基于遗传算法的图像隐写与嵌入：电子通讯领域的数据完整性和遗传算法隐写认证

软计算快报3（2021）100021基于遗传算法的图像隐写和嵌入M.K. Shyla a，*，K.B. Shiva Kumar b，Rajendra Kumar Das c电子与通讯工程系助理教授，印度卡纳塔克邦Tumakuru的SSITb电子和电信工程系教授和H.O.D，SIT Tumakuru，卡纳塔克邦，印度c印度奥里萨邦Cuttack Tangi DRIEMS负责人A R T I C L EI N FO保留字：遗传算法隐写认证数据完整性载波图像选择A B标准随着互联网应用的日益广泛，通过互联网进行数据交换已成为一项重要的技术，因此数据安全已成为通信领域的一大挑战。对数据认证和控制数据完整性的有效手段的需求一直在稳步增长。这种需求是由于数字数据可以被篡改的容易性。因此，密码术和水印可以被隐写术所取代，以实现安全的数据通信和数据隐私。在本文中，载体图像的选择，使有效载荷/秘密图像和载体图像的最低有效位匹配具有较大程度的兼容性和隐藏过程中引入的变化可以忽略不计的隐写图像的基础上的遗传算法。在所提出的方法中，我们已经取得了30%至40%的性能相比，不同的现有方法的改进选择合适的覆盖图像并隐藏秘密数据以增强不可感知性是一个非常具有挑战性的任务。遗传算法是用来减轻探索一个不可能的任务，从数以万亿计的组合选择的工作。1. 介绍图像隐写术的目的是嵌入秘密信息并防止其出现以实现秘密通信。秘密信息在载体图像中的嵌入是图像隐写的结果，而图像隐写的重要目标是减小隐写图像与载体图像之间的差异[1]。检测隐写算法的基本参数是不可见性、嵌入容量和安全性。同时实现所有这些参数是一项艰巨的任务。例如，如果我们试图提高有效载荷容量，视觉质量或安全因素可能会降低类似的其他参数[2]。LSB替换隐写术是最常用的数字隐写技术，它对评价参数进行了改进。在LSB隐写中，载体图像piX el的LSB被秘密图像piX el修改/替换。有效载荷图像像素可以嵌入在载体图像的所有像素中，或者可以嵌入在几个选定的像素中。关于这些用于嵌入的所选覆盖像素的信息可以通过秘密隐写密钥给出[3]。本文提出了一种基于遗传算法的图像隐写算法，用于从100幅载体图像中识别出一幅合适的载体载体图像是该算法基于秘密数据与载体图像LSB的兼容性来识别隐藏图像，使得嵌入过程对隐藏图像的影响很小。该方案在识别载体图像的同时，利用遗传算法寻找不同的方法来重新排列秘密数据，从而使隐写图像的任何变化都最小化。遗传算法在图像隐写中的动机和贡献是识别合适的载体图像，同时嵌入有效载荷数据，以提高隐写图像的视觉质量，这是一个非常具有挑战性的任务。因此，为了简化从庞大的数据库中选择载体图像的复杂性，采用了遗传算法。所提出的技术分两个阶段实施。第一阶段讨论了从100幅图像的数据库中选择和比较8幅封面图像。为此目的，考虑了有效载荷和载体图像的统计参数。在第二阶段，将有效载荷数据重新排列在所选择的封面图像上，并比较所设置的条件，如果条件满足则嵌入有效载荷图像。有数百万种方法可以选择块大小及其重排顺序。探索所有这些可能性是最困难的过程。因此，GA是用来确定最近的最佳可能性。第二节简要介绍了本文所选主题的相关文献综述第三节解释* 通讯作者。电子邮件地址：shylamk@ssit.edu.in（M.K. Shyla），kbsssit@gmail.com（K.B.S. Kumar），drrkd67@rediffmail.com（R.K.Das）。https://doi.org/10.1016/j.socl.2021.100021接收日期：2021年5月10日;接收日期：2021年7月6日;接受日期：2021年9月9日2021年9月22日在线提供2666-2221/©2021的作者。发表通过ElsevierB.V.这是一个开放接入文章下的CCby-NC-ND许 可 证（http://creativecommons.org/licenses/by-nc-nd/4.0/）中找到。可在ScienceDirect上获得目录列表软计算快报杂志首页：www.sciencedirect.com/journal/soft-computing-lettersM.K. Shyla等人软计算快报3（2021）1000212××遗传算法的基本原理和提出的算法。