Giấu tin thuận nghịch sử dụng các thuộc tính của ngữ cảnh dự báo để loại bỏ bản đồ định vị

Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Giấu tin thuận nghịch sử dụng các thuộc tính
của ngữ cảnh dự báo để loại bỏ bản đồ định vị
Nguyễn Kim Sao1, Đỗ Văn Tuấn2, Phạm Văn Ất1
1Khoa Công nghệ Thông tin, Trường Đại học Giao thông Vận tải
2Khoa Công nghệ Thông tin, Trường Đại học Công nghiệp Hà Nội
Tác giả liên hệ: Nguyễn Kim Sao, saonkoliver@utc.edu.vn
Ngày nhận bài: 03/10/2017, ngày sửa chữa: 04/07/2018, ngày duyệt đăng: 12/10/2018
Xem sớm trực tuyến: 28/12/2018, định danh DOI: 10.32913/rd-ict.vol3.no40.598
Biên tập lĩnh vực điều phối phản biện và quyết định nhận đăng: TS. Nguyễn Thái Sơn
Tóm tắt: Bài báo trình bày một lược đồ giấu tin thuận nghịch mới sử dụng phương pháp dự báo hình thoi. Các điểm ảnh
được chia thành hai tập hợp: tập chấm và tập chéo. Tập chéo được sử dụng làm ngữ cảnh dự báo cho mỗi điểm của tập
chấm. Tập chấm được dùng để nhúng tin theo phương pháp mở rộng sai số dự báo. Hai đại lượng có tính chất bất biến
đối với quá trình nhúng là phương sai địa phương và độ sâu của ngữ cảnh dự báo trong miền giá trị dữ liệu ảnh ([0,255]
đối với ảnh đa mức xám) được sử dụng để sắp xếp các điểm ảnh của tập chấm. Kết quả nhận được là các đoạn khả mở
(chứa toàn các điểm có thể mở rộng như ở trên). Mỗi đoạn khả mở được định vị bởi hai số nguyên có độ dài 16 bít.
Dùng tối đa 10 đoạn có thể đủ để bao gồm hầu hết các điểm khả mở, tương đương 320 bít bổ trợ. Nhờ vậy, phương pháp
đề xuất có thể cải thiện khả năng nhúng cũng như chất lượng ảnh do không cần dùng bản đồ định vị như các phương
pháp trước đó.
Từ khóa: Giấu tin thuận nghịch, sắp xếp điểm ảnh, mở rộng hiệu, dự báo điểm ảnh.
Title: Reversible Data Embedding without Location Map using Prediction Context Properties
Abstract: This paper presents a new reversible data hiding scheme based on rhombus prediction. Pixels are divided into two sets:
dots and crosses. The set of crosses is used as the prediction context for each pixel of the dots. The set of dots is
used to embed the message using prediction error expansion. Local variance and depth of the prediction context in the
image-value domain ([0, 255] for grayscale images), which are two unchanged attributes in the embedding process, are
used to sort the pixels of the set of dots. From this sorted set, we obtain the expandable segments (containing only the
expandable pixels). Each expandable segment is marked by two 16-bit integers. Using at most 10 segments, equivelent
to 320 extra bits, may be sufficient to cover all expandable bits for hiding data. As a result, the proposed method can
improve the embedding capacity as well as the image quality without using the location map as in previous methods.
Keywords: Reversible data hiding, pixel sorting, difference expansion, pixel prediction.
I. GIỚI THIỆU
Sự phát triển không ngừng của Internet mang lại những
lợi ích vô cùng to lớn cho sự trao đổi thông tin của con
người. Tri thức và các ứng dụng cũng vì thế mà ngày càng
dễ dàng được tiếp cận hơn. Nhiều sản phẩm, đặc biệt là
các sản phẩm đa phương tiện được công khai hoặc truyền
thông trên Internet. Việc đó dẫn đến sự lợi dụng của những
kẻ vi phạm bản quyền, thực hiện các hành vi như ăn cắp
hay xuyên tạc thông tin. Để góp phần ngăn chặn vấn nạn
đó, các phương pháp giấu tin và thủy vân số đã ra đời.
