一種把多幅圖像隱藏在一幅圖像中傳輸?shù)姆椒?br>【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像通信的方法，特別涉及一種把多幅圖像嵌入在一幅圖像中進行高效傳輸?shù)姆椒?，屬于通?如數(shù)據(jù)通信技術(shù)等)領(lǐng)域。
【背景技術(shù)】
[0002]當前的社會是個信息的社會，信息的傳輸問題以及傳輸安全問題成了日益迫切的問題，信息隱藏(數(shù)據(jù)隱藏)是信息安全的一個重要分支，其利用人類的視覺冗余將秘密信息嵌入到載體中，從而達到安全傳輸秘密信息的目的。
[0003]隨著科技的發(fā)展，圖像數(shù)據(jù)的高效傳輸以及傳輸?shù)陌踩兊迷絹碓街匾?。通過信息隱藏(也稱數(shù)據(jù)隱藏)技術(shù)可以做到在不改變圖像大小的情況下，在圖像中嵌入秘密信息，從而實現(xiàn)秘密信息和圖像的傳輸。另一方面，對于遙感圖像、醫(yī)學圖像和法律圖像等，要求在提取秘密信息后載體圖像能夠盡可能的恢復。目前，信息隱藏方法廣泛采用，對于圖像來說，有各種信息隱藏方法，如空域隱藏方法，變換域隱藏方法等。但是大都是把小數(shù)據(jù)量數(shù)據(jù)(信息)隱藏到大數(shù)據(jù)量數(shù)據(jù)(如圖像)載體中，可以說，隱藏的容量小于I或遠遠小于1，在有些場合，需要把更多的數(shù)據(jù)信息隱藏到小的數(shù)據(jù)(載體)中，傳統(tǒng)的隱藏方法失效，或無法解決此問題，或缺乏此類方法。

【發(fā)明內(nèi)容】

[0004]本發(fā)明解決的技術(shù)問題:克服現(xiàn)有技術(shù)的不足，提供一種把多幅圖像隱藏在一幅圖像中傳輸?shù)姆椒?，該方法基于非線性變換以及信息隱藏，構(gòu)造特殊輸出的非線性多層神經(jīng)網(wǎng)絡(luò)，產(chǎn)生含密圖像(與原圖大小相同)；然后把傳輸?shù)暮軋D像經(jīng)過逆映射恢復出多路圖像。
[0005]本發(fā)明的技術(shù)方案:一種把多幅圖像隱藏在一幅圖像中傳輸?shù)姆椒?，步驟如下:
[0006]I)對第I幅圖像Al進行分解，分成M個子圖像，子圖像按行或按列排列變?yōu)榇笮長的一維數(shù)組，形成M個大小為L的數(shù)據(jù)Al (m), m = I, 2…M ;每個一維數(shù)組灰度歸一化處理后變?yōu)閄l ;該圖像Al尺寸為WXH，8bit量化；
[0007]2)對第2幅圖像A2進行分解，分成M個子圖像，子圖像按行或按列排列變?yōu)榇笮長的一維數(shù)組，形成M個大小為L的數(shù)據(jù)A2 (m)，m = I, 2…M ;每個一維數(shù)組灰度歸一化處理后變?yōu)閄2 ;該圖像A2尺寸為WXH，8bit量化；
[0008]3)對第η幅圖像An進行分解，分成M個子圖像，子圖像按行或按列排列變?yōu)榇笮長的一維數(shù)組，形成M個大小為L的數(shù)據(jù)An (m), m = I, 2…M ;每個一維數(shù)組灰度歸一化處理后變?yōu)閄n ;該圖像An尺寸為WXH，8bit量化；
[0009]4)將η幅圖像的歸一化數(shù)據(jù)分別經(jīng)過非線性神經(jīng)網(wǎng)絡(luò)netl，類型為多層前饋神經(jīng)網(wǎng)絡(luò)，包括輸入層、中間層和輸出層，輸入層的輸入節(jié)點數(shù)為NI，輸出層的輸出節(jié)點數(shù)為N2 ;輸入節(jié)點數(shù)NI = n*L，輸出節(jié)點數(shù)N2 = L ;非線性神經(jīng)網(wǎng)絡(luò)netl的輸入為XI，X2,...Xn,非線性神經(jīng)網(wǎng)絡(luò)netl的輸出為Xp，p為I到η之間的某個值；所述Xp根據(jù)網(wǎng)絡(luò)權(quán)值優(yōu)選得出，其中網(wǎng)絡(luò)權(quán)值基于學習算法預先形成；
[0010]5)對網(wǎng)絡(luò)輸出Xp進行傳輸，把網(wǎng)絡(luò)序號P隱藏在其中；
[0011]6)接收Xp后，提取隱藏在其中的網(wǎng)絡(luò)序號P，經(jīng)過非線性神經(jīng)網(wǎng)絡(luò)net2，包括輸入層、中間層和輸出層，輸入層的輸入節(jié)點數(shù)為N2，輸出層的輸出節(jié)點數(shù)為NI ;輸入節(jié)點數(shù)N2=L,輸出節(jié)點數(shù)為NI = n*L，輸出為Z = (Z1，Z2，…Zn);所述輸出Z根據(jù)網(wǎng)絡(luò)權(quán)值優(yōu)選得出，其中網(wǎng)絡(luò)權(quán)值基于學習算法預先形成；
