魏伟一，杨　阳，朱强军

(西北师范大学计算机科学与工程学院，甘肃兰州　730070)



一种基于PCNN图像分割和LSB的自适应隐写

魏伟一，杨阳，朱强军

(西北师范大学计算机科学与工程学院，甘肃兰州730070)

为了提高图像LSB隐写时的嵌入容量与视觉质量，结合图像的位面图内容特性，提出了一种基于图像PCNN分割的LSB自适应隐写方案.该方案对图像的前4个位面图分别进行PCNN图像分割，并计算分割结果之和，以此作为各像素可以嵌入的秘密信息比特数，然后采用LSB方法进行隐写.实验结果表明，该算法具有较好的视觉隐蔽性和较高的数据嵌入量，而且不需要存储额外的嵌入深度信息.

图像隐写；LSB；PCNN；图像分割

数字隐写(Steganography)就是将秘密信息以不易觉察的方式嵌入到公开的数字媒体中，并通过公共通信信道进行安全传送[1].现有的数字隐写算法中，最为经典的是最低有效位(Least significant bits, LSB)替换算法及其改进算法[2-3]，主要原理是将载体图像的若干较低比特位用秘密信息位直接替换或随机匹配，但是替换位数太多则会降低载密图像的视觉质量.因此很多改进的密写方法利用图像内容和人眼的视觉特性[4-5]，将载体图像进行分类，在纹理特征丰富或灰度变化剧烈的区域隐藏较多的信息位，在平坦区域部分则嵌入较少的数据量，以此在保持载密图像较好的视觉质量的前提下提高图像隐写的嵌入容量[6-7].基于图像像素区域的分类嵌入思想，刘劲等[8]提出了利用小波对比度决定图像块嵌入深度的LSB密写方法，算法对载体图像分块并计算各块的小波对比度绝对值之和，以确定各图像块的嵌入位数，然后在空域进行LSB嵌入.算法在一定程度上提高了嵌入容量，但是要对图像进行分块并进行小波变换，导致算法效率不高，而且每个图像块拥有相同的嵌入位数，使得载密图像出现分块效应，同时需要在嵌入时额外保存各块的嵌入深度.彭程等[9]提出了一种基于边缘匹配与最低有效位的图像隐写算法，根据人类视觉特性，利用像素及其相邻像素间的差值，将图像区域分为平滑区、过渡区和边缘区，在3个区域中分别采用不同比特数的最低有效位嵌入.廖琪男[10]利用像素的3个相邻像素特征进行像素分类并采用模函数运算进行嵌入，取得了较好的嵌入质量.Varsaki等[11]提出对图像纹理进行分类来选择不同的嵌入深度实现隐写.但是这些图像块划分方法都采用了固定的判决阈值，从而导致像素划分无法自适应确定.因此如何有效地进行图像像素的精确划分，根据图像内容自适应决定各像素的嵌入深度，是大容量信息密写的核心问题.

脉冲耦合神经网络PCNN(Pulse coupled neural network)是Eckhorn等在模拟猴、猫等哺乳动物的脑视觉皮层过程中,观察到神经元的同步规则后,建立起来的一个反映同步脉冲产生现象的连接模型[12].由于PCNN模型具有良好的生物视觉依据，并且不需要训练数据，被成功应用于图像分割等各类图像应用中.在PCNN图像分割中，最早产生脉冲输出的像素将引发其邻域内其他相似像素对应的神经元进行激发，从而产生脉冲.笔者因此根据人眼视觉对变化剧烈区域及较暗区域都不敏感这两个特点，利用PCNN像素划分策略，提出基于PCNN图像分割的LSB大容量密写方案.算法首先将图像像素的最高4个位面图分别进行PCNN分割，并将分割结果相加，自适应获得各个像素的嵌入位数，然后进行图像的LSB隐写.实验结果与数据分析表明，该方案具有较好的视觉隐蔽性和较高的数据嵌入量，而且不需要存储额外的嵌入深度信息.

1　基于PCNN的图像嵌入深度判决

PCNN神经元模型主要由接受域、内部调制和脉冲发生器3部分组成,其数学表达式如下[13]956:

(1)

(2)

(3)

(4)

(5)

其中,i,j为神经元的标号;Sij为神经元(i,j)来自外部的刺激；Lij(n)为来自于其他神经元的输入；Fij(n)为第n次迭代时的反馈输入；Uij(n)为神经元的内部活动项；θij(n)和Yij(n)分别为第n次迭代的动态阈值和脉冲输出；M和W为链接矩阵；αF,αL和αθ分别为Fij，Lij和θij的衰减时间常数；VF,VL,Vθ分别为Fij,Lij,θij对应的固定电势.

在对图像进行PCNN分割过程中，每个神经元的外部刺激对应图像中的1个像素，迭代计算产生的脉冲输出Y(n)中主要包含了图像纹理与边缘等信息.在当前的PCNN图像分割中，核心问题在于模型参数和算法迭代次数的确定，马义德等[14]提出的基于信息熵的PCNN分割迭代终止条件判决及其参数设置的经典方法,很好地解决了算法的核心问题.

在基于PCNN的图像像素嵌入深度判决中，由于一幅图像的高位位面反映了图像的基本信息，低位位面起到细节作用，有时低位还往往是噪声.因此，可以将图像像素比较重要的最高4个位面作为深度判决位面进行PCNN分割，相对不太重要的后4个位面则作为可选的嵌入位面.由于图像PCNN的分割结果反映了图像纹理、边缘及内容特性，因此将各个判决位面点火后的二值图像进行相加，所得到的矩阵作为对应像素的LSB嵌入深度.

2　隐写方案

在基于PCNN的LSB隐写中，先利用PCNN的嵌入深度判决方法计算各个像素值的嵌入深度，然后进行各个像素的LSB替换密写.该方案框架如图1所示.

图1　隐写过程

2.1嵌入方法

基于PCNN的LSB隐写算法为：

1)获取载体图像的最高4个位面图，利用bitand(I,x)提取图像的最高4个位面图，I为载体图像，x分别取128,64,32,16；

2)对所得到的4个位面图分别进行PCNN分割；

3)将分割得到的4个二值图像进行求和，各数值作为对应像素的嵌入深度；

4)在各个像素的后4位上，分别利用所得的嵌入深度进行秘密信息嵌入.

2.2提取方法

载密图像中提取秘密信息的方法为：

1)提取载密图像的最高4个位面图；

2)对4个位面图按照嵌入时的处理方法，得到各像素的嵌入深度；

3)按照各个像素的嵌入深度值进行数据提取.

3　实验结果

实验中的PCNN图像分割采用文献[15]中的参数，以像素对比度自适应确定PCNN模型中的链接系数，以图像的互信息熵作为算法的迭代终止条件.为了验证密写算法的嵌入容量和载密图像的视觉隐秘性，实验中利用混合光学双稳模型生成水印序列，选用6幅128×128的图像作为载体图像，以峰值信噪比(RPSN)作为视觉不可觉察性测度.由于算法中以像素的最高4位作为各像素嵌入深度的判决位，后4位作为候选的嵌入位，各个像素拥有不同的嵌入深度，不仅嵌入容量大，载密图像具有良好的视觉特性，而且可以实现盲提取.

图2中依次给出了本算法仿真中的载体和载密图像，及其放大的差异图以及与基于小波对比度LSB隐写的对比结果.可以看出，算法中的载密图像不仅具有良好的视觉隐蔽性，而且载密图像和载体图像间的差异图具有较好的随机性，从而更加不容易进行密写分析.表1给出了各个实验的密写性能与基于小波对比度密写的性能对比，图3和图4给出了2个算法结果的嵌入容量比和RPSN趋势比较.可以明显看出，基于PCNN分解的LSB算法具有较高的嵌入容量，嵌入比都在25%以上，而且具有较高的RPSN值.文献[16]指出，隐写中图像间的RPSN如果高于38，则认为人眼基本无法察觉出图像的降质.从表1 RPSN的数据看，文中隐写算法中的载密图像具有较好的视觉保真度.另外，在算法中只需要进行图像4个位面图的PCNN分割，相对于基于小波对比度的LSB密写，要将图像分块并且每块都要进行小波变换而言，文中算法具有较好的时间效率.图5给出了文中算法和基于小波对比度LSB密写的时间效率对比.

图2　密写图像及原始图像的差异

载体图像(256×256)小波对比度密写容量文中方法密写容量小波对比度方法RPSN文中方法RPSNLena15142415909739.479739.6558Couple15968015764738.006139.2233Baboon16710416533239.201238.7600Man14950415512339.365039.7367Pepper15321615629839.104539.3196Woman13632015780640.327839.4248Plane16358417758639.044539.8502

图3　文中算法和基于小波对比度密写算法的嵌入容量比

图4　文中算法和基于小波对比度密写算法的RPSN比较

图5　文中算法和基于小波对比度密写算法的时间效率比较

[1]BENDER W,GRUHL D,MORIMOTO N,et al.Techniques for data hiding[J].IBM System Journal,1996,35(3/4):313 .

[2]王朔中,张新鹏,张卫明.以数字图像为载体的隐写分析研究进展[J].计算机学报,2009,32(7):1247.

[3]FRIDRICH J,KODOVSKY J.Steganalysis of LSB replacement using parity-awarefeatures[C]//Information Hiding.Berlin:Springer,2013:31.

[4]TOET A,RUYVEN L,VELATON J.Merging thermal and visual images by a contrast pyramid[J].Opt Engineering,1989,28(7):789.

[5]WU D C,TSAI W H.A steganographic method for images by pixel-value differencing[J].Pattern Recognition Letters,2003,24(10):1613.

[6]ZHANG X P,WANG S Z.Steganography using multiple-base notational system and human vision sensitivity[J].IEEE Signal Processing Letters,2005,12(1):67.

[7]JUNEJA M,SANDHU P S.A new approach for information hiding in color images using adaptive steganography and hybrid feature detection with improved PSNR and capacity[J].International Journal of Engineering and Technology,2013,5(2):1853.

[8]刘劲,康志伟,何怡刚.一种基于小波对比度和LSB 的密写[J].电子学报,2007,35(7):1391.

[9]彭程,秦拯,刘鹏,等.基于边缘匹配与最低有效位的图像隐写方法[J].计算机工程,2011,37(14):106.

[10]廖琪男.基于边缘匹配和模函数的安全密写算法[J].电子学报,2012,40(10):2002.

[11]VARSAKI E,FOTOPOULOS V,SKODRAS A N.Data hiding based on image texture classification[J].Signal,Image and Video Processing,2013,7(2):247.

[12]JOHNSON J L,PADGETT M L.PCNN and applications[J].IEEE Trans on Neural Networks,1999,10(3):480.

[13]邓翔宇,马义德.PCNN 参数自适应设定及其模型的改进[J].电子学报,2012,40(5):955.

[14]马义德,戴若兰.一种基于脉冲耦合神经网络和图像熵的自动图像分割方法[J].通信学报,2002,23(1):46.

[15]魏伟一,李战明.基于改进PCNN 和互信息熵的自动图像分割[J].计算机工程,2010,36(13):199.

[16]PETITCOLAS F,ANDERSON R.Evaluation of copyright marking systems[C]//Proc IEEE Multimedia Systems.Florence:IEEE Computer Society,1999:9574.

(责任编辑惠松骐)

A adaptive steganographic method based on PCNN image segmentation and LSB

WEI Wei-yi,YANG Yang，ZHU Qiang-jun

(College of Computer Science and Engineering,Northwest Normal University,Lanzhou 730070,Gansu，China)

In order to improve the embedding capacity and visual quality in image LSB steganographic,combining with the character of cover’s biplanes,a novel LSB steganographic embedding based on PCNN image segmentation is presented.The method extracts the first 4 plane images and partitions by way of PCNN method,then adds the 4 segmentation as the number of embedded for every pixel and embed secret information with LSB.Experimental results show that the proposed method not only provides better visual quality and higher payload,but also does not save the embedding length data.

image steganography;LSB;PCNN;image segmentation

10.16783/j.cnki.nwnuz.2016.02.010

2014-10-08;修改稿收到日期:2015-05-28

甘肃省科技计划资助项目(1506RJZA130);甘肃省高等学校科研项目(2014B-018)

魏伟一 (1976—)，男，甘肃兰州人，副教授，博士．主要研究方向为多媒体信息安全．

E-mail:weiwy@nwnu.edu.cn

TP 309.2

A

1001-988Ⅹ(2016)02-0043-04