基于引导滤波的彩色图像可逆数据隐藏外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

基于引导滤波的彩色图像可逆数据隐藏

姚恒，秦川，唐振军，田颖

摘要：本文提出了一种彩色图像专用可逆数据隐藏（RDH）算法来改进通过应用引导滤波预测器和自适应预测误差扩展来嵌入性能（PEE）计划。基于PEE的RDH方法可以主要分为每个通道的两个阶段嵌入，即像素预测和预测误差直方图（PEH）修改。在我们的工中，在预测和修改的所有阶段都利用了信道间相关性。具体来说，用于预测当前通道中的像素与来自其他通道的像素的引导，线性变换建立从参考信道到当前信道的模型，并确定其系数通过拉普拉斯最小化准则。然后，为了修改PEH，自适应PEE嵌入方案是通过寻找嵌入箱的最佳参数和复杂度阈值来进行最小化失真。实验结果表明，该方法具有更好的性能比最先进的彩色图像RDH方法。

关键词：可逆数据隐藏，直方图移位，差异扩展，递归代码构造，速率失真。

1绪论

可逆数据隐藏（RDH）是一种用于的技术以不易察觉的方式将秘密数据嵌入封面图像中，并且在提取过程中，无损地恢复嵌入式数据和来自标记图像的原始封面图像。与传统的数据隐藏技术不同，封面图像无需任何外部信息即可完全恢复。并且由于封面图像的可逆性和高相似性标记和封面图像，恶意攻击都可以避免过渡。 目前，RDH正在广泛使用在许多应用中，例如军事，医疗，和法医图像。

根据嵌入策略的框架，RDH方法可以主要分为以下四类：无损基于压缩的方法，差异扩展（DE）为基础方法，基于直方图修改的方法和预测误差基于扩展（PEE）的方法。

基于无损压缩的RDH首先由提出弗里德里希等人。 [1]，其中适当的位平面最小冗余被压缩了。 但是，由于相关性较弱在一个位平面内，很难提供高容量和低失真性能。 最近，秦等人。 [2]提出一种改进的矢量量化方法，用于压缩图像使用映射优化。 张等人。 [3]综合各种现有技术用递归压缩来实现速率 - 失真限制。

DE首先由Tian [4]提出，其中冗余是探索实现高容量和低失真的RDH通过扩大两个邻国之间的差异来实现像素对的像素。 后来，扩展技术一直在进行广泛开发的，如基于广义整数变换的[5]和简化的基于位置图的DE方法[6]。

提出了第一种基于直方图修改的方法由Ni等人。 [7]，其中强度的零点或最小点利用图像的直方图并略微修改为将数据嵌入图像中。 然后，基于插值技术直方图修改方法由Luo等人提出。 [8]到提高嵌入性能，嵌入性对预测误差直方图施加了操纵而不是直接的强度直方图。

最近，基于PEE的RDH方法，可以算是一种基于修改的DE方法和方法的扩展直方图，引起了RDH研究人员的注意。第一个基于PEE的RDH方法是由Thodi和Rodriguez [9]，他们使用PEE中的预测误差进行扩展嵌入而不是DE中的差值。不像DE，它只考虑了两个相邻的相关性像素，PEE使用更大范围的邻域进行计算局部相关性。以下[9]，改进的两个方面近年来已经发展起来。一方面，许多嵌入提出了诸如双层嵌入的方案[10]，根据tobe-的局部复杂度进行自适应嵌入嵌入像素[11]，二维差分直方图修改[12]，二维成对预测误差修改[13]，一般多重直方图修改[14]，最近提出的像素值排序技术二维成对预测误差扩展[15]，另一方面，一些PEE方法利用了高级预测技术，包括修复辅助预测[16]，局部边缘传感预测器[17]等，生成更陡峭预测误差直方图。

所有上述出版物都证明了这一点RDH研究的广泛发展，但大多数存在方法是为灰度图像设计的，相对较少专用于彩色图像的方法。虽然都存在灰度RDH方法可以直接用于彩色图像将秘密消息分成三个相等的段和逐个信道地逐个嵌入每个段。但是，由于缺乏强相关性的知识在渠道之间，从灰度图像到图像的简单移植彩色图像肯定无法达到最佳嵌入效果绑定，直观地说，是专用的嵌入性能颜色RDH方法应该比常用方法更好。利用每个通道之间的相关性，一些颜色提出了图像RDH方法。杨等人。 [18]发达一种集成的RDH方法，用于实现小的预测误差滤色器阵列马赛克图像的色差域。Tseng等。 [19]提出了一种基于聚类的直方图修改在封面彩色图像中嵌入秘密消息的方法可逆。李等人。 [20]提出提高预测准确性通过使用不同通道之间的类似边缘结构。最近，最先进的彩色图像RDH算法[21]被提议用于提高嵌入性能使用与通道相关的有效负载分区和策略自适应嵌入。但是，所有现有的算法仍然没有充分利用信道间相关性，尤其是在预测的过程中。还有很多工作要做这样做是为了进一步利用这些相关性。