Tuy nhiên, các phương pháp giấu tin và thủy vân truyền
thống không cho phép khôi phục được ảnh gốc, nên không
đáp ứng được nhiều ứng dụng nhất là trong các lĩnh vực
quốc phòng, an ninh, y tế và giáo dục. Do đó, một hướng
nghiên cứu mới, giầu tiềm năng đã xuất hiện, đó là giấu tin
và thủy vân thuận nghịch (reversible) [1, 2] hay bảo toàn
(lossless) [3, 4]. Các phương pháp này, ngoài việc trích tin
nhúng còn cho phép khôi phục lại ảnh gốc ban đầu. Thủy
vân thuận nghịch thường được dùng để xác thực tính toàn
vẹn của ảnh.
Trong [3], Macq đề xuất phương pháp thủy vân thuận
nghịch dựa trên phép cộng modulo 256, tuy nhiên phương
pháp này cho chất lượng ảnh không cao. Không lâu sau,
Fridrich và các cộng sự trong [5] đề xuất một phương pháp
thủy vân thuận nghịch sử dụng kỹ thuật nén bảo toàn dữ
liệu. Ở phương pháp này, các bít thấp của mỗi điểm ảnh
được nén lại để tạo ra không gian trống dùng để nhúng
thủy vân. Đến nay đã có thêm nhiều phương pháp giấu tin
10
Tập V-3, Số 40, 12.2018
và thủy vân thuận nghịch, như dịch chuyển histogram [6],
lượng tử hóa [7], mở rộng hiệu (DE: Difference Expan-
sion) [8], kết hợp các phương pháp [9], hay gần đây là giấu
tin và thủy vân thuận nghịch dựa vào dự báo kết hợp với
các phương pháp trên [2, 9, 10]. Các nghiên cứu phát triển
kỹ thuật giấu tin thuận nghịch thường hướng tới hai mục
tiêu là khả năng nhúng và chất lượng ảnh chứa tin.
Với các phương pháp mở rộng hiệu, chất lượng ảnh sau
khi nhúng phụ thuộc độ lệch của hai điểm ảnh (hiệu) được
xét, bởi vậy hiệu càng nhỏ thì chất lượng ảnh càng tốt. Ở
đề xuất đầu tiên bởi Tian [8], hiệu được xét là hiệu của
cặp hai điểm ảnh kề nhau, các cặp điểm này sẽ được phân
thành hai loại: khả mở và không khả mở (được nêu chi
tiết tại mục II-1). Mỗi cặp khả mở được dùng để nhúng
một bít, trong khi đó các cặp không khả mở bị bỏ qua. Để
lưu trữ thông tin về tính chất khả mở hay không khả mở
của mỗi cặp, Tian sử dụng một dãy nhị phân có độ dài
bằng số cặp điểm ảnh: cặp khả mở ứng với bít 1, không
khả mở ứng với bit 0. Dãy bít nhị phân này gọi là bản đồ
định vị, được sử dụng ở giai đoạn trích bít thủy vân và
khôi phục ảnh gốc, vì vậy nó cần được nhúng cùng dãy bít
dữ liệu vào các cặp khả mở của ảnh gốc. Do độ dài của
bản đồ định vị khá lớn, nên cần sử dụng một kỹ thuật nén
bảo toàn như mã loạt (run-length coding) hoặc mã số học
(arithmetic coding). Như vậy, khả năng nhúng cực đại của
lược đồ này bằng số cặp điểm khả mở trừ đi độ dài của dữ
liệu nén của bản đồ định vị. Giả sử (x, y) là một cặp điểm
ảnh (x, y ∈ [0,255] đối với ảnh đa mức xám), h = x − y là
hiệu của chúng và (x ′, y′) là cặp điểm nhận được sau khi
nhúng 1 bít bằng phương pháp DE thì các sai khác giữa x ′
và x và giữa y′ và y đều xấp xỉ bằng h (xem mục II-1).
Rõ ràng là, nếu hiệu h càng nhỏ thì mức độ khả mở của
(x, y) càng lớn và chất lượng ảnh đã giấu tin càng cao.