本节讨论了识别载体图像的过程和GA实现细节。在第四节中，讨论了所提出的覆盖图像选择和嵌入方法的结果。第五节总结了本文的研究结果，并强调了未来工作的范围。2. 文献调查Shah和Bichkar[4]描述了一种基于遗传算法的隐写技术，以识别嵌入所选系数的最佳位置，并且识别图像的四分之一部分以隐藏2位piX el可能导致计算复杂度。Shah和Bichkar[5]引入了进化计算方法来选择最适合的位置和模式用于有效载荷数据隐藏。采用粒子群优化思想选择数据嵌入的可能顺序，采用遗传算法寻找最佳的修改方案，使载体图像的修改量最小，得到的PSNR约为42db。戈德堡[6]这本书的作者解释了正常和教程的方式- 计算机概念、数学工具和研究成果，将为学生和研究人员提供利用遗传算法解决各个领域问题的方法。Pratik Shah和Rajankumar Bichkar[7]提出了使用遗传算法的基于有效载荷数据修改的图像隐写方案。用于改变和修改有效载荷数据的条件和要求由遗传算法控制。灵活的染色体的概念，其中遗传算法解释的染色体值在不同的方式，并试图确定最合适的参数，提供良好的视觉质量的隐写图像，因为有效载荷图像在这里被修改，在接收机的提取过程可能会变得繁琐。裘德·海曼 例如，[8]描述了传统遗传算法和改进遗传算法的组合概念。采用遗传算法结合Fresnelet变换和离散Ripplet变换进行嵌入。Kanan和Bahram[9]提出了一种依赖于遗传算法（GA）的可调视觉质量良好的图像和空间域无损数据技术。PSNR和嵌入容量作为评价参数。Bhattacharya et 例如，[10]介绍 一个 隐写方法其中，有效载荷图像首先被隐写密钥干扰，并且再次被基于转置技术的基因开发的、基于会话的算子干扰。在该步骤之后，通过利用散列函数的可变比特交换，将受干扰的有效载荷图像隐藏在覆盖图像内。在接收端，利用自底向上的概念从受扰图像中提取有效载荷图像使用基于会话的TO和隐写密钥来提取秘密图像。Lin-Yu Tseng等人，[11]描述了用于将有效载荷图像隐藏到载体图像中的图像嵌入技术采用改进的遗传算法和像素调整优化过程来提高隐写图像的视觉质量。Masoumeh Khodaei和Karim Faez[12]提出了一种使用LSB替换方法的图像嵌入方法，其中通过使用映射函数将有效载荷图像转换为无用图像，使得隐藏秘密图像piX el和覆盖图像的LSB piX采用遗传算法对映射函数的变量进行设置，得到像素排列的最佳准则Shah和Bichkar[13]描述了一种用于实现隐蔽通信的隐写与其他隐藏技术相比，使用隐写术的好处是它能够隐藏秘密通信的存在。 在图像隐写中，消息被嵌入到载体图像中，使得其在封面图像中产生非常可忽略的修改采用遗传算法从一组图像数据库中选择一幅载体图像所选择的载体图像应该更适合给定的信息。此外，还利用秘密数据的转置来提高隐写图像的不可感知性。Pramanik等人，[第14话]将敏感数据隐藏在载体图像中的隐写术。该方法将粒子群优化算法、基于双正交概念的小波变换和遗传算法相结合。Gu和Sun[15]描述了基于遗传算法的隐写技术，对各种类型的母亲进行图像模拟。对于需要嵌入的图像，可能会有大小的变化，母图像可以进行很好的数据嵌入。在父图像中不会有太多的修改。Deb等人，[16]讨论了用于基于非支配和共享的像素排序的多目标算法。首次提出了一种计算难度较小的非支配排序快速算法。其次，提出了一种选择算子，该算子通过融合父种群和子种群来产生一个交叉池，并确定最佳的N 个可能的解。Biswas和Bandyapadhay[17]介绍了隐写术，一种隐藏技术，其中通过利用遗传算法将数据隐藏在变换域中的彩色图像中。该算法采用任意多比特来隐藏信息，比特选择采用频域和哈希函数。Yang和Honavar[18]使用遗传算法来识别适当的子集，以获得与特定特征相关的Lin等人，[19]开发了一个用于数据嵌入的方法是LSB替换。一种基因-租m用于找到在覆盖图像的最右边的m个LSB中嵌入数据的问题的解决方案，即使当m很大时，这也可能花费很大的计算时间来解决最优结果。