[发明专利]一种基于矩阵特征的STC最优子校验矩阵集合选取方法

说明书

本发明涉及一种基于矩阵特征的STC最优子校验矩阵集合选取方法，该方法具体为：首先子校验矩阵的规格不应过小，即h≥5，w≥5，同时一般情况下|h‑w|≤2；其次我们需要保证子校验矩阵的每一列都不相同；再次根据“稀疏度约束”应保证每列的稀疏度最低(即每列的“1”要尽可能的多)；随后根据“每列奇偶性约束”应保证“首行置1”；接着“每行0‑1和约束”我们应尽可能保证“行和为1”；最后根据“末行置1约束”应在其它约束条件不被破坏时，保证“末行置1”。该方法能对不同的密信载体进行自适应地选取子校验矩阵，并能使失真元素个数最小化。

技术领域

本发明涉及数字隐写技术领域，尤其涉及一种基于矩阵特征的STC最优子校验矩阵集合选取方法。

背景技术

数字隐写作为信息隐藏的主要分支之一，其主要功能是将秘密信息通过某种方式将其嵌入到数字媒体(图像、视频、音频等等)中，使得该媒体在公共信道传输而密信不被发现。目前最安全的隐写方案是内容自适应方案，它们倾向于将秘密信息嵌入具有复杂内容的区域中。STC[1]是T.Filler根据卷积编码和维特比算法所提出的一种信息隐藏算法。该算法假定各个载体元素之间的失真是加性的，随后并通过设计启发性的失真代价函数去衡量算法的失真程度，最后通过子校验矩阵实现在载体子块上对密信的连续嵌入。传统的STC嵌入公式如下：

其中，Emb(·)表示密信嵌入函数、x表示原始载体向量、y表示隐写后载体向量、m表示秘密信息向量、D(x，y)表示密信嵌入前后载体的汉明距离即改变的元素个数(也即前后载体失真量)。该式表示传统STC框架下，隐写模型的目标函数为嵌入前后载体的失真最小。

在这个模型中，前后载体失真量的衡量方式如下：

其中ρ_i表示为当前元素的失真权重、n表示载体长度、i表示当前载体位置，当然前后载体的失真量还可以由下式表示：

其中w表示子校验矩阵的列数(子校验矩阵大小表示为其中h表示行数、w表示列数)，length(x)表示用于密信隐藏的载体长度。

在该框架中，普适的密信提取公式如下：

Ext(y)＝Hy

即

其中Ext(·)表示密信提取函数、x表示原始载体向量、y表示隐写后载体向量、m表示秘密信息向量、H表示校验矩阵。该式表示了密信的提取方式，是通过校验矩阵于隐写后载体相乘得到，而校验矩阵不同于子校验矩阵，其长度是子校验矩阵的倍数，一般倍数与密信长度相当。在STC隐写框架下，通过密信提取函数可以将密信完全还原出来。

但是现有技术中的最优子校验矩阵在一些特殊场合下不能达到最优的失真元素个数约束，使得密信还原后失真严重。

发明内容

鉴于上述问题，本发明的目的在于提供一种对应不同的密信载体能够进行自适应并能使失真元素个数最小化的基于矩阵特征的STC最优子校验矩阵集合选取方法。

为了实现上述目的，本发明的技术方案为：一种基于矩阵特征的STC最优子校验矩阵集合选取方法，其特征在于：

S1，输入待求的最优子校验矩阵的行数h和列数w，并以列为单位从大小为h×w的所有子校验矩阵形成的集合F中选取稀疏度最小的前w列；

S2，将S1中选取的该w列放入备选集合C中；

S3，判断集合F中是否有第w+k列的稀疏度与集合C中第w列的稀疏度相同，若是，则将该第w+k列放入备选集合C中，执行k++，并继续进行前述判断，其中k为正整数，若否则执行S4；