Để có được các hiệu nhỏ, các công trình gần đây [1,
2, 11] đã thay việc xét hiệu giữa hai cặp điểm bằng hiệu
giữa một điểm và giá trị dự báo của nó. Hiệu này thường
nhỏ vì giá trị dự báo thường gần bằng giá trị của điểm
gốc. Các phương pháp này gọi là mở rộng sai số dự báo
(PEE: Prediction-Error Expansion). Việc xét các sai số dự
báo không những cho các hiệu nhỏ mà số hiệu nhận được
còn tăng gấp đôi so với phương pháp của Tian vì mỗi điểm
ảnh đều có thể được dự báo. Khả năng nhúng tin vẫn bằng
số điểm khả mở trừ đi độ dài mã nén của bản đồ định vị,
nhưng sẽ được cải thiện đáng kể vì số điểm khả mở so với
trước tăng lên.
Để nâng cao khả năng nhúng tin, Sachnev và các cộng
sự trong [10] đề xuất một phương pháp nhằm loại bỏ bản
đồ định vị. Phương pháp này dựa trên nhận xét: Ngữ cảnh
dự báo của một điểm ảnh càng phẳng (smooth hoặc flat),
thì sai số dự báo càng nhỏ và điểm ảnh càng có xu hướng
khả mở. Tính phẳng của ngữ cảnh dự báo được các tác giả
đánh giá thông qua phương sai địa phương của nó (xem
mục II-3): Phương sai này càng nhỏ thì độ phẳng càng
tăng và xác suất khả mở càng lớn. Trên cơ sở đó, Sachnev
và cộng sự tiến hành sắp xếp các điểm ảnh theo thứ tự tăng
của phương sai địa phương để dồn hầu hết các điểm khả
mở lên đầu.
Tuy nhiên, tính khả mở của một điểm còn phụ thuộc
vào một yếu tố quan trọng khác, đó là vị trí của ngữ cảnh
dự báo so với miền giá trị điểm ảnh [0,255]. Có thể dễ
dàng nhận thấy, nếu ngữ cảnh dự báo càng nằm sâu trong
miền giá trị điểm ảnh thì khả năng khả mở của điểm ảnh
càng cao (xem mục II-1). Một cách ngắn gọn, đặc trưng
này được gọi là độ sâu của ngữ cảnh và được đo bằng hiệu
số giữa tâm của ngữ cảnh và tâm của miền điểm ảnh (là
128). Tại mục III-1 chúng tôi đưa ra ví dụ cụ thể để minh
họa vai trò của vị trí ngữ cảnh dự báo đối với tính khả mở.
Trong bài báo này chúng tôi đề xuất việc khai thác đặc tính
độ sâu cùng với phương sai địa phương để tăng tính hiệu
quả của phương pháp sắp xếp. Bằng cách đó chúng ta có
thể thu được dãy điểm khả mở dài hơn so với phương pháp
của Sachnev và cộng sự (xem mục IV-1). Ngoài ra, chúng
tôi cũng đề xuất việc sử dụng các đoạn khả mở để nhúng
tin mà không cần dùng bản đồ định vị (xem mục III-2).
Kết quả thực nghiệm đã cho thấy phương pháp đề xuất
có khả năng nhúng tin cao hơn so với các phương pháp
của Sachnev và cộng sự (gọi tắt là Sachnev) [10] và các
phương pháp gần đây như: phương pháp của Qu và Kim
(gọi tắt là Qu) [11], phương pháp của Kumar và Agrawal
(gọi tắt là Kumar) [2].
Nội dung các phần tiếp theo của bài báo được tổ chức
như sau: Mục II giới thiệu các công trình liên quan, mục III
trình bày phương pháp đề xuất, mục IV so sánh phương
pháp đề xuất với các phương pháp liên quan, và cuối cùng
là kết luận ở mục V.
II. NHỮNG CÔNG TRÌNH LIÊN QUAN
1. Phương pháp mở rộng hiệu
Phương pháp mở rộng hiệu (DE: Difference Expansion)
được đề xuất bởi Tian [8] vào năm 2003. Từ đó đến nay,
phương pháp này liên tục được quan tâm và cải tiến do
tiềm năng phát triển của nó.