本文采用基于导向滤波的RDH算法提出彩色图像以进一步利用相关性在每个通道之间，提高嵌入性能通过更精确的预测和通过使用自适应PEE计划。具体而言，现有的PEE方法主要是预测通道独立预测器的值;但是，在我们的工作，通过修改的引导过滤预测器改进预测器，它将另外两个通道设置为线性引导模型回归。另外，在有效载荷分区的过程中，提出了一种简单有效的有效载荷分区方案根据自适应分配每个信道的容量它们相应的预测误差直方图的清晰度。其余论文的结构如下。第2节介绍自适应PEE的一般框架，在我们的网络中使用方法并扩展到彩色图像的策略。第3节描述了引导过滤的核心算法并将其扩展到信道间引导滤波预测器。第4节介绍了所提出的嵌入和提取方法的实现。第5节显示了实验结果，最后是第6节总结了这篇论文。

2自适应PEE的一般框架

在本文中，我们采用了改进的PEE方法自适应嵌入和最佳扩展的选择垃圾桶嵌入一个秘密信息，改进的方法是在[14]中称为AO-PEE。 现在，我们提供一个简短的描述灰度图像AO-PEE嵌入程序，可以主要分为两个步骤：

步骤1：生成预测误差直方图

首先，要嵌入封面图像中的像素必须是确定的。 在我们的算法中，我们应用双层菱形嵌入方案，由Sachnev等人首次提出。[10]。 具体地，封面图像被分成两部分表示通过白色和黑色砖块，如图1所示，以及一半的消息嵌入白色像素中进行第一层嵌入; 对于
第二层嵌入，消息的另一半是嵌入的变成黑色像素。 由于嵌入的相似性在这里，我们采用第一层嵌入为例。基于这个方案，我们收集一维序列，由{Ik，k = 1,2，... ，K}，来自带扫描的白色像素从左到右，从上到下排序。 注意K是收集的像素总数。

接下来，预测器用于根据预测每个白色像素其相邻的黑色像素及其相应的预测值由{bI表示k，k = 1,2 ,.。。 ，K}。 大多数现有算法应用一个简单的菱形预测器，即平均最近的四个Ik的邻居，获得了ķ。 然后他们相应的预测错误计算方法是：

其中Ik表示向下舍入操作。 因此，一个通过计数生成预测误差直方图（PEH）函数h

每个ek的分布。

步骤2：通过AO-PEE方案嵌入消息

生成PEH后，通过修改嵌入消息PEH。 为了更好地利用图像的冗余，在许多现有的PEE方法，如[14,21]，各种局部复杂度测量根据它计算每个Ik邻近的背景。 在这里，不失一般性，每个具体测量由Ck统称。 然后，一次像素Ik其对应的复杂度Ck大于或等于a已经识别出由T表示的预定义阈值，其值保持不变。 如果像素Ik满足Ck lt;T，则将处理其值通过修改其对应的预测误差，ek，如下

图1.双层菱形嵌入方案。 第一层嵌入：一半消息嵌入到白色像素中，第二层嵌入：另一半消息嵌入到彩色像素中。 对于每个图层嵌入，扫描顺序为从左到右，从上到下。

其中w表示要嵌入的二进制消息位等于0或1，a和b表示左右嵌入箱在PEH中，分别用于嵌入消息。 注意避免与h混淆，新生成的PEH，包括所有的具有Ck lt;T的像素由hT表示。 Ik的标记像素，表示为由Ik，由bI的总和产生k和ek，复杂性在哪里阈值T和嵌入箱a和b是三个参数优化。 可以执行递归搜索方案以确定当给定嵌入发生最小失真时容量。 具有固定参数组{a，b的总失真嵌入过程中的T}可近似估计为

因此，优化问题转移到了以下最小化问题：

其中C是嵌入每层的嵌入容量。

图2.AO-PEE方案的PEH修改示意图。 （a）原始PEH hT，和（b）相应的修饰hT

要无损地提取消息并恢复封面图像，首先，预测bI标记像素Ik的k由相同的k确定在嵌入过程中使用的预测器，因此，标记的预测误差ek0是Ik0和bI之间的差异ķ。 然后，为每个ek0具有相应的复杂度，小于T，恢复原始预测误差通过

接下来，如果w = 1，则可以提取嵌入数据位ek0 2 {a 1，b 1}或w = 0，如果ek0 2 {a，b}。 封面像素可以是根据Ik = bI恢复k ek。 至此，我们简要介绍一下介绍了AO-PEE在嵌入和提取中的框架流程。 图2显示了PEH改性的示意图AO-PEE方案，其中（a）是具有复杂性的原始PEH阈值T，（b）是消息发生后的修改后的PEH嵌入式。

