基于状态视图的流媒体图像信息置乱隐藏算法

杨盼盼，赵继春

（北京市农林科学院农业信息与经济研究所，北京 100097）

（∗通信作者电子邮箱langaoyue9b5@163.com）

0 引言

流媒体图像信息置乱隐藏是把流媒体图像某些私密信息进行顺序颠倒、信息编码与解码。信息置乱隐藏方法在很久之前便已存在，被大量使用在信息领域、密码研究领域中。对流媒体图像实施置乱隐藏的算法主要是图像加密与图像置乱。和常规图像信息加密相比，流媒体图像加密具有加密密钥空间大、难以破解的优势，而且加密后图像原始信息容易受到影响。而图像置乱隐藏算法可以更好地把信息隐藏于图像之中，破解难度显著［1］。此外，和常规图像信息置乱隐藏相比，流媒体图像信息置乱隐藏更复杂，流媒体的载体数据具有随机性，传输规模较大，隐秘数据随时产生、及时传输，存在安全性不高的问题，导致流媒体图像信息置乱隐藏更为困难、复杂。

针对图像信息置乱隐藏问题的研究较多，如:文献［2］中提出减少相邻位平面间冗余度的加密图像可逆信息隐藏算法，该算法能够在保证图像信息置乱隐藏的前提下，不影响图像原始像素的相关性。文献［3］中提出了面向全容量的高性能彩色图像可逆信息隐藏算法，该算法对图像信息的置乱隐藏效果较好。但是，文献［2］算法与文献［3］算法仅被验证在常规图像信息置乱隐藏中存在较好的应用性，针对流媒体图像信息而言，两种算法的应用性有待探究。

目前，针对流媒体图像信息置乱隐藏问题的研究较少，文献［4］中通过基于混沌加密及数字水印的自适应算法，完成对彩色向鲁棒性水印算法的整体设计，通过水印技术实现网络流媒体的信息隐藏，但是该方法的时间复杂度较高，加密空间较大，无法抵御运算能力较强的攻击；文献［5］中将流媒体应用与信息隐藏紧密结合，以音频数据为对象，提出了一种分层的流媒体隐蔽传输系统模型，在此基础上实现了流媒体信息的置乱隐藏，但是该方法的隐藏类型不够全面，隐蔽通信的安全性有待提高。

针对上述问题，本文将状态视图引入图像信息置乱隐藏，提出了基于状态视图的流媒体图像信息置乱隐藏算法。状态视图可以直观审视流媒体图像信息等各种信息，基于此可有效进行流媒体图像信息置乱隐藏，为流媒体图像信息置乱隐藏带来极大便利。在本文中，该算法依次采用基于限邻域经验模式分解（Neighborhood Limited Empirical Mode Decomposition，NLEMD）的流媒体图像增强算法、基于状态视图的高效编码和解码算法，首先实现流媒体图像增强，然后完成流媒体图像信息置乱隐藏，并通过实验验证了本文方法的有效性。

1 基于状态视图的流媒体图像信息置乱隐藏

1.1 基于NLEMD的流媒体图像增强算法

为了有效实现流媒体图像信息置乱隐藏，首先需要准确识别图像信息，在流媒体图像增强时核心方法在内蕴模式函数分量里选取最优像素点［6］。本文根据局部能量大小的标准实施选取，此标准不但顾及目前像素，而且考虑到近邻像素间关联性，通过高斯模板设成邻域中像素能量的权系数实施局部能量计算［7］。模板大小设置使用4×4。假定高斯模板是NE，目前像素值是gij(x，y)，局部能量是QVij(x，y):

式中:i表示图像分解层数；j表示图像平滑程度；像素坐标依次是x、y。最优像素gi(x，y)是:

亮度的剩余量针对流媒体图像整体亮度调节存在十分关键的作用，流媒体图像的亮度必须均衡［8-10］。通常来讲，流媒体图像整体亮度合理的均值为0.65～0.85。流媒体图像整体亮度的调节以两个核心因素为主，分别是亮度均值gˉ、整体亮度对比度e。

流媒体图像整体亮度均值的计算方法是:

其中流媒体宽度是K。流媒体图像整体亮度对比度计算式为:

按照亮度均值gˉ、整体亮度对比度e和剩余量P，获取流媒体图像增强的最后剩余量调节值Pˉ是:

其中R属于常数，取值范围是0.65～0.85。

基于此，把需要实现信息置乱隐藏的流媒体图像gorg(x，y)实施空间变换，从RGB（Red，Green，Blue）色彩模式（RGB color mode，RGB）空间变换至HSV（Hue，Saturation，Value）空间，在HSV 空间里，将亮度V 实施NLEMD 处理，但H、S 保持原样，最后把HSV 空间变换至RGB 空间［11-12］。完成流媒体图像增强的详细步骤如下:

1）把需要实现信息置乱隐藏的流媒体图像gorg(x，y)自RGB空间变换至HSV空间，得到色调Ho、饱和度So、亮度Vo；

2）把亮度Vo和权值ϖn相乘，得到一组灰度图像g1(x，y)，g2(x，y)，…，gn(x，y)，灰度图像的数量是n；

3）将g1(x，y)，g2(x，y)，…，gn(x，y)的灰度图像实施H 层NLEMD，得到每幅灰度图像的内蕴模式函数分量Q与剩余量P；

4）把n幅灰度图像相应的内蕴模式函数分量中每个像素点实施对比，根据能量最大的标准使用像素点数据设成此层的内蕴模式函数分量［13］；

5）根据亮度Vo剩余量的整体亮度与局部对比度实施合理调节，得到剩余量均值；

6）根据色调、饱和度以及亮度三个分量，把HSV 空间变换至RGB空间，实现流媒体图像增强。

1.2 基于状态视图的高效编码和解码算法

编码是信息自一种模式或格式置换成其他模式的过程，解码是编码的逆操作［14］。置乱是把流媒体图像的信息次序打乱，让信息转换为无顺序可查的混乱图像。为了实现流媒体图像信息置乱隐藏，本文使用基于状态视图的高效编码和解码算法，对增强后的流媒体图像信息进行置乱隐藏处理。

1.2.1 状态视图设计

状态视图属于流媒体图像加密的基础，可以将图像信息存储在状态视图中自由查询定义，定制流媒体图像数据，聚焦特定的图像信息，合并分离的图像数据，创建分区视图，简化图像操作流程，可以极大地方便对存在大量图像信息的流媒体图像进行置乱隐藏处理。同时，因为流媒体图像中存在大量核心信息，为了对流媒体图像以数值的形式进行研究，将流媒体图像信息以Hilbert 曲线的形式描述，Hilbert 曲线是空间填充曲线家族的其中之一，能够填充整个流媒体图像。

针对1 阶流媒体图像信息的Hilbert 曲线来讲，存在4 类基本模式:状态0、状态1、状态2、状态3，详情如图1所示。

图1 流媒体图像信息的Hilbert曲线状态Fig.1 Hilbert curve states of streaming media image information

图1 中，每幅图片中括号外的数字是编码，括号内的数字是坐标。差异状态中，各个坐标和差异编码值相呼应。针对编码来讲，设计状态视图的核心是建立坐标与流媒体图像信息的Hilbert 曲线编码值、坐标与下阶状态间映射关系。按照图1 与流媒体图像信息的Hilbert 曲线旋转与翻转标准，可建立编码状态视图，解码属于编码的逆处理，按照图1 与流媒体图像信息的Hilbert 曲线的旋转和翻转标准，可建立解码状态视图，如表1所示。表1中，A=0，B=1，C=3，D=4。

表1 编码状态视图Tab.1 Coding state view

1.2.2 编码

建立流媒体图像信息编码状态视图后，能够逐阶迭代检索状态视图，得到各阶的编码值与下阶状态，以此实现编码。

而采用此类方法时，必须遍历输入的各阶横纵坐标，算法的复杂度是F(m)，且此类方法中，全部流媒体图像输入数据必须具备无差异的编码时间，却没有分析差异输入数据的差异，所以编码速度较慢，需要将其进行优化。流媒体图像信息编码算法按照定理1完成。

