matlab绘制dct直方图,【图像隐写】基于matlab DCT的图像隐写【含Matlab源码 365期】...

本文主要是介绍matlab绘制dct直方图,【图像隐写】基于matlab DCT的图像隐写【含Matlab源码 365期】...，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一、简介

在图像隐写分析中，这几个特征是比较经典的

图像隐写分析中DCT特征与Markov特征展现出了极大的潜力，小波变换的奇异值分解(Wavelet Singular Value Decomposition ， WSVD)特征也有奇效，本文实现前人论文的特征提取编程代码。

先说说理论知识

1 扩展DCT统计特征提取

大多数的隐密算法都是对JPEG图像的DCT系数进行操作，以此来嵌入秘密信息。DCT系数统计特征，旨在捕捉DCT系数的统计量的特征，以此来区分载体图像和隐密图像。

DCT系数统计算法由Fridrich【1】提出，其中包含了DCT系数直方图，共生矩阵，空域块间相关性等部分。首先用DCT系数替换相同位置的原始图像像素，使用dij(k) 来表示DCT系数矩阵，其中i，j=1, … ,8，k=1, … ,nB。而dij(k)则代表的是在第k个8×8 DCT块中处于(i，j)位置的DCT系数，而DCT块一共有nB 块。为了减少计算量和特征维度，在计算特征之前需要进行预处理，将所有DCT系数值范围限定在[-5，5]之间，大于和小于该范围内的值全部变换为-5到+5之间。

其中，Ir和Ic表示图像DCT系数块的两种排列方式，分别是行扫描顺序和列扫描顺序。

接下来的两个特征Bα是从解压的JPEG图像中计算，也是一种块间相关性的特征：

在DCT系数统计的隐密分析中，Fridrich首次提出了用于隐密分析的“校准”概念和计算原理：特征计算函数F，训练或测试图像J1，将图像J1解压到空域并沿各个方向裁剪四个像素，然后使用同J1相同的量化表压缩得到的图像J2。f表示最终获取的特征，而最后的特征由f=F(J1)-F(J2)计算得到。

采用如此计算方式的原理如下：裁剪之后的图像和原始图像内容上大体上完全一致，虽然裁剪之后的图像失去了原来的DCT分块，但是其统计特征应与原来相差不多。而这个过程会对嵌入的信息十分敏感，使裁剪前后的特征差别较大。经过实验证明，如此提取特征的方法非常有效果。

总结来说，DCT系数统计特征对DCT系数全局和局部进行了统计分析，并且捕获DCT系数的块间相关性和空域像素的相关性等特征。对于JPEG图像来说，所有隐密算法都是针对DCT系数进行修改，该算法确实是有一定的效果。实验中，该特征集展现了不错的分析效果，在0.2的嵌入率情况下可以达到平均95%的准确率，但是对MB算法的效果一般，尤其是MB2。

原始DCT统计特征已经有一定的检测效果，本文先对其进行扩展，加强特征的检测效果。对于全局直方图函数H，可以得到范围在[-5，+ 5]中的元素个数的差异，包括全局直方图和局部直方图，局部直方图选择的位置为{(1, 2)，(2, 1)，(3, 1)，(2, 2)，(1, 3)}。因此，直方图特征是：

如此的DCT扩展特征共有193维，其特征组成见下表。

二、源代码

clc;

clear;

msgfid=fopen('hidden.txt','r');%%打开秘密文件,读入秘密信息

[msg,count]=fread(msgfid);

count=count*8;

alpha=0.02;

fclose(msgfid);

msg=str2bit(msg)';

[len col]=size(msg);

io=imread('lena.bmp');%读取载体图像

io=double(io)/255;

output=io;

i1=io(:,:,1);%取图像的一层来隐藏

T=dctmtx(8);%对图像进行分块

DCTrgb=blkproc(i1,[8 8],'P1*x*P2',T,T');%对图像分块进行DCT变换

[row,col]=size(DCTrgb);

row=floor(row/8);

col=floor(col/8);

% 顺序信息嵌入

temp=0;

for i=1:count; if msg(i,1)==0 if DCTrgb(i+4,i+1)DCTrgb(i+3,i+2) temp=DCTrgb(i+4,i+1); DCTrgb(i+4,i+1)=DCTrgb(i+3,i+2); DCTrgb(i+3,i+2)=temp; end end if DCTrgb(i+4,i+1)

end1