Wu MN等人，[20]提出了一种利用LSB替换和遗传算法来提高隐写图像质量的方法。提出了两种优化策略，一种用于全局优化，另一种用于局部估计。Mahdi Ramezani和Shahrokh Ghaemmaghami[21]描述了一种依赖于图像对比度的自适应隐写方法。作者利用的平均差异之间的PIXELS的二进制水平值在2 - 2块的空间上不重叠的块和他们的平均PIXEL的二进制水平，以找到合适的数据隐藏块。Ramezani和Ghaemmaghami[22]研究了基于特征的隐写分析方法，使用四种不同的分类方法：Fisher线性判别，Gaussian naive Bayed，多层预测器和k近邻，对可疑图像进行隐写分析。 利用直方图统计、小波变换、直方图中心定位特征算子和共生块进行特征提取。遗传算法用于最小化建议的特征尺寸，并找到最佳子集。Shen Bian Yang和XiamuNiu[23]推荐了一种启发式遗传算法方法用于宿主图像中的数据嵌入。在载体图像的最低有效位中隐藏有效载荷数据后，通过遗传算法改变隐写图像像素上的值以保持其统计特征。Mandal和Khamrui[24]提出了一种通过隐写方法和使用GA的认证/数据隐藏方法。高维信息/图像可以以主行方式从载体图像嵌入到33掩码的空间域中。经认证的秘密图像的四位被隐藏在主机图像的每个字节中， 每个PI× EL的最低有效四位。在修改后的图像上进行突变。Nosrati和Karimi[25]作者回顾了遗传算法在隐写术中的使用。图像隐写术遗传算法是其中之一，以提供良好的嵌入容量和视觉上较少失真的隐写图像。Hanani等人，[26]作者试图通过在宿主图像中选择合适的位置来隐藏数据，从而实现“嵌入前隐藏技术”。因此，使用遗传算法进行分割，以便将LSB和数据流转换为用于嵌入的块组。在选择位置之后，有效载荷数据块被隐藏并生成密钥文件以在给定的数据地址处提供数据提取。Sethi和Kapoor[27]提出了一种隐写技术，采用椭圆曲线密码学和离散余弦变换隐写术以及遗传算法。M.K. Shyla等人软计算快报3（2021）1000213·····Fig. 1. 基因、染色体和群体在遗传算法中的表示 葛- 遗传算法图三. 新的后代产生了。图四、前后的突变概念• 交叉图二. EX改变父母3. 遗传算法遗传算法是从达尔文的进化论发展而来的，采用了“适者生存”的概念。遗传算法是一个概念，它依赖于自然选择最适合的个人，以繁殖后代。繁衍的后代将为生存而相互竞争，适合生存的后代将为下一代播种。个体的数量随着世代的进展而增加。遗传算法经过以下步骤：• 自然选择自然选择的概念始于从群体中选择最适合的个体。它们产生的后代保留了父母的一些特征，这些特征将被添加到下一代。后代的生存取决于父母的适应性，并且该过程迭代以获得群体中最适合的个体。这种方法可以用于搜索问题。一般来说，在一个遗传过程中有五个阶段。 算法• 初始种群• 适应度函数• 选择• 交叉• 突变• 初始种群这个过程从一群被称为人口的个体开始。每个人都可以用来解决一个问题。一个人的特征是由一组被称为基因的特征这些变量被分配到一个字符串中，以开发称为染色体的解决方案。基因嵌入在染色体中。二进制的1和0被用来代表一个个体的基因组，并由一个字母表表示，如图所示。1.一、用于Fitness适应度函数显示了一个人如何能够适应以与其他人一起参与。参与后，算法为每个人分配一个健身分数。适应度分数将用于选择下一次繁殖的个体。选择算法的选择阶段用于识别合适的个体，并允许它们将其基因循环到下一个种群。基于适应度得分，选择两对字符称为父母。遗传算法的一个重要阶段是交叉阶段，其中交叉点是从种群内部的基因中随机选择的。例如，让交叉点为3，如图所示。 二、图3.第三章。然后，生成的新的后代表示为A5和A6，如图1所示。1.一、6.3被纳入人口。突变位串中的几个位可以以较低的随机概率转置，这受到称为突变的概念的影响，图中也示出了这一点。 四、一般来说，有七种不同类型的突变函数，如下所列：位串突变（位在随机位置翻转）翻转位（所选位翻转）边界（基因组随机替换为上界和下界）• 不• 统一（选定的基因组被上界和下界取代• 收缩（替换为高斯变量）终止如果产生的后代与先前的种群没有显著差异，则新后代的生成将被算法终止。