秘密信息嵌入到RGB通道的方式:分段嵌or完整嵌入各通道

news/2025/2/15 15:49:35/

目录

1. 将秘密信息分为三部分的理由

(1)均匀分布负载

(2)提高鲁棒性

(3)容量分配

2. 不将秘密信息分为三部分的情况

(1)嵌入容量

(2)视觉质量

(3)鲁棒性

3. 如何选择

4. 代码实现

(1)将秘密信息分为三部分

(2)将相同的秘密信息嵌入到三个通道

5. 总结


1. 将秘密信息分为三部分的理由

将秘密信息分为三部分,分别嵌入到 R、G、B 三个通道中,主要是基于以下考虑:

(1)均匀分布负载
  • 如果将秘密信息均匀分配到三个通道中,每个通道的负载会减少,从而降低对单个通道的影响。

  • 这有助于保持图像的视觉质量,因为每个通道的修改量较小。

(2)提高鲁棒性
  • 如果某个通道在传输或处理过程中受到干扰(例如压缩、噪声等),其他通道仍然可以保留部分秘密信息。

  • 这种分布方式可以提高整体系统的鲁棒性。

(3)容量分配
  • 如果秘密信息较长,分配到三个通道中可以更好地利用图像的嵌入容量。


2. 不将秘密信息分为三部分的情况

如果你选择将相同的秘密信息嵌入到 R、G、B 三个通道中,也是可行的,但需要注意以下几点:

(1)嵌入容量
  • 每个通道都嵌入相同的秘密信息,相当于将嵌入容量增加了三倍。

  • 但这种方式可能会浪费容量,因为三个通道中存储的是相同的信息。

(2)视觉质量
  • 在三个通道中嵌入相同的信息,可能会导致图像的视觉质量下降更明显,因为每个通道都被修改了。

(3)鲁棒性
  • 如果某个通道受到干扰,其他通道中仍然保留了相同的信息,这可以提高鲁棒性。

  • 但这种方式也可能增加被检测到的风险,因为三个通道的修改模式相同。


3. 如何选择

选择是否将秘密信息分为三部分,取决于你的具体需求:

  • 如果需要更高的嵌入容量:可以将秘密信息分为三部分,分别嵌入到 R、G、B 通道中。

  • 如果需要更高的鲁棒性:可以将相同的秘密信息嵌入到 R、G、B 通道中。

  • 如果对视觉质量要求较高:建议将秘密信息分为三部分,均匀分布到三个通道中。


4. 代码实现

以下是两种方式的代码实现示例:

(1)将秘密信息分为三部分
% 将秘密信息分为三部分
msg_r = msg(1:floor(msg_length/3)); % R 通道
msg_g = msg(floor(msg_length/3)+1:floor(2*msg_length/3)); % G 通道
msg_b = msg(floor(2*msg_length/3)+1:end); % B 通道% 对每个通道进行嵌入(embed是自己的嵌入函数)
[r_stego, ~] = embed(r_channel, msg_r, m); % 嵌入到 R 通道
[g_stego, ~] = embed(g_channel, msg_g, m); % 嵌入到 G 通道
[b_stego, ~] = embed(b_channel, msg_b, m); % 嵌入到 B 通道% 合并通道
stego_rgb = cat(3, r_stego, g_stego, b_stego);
(2)将相同的秘密信息嵌入到三个通道
% 将相同的秘密信息嵌入到 R、G、B 通道
[r_stego, ~] = embed(r_channel, msg, m); % 嵌入到 R 通道
[g_stego, ~] = embed(g_channel, msg, m); % 嵌入到 G 通道
[b_stego, ~] = embed(b_channel, msg, m); % 嵌入到 B 通道% 合并通道
stego_rgb = cat(3, r_stego, g_stego, b_stego);

5. 总结

  • 分为三部分:适合需要均匀分布负载、提高鲁棒性或嵌入容量较大的场景。

  • 嵌入相同信息:适合需要提高鲁棒性、且对嵌入容量要求不高的场景。


http://www.ppmy.cn/news/1572280.html

相关文章

Pytorch深度学习教程_1_Python基础快速掌握

欢迎来到PyTorch深度学习教程系列!在本系列中,我们将从零开始学习如何使用PyTorch进行深度学习开发。本篇是系列的第一篇,我们将快速掌握Python编程基础,为后续的深度学习学习打下坚实的基础。 对于深度学习环境配置及pytorch的下…

Day65_20250213图论part9_dijkstra(堆优化版)|Bellman_ford算法精讲

Day65_20250213图论part9_dijkstra(堆优化版)|Bellman_ford算法精讲 dijkstra(堆优化版) 题目 https://www.programmercarl.com/kamacoder/0047.%E5%8F%82%E4%BC%9Adijkstra%E5%A0%86.html 小明参加科学大会 思路 思路 朴素版的dijkstra,时间复杂度为O(n^2)&am…

逻辑回归不能解决非线性问题,而svm可以解决

逻辑回归和支持向量机(SVM)是两种常用的分类算法,它们在处理数据时有一些不同的特点,特别是在面对非线性问题时。 1. 逻辑回归 逻辑回归本质上是一个线性分类模型。它的目的是寻找一个最适合数据的直线(或超平面&…

进阶版MATLAB 3D柱状图

%% 1. 数据准备 % 假设数据是一个任意形式的矩阵 % 例如:5行 x 7列的矩阵 data [3 5 2 6 8 4 7;7 2 6 9 3 5 8;4 8 3 7 2 6 9;6 1 5 8 4 7 2;9 4 7 3 6 2 5];% 定义行和列的标签(可选) rowLabels {Row1, Row2, Row3, Row4, Row5}; % 行标签…

强化 CSS 样式优先级的多种方法

一、CSS样式优先级的基础规则 在 CSS 中,优先级的计算主要依赖于选择器的权重。权重越高,优先级越高。 CSS 选择器的权重计算规则 CSS 选择器的权重由以下部分组成: 1. 行内样式:style"...",权重为 1000。…

Azure从0到1

我能用Azure做什么? Azure提供100多种服务,能够从在虚拟机上运行现有应用程序到探索新的软件范式,如智能机器人和混合现实。许多团队开始通过将现有应用程序移动到在Azure中运行的虚拟机(VM)来探索云。将现有应用程序迁移到虚拟机是一个良好的开端,但云不仅仅是运行虚拟…

后台管理系统前端搭建

版本 node:v20.11.1pnpm:10.2.1vue: 3.5.13vite: 创建git仓库 以下是在gitee创建了“admin-template” https://gitee.com/gzcltech/admin-template初始化项目 pnpm create vuelatest选择如下 4. clone模板 git clone https://gitee.com/kailong1101…

【BUG】conda虚拟环境下,pip install安装直接到全局python目录中

问题描述 conda虚拟环境下,有的虚拟环境的python不能使用(which python时直接使用全局路径下的python),且pip install也会安装到全局路径中,无法安装到conda虚拟环境中。 解决方案 查看虚拟环境的PIP缓存默认路径&…