1) Giấu tin theo phương pháp mở rộng hiệu:
Để nhúng một bít b ∈ {0,1} vào cặp điểm ảnh (x, y),
phương pháp DE thực hiện như sau đây. Đầu tiên, tính
hiệu h và trung bình cộng l của (x, y) như sau:
h = x − y,
l =
⌊ x+y
2
⌋
,
(1)
11
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
với b.c là phép lấy phần nguyên dưới. Nhúng bít b bằng
cách mở rộng hiệu h về bên trái một bít, để thu được cặp
điểm ảnh chứa tin (x ′, y′) được tính bởi
h′ = 2h + b,
x ′ = l +
⌊
h′ + 1
2
⌋
, (2)
y′ = l −
⌊
h′
2
⌋
.
Nhận xét: Dễ dàng chứng minh được tính bảo toàn của
trung bình cộng, nghĩa là
l ′ =
⌊
x ′ + y′
2
⌋
=
⌊ x + y
2
⌋
= l .
2) Khái niệm khả mở:
Cặp điểm ảnh (x, y) được gọi là khả mở (expandable) [8]
nếu sau khi giấu một bít b ∈ {0,1} vào (x, y) theo các
công thức (1) và (2) thì các điểm của cặp điểm ảnh chứa
tin (x ′, y′) cũng nằm trong miền giá trị điểm ảnh (tức là
x ′, y′ ∈ [0,255]).
Nhận xét 1:
◦ Nếu h càng nhỏ (về giá trị tuyệt đối) thì sự sai khác
giữa (x ′, y′) và (x, y) cũng càng nhỏ, do đó (x, y) có
mức độ khả mở càng cao.
◦ Trong phương pháp DE, nếu cặp khả mở (x, y) được
sử dụng để nhúng một bít b thì từ cặp (x ′, y′) có thể
trích bít dữ liệu b và khôi phục cặp điểm ảnh gốc (x, y)
như sau:
h′ = x ′ − y′, b = h′ mod 2, h = ⌊ h′2 ⌋ ,
l =
⌊
x′+y′
2
⌋
, x = l +
⌊
h+1
2
⌋
, y = l − ⌊ h2 ⌋ . (3)
3) Khái niệm bản đồ định vị:
Bản đồ định vị (location map) [8] là dãy bít nhị phân
nhằm đánh dấu các cặp điểm khả mở. Để xây dựng bản đồ
định vị, ảnh gốc được duyệt lần lượt từ trái sang phải, trên
xuống dưới, khi gặp một cặp điểm khả mở, giá trị 1 được
ghi vào bản đồ, còn lại là giá trị 0.
Bản đồ định vị cần sử dụng trong giai đoạn khôi phục
dữ liệu và ảnh gốc, vì vậy nó cần được nén bảo toàn và
nhúng vào chính các cặp khả mở. Vì vậy, khả năng nhúng
của phương pháp DE được đánh giá theo công thức
C = ‖E ‖ − ‖MN ‖ , (4)
trong đó, E là tập các cặp khả mở, MN là dãy bít nén của
bản đồ, ‖.‖ biểu diễn kích thước (số phần tử) của một tập
hay của một dãy bít.
2. Phương pháp dự báo
Từ (4) và nhận xét 1 dễ dàng nhận thấy, để tăng khả năng
nhúng C của phương pháp DE cần tạo ra nhiều hiệu nhỏ.
Để đạt được mục tiêu này, người ta đã sử dụng các phương
pháp dự báo.
Các phương pháp dự báo đầu tiên được đề xuất vào năm
2004 bởi Thodi cùng cộng sự [12] và Phiasai cùng các cộng
sự [13]. Trong các phương pháp này, mỗi điểm ảnh x sẽ
được dự báo bởi các điểm ảnh lân cận gọi là ngữ cảnh dự
báo (prediction context) [10, 12] y = P (x). Dự báo P(x)
được xác định dựa trên các điểm lân cận của x và càng gần
x càng tốt.
