，重新划分族群，如 此循环直到满足预定精度或预定的迭代次数。
[0045] 本发明的有益效果是：本发明实施例提供的优化决策面的改进隐写方法，采用智 能优化手段优化分类器，调整载体与载密图像的特征在该决策面上投影为同一方向抵抗分 类器，而且，不同特征在决策面上的投影是一维的，因此，利用这种降维方式有效解决了高 维特征优化的问题。采用智能优化隐写算法的嵌入过程，针对不同的决策面进行优化，当迭 代的次数足够多时，可得到一系列的决策面，最终载密图像特征分布将会呈现随机变化，使 分类器无法对隐写载体和裁密图像进行分类，从而达到提高隐写安全性的目的。本发明实 施例提供的优化决策面的改进隐写方法，其中，智能优化手段包括混合蛙跳算法、粒子群优 化，遗传优化等，除了可以提高LSB±k隐写的性能，对其他隐写方法同样有效。此外，算法 针对新出现的隐写分析算法，通过优化相应的特征在决策面的投影可抵抗其分析。
【附图说明】
[0046] 图1是本发明实验例提供的LSB±3隐写在嵌入率为0· 5bpp时载体图像二维 HCF-C0M变化图；
[0047] 图2是本发明实验例提供的SFLA-LSB±3隐写在嵌入率为1.Obpp时载密图像二 维HCF-C0M变化图；
[0048] 图3是本发明实验例提供的LSB±3隐写在嵌入率为0· 5bpp时载体图像二维 HCF-C0M变化图；
[0049] 图4是本发明实验例提供的SFLA_LSB±3隐写在嵌入率为1.Obpp时载密图像二 维HCF-C0M变化图；
[0050]图5是本发明实验例提供的不同隐写算法在78维特征分析的R0C曲线图；
[0051]图6是本发明实验例提供的不同隐写算法在686维特征分析的R0C曲线图。
【具体实施方式】
[0052] 为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图，对本发明进 行进一步详细说明。应当理解，此处所描述的【具体实施方式】仅仅用以解释本发明，并不用于 限定本发明。
[0053] 本发明实施例提供了一种优化决策面的改进隐写方法，包括如下步骤：
[0054]S1，按照隐写算法对载体图像进行隐写得到载密图像集；
[0055]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；
[0056]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中的嵌入过程可 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 图像集；
[0057]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;
[0058]S5,以决策面D,i为优化目标，将一系列的载密图像集Sdi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
[0059]S6,判断j是否等于n，若是，则执行S7-S8,若否，返回S4;
[0060]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;
[0061]S8,在所述决策面集D=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。
[0062] 对于针对高维特征的隐写分析算法，采用现有技术中对隐写算法的优化手段，安 全性比较低的问题，本发明提出一种通过优化决策面的改进隐写方法。该方法通过尽量地 改变载密图像的特征方向，达到特征变化方向随机化，使得分类器找不到一个决策面对其 进行分类，导致隐写分析失效。训练分类器实际上就是寻找一个决策面，使得载体与载密图 像的特征在这个决策面上的投影具有不同的方向性。若调整载体与载密图像的特征在该决 策面上投影为同一方向则可抵抗该分类器。而且，不同特征在决策面上的投影是一维的，因 此，本发明中，利用这种降维方式有效解决了高维特征优化的问题。采用智能优化隐写算 法的嵌入过程，针对不同的决策面进行优化，当迭代的次数足够多时，可得到一系列的决策 面，最终载密图像特征分布将会呈现随机变化，使分类器无法对隐写载体和裁密图像进行 分类，从而达到提高隐写安全性的目的。
[0063] 本发明实施例中，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。
[0064] 如本领域技术人员可以理解的，隐写算法除了包括LSB±k外，还有其他的隐写算 法。本发明实施例提供的优化决策面的改进隐写方法，除了可以提高LSB±k隐写的性能， 对其他隐写方法同样有效。此外，算法针对新出现的隐写分析算法，通过优化相应的特征在 决策面的投影可抵抗其分析。
[0065]目前，在各种隐写算法中，LSB± 1(LeastSignificantBitsMatching，LSBM)隐 写算法，针对秘密信息与载体图像最低有效位不同时，通过随机加减1修正的方式，有效避 免了值对现象，增强了检测难度。因此，LSB±1隐写算法的研究和应用广泛。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。因此，本发明实施例中，可以采用LSB±k隐写算法，用于大容量的信息隐藏。
[0066] 本发明实施例中，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。
[0067] 本发明实施例中，采用混合蛙跳优化，随机调整载密图像统计特征变化的方向，使 基于特征的分类器找不到一个决策面对其进行分类达到抵抗隐写分析目的。仿真实验结果 显示，与标准LSB±k和相关改进隐写算法相比，混合蛙跳优化LSB±k隐写的安全性更高。 而除混合蛙跳算法，采用其他的智能优化手段，如粒子群优化，遗传优化等均可提高隐写的 安全性。
[0068] 本发明实施例中，S3可以包括如下步骤：
[0069] S301，设置优化初始值和优化目标；
[0070] 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；
[0071]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。
[0072] 其中，无论采用何种智能优化算法，其设置优化初始值和优化目标是一致的，不过 采用不同的智能优化算法时，具体的设置参数不同或优化过程不同。
[0073] 其中，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= [Xll，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。此处， Xll，xl2，…，&的取值为1或0,是指有的可以取1，有的可以取为0,形成一个0，1的随机组 合的序列。
[0074] 上述优化初始值的设置方法可以适用于多中隐写算法的改进，例如，LSB±k隐写 改进，1和〇分别表分别表示加k和减k操作；其中，针对LSBM隐写算法及频域隐写PM算 法改进，Xn，xl2，…，取值为1和0,1和0分别表示加1和减1操作。
[0075] 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。
[0076] 所述t维向量中每个个体的适应度函数为：
[0077] f(X,) =F(fc,fs,Dj) =L(fc,Dj)XL(fs,Ds)
[0078] 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。
[0079] 如果采用二进制粒子群优化算法，S302可以采用如下方法进行实施：
[0080] 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;
[0081]