因此，产生的子弹簧本身将是解决问题的方法。评论人口将保持不变。随着种群的增长，适应性较差的特征将消失，并为新产生的后代提供位置。重复上述阶段序列，以便在每个新群体中产生比前一代更好的个体。3.1. 封面图像选择和嵌入过程从一群个体中选择最适者是基于自然选择。在所提出的方法中，人群被认为是100个封面图像。遗传算法中的一种方法被称为适应度比例选择或轮盘赌选择，它是一种用于选择合适的图像进行嵌入的遗传算子。在RW选择过程中，适应度函数为可能的解决方案或染色体设置适应度值。该适应度值被用作每个单个染色体的选择过程中的概率函数如果Fi是图像i在人群中的适应度，则选择合适图像的概率由等式Pi给出的概率函数给出，···M.K. Shyla等人软计算快报3（2021）1000214X=图六、 E X牵引所提出的方法的过程表1建议方法和现有方法之间的PSNR比较[7]有效负载图像精选封面图片EX射线法[15]第十五话[7]第七话该方法×256生活房间众议院Pi =Fi∑i1Fi图五. 嵌入过程湖海盗53.71452.1778.65胡椒狒狒53.7452.2579.38沃克布里奇摄影师51.7852.3381.46所提出的算法的流程图如图5所示。嵌入有效载荷数据的算法：使用一组封面图像数据库28、29来创建人群用于选择合适的封面图像的目标值或适应度值有效载荷图像嵌入的PSNR范围为50 - 80%，RMSE为1。遗传算法通过生成染色体，将载体图像与封面图像库中的图像进行连续比较，以拟合适应度值。封面图像的选择是基于轮盘赌算法。 一旦图像达到适应值，遗传算法生成其中x是群组中的图像的数量这种选择过程类似于赌场轮盘赌。通常，基于适应度值，将车轮的百分比分配给每个可能的选择。选择过程可以通过将选择的适应度值除以所有选择的总适应度来完成，因此将它们归一化为1。初始种群由20幅图像组成，并根据均方误差分配适应度函数，并根据最小误差选择合适的覆盖图像，然后通过交换种群内部的基因来应用交叉点2函数。通过交叉函数，child1变成parent 1，child2变成parent 2，依此类推。3.2. 突变比特串的几个比特可以以与1/L成比例的较低随机概率转置，其中L是二进制向量的长度。在所提出的方法中，突变率可以从0.1开始变化，以测量峰值信噪比。3.3. 终止如果产生的后代与先前的种群没有显著差异，则新后代的生成将被算法终止。 所提出的算法中的目标集是80%的PSNR和RMSE 1。如果获得的解决方案符合目标，则算法终止，否则算法无限次重复以获得解。因此，产生的子弹簧本身将是解决问题的方法。利用LSB替换将有效载荷图像嵌入到其自身的图像中，生成的图像符合适应度值，称为隐写图像。在生成的图像和选择的覆盖图像之间计算PSNR值。3.4. 提取工艺该方法的提取过程涉及隐写图像作为提取算法的输入，框图如图所示。 六、提取最低有效位并将其保存为位串数组用遗传算法产生的染色体进行解释，并相应地修改比特流数组与存储的数据库进行比较，并将获得的LSB以适当的顺序重新排列，以恢复原始有效载荷图像。表2建议方法和现有方法之间的PSNR和SSIM值比较[13]精选封面图片[13]第十三话该方法SSIM[13]SSIM花52.0678.250.99890.9999海滩52.4880.420.99860.9988车52.4079.760.99790.9981建筑52.2778.610.99860.9989·······M.K. Shyla等人软计算快报3（2021）1000215×Pratik D.Shah和Rajankumar S.比奇卡尔[7]和[15]适用于不同的有效载荷图像集和有效载荷图像大小见图7。给出了不同的隐藏图像及其隐藏图像，表明隐藏图像的失真较小，因此对所提出的方法进行主观分析不会导致可疑的隐藏。4. 实验结果和讨论图8.第八条。 不同的 封面和隐写图像表2描述了所提出的方法和现有方法之间的PSNR值和SSIM[13]。所提出的算法使用mat lab 2017 a使用USC-SIPI图像数据库集执行。与文献中讨论的现有方法的结果进行了比较。每个像素XEL一个比特用于嵌入，并且基于参数PSNR和SSIM将结果制成表格。