest方向飞行的最大移动步长；
[0033] 在求解&(t+Ι)过程中，采用以下策略保证粒子群个体位置的解取为0和1 :
[0034]
[0035]S3023a，判断& (t+Ι)是否满足精度的近似解，或已达要求的迭代次数，若满足，则 停止，并输出& (t+Ι)的最佳个体近似解，即以该代的全局最优的位置作为问题的解；否则， t: =t+Ι，重复S3022a，进行判断，如此循环直到满足终止条件。
[0036] 优选地，采用二进制离散混合蛙跳算法，S302采用如下方法进行实施：
[0037]S3021b，随机生成含有F个青蛙的群体P= {XdX2，…，XF}。按所述t维向量中每 个个体的适应度函数计算每个青蛙位置适应度值f(Xi)，并将其降序排列；将排序后的青蛙 平均分配到P个族群，每个族群有q个青蛙，则青蛙个数F=pXq;
[0038]S3022b，将每个族群中适应度函数值最小的青蛙依次选择以下方式进行更新，首 先按下式进行更新：
[0039]Xiw(m+1) =XijW(m)+r(XijS-XijW(m))
[0040] 其中，XliW(m)为第i个子族群第m次迭代时适应度值最小的青蛙位置，XliS为当 前族群适应度值最大的青蛙位置，re[0，1];若更新后青蛙新位置适应度值大于原适应度 值，则新位置取代旧位置，否则按下式进行更新：
[0041]Xiw(m+1) =XijW(m)+r(Xb-XijW(m))
[0042] 其中，Xb为当前整个群体适应度值最好的青蛙位置，若更新后仍没改进，则随机产 生一个解代替XliW，在以上求解XliW(m+l)过程中，采用以下策略保证青蛙个体的解取0和 1 ：
[0043]
[0044] 在族群内重复以上操作，当所有族群完成指定迭代次数搜索后