[0012]7)對網(wǎng)絡(luò)輸出Z= (Zl，Z2，-Zn)進行逆處理，得到恢復的圖像Al，A2....An。
[0013]步驟4)中的神經(jīng)網(wǎng)絡(luò)權(quán)值學習過程如下:
[0014]41)把與Al-An同大小的η幅訓練圖像Β1，Β2...Βη按順序組合起來產(chǎn)生一幅大圖像 B，尺寸為 WX (Η*η)，或(W*n) XH，8bit 量化；
[0015]42)對該大圖像B進行分解，分成Q個子圖像，子圖像按行或按列排列變?yōu)榇笮長的一維數(shù)組，形成Q個大小為L的數(shù)據(jù)Al (m),m= I, 2…Q ;每個一維數(shù)組灰度進行歸一化處理；
[0016]43)該大圖像B對應(yīng)的非線性神經(jīng)網(wǎng)絡(luò)netl，類型為多層前饋神經(jīng)網(wǎng)絡(luò)，輸入節(jié)點數(shù)為NI，輸出節(jié)點數(shù)為NI ;輸入節(jié)點數(shù)NI = n*L，輸出節(jié)點數(shù)為NI = n*L，大圖像B對應(yīng)的輸入為 XI，X2，…Xn,分別以 X= (X1，0…0)，X= (0，X2，0...0)，X = (0，0，X3，0...0)，X=(0，0，…Xn)為網(wǎng)絡(luò)輸出，按照BP類神經(jīng)網(wǎng)絡(luò)學習方法進行學習，從η種權(quán)值中根據(jù)學習后Xi與原始Xi的峰值信噪比PSNR最大的一組權(quán)值作為netl，i = I, 2.....η。
[0017]步驟6)中的神經(jīng)網(wǎng)絡(luò)權(quán)值學習過程如下:
[0018]61)把與Al-An同大小的η幅訓練圖像Β1，Β2...Βη按順序組合起來產(chǎn)生一幅大圖像 B，尺寸為 WX (Η*η)，或(W*n) XH，8bit 量化；
[0019]62)對該大圖像B進行分解，分成Q個子圖像，子圖像按行或按列排列變?yōu)榇笮長的一維數(shù)組，形成Q個大小為L的數(shù)據(jù)Al (m),m= I, 2…Q ;每個一維數(shù)組灰度進行歸一化處理；
[0020]63)該大圖像B對應(yīng)的非線性神經(jīng)網(wǎng)絡(luò)net2，類型為多層前饋神經(jīng)網(wǎng)絡(luò)，輸入節(jié)點數(shù)為NI，輸出節(jié)點數(shù)為NI ;輸入節(jié)點數(shù)NI = n*L，輸出節(jié)點數(shù)為NI = n*L，分別以X =(XI，…)，X = (0，X2,…)，X = (0，0，X3…)，X = (0,0,…Xn)為網(wǎng)絡(luò)輸入，大圖像B對應(yīng)的輸出XI，X2,…Xn為目標，按照BP類神經(jīng)網(wǎng)絡(luò)學習方法進行學習，從η種權(quán)值中根據(jù)學習后Xi與原始Xi的峰值信噪比PSNR最大的一組權(quán)值作為net2，i = I, 2.....η。
[0021]本發(fā)明與現(xiàn)有技術(shù)相比的有益效果在于:
[0022](I)目前的信息隱藏方法隱藏量大都不超過100%，本方法在不增加信道資源的情況下，把系統(tǒng)的傳輸量提高η倍，或者相當于把圖像壓縮了 η倍。
[0023](2)本發(fā)明所采提出的方法基于非線性神經(jīng)網(wǎng)絡(luò)進行隱藏處理，直接得到含密圖像，該圖像看起來屬于原始圖像的一幅，載體不可見性好；
[0024](3)本發(fā)明方法恢復載體圖像的質(zhì)量(如PSNR值)是可以事先控制的；
[0025](4)本發(fā)明所提出的方法具有魯棒性，因為主要信息包含在神經(jīng)網(wǎng)絡(luò)的加權(quán)值中，信道傳輸?shù)闹皇遣糠謹?shù)據(jù)，因此具有一定魯棒性；
[0026](5)本發(fā)明所采提出的隱藏方法在隱藏多幅圖像的同時具有保密性和防截獲性，網(wǎng)絡(luò)權(quán)值不進行傳輸，別人無法得到，故根據(jù)傳輸?shù)臄?shù)據(jù)無法恢復原圖像；
[0027](6)本發(fā)明技術(shù)方案獨特，直接基于非線性網(wǎng)絡(luò)(神經(jīng)網(wǎng)絡(luò))實現(xiàn)，具有并行分布處理的特點，有助于ASIC高速實現(xiàn)，實用性大大提高；
