图像信息隐藏技术与设计大学毕业设计

图像信息隐藏技术与设计大学毕业设计内容摘要：

来约占 20％。 由此可见，视觉信息对人类非常重要。 同时，图像又是人类获取视觉信息的主要途径，是人类能体验的最重要、最丰富、信息量最大的信息源。 一幅图像包含了它所表示的物体的有关信息，在较广的定义下，图像也包括 人眼不能感知的各种“表示”。 图像可根据其形式或产生方法来分类。 为此，引入一个集合论的方法 ，将图像的类型用图。 图 图像的模型 在图像集合中，包含了所有可见的图像 (visible image)，即可由人眼看见的图像的子集，在该子集中又包含几种不同方法产生的图像的子集，一个子集为图片 (picture)，它包括照片 (photograph)、图 (drawing)和画 (painting)。 另一个子集为光学图像 (optical image)，即用透镜、光栅和全息技术产生的图像。 图像的另一个子集是由连续函数和离散函数组成的抽象的数学图像，其 中后一种是能被计算机处理的数字图像 (digital image)。 物体 图像 数学图像 可见图像 不可见图像 模拟 数字 图片 光学图 像 图像信息隐藏技术与设计 第 15 页 共 51 页 客观世界在空间上是三维的，但一般从客观景物得到的图像是二维的。 一幅图像可以用一个二维函数 f(x,y)来表示，也可看作是一个二维数组， x和 y表示二维空间 XY中一个坐标点的位置，代表图像在点 (x,y)的某种性质 F的数值，例如一种常用的图像是灰度图 (如图 )，此时 f表示灰度值，它对应客观景物被观察到的亮度。 图 灰度图 像及其函数表示 日常见到的图像多是连续的，有时又称之为模拟图像，即 f,x和 y的值可以是任意实数。 为了便于计算机处理和存储，需要将连续的图像在坐标空间 XY和性质空间 F都离散化。 这种离散化的图像就是数字图像 (digital image)，可以用 I(r,c)来表示。 其中， r代表图像的行 (row)， c代表图像的列 (column)。 这里 I,r,c的值都是 整数。 在不致引起混淆的情况下我们仍用． f(x,y)表示数字图像 ,f,x和 y都在整数集合中取值。 图像的数字化处理 实际的图像具有连续的形式，但必须经过数字 化变成离散的形式，才能在计算机中存储和运算。 数字化包括采样和量化两个步骤。 采样就是用一个有限的数字阵列来表示一幅连续的图像，阵列中的每一个点对应的区域为“采样点”，又称为图像基元 (picture element)，简称为像素 (pixel)。 采样时要满足“采样定理”。 这个过程是通过扫描实现的，输出的量是连续的电平。 “量化”就是对这个模拟输出量取离散整数值，这个过程用 A/D器件实现。 1．图像的采样 图像采样的常见方式是均匀的矩形网格，如图 ，将平面 (x,y)沿 x方向和 y方向分别以△ x和△ y为间隔均匀地 进行矩形的划分，采样点为 x=i△ x y=j△ y于是连续图像 f(x,y)对应的离散图像 f1(x,y)可表示为 （ 31） 127 220 178 98 173 252 172 61 127 173 127 36 图像信息隐藏技术与设计 第 16 页 共 51 页   0 ,),(),( yiyxixyxfyxf cd (31) Y △ x △ y X 图 典型的矩阵网格采样方式 2．图像的量化 经过采样后，模拟图像已被分解成空间上离散的像素，但这些像素的取值仍然是连续量。 量化就 是把采样点上表示亮暗信息的连续量离散化后，用数字来表示。 根据人眼的视觉特性，为了使量化后恢复的图像具有良好的视觉效果，通常需要 100 多个量化等级。 