Những phương pháp dự báo hay được sử dụng là dự báo
hình thoi hay quả trám (Rhombus Pattern) [10], dự báo
gradient (GAP: Gradient Adjusted Prediction) [4], dò biên
trung vị (MED: Median Edge Detector) [12], dự báo linh
hoạt trên từng vùng ảnh [1], v.v.
Sau khi xác định giá trị dự báo y của x, ta tính sai số
dự báo e = x − y và nhúng một bít b bằng cách mở rộng
sai số dự báo để được điểm ảnh x ′ bởi
e′ = 2e + b,
x ′ = y + e′ = x + e + b.
Vì vậy, phương pháp này còn gọi là mở rộng lỗi dự báo
(PEE: Prediction Error Expansion). Trong phương pháp
PEE, điểm ảnh x được gọi là khả mở nếu x ′ ∈ [0,255].
Nhận xét 2:
◦ Đối tượng được xem xét để nhúng tin trong phương
pháp PEE là điểm ảnh, với số lượng nhiều gấp đôi số
lượng cặp điểm ảnh là đối tượng được sử dụng bởi
phương pháp DE.
◦ Sai số dự báo cho điểm ảnh thường nhỏ do giá trị dự
báo gần với giá trị gốc, do đó khả năng nhúng tin của
phương pháp PEE cao hơn so với phương pháp DE.
3. Phương pháp Sachnev
Phương pháp nhúng tin Sachnev [10] sử dụng ngữ cảnh
dự báo hình thoi, mỗi điểm ảnh Ii j được dự báo theo ngữ
cảnh gồm 4 điểm tạo nên một hình thoi có tâm Ii j (Hình 1)
theo công thức sau:
Îi j =
⌊
Ii, j−1 + Ii+1, j + Ii, j+1 + Ii−1, j
4
⌋
. (5)
Hình 1. Bốn điểm ảnh tạo nên ngữ cảnh dự báo hình thoi cho
điểm Ii j .
12
Tập V-3, Số 40, 12.2018
Bít dữ liệu b được nhúng theo phương pháp mở rộng sai
số dự báo như sau:
ei j = Ii j − Îi j,
e′i j = 2 ∗ ei j + b, (6)
I ′i j = Îi j + e
′
i j = Ii j + ei j + b.
Nếu I ′i j ∈ [0,255] thì Ii j được gọi là khả mở và việc
nhúng tin hoàn tất. Khi đó từ I ′i j và Îi j (Îi j bất biến trong
quá trình nhúng tin) có thể khôi phục bít b và ảnh gốc Ii j
theo như sau:
e′i j = I
′
i j − Îi j, b = e′i j mod 2,
ei j =
⌊
e′i j
2
⌋
, Ii j = Îi j + ei j .
(7)
Sachnev và cộng sự đã đưa ra một đại lượng có tính chất
bất biến đối với quá trình nhúng tin, được gọi là phương
sai địa phương (local variance) [10] của ngữ cảnh dự báo
của Ii j :
vi j =
1
4
4∑
k=1
(dk − d¯)2, (8)
với d1 = |I(i, j−1) − I(i−1, j) |, d2 = |I(i−1, j) − I(i, j+1) |, d3 =
|I(i, j+1) − I(i+1, j) |, d4 = |I(i+1, j) − I(i, j−1) |, d¯ = 14
∑4
k=1 dk .
Các tác giả đưa ra một nhận xét quan trọng: Nếu vi j càng
nhỏ thì ei j càng nhỏ, dẫn đến sự sai khác giữa I ′i j và Ii j
cũng càng nhỏ và khả năng I ′i j ∈ [0,255] càng cao, tức là
Ii j càng có nhiều cơ hội rơi vào tập khả mở. Từ đó Sachnev
và cộng sự đề xuất một cải tiến quan trọng: Sắp xếp các Ii j
theo thứ tự tăng dần của phương sai địa phương vi j và thực
hiện việc nhúng tin vào các điểm ảnh theo thứ tự được sắp
xếp. Bằng cách như vậy, hầu hết các điểm ảnh khả mở sẽ
dồn lên phía trên, do đó, trong nhiều trường hợp chúng ta
không cần dùng đến bản đồ định vị.