对于彩色图像RDH，直观地说，我们可以直接移植任何常见的图像RDH方法进入彩色图像RDH只需将消息独立地嵌入到每个通道中，如图3所示，其中整个消息被平分分为六个部分，每个通道的封面图像分为覆盖和参考像素，两者都用它们对应的表示图3中的颜色块，如第一层的R1和R2红色通道嵌入。但是，专用的彩色图像RDH算法，它使用每个颜色通道之间的相关性，毫无疑问会提高嵌入效率。在我们的工作中受引导过滤技术的启发[22]，AO-PEE得到了扩展用于彩色图像RDH。所有现有的彩色图像RDH算法主要通过使用信道间相关来改善性能在嵌入过程中。但是，在我们的工作中，这种相关性用于预测和嵌入过程。此外，以前的方法通常考虑预测像素和复杂度的测量作为两个单独的步骤，而在我们的方法中，后者是在前者实现的步骤没有任何额外的计算程序。图4显示了一个所提出的彩色图像RDH算法的图。在图中，整个消息被自适应地划分为六个段，并且根据所有相应的预测每个覆盖像素来自当前频道和两个的参考像素其他颜色通道使用引导过滤预测器，其中将在下一节解释。注意，在两个图中都是3和4，原始参考像素被标记的像素替换，如果它们已经存在，则由素数表示，即“0”嵌入了消息。

图3.通过普通图像RDH算法的简单移植的彩色图像RDH方案的图

图4.通过使用引导滤波预测器和自适应有效载荷分区的所提出的彩色图像RDH方案

3引导过滤预测器

He等人提出的导向滤波器（GF）。 [22]，是一个边缘保护可以用作替代的过滤器广泛使用的双边滤波器。最精通的特色GF是计算时间与大小无关的过滤器。许多人已经证明了GF的效率应用程序，如图像去雾和细节增强。最近，GF也被用于相机滤波器阵列（CFA）插值技术[23,24]。在本文中，受[23]的启发，我们使用引导过滤器来预测当前通道协助其他两个颜色通道，这使我们能够进一步发展利用颜色通道之间的高度相关性。不同[23]，在可逆数据隐藏中，我们通常嵌入秘密按照我们预先指定的顺序逐个邮件进入每个频道。因此，对于每次嵌入，总有两个可以作为参考通道进行预测的备用通道待嵌入通道中的像素。

该方法的主要思想是提高精度使用信道相关的引导滤波进行预测。现在，我们将GF扩展到预测一个通道的模式通过使用其他两个参考通道。 为了便于描述例如，在R2的指导下进行R1的预测，G1，G2，B1和B2，如图4所示。关键假设引导过滤器是指导之间的局部线性模型（这里，G和B通道）和滤波输出（这里是R通道）。假设像素R ^ i; j是Gi，j和Bi，j的线性变换局部窗口xm，n，以（m，n）的像素位置为中心，如

其中{a1m，n，a2m，n，bm，n}是假设的线性系数窗口中的常数xm，n和后缀（i，j）是像素位置。 在我们的实验，我们根据经验设置7 7作为窗口大小。 至确定每个窗口中的最佳{a1m，n，a2m，n，bm，n}，我们申请拉普拉斯最小化准则构造成本函数并尽量减少它。 成本函数J定义为

其中Mi，j是（i，j）像素位置的二元掩模，其中根据像素属于R2或R1等于1或0，ED是一个改进的拉普拉斯算子，定义为

从（7）中观察，以最小化J已转移的成本函数以下线性回归问题

其中eD，R2，eDG2和eD，B2是拉普拉斯滤波后的阵列像素窗口xm，n中分别为R2，G2和B2。 注意大小EDR2是1 25或1 24，大约是像素的一半xm，n，除了一些边界场合，窗口是a尺寸缩小的矩形。 根据线性求解基本回归方程，可以估计线性系数{a1m，n，a2m，n}如

到目前为止，我们已经推导出方程如何寻求最优来自窗口xm，n的{a1m，n，a2m，n}。 虽然直流分量为bm，n不影响高频能量的计算，我们通过平均R2和之间的残差来确定bmn，a1m：

其中R2m; n，G2m; n和B2m; n是xm，n中R2，G2和B2的平均值，分别。 图5示出了用于预测的引导滤波的示意图Ri，j的值来自固定窗口xm，n。 为了便于理解，如何确定{a1m，n，a2m，n，bm，n}的示例是如图6所示。

在上面的过程中，线性系数{a1m，n，a2m，n，bm，n}在每个本地窗口中确定。 但是，位置处的像素（i，j）涉及覆盖的所有重叠窗口（i，j）。 在我们的算法中，生成预测的平均输出对于R1，我们采用加权平均策略[23]来计算预测输出为

从（12），加权平均系数计算为

其中权重Wm，n是基于剩余成本计算的，如

也就是说，对于不同的系数组{a1m，n，a2m，n，bm，n} on像素（i，j），权重与它们的平方和成反比预测误差（SSE）。 较小的SSE表示较高的可信度对于每组系数。

最后，[23,24]，进一步改进预测精度，双线性残差插值法可以用于更新R1的预测

其中W是双线性插值算子

剩余内容已隐藏，支付完成后下载完整资料

资料编号：[19718]，资料为PDF文档或Word文档，PDF文档可免费转换为Word