为了计算机的表达方便，通常取为 2 的整数次幂，如25 128 等。 图 所示是量化操作的示意图。 F2 F0 F1 图 量化示意图 将连续图像的像素值分布在 [f1,f2]范围内的点的取值量化为 f0，称之为灰度值和灰阶。 把真实值 f和量化值 f0 之差称为量化误差。 量化方法有两种。 一般采用等间隔廊一量化，称之为均匀量化。 对于像素灰度值在从黑到白的范围内较均匀分布的图像，这种量化可以得到较小的量化误差。 另一种量化方法是非均匀 图像信息隐藏技术与设计 第 17 页 共 51 页 量化，它是依据一幅图像具体的灰度值分布的概率密度函数，按总的量化误差较小的原则来进行量化。 具体做法是对图像中像素灰度值频繁出现的范围，量化间隔取小一些，而对那些像素灰度值极少出现的范围，则量化间隔取大一些。 这样就可以在满足精度要求的情况下用较少的位数来表示。 3．数字图像的表示 经过采样和量化操作，就可以得到一幅空间上表现为离散分布的有限个像素，灰度取值上表现为有限个离散的可能值的数字图像。 数字化之后的图 像用一个矩阵表示 g=[g(x， y)]式中 x、 y是整数，且 1≤ x≤ M， I≤ Y≤ N，表示矩阵的大小为 M*N．其中 M为采样的 行 数 N为采样的 列 数。 除了常见的矩阵形式外，在 MATLAB运算等情况下，常将图像表示成一个向量： g=[g(1)g(2)⋯g(j)⋯g(N)]。 式中， g(j)是行向量或列向量。 向量 g是把式中元素逐行或逐列串接起来形成的。 数字图像的灰度直方图 灰度直方图是数字图像的重要特征之一。 它是关于灰度级分布的函数，反映一幅图像中各灰度级与各灰度级像素出现的频率之间的关系。 灰度级为 [O， L1]的数字图像的灰度直方图通常用离散函数 h(Rk)表示，定义如下： h(Rk)其中 Rk为第 k级灰度， Nk是图像中具有灰度级 Rk的像素个数。 显然 0≤ k≤ L1， 0≤ Nk≤n1， n为图像总的像素数目。 在图像处理中常用的是归一化的直方图 P(Rk)。 nNRp kk /)(  (32) 1)(10 Lk kRP (33) P(Rk)反映了图像中各个灰度级的分布概率，是能够反映图像整体特征的一个统计量。 可以看出，直方图很直观地反映了图像的视觉效果。 对于视觉效果良好的图像，它的像素灰度应该占据可利用的整个灰度范围，而且各灰度级分布均匀。 值得一提的是，灰度直方图只能反映图像的灰度分布情况，而不能反映图像像素的位置，即丢失了像素的位置信息。 图像的灰度直方图在信息隐藏技术中得到了重要的应用。 提出了基于差分直方图实现 LSB信息隐藏的可靠性检测方法，研究了一种基于频率域差分直方图能量分布的可对 DFT域、 DCT域和 DWT域图像信息隐藏实现通用盲检测的方法。 提出了基于空域直方图、频域直方图的无损数据隐藏方法。 一个灰度直方图的例子如图。 图像信息隐藏技术与设计 第 18 页 共 51 页 P(Rk ) 0 255 图 灰度直方图示例 常用颜色模型 所谓颜色模型就是指某个三维颜色空间中的一个可见光子集，它包含某个颜色域的所有颜色。 常用的颜色模型可分为两类，一类面向诸如彩色显示器或打印机之类的硬设备 ，另一类面向以彩色处理为目的的应用。 面向硬设备的最常用的模型是 RGB模型，而面向彩色处理的最常用模型是 HIS模型。 这两种模型也是图像技术最常见的模型。 1． RGB模型 RGB颜色模型基于笛卡儿三维直角坐标系， 3个轴分别为红、绿、蓝三基色，各个基色混合在一起可以产生复合色，如图。 RGB颜色模型通常采用图 所示的单位立方体来表示，在正方体的主对角线上，各原色的强度相等，产生由暗到明的白色，也就是不同的灰度值。 (0,0,0)为黑色， (1,1,1)为白色。 