III. PHƯƠNG PHÁP ĐỀ XUẤT
Phương pháp đề xuất thực hiện việc nhúng trên các điểm
ảnh có phương sai địa phương nhỏ và ngữ cảnh dự báo nằm
sâu bên trong miền điểm ảnh [0,255]. Chúng tôi cũng sử
dụng dự báo hình thoi như trong [10]. Ảnh gốc I được chia
thành hai tập điểm ảnh rời nhau, được biểu diễn bởi các
dấu chấm • (tập chấm) và các dấu c ... n lượt là
E
(
Tn,Tp
)
và MN
(
Tn,Tp
)
. Khả năng nhúng cũng phụ thuộc
vào ngưỡng và được xác định theo công thức
C
(
Tn,Tp
)
=


E (Tn,Tp )

 − 

MN (Tn,Tp )

 .
Vấn đề là cần xác định các ngưỡng Tn và Tp sao cho khả
năng nhúng vừa bằng độ dài dãy bít dữ liệu D đồng thời
ảnh sau khi nhúng bị biến đổi ít nhất (chất lượng ảnh chứa
tin cao nhất).
Trong [10], Sachnev và cộng sự sử dụng một thuật toán
lặp để xác định Tn và Tp . Dễ dàng nhận thấy trong phương
pháp Sachnev còn tồn tại hai vấn đề. Thứ nhất, bản đồ định
vị vẫn được sử dụng để phân biệt các điểm ảnh khả mở
và không khả mở, nên việc cải thiện khả năng nhúng chưa
cao. Thứ hai, ngoài các điểm ảnh khả mở bị biến đổi một
lượng bằng sai số dự báo để nhúng tin, hầu hết các điểm
ảnh còn lại cũng bị biến đổi một giá trị bằng ngưỡng Tn
hoặc Tp . Vì vậy chất lượng ảnh chứa tin còn chưa cao.
Phương pháp đề xuất khai thác các đoạn khả mở nhận
được bằng cách sắp xếp theo phương pháp trong mục III-1.
Đề xác định vị trí của mỗi đoạn chỉ cần lưu trữ khoảng
cách từ điểm đầu của đoạn đang xét đến đoạn trước và độ
dài của đoạn này, cần 32 bít.
Thông thường cần dùng khoảng 4-5 đoạn, tương ứng với
128-160 bít, và tối đa là 10 đoạn, tương ứng với 320 bít
thông tin phụ, ít hơn nhiều so với độ dài mã nén của bản
đồ định vị. Do vậy khả năng nhúng của phương pháp đề
xuất được gia tăng so với phương pháp Sachnev.
Khi dộ dài của dãy bít dữ liệu D nhỏ hơn khả năng nhúng
C, phương pháp đề xuất sử dụng một số đoạn đầu tiên hoặc
một số đoạn dài vừa đủ để nhúng D. Các điểm ảnh ở đầu
thường có sai số nhỏ, nên độ biến đổi của chúng sau khi
nhúng không lớn. Ngoài ra, tất cả các điểm ảnh không sử
dụng để nhúng tin sẽ được giữ nguyên (không biến đổi),
nên ảnh chứa tin nhận được theo phương pháp đề xuất có
chất lượng tốt hơn so với phương pháp Sachnev.
Để minh họa việc sử dụng các đoạn khả mở, ta xét ví
dụ về dãy {(i, j)}s nhận được sau khi sắp xếp như trong
hình 7. Giả sử, tính chất khả mở của các điểm ảnh tại các
vị trí {(i, j)}s được liệt kê như trong hình 9 (K là khả mở,
0 là không khả mở). Khi đó, nếu cần nhúng 7 bít thông tin
thì ta chọn hai đoạn khả mở (T = 2): các đoạn từ vị trí 1
đến 4 và từ vị trí 8 đến 10 trên dãy {(i, j)}s .
Để định vị đoạn t (t = 1, . . . ,T) ta dùng hai giá trị nguyên
kct và ddt , trong đó kct là khoảng cách đến đoạn trước t−1
(nếu t = 1 thì kc = 1) và ddt là độ dài đoạn t. Trong ví dụ
này, thông tin về các đoạn khả mở là T = 2 (chọn 2 đoạn
để nhúng tin), kc1 = 1, dd1 = 4, kc2 = 4, dd2 = 3. Bảy
14
Tập V-3, Số 40, 12.2018
Hình 5. Dãy vị trí tập chấm {(i, j)}, {ci j } ban đầu.