[0028](7)本發(fā)明所采提出的隱藏方法不需要進行復雜的預處理，不需要壓縮，在變換的同時實現(xiàn)了多幅圖像的隱藏，而傳統(tǒng)的隱藏方法往往變換前或變化后進行隱藏；
[0029](8)本發(fā)明技術(shù)方案基于機器學習技術(shù)，學習過程具有特色:基于輸入-輸出節(jié)點數(shù)相等的神經(jīng)網(wǎng)絡(luò)，采用特殊的目標進行優(yōu)化學習，能適應(yīng)的圖像類型多，圖像恢復質(zhì)量有保證。
[0030]高速數(shù)據(jù)傳輸技術(shù)已經(jīng)廣泛應(yīng)用于遙感衛(wèi)星、空間探測器等航天器及各類衛(wèi)星數(shù)傳系統(tǒng)，在今后必將得到更廣泛應(yīng)用。星上具有多個光學傳感器(多個C⑶相機或多個CXD芯片)，經(jīng)常出現(xiàn)多幅(多路)圖像數(shù)據(jù)傳輸?shù)膱鼍啊?br>[0031]多路傳輸技術(shù)已經(jīng)應(yīng)用于航天器及各類衛(wèi)星數(shù)傳系統(tǒng)技術(shù)中，在今后必將得到更廣泛應(yīng)用。本發(fā)明能把多幅(η幅)圖像隱藏在一幅圖像中進行傳輸，相當于對圖像壓縮了多倍(η倍)而不用采用傳統(tǒng)的數(shù)據(jù)壓縮技術(shù)，具有傳輸效率高，圖像恢復質(zhì)量高、質(zhì)量可控等特點，同時該方法具有復雜度低、實現(xiàn)資源占用少等實用性的特點，從而在航天器工程、在圖像傳輸系統(tǒng)中都具有實用價值。
【附圖說明】
[0032]圖1為本發(fā)明原理圖。
【具體實施方式】
[0033]下面結(jié)合附圖對本發(fā)明的【具體實施方式】進行進一步的詳細描述。
[0034]—、基礎(chǔ)技術(shù)
[0035]為了更好地理解本發(fā)明，先對本發(fā)明涉及到的基本技術(shù)進行解釋說明。
[0036]1、信息隱藏技術(shù)
[0037]信息隱藏通常被看作是一個通信過程，它的輸入為待傳輸?shù)拿孛軘?shù)據(jù)，信道中傳輸?shù)氖枪_的載體數(shù)據(jù)，接收到的則是隱藏有秘密信息的載體數(shù)據(jù)。
[0038]有關(guān)信息隱藏嵌入算法分為兩大類:一是空域嵌入算法，二是變換域嵌入算法。隱藏的數(shù)據(jù)量稱為絕對隱藏容量或絕對隱藏容量，隱藏的數(shù)據(jù)量與載體的數(shù)據(jù)量之比稱為相對隱藏容量或嵌入率，一般相對容量遠遠小于I。而本發(fā)明相對嵌入率則超過了 I。
[0039]2、BP神經(jīng)網(wǎng)絡(luò)技術(shù)
[0040]BP神經(jīng)網(wǎng)絡(luò)是基于誤差反向傳播算法的多層前饋神經(jīng)網(wǎng)絡(luò)，為目前應(yīng)用最為廣泛的神經(jīng)網(wǎng)絡(luò)學習算法。通過輸入輸出樣本集的訓練，可實現(xiàn)從輸入到輸出的任意非線性映射，其技術(shù)本質(zhì)是采取最陡梯度下降法來實現(xiàn)映射關(guān)系的逼近。一般包括輸入層、隱含層和輸出屈，每層有一個或多個神經(jīng)元，它們與相鄰的神經(jīng)元連接，在每個連接上有多個權(quán)值。通過輸入/輸出樣本集調(diào)整這些權(quán)值和每個神經(jīng)元的域值，根據(jù)學習算法進行多次法代，滿足一定的條件后停止訓練(學習)，形成從輸入到輸出之間函數(shù)關(guān)系的神經(jīng)網(wǎng)絡(luò)。
[0041]二、實施例
[0042]為了驗證本文提出的算法的性能，仿真實驗中采用了大小為512X 512的8比特灰度圖像Al，Α2，A3，Α4四幅圖像進行信息隱藏傳輸與恢復，信息隱藏相對容量:300%。( 一幅圖像中隱藏3幅)
[0043]仿真所用網(wǎng)絡(luò)net I為輸入節(jié)點64*4，輸出節(jié)點64，誤差E = 0.001，要求對應(yīng)PSNR為40dB。中間節(jié)點數(shù)為:N彡16，可取為16-64，經(jīng)過BP算法學習后得到網(wǎng)絡(luò)netl。
[0044]仿真所用網(wǎng)絡(luò)net2為輸入節(jié)點64，輸出節(jié)點64*4，中間節(jié)點，誤差E = 0.001，要求對應(yīng)PSNR為40dB。中間節(jié)點數(shù)為:N彡16，可取為16-64，經(jīng)過B