表1列出了所提出的方法和均方根值是衡量模型在预测定量数据时的误差的标准方法。其正式定义如下：你好，谢谢你。̅y̅̅g̅i-̅y̅o̅i)̅2i=0时RMSE=NM.K. Shyla等人软计算快报3（2021）1000216.）++（ ）1pq 2××X××[8]D Jude Hemanth，JAnitha，Daniela Elenab Popescu，Le Hoang Son，Amodifiedy其中ygi是生成的图像，yoi是原始图像，i是图像的数量。SSIM的计算公式如下所示，其中C1和C2是常数，用于在分母项接近零时避免不稳定性。智能计算和应用智能系统和计算的进展，2018年，pp。 119比129[5] 沙阿河李文，基于遗传算法和粒子群优化的隐写算法，北京大学出版社，2001。 Technol. 9（1）（2019）917-923。 十月[6] D. Goldberg，“Genetic Algorithms in Search Optimizations and MachineLearning”，Pearson Education India，2006。SSIM2 x yC2σC=.X2+y2 +C1）（σ2+σ2 +C2）[7] 普拉提克湾拉扬库马尔·沙阿Bichkar，Secret data modification basedimagesteganography technique using genetic algorithm having a flexiblechromosomestructure”，Eng. Sci. Technol. Int.J.（2021）1-13.表1中比较的结果是针对大小为256 256的输入覆盖图像和大小为64 128的秘密或有效载荷图像获得的，列表中的结果清楚地解释了PSNR值非常高，因此得到的隐写图像和覆盖图像之间存在差异。不同的有效载荷图像显示在图。7.第一次会议。表2列出了现有方法[13]的PSNR和SSIM值，以及考虑输入覆盖为512512和有效载荷为256 256的建议方法，其给出了1bpp嵌入率。图8示出了用于测试目的的覆盖物和有效载荷图像5. 结论本章讨论了利用遗传算法进行载体图像选择和嵌入的图像隐写方法。通过生成染色体，通过在被称为人群的覆盖图像数据库之间的若干迭代来测量覆盖图像和有效载荷图像之间的兼容性水平。该算法在增强基因的过程中，生成一幅与所选择的载体图像相似的新图像，称为隐写图像，其中嵌入了有效载荷图像，利用数百幅载体图像和多幅秘密图像对算法进行了1bpp的测试。将所得结果制成表格，并与现有方法进行比较，结果显示出显著的改进，从而证明具有更好的性能。这种方法的主要优点是在接收端的提取过程中。如果嵌入的有效载荷数据在传输期间被入侵者损坏，则存在使用该算法检索有效载荷数据的所有可能性。该算法比较所接收的隐写图像，并且如果所提取的有效载荷被损坏，则该算法将其与其数据库中的预定义图像进行比较，并重建完整的有效载荷图像。相互竞争利益作者声明，他们没有已知的可能影响本文所报告工作引用[1] Abbas Cheddad，Joan Condell，Kevin Curran，Paul Mc Kevitt，数字图像隐写：当前方法的调查和分析，信号处理。90（2010）727-752。[2] 和GBuga'r，VB'anoci，MBroda，DLevickstan，DDup'ak，静止图像中的数据隐藏基于隐写术的盲算法，在：第24届国际无线电电子会议（RADIOELEKTRONIKA），2014年，pp. 一比四[3] KhZaidoon，A.A. AL-Ani，B.B.Zaidan，Zaidan，Hamdan.O.Alanazi，概述：隐写术的主要基础，J. Comput。第2卷（第3期）（2010）158-165，0，ISSN2151-9617。[4] 沙阿河Bichkar，一种基于遗传算法和线性同余生成器的安全空间域图像隐写术，在：国际会议基于变换的图像隐写系统的性能改进的遗传算法”，机器学习和软计算的最新进展，J。 智能模糊系统 35（1）（2018）197-209。