Hình 6. Dãy {ci j }.
Hình 7. Dãy {(i, j)}s sau khi sắp xếp.
(a) Gold hill (b) Tank
Hình 8. Đồ thị khả năng nhúng khi α biến thiên.
Hình 9. Tính khả mở của dãy {I (i, j)} tại các vị trí {(i, j)}s ban đầu.
điểm ảnh trên tập chấm được dùng để nhúng tin lần lượt là
(3,4), (6,5), (3,2), (6,3) của đoạn 1 và (2,5), (5,2), (3,6)
của đoạn 2.
3. Thuật toán nhúng dữ liệu
Đầu vào của thuật toán nhúng dữ liệu là ảnh đa mức
xám I và dãy bít dữ liệu D. Đầu ra là ảnh I ′ chứa D và
các bít bổ trợ cần dùng trong thuật toán khôi phục.
Bước 1: Chia tập các điểm ảnh thành tập chấm (•) và
tập chéo (×) (hình 2). Tập chấm được dùng để nhúng dữ
liệu còn tập chéo được sử dụng làm ngữ cảnh dự báo.
Bước 2: Tính các phương sai địa phương vi j theo công
thức (8), khoảng cách di j giữa tâm miền điểm ảnh với tâm
ngữ cảnh theo công thức (9) và Îi j theo công thức (5).
Bước 3: Xác định hệ số α để đạt được đoạn khả mở
đầu tiên lớn nhất theo các giá trị vi j và di j bằng phương
pháp lặp. Thực nghiệm chứng tỏ có thể lấy α là một giá
trị nguyên trong đoạn [2,255].
Bước 4: Sau khi có α, tính giá trị tổ hợp ci j theo công
thức (10). Sắp xếp các điểm ảnh Ii j của tập chấm theo thứ
15
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Bảng I
CẤU TRÚC THÔNG TIN BỔ TRỢ A
Ký hiệu Ý nghĩa Độ dài theo bít
T Số đoạn khả mở được chọn 4
LSB 8 bít thấp của Iut vt (t = 1, . . . , 8) 8
size(D) Độ dài dãy bít D 20
kc1 kc1 = 1 16
dd1 Độ dài đoạn thứ 1 16
. . .
kcT Khoảng cách từ đoạn T đến đoạn
trước T − 1
16
ddT Độ dài đoạn thứ T 16
tự tăng của ci j để nhận được dãy {(i, j)}s (xem mục III-1).
Bước 5: Xác định thông tin bổ trợ A.
Trước hết, chọn tám điểm ảnh, ký hiệu Iut vt (t = 1, . . . ,8),
dùng để lưu trữ giá trị α. Các điểm này cần không tham
gia quá trình dự báo cũng như quá trình nhúng tin. Sau đó,
xác định số đoạn khả mở T dùng để nhúng D và A.
Thông tin bổ trợ A bao gồm:
◦ Bít thấp của tám điểm ảnh Iut vt (t = 1, . . . ,8), ký hiệu
LSB;
◦ Độ dài dãy bít dữ liệu D, ký hiệu size (D);
◦ Số đoạn khả mở được chọn T ;
◦ Thông tin định vị của đoạn t (t = 1, . . . ,T), được xác
định bởi hai số nguyên kct và ddt như mục III-2.
Cấu trúc thông tin bổ trợ A như trong bảng I, với T là
giá trị nguyên nhỏ nhất thỏa mãn dd1 + dd2 + · · · + ddT ≥
size (A) + size (D) .
Ví dụ, thông thường với T ≤ 10 thì size(A) ≤ 352, thông
tin này hoàn toàn có thể nhúng trong đoạn khả mở đầu tiên.
Bước 6: Xác định dãy bit cần nhúng B = A + D.
Bước 7: Nhúng lần lượt các bít của B vào T đoạn khả
mở được chọn theo công thức (6).
