[发明专利]一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法

说明书

本发明公开了一种n阶Markov链模型的隐写直觉模糊集距离安全性评价方法，其对隐写系统中的载体数据及载密数据进行n阶Markov链建模，根据隐写通信过程的模糊不确定性，采用直觉模糊集距离，提出了隐写系统直觉模糊集距离安全性评价指标。进一步，从理论上证明了该安全性指标的有界性、交换性和一致性。仿真实验表明，该安全性指标可以区分不同隐写算法在不同嵌入率下的安全性。而且，随着Markov链模型中n的取值增加，得到对应的隐写安全性评价指标的度量能力随之增强。此外，本发明提出的隐写安全性评价指标与确定模式的隐写安全性指标在相同模型下相比，获得了对隐写隐蔽性更全面的评价。

技术领域

本发明涉及一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法及其实施方法，属于隐写系统的安全性评价技术领域。

背景技术

隐写系统的安全性评价是信息隐藏领域研究的重要内容，一方面，其可以对现有的隐写进行对比分析，另一方面对隐写及隐写分析算法的设计具有指导意义。目前，隐写及隐写分析算法以“道高一尺，魔高一丈”相互对抗又相互促进的方式迅速发展，而隐写的安全性理论研究较为缓慢。因此，设计对隐写系统具有普适性的安全性评价指标是信息隐藏研究的重要课题之一。

理想的信息隐藏应使含密载体的统计分布与原始载体分布完全一致。然而，任何隐藏都会引起载体数据的变化。因此，隐写安全性评价指标不可依赖于某种具体隐写算法，只能根据载体在隐写前后的各种统计分布变化来定义。目前，研究人员从不同的角度展开了隐写安全性研究。目前，国内外的主要研究评价方式主要包括以下几种：一种是假定载体和载密空间服从独立同分布，以两者之间的相对熵定义了隐写系统的KL(Kullback-Leibler,KL)距离的安全性指标；另一种是进一步将载体和载密空间构建成1阶Markov链模型，以该模型2阶统计分布的散度距离定义了隐写安全评价指标。还有一种是将载体和载密数据空间构建成阶Markov模型，以该模型经验矩阵的散度距离定义了隐写安全性。此外，研究者还将图像特征投射为高维空间，利用最大均值差异MMD(Maximum Mean Discrepancy)定义了安全性指标。同时，研究人员还对大容量隐写方和攻击方进行博弈建模，从博弈论角度展开了隐写方和攻击方对抗安全性研究，设计了均衡局势下隐写对抗双方的混合安全策略和期望支付值。此外，国内也有利用不同安全性的互补性，拟合盲隐写分析结果，构造了指标值与训练集样本无关的隐写安全评价指标。

以上研究都是在假设得到了确定的载体与载密数据分布下，从不同的角度进行了隐写安全性研究。然而事实上，载体空间是异常巨大的，隐写方和分析方根据无法获得精确的载体与载密数据分布。隐写中的载体与载密数据统计分布实际上是模糊不确定的。虽然一些学者采用从模糊综合评估模型对隐写算法的性能进行了评价，但其未给出具体的评价方法。

本发明针对上述问题，发明了一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法，其根据载体数据的估计特性及隐写引起图像统计特征变化的各种不确定性，从隐写数据的高阶模糊统计模型出发，以载体数据与载密数据之前的差异性，采用直觉模糊集距离，展开隐写系统的直觉模糊集距离安全性评价指标研究，进一步证明了该隐写安全性指标的有界性，交换性和一致性等性质。实验表明，该安全性评价指标可对不同隐写算法进行有效的评价，而且与同模型确定模式下的安全性测度相比，其对隐写具有更强的度量能力。

发明内容

为实现上述目的，本发明提供如下技术方案：一种N阶Markov链模型的隐写直觉模糊集距离安全性评价方法，其特征在于：该评价方法是将载体和载写数据的N阶马尔可夫链的经验矩阵定义为两个直觉模糊集，来合理地描述图像像素转移的不确定性。

进一步，作为优选，其包括以下步骤：

(1)定义直觉模糊集A：