[9] H. Kanan，N. Bahram，一种基于遗传算法的高嵌入容量和可调视觉图像质量的新型图像隐写方案，E X pertSyst. Appl. 41（14）（2014）6123-6130。[10] Tanmay Bhattacharya，Sandeep Bhowmik，S. Chaudhuri，一种基于会话的隐写密钥、遗传算法和可变比特替换技术的隐写方法。《计算机与电气工程》，2008年。ICCEE2008年。 国际会议，IEEE，2008年。[11] 曾林玉，何永宽，朱燕萍，以改良基因演算法与最佳像素调整程序进行影像隐藏，智能系统设计与应用，ISDA'08。第八届国际会议3，IEEE，2008年。[12] Masoumeh Khodaei，Karim Faez，Image hiding by using genetic algorithm andLSBsubstitution[13] 警局Shah，R.S. Bichkar，基于遗传算法的方法来选择合适的图像隐写术的封面图像，在：2020年国际新兴技术会议（INCET），Belgaum，印度，2020年，pp. 1-5. 六月[14] S. Pramanik，R.P. Singh，R.高希，双正交小波变换和遗传算法在图像隐写中的应用，多时间。工具申请79（2020）17463-17482。[15] 顾晓，孙永，基于遗传算法的图像变换与信息隐藏技术，北京大学出版社，图像视频处理。（2018）1-10。[16] K.德布，S。阿格拉瓦尔A.王文，王文，等.基于遗传算法的多目标优化问题的研究[J].高等教育出版社，2000，（1）：100 - 101.pp. 849- 858[17] R.比斯瓦斯基于随机选择的二维DCT域彩色图像隐写算法，多时间。工具应用79（2020）7101-7120。[18] 杨俊，基于遗传算法的特征子集选择，IEEE智能系统，1998，pp. 44-49号。[19] C.F. Lin，R.Z.王建章林，基于最优LSB替换和遗传算法的图像隐藏，模式识别。34（2001）671-683。[20] 吴敏南，林明华，Chang CC，“一种基于遗传算法的LSB替换图像隐藏策略”。在：Chi CH.，Lam KY. (eds)内容计算。2004年AWCC。计算机科学讲义，卷3309。施普林格柏林海德堡[21] Mahdi Ramezani，Shahrokh Ghaemmaghami，使用图像对比度的Mod-4嵌入的自适应图像隐写术，在：第七届IEEE消费者通信和网络会议论文集，2010年，pp.243- 246[22] M. Ramezani，S. Ghaemmaghami，Towards genetic feature selection inimagesteganalysis，in：6th IEEE International Workshop on Digital RightsManagement，Las Vegas，USA，2010。[23] 杨申边，牛夏木，一种基于遗传算法的安全隐写方法，信息学杂志。信号处理。c 2010 1（1）（2010）。ISSN 2073-4212。[24] J.K.曼达尔A. Khamrui，使用遗传算法（DEGGA）的灰度图像数据嵌入技术，在：国际电子系统会议（ICES-2011），2021年。[25] M.诺斯拉蒂河张文，遗传算法在隐写术研究中的应用，计算机科学，2000。程序. 2（3）（2012）206-210。[26] M. Nosrati，A.哈纳尼河Karimi，使用遗传算法进行图像分割的隐写术，2015年第五届高级计算通信技术国际会议&，Haryana，2015年，pp. 102比107[27] P. Sethi，V. Kapoor，通过使用遗传算法和密码学在图像隐写术中进行信息隐藏的一种建议的新架构，在：Proc. Computer。Sci，2016，pp. 61-66号。[28] XXX“威斯康星大学https://homepages.cae.wisc.edu/~ece533/images/[29] XXX“USC-SIPI图像数据库”，2021年[在线]可用：http://sipi.usc.edu/数据库/。