Bước 8: Nhúng α trên tám bít thấp của các điểm ảnh
Iut vt (t = 1, . . . ,8).
Kết quả ta nhận được ảnh I ′ vừa chứa D vừa chứa thông
tin bổ trợ A dùng cho quá trình khôi phục.
4. Thuật toán trích tin giấu và khôi phục ảnh gốc
Thực hiện khôi phục dữ liệu D và ảnh gốc I từ ảnh chứa
tin I ′ như sau.
Bước 1: Chia ảnh I thành tập chấm (•) và tập chéo (×)
giống như trong thuật toán nhúng.
Bước 2: Xác định phương sai địa phương vi j theo công
thức (8), khoảng cách giữa tâm miền điểm ảnh với tâm ngữ
cảnh di j theo công thức (9) và Îi j theo công thức (5) cho
các điểm I ′i j thuộc tập chấm.
Bước 3: Trích tám bít thấp của các điểm ảnh I ′ut vt
(t = 1, . . . ,8) để xác định α.
Bước 4: Sau khi có α, tính giá trị tổ hợp ci j theo công
thức (10) và sắp xếp các I ′i j của tập chấm theo thứ tự tăng
dần của ci j (xem mục III-1).
Bước 5: Sử dụng bốn điểm ảnh đầu của đoạn khả mở
thứ nhất để trích bốn bít và khôi phục bốn điểm ảnh này
theo (7). Từ bốn bít vừa trích, ta xác định được được giá
trị T (số đoạn khả mở).
Bước 6: Sử dụng 28+ 32T điểm ảnh tiếp theo của đoạn
khả mở thứ nhất để khôi phục phần còn lại của A và các
điểm ảnh gốc tương ứng (theo (7)).
Bước 7: Khôi phục size (D) bít dữ liệu và các điểm ảnh
tương ứng từ phần còn lại của đoạn khả mở thứ nhất và
các đoạn khả mở tiếp theo (cũng theo (7)).
Bước 8: Chèn giá trị LSB (có trong A) vào các bít thấp
của các điểm ảnh I ′ut vt (t = 1, . . . ,8) để khôi phục Iut vt
(t = 1, . . . ,8).
Đến đây, ta trích được dãy bít dữ liệu D và khôi phục
toàn bộ ảnh gốc I.
5. Nhúng tin trên toàn ảnh
Phần trên, chúng tôi đã trình bày việc nhúng dữ liệu trên
tập chấm và dùng tập chéo để làm ngữ cảnh dự báo. Có
thể nâng khả năng nhúng gấp đôi bằng cách: sau khi nhúng
dữ liệu trên tập chấm, ta tiếp tục thực hiện nhúng trên tập
chéo. Lúc đó tập chấm (đã biến đổi) sẽ là ngữ cảnh dự báo
cho tập chéo. Khi thực hiện trích tin và khôi phục ảnh gốc,
ta tiến hành theo thứ tự ngược lại, đó là trích tin và khôi
phục các điểm ảnh của tập chéo, sau đó sẽ thực hiện trích
tin và khôi phục các điểm ảnh thuộc tập chấm.
IV. THỬ NGHIỆM VÀ SO SÁNH
Để minh họa các kết quả phân tích bên trên, chúng tôi
đã tiến hành thử nghiệm trên bộ ảnh mẫu trong [14] với
nhiều loại ảnh khác nhau có cùng kích cỡ 512 × 512 (xem
hình 10), bao gồm ảnh thông thường (common images) như
Pepper, ảnh đan xen (texture images) như Mandril, ảnh sáng
màu (high-tone images) như Tiffany, ảnh chứa nhiều vùng
phẳng (flat regions) như Car, ảnh với các bộ phận đan xen
và độ sáng không đồng đều như Boat và ảnh khối hình học
như Indoor, v.v. Chương trình viết cho MATLAB R2012a
và chạy trên máy tính Lenovo Ideapad S410p.
1. So sánh khả năng nhúng tin khi dùng đoạn khả
mở đầu tiên với phương pháp Sachnev
Đoạn khả mở đầu tiên là đoạn quan trọng và phải đủ lớn
để