[發明專利]一種基于小波變換、奇異值分解、海森堡分解和果蠅優化算法的圖像隱藏方法

在審

• 申請號: 201810032047.4
• 申請日: 2018-01-12
• 公開（公告）號: CN108182655A
• 公開（公告）日: 2018-06-19
• 發明（設計）人: 劉俊秀;黃佳東;羅玉玲;岑明燦;閉金杰;秦興盛
• 申請（專利權）人: 廣西師范大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/00
• 代理公司: 桂林市華杰專利商標事務所有限責任公司 45112
• 代理人: 劉梅芳

1.一種基于小波變換、奇異值分解、海森堡分解和果蠅優化算法的圖像隱藏方法，其特征在于，包括如下步驟：

1)水印的嵌入：宿主圖像A順序采用3級小波變換、海森堡分解、奇異值分解、逆奇異值分解、逆海森堡分解和逆3級小波變換對水印進行嵌入，得到嵌入水印后的圖像WA；

2)水印的提取：圖像WA順序采用小波變換、海森堡分解、奇異值分解、逆奇異值分解對水印進行提取，得到提取的水印

3)圖像隱藏：采用果蠅優化算法找出步驟1)、步驟2)中的水印嵌入、水印提取使得嵌入水印的圖像同時符合隱蔽性和強魯棒性，且使評價函數得到最優值時取得的水印嵌入系數α，稱為最優嵌入系數，依據水印嵌入最優系數α將水印嵌入到宿主圖像中得到嵌入水印的圖像。

2.根據權利要求1所述的基于小波變換、奇異值分解、海森堡分解和果蠅優化算法的圖像隱藏方法，其特征在于，所述步驟1)為：

(1)對宿主圖像A進行3級小波變換得到圖像A的低頻近似分量系數、水平高頻細節分量系數、垂直高頻細節分量系數、對角高頻細節分量系數依次為LL、LH，LH和HH；

(2)依據LL＝P×H×P^T對系數LL進行海森堡分解得到系數P和H，其中P是LL的酉矩陣，H是LL的海森堡矩陣；

(3)依據對系數H進行奇異值分解得到系數HS_w，其中HU_w是H的酉矩陣，HS_w是H的對角矩陣，HV_w是H的另一個酉矩陣；

(4)依據將水印圖像W進行奇異值分解得到系數S_w，其中U_w是W的酉矩陣，S_w是W的對角矩陣，V_w是W的另一個酉矩陣；

(5)依據結合嵌入系數α修改系數HS_w，進行水印的嵌入得到其中是嵌入水印信息的H的對角矩陣；

(6)依據通過對系數進行逆奇異值分解得到系數H^*，其中H^*是嵌入水印信息的H矩陣；

(7)依據LL^*＝P×H^*×P^T通過對系數H^*進行逆海森堡分解得到系數LL^*，其中LL^*是嵌入水印信息的圖像A的低頻近似分量；

(8)通過逆3級小波變換得到嵌入水印后的圖像WA。

3.根據權利要求1所述的基于小波變換、奇異值分解、海森堡分解和果蠅優化算法的圖像隱藏方法，其特征在于，所述步驟2)為：

(1)對嵌入水印的圖像WA進行小波變換得到圖像WA的低頻近似分量系數、水平高頻細節分量系數、垂直高頻細節分量系數、對角高頻細節分量系數依次為LL_w、LH_w、HL_w和HH_w；

(2)依據對LL_w進行海森堡分解得到系數H_w，其中P_w是LL_w的酉矩陣，H_w是LL_w的海森堡矩陣；

(3)依據對系數H_w進行奇異值分解得到系數其中是H_w的酉矩陣，是H_w的對角矩陣，是H_w的另一個酉矩陣；

(4)依據結合嵌入系數α對系數進行修改得到系數其中是從H_w提取的水印信息的對角矩陣；

(5)依據對系數進行逆奇異值分解得到提取的水印W^*。

4.根據權利要求1所述的基于小波變換、奇異值分解、海森堡分解和果蠅優化算法的圖像隱藏方法，其特征在于，所述步驟3)為：

(1)初始化水印過程參數和果蠅優化算法參數：水印過程參數包括嵌入系數數組α_k(k＝1，2，...，n)、權重初始化λ和比例系數ω_i(i＝1，2)，

果蠅優化算法參數包括果蠅種群的初始位置InitX_axis，InitY_axis，最大迭代次數maxgen、果蠅種群的大小sizepop；

(2)對嵌入水印的圖像WA實施以下多種攻擊：伽馬校正(0.8)攻擊、縮放(512→256→512)攻擊、縮放(512→1024→512)攻擊、均值濾波(3×3)攻擊、維納濾波(3×3)攻擊、中值濾波(3×3)攻擊、高斯噪聲(均值0，方差0.001)攻擊、銳化(0.8)攻擊、對比度調整(20％)攻擊、散斑噪聲(0.001)攻擊、JPEG 2000壓縮(壓縮比為12)攻擊、高斯低通濾波(3×3)攻擊、JPEG壓縮(品質因數50％)攻擊和運動模糊(角度4，長度7)攻擊，得到提取的水印(i＝1，2，...，N)，計算峰值信噪比PSNR(A，WA)和歸一化互相關通過公式計算目標函數的值；

(3)采用果蠅優化算法確定最優嵌入系數，包括如下過程：

a.確定一個果蠅個體靠嗅覺的尋找食物的距離坐標:(X_i＝X_axis+RandomValue、Y_i＝Y_axis+RandomValue)；

b.令估算的距離和味道濃度判決值分別為：S_i＝1/Dist_i；

c.設在果蠅種群中的味道濃度判決函數為Smell_i＝Function(S_i)；

(4)令Function(S_i)作為步驟(2)中的目標函數；

(5)步驟(3)還包括：

d.尋找在果蠅種群中有最大味道濃度的果蠅([bestSmell bestIndex]＝max(Smell))；

e.保存最好的味道濃度值以及對應的x，y坐標(Smellbest＝bestSmell、X_axis＝X(bestIndex)、Y_axis＝Y(bestIndex))；

(6)在達到最大迭代次數maxgen之前，重復步驟(3)，尋找更優的目標函數的值；直到達到最大的迭代次數maxgen，輸出最優的目標函數值對應的坐標，得到對應的最優嵌入系數。