正方体的其它六个角点分别为红、黄、绿、青、蓝和 品红。 图像信息隐藏技术与设计 第 19 页 共 51 页 图 RGB混合效果 蓝 (0,0,1) 青 (0,1,1) 白 (1,1,1) 品红 (1,0,1) 黑 (0,0,0) 绿 (0,1,0) 红 (1,0,0) 黄 (1,1,0) 图 RGB立方体 根据这个模型，一幅彩色图像每个像素的颜色都用三维空间的一个点来表示，由红、绿、蓝三基色以不同的比例相加混合而产生的。 C=aR+bG+cB (33) 其中 C为任意彩色 光， a,b,c,为三基色 R、 G、 B的权值。 R、 G、 B的亮度值限定在 [0255]。 红 蓝 绿 黄 =红 +绿 品红 =红 +蓝 青 =绿 +蓝 白 =红 +绿 +蓝 图像信息隐藏技术与设计 第 20 页 共 51 页 2． HSV模型 该模型对应于圆柱坐标系的一个圆锥形子集 (图 )。 圆锥的顶面对应于V=1，代表的颜色较亮。 色彩 H由绕 V轴的旋转角给定，红色对应于角度 0度，绿色对应于角度 120度，蓝色对应于角度 240度。 在 HSV颜色模型中，每一种颜色和它的补色相差 180度。 饱和度 s取值从 0到 1，由圆心向圆周过渡。 在圆锥的顶点处，V=0， H和 S无定义，代表黑色，圆锥顶面中心处 S=0， V=1， H无定义，代表白色，从该点到原点代表亮度渐暗的白 色，即不同灰度的白色。 任何 V=1， S=1的颜色都是纯色。 V 绿（ 120度） 黄 青 红（ 0度） 蓝（ 240度） 品红 H 0 S 图 HSV颜色模型 HSV颜色模型 对应于画家的配色方法。 画家用改变色浓和色深的方法来从某种纯色获得不同色调的颜色。 其做法是：在一种纯色中加入白色以改变色浓，加入黑色以改变色深，同时加入不同比例的白色，黑色即可得到不同色调的颜色。 如图 ，为具有某个固定色彩的颜色三角形表示。 色浓 白 纯色 色调 灰 色深 黑 图 颜色三角形 图像信息隐藏技术与设计 第 21 页 共 51 页 图像质量评价 图像质量评价的研究是图像信息工程的基础技术之一。 在图像通信中，将图像传输到接收 端，其中要经过采集、传输、处理、记录等过程，所有这些技术的优劣都会影响到图像质量。 图像处理中的编码技术，就是在保持编码图像一定质量的前提下，以尽可能少的比特数来表示图像。 以便节省信道有效带宽或存储器的容量。 数字图像信息隐藏系统中也必须对隐藏算法中得到的隐密公开图像和解密算法中得到的恢复图像质量进行评价。 图像质量的含义包括两个方面，一是图像的逼真度 (fidelity)，另一个是图像的可懂度 (intelligibility)。 逼真度是指评价图像与标准图像的偏离程度，图像的可懂度则是表示图像能向人或计算机提供信 息的能力。 由于人们对图像质量的评价受到诸如观察环境、观察者的视觉心理和精神状态以及观察者与视觉场景相互作用的程度等因素的影响，逼真度和可懂度的定量分析方法是个很困难的课题，虽然取得了一些进展，但是还没有很好的解决。 因此，对图像质量的评价方法工程中采用的还是主观评价法，在一些特定应用背景，如图像复原中，才采用定量分析。 1．图像的客观质量评价方法 客观评价是用隐密图像 (或恢复图像 )偏离原始图像的误差来衡量隐密图像(或恢复图像 )的质量。 最常用的有均方根误差 (RMSE： Root Mean Squared Error)和峰值信噪比 (PSNR： Peak Signal to Noise Ratio)，它们 的表达式为  NMyxfyxgR M S EMxNy  1 12),(),( (34)    MxNyyxfyxgNMP S N R1 12),(),(256256lg10 (35)。