[发明专利]一种优化决策面的改进隐写方法

说明书

本发明公开了一种优化决策面的改进隐写方法，涉及信息安全技术领域。该改进隐写方法，采用智能优化手段优化分类器，调整载体与载密图像的特征在该决策面上投影为同一方向抵抗分类器，而且，不同特征在决策面上的投影是一维的，利用这种降维方式有效解决了高维特征优化的问题。使载密图像特征分布将会呈现随机变化，分类器无法对隐写载体和裁密图像进行分类，从而达到提高隐写安全性的目的。本发明实施例提供的优化决策面的改进隐写方法，其中，智能优化手段包括混合蛙跳算法、粒子群优化，遗传优化等，除了可以提高LSB±k隐写的性能，对其他隐写方法同样有效。算法针对新出现的隐写分析算法，通过优化相应的特征在决策面的投影可抵抗其分析。

技术领域

本发明涉及信息安全技术领域，尤其涉及一种优化决策面的改进隐写方法。

背景技术

隐写是指将秘密信息隐藏在载体中进行隐秘通信的技术；隐写分析则是对检测对象进行分析，判断其是否为含密载体，并进一步估计秘密信息大小和嵌入位置,最终提取秘密信息的过程。隐写过程中，对高位平面进行数据嵌入时，其隐藏容量在增大的同时会引起安全性的迅速下降。

目前，一般使用智能优化的方法解决隐写过程中的可优化问题，从而提高隐写安全性。比如，针对LSB±1(Least Significant Bits Matching，LSBM)隐写算法，学者们采用不同智能优化手段提高其安全性，例如李晓霞等[1]采用粒子群优化JPEG隐写域中±1序列，保持了PSNR值。刘光杰等[2]利用遗传优化达到保持图像二阶统计特征的目的。郭艳卿等[3]采用二进制粒子群优化JPEG隐写中的±1序列，保持了相对熵值。于丽芳等[4]采用粒子群优化使图像隐写引起的分块效应变化最小。Ghasemi等[5]通过遗传优化保持了LSBM在小波域中隐写性能。上述优化策略同样适用LSB±k隐写。当LSB±1隐写算法扩充至最低k个位平面上时，就会得到LSB±k隐写,LSB±k可应用于大容量的信息隐藏。对于其他的隐写算法，同样可以采用上述优化方法实现对安全性的提高。

但是，上述改进方式都是通过智能优化的手段尽量保持隐写前后的某种特征不变来提高隐写安全性，即只优化其中某种特征不变。然而，目前多数隐写分析算法都是采用高维特征，因此，若只优化其中某种特征不变，仍可以通过其它特征进行有效的隐写分析，从而导致隐写信息的安全性下降。

发明内容

本发明的目的在于提供一种优化决策面的改进隐写方法，从而解决现有技术中存在的前述问题。

为了实现上述目的，本发明采用的技术方案如下：

一种优化决策面的改进隐写方法，包括如下步骤：

S1，按照隐写算法对载体图像进行隐写得到载密图像集；

S2，根据所述载密图像集，提取载体图像与载密图像特征，经过训练分类器得到决策面；

S3，以所述决策面为指导，采用智能优化算法优化所述隐写算法嵌入过程中可优化的部位，使得所述载体图像与所述载密图像特征在所述决策面不可区分，得到新的载密图像集；

S4，以所述新的载密图像集做为S2中的所述载密图像集，按照S2-S3的方法操作j-1次，得到一系列的决策面D1,D2...Dj-1，以及一系列的载密图像集S1,S2…Sj-1；其中，j、n为自然数，2≤j≤n，2≤n≤100；