定理1如果流媒体图像信息横坐标x1x2…xm与纵坐标y1y2…ym都是0，那么前m阶编码是0，第m+1 阶的状态是0或1。

证明m=1时，由于第1阶状态是0，x1与y1是0，则按照表1设定，第1阶的编码是AA（00），第2阶状态是B（1），定理1得证。

m=2 时，由于第2 阶状态是B（1），x2与y2是0，则按照表1设定，第2阶的编码是AA（00），第3阶的状态是A（0），定理1得证。

m值不小于3 时，由于第3 阶的输入和第1 阶不存在差异，所以第3阶的输出和第1阶一致，第4阶的输出和第2阶一致，定理1得证。

使用定理1可实现流媒体图像信息编码。

1.2.3 解码

流媒体图像信息的Hilbert 解码是把编码映射至坐标，属于编码逆操作［15］。本文将流媒体图像信息解码方法描述成定理2。

定理2如果流媒体图像信息编码信息s1s2…s2m值是0，那么前m阶相应的横坐标与纵坐标值都是0，第m+1阶的状态是0或1。

证 明m=1 时，则第1 阶状态 是A（0），s1s2值 是AA（00），按照表1设定的状态视图可知，第1阶坐标都是0，第2阶状态是1，定理2得证。

m=2 时，因为第2 阶状态是1，s3s4的状态是AA（00），那么按照表1状态视图可知，第2阶的坐标也是0，第3阶的状态是0，定理2得证。

m值不小于3 时，因为第3 阶输入和第1 阶不存在差异，所以第3阶的输出和第1阶一致，第4阶的输出和第2阶一致，定理2得证。

使用定理2可实现流媒体图像信息解码。

由此，完整流媒体图像信息置乱隐藏及解码。

2 实验与结果分析

2.1 视觉效果测试

为了测试本文算法对流媒体图像信息置乱隐藏的有效性，以图2为实验对象，使用本文算法依次进行置乱隐藏。

图2 实验流媒体图像Fig.2 Experimental streaming media images

使用本文算法置乱隐藏后的效果如图3所示。

图3 本文算法流媒体图像信息置乱隐藏效果Fig.3 Scrambling and hiding effect of streaming media image information by proposed algorithm

将图3 和图2 对比后可知，本文算法可有效实现植物类、文字类流媒体图像信息置乱隐藏，本文算法使用后，植物类、文字类流媒体图像信息均以乱码的形式呈现于人们眼前，信息全被隐藏。

在图2 中，通过Word2010 版本中格式编辑程序，将其进行模糊化，结果如图4所示。

图4 模糊化流媒体图像Fig.4 Blurred streaming media images

使用本文算法对模糊化流媒体图像的增强效果如图5所示。

如图5 所示，使用本文算法增强后，植物类、文字类流媒体图像信息得以锐化，图像信息更加显著，增强效果较好。

图5 本文算法对模糊化流媒体图像的增强效果Fig.5 Enhancement effect of blurred streaming media images by proposed algorithm

为了验证本文算法对流媒体图像信息置乱隐藏的应用性，分别使用文献［2］中所提的减少相邻位平面间冗余度的加密图像可逆信息隐藏算法、文献［3］中所提的面向全容量的高性能彩色图像可逆信息隐藏算法对图2 中信息进行置乱隐藏，效果依次如图6～7所示。

图6 文献［2］算法置乱隐藏效果Fig.6 Scrambling and hiding effect of algorithm in reference［2］

图7 文献［3］算法置乱隐藏效果Fig.7 Scrambling and hiding effect of algorithm in reference［3］

将图6～7 与图3 进行对比可知，文献［2］算法、文献［3］算法对图2 中信息进行置乱隐藏后，两种流媒体图像信息未被全部置乱与隐藏，相比之下，本文算法的置乱隐藏效果最好。

2.2 应用性能数值验证

为了深度测试本文算法应用性能，通过置乱隐藏程度Ω评价本文算法、文献［2］算法、文献［3］算法对不同大小的流媒体图像信息置乱隐藏效果。置乱隐藏程度Ω计算式如下:

其中:流媒体图像信息熵与第m个分块图像信息熵依次是L、L(m)；第m个分块里互相近邻像素差值的均值是ϑ(m)。

根据2.1 节实验对比的置乱隐藏效果可得到三种算法对不同大小的流媒体图像信息置乱隐藏度的对比如表2所示。

从表2 可以看出，本文算法对不同大小的流媒体图像的信息置乱隐藏度始终大于文献［2］算法、文献［3］算法，且本文算法的信息置乱隐藏度均大于95%，表明本文算法对流媒体图像信息的置乱隐藏性能较好。究其原因是本文算法在进行置乱隐藏前实现了图像信息增强，能准确识别出需要隐藏的信息，进而达到了提高信息隐藏性能的效果。

表2 不同算法的信息置乱隐藏度Tab.2 Information scrambling and hiding degrees of different algorithms

3 结语

针对流媒体图像信息置乱隐藏，本文提出了一种基于状态视图的流媒体图像信息置乱隐藏算法，并使用该算法依次对植物类、文字类流媒体图像信息进行置乱隐藏。测试结果表明:1）使用本文算法进行置乱隐藏，植物类、文字类流媒体图像信息均以乱码的形式呈现于人们眼前，信息全被隐藏；2）使用本文算法增强后，植物类、文字类流媒体图像信息得以锐化，图像信息更加显著；3）本文算法对流媒体图像信息的置乱隐藏效果可达到95%以上。

由于本文算法主要针对解决流媒体图像存在的信息安全隐患问题，能够有效提高流媒体图像信息的置乱隐藏度，但该算法计算过程较为复杂，导致计算效率较低，在下一步的研究中将对上述问题进行优化，从而高效且准确地完成流媒体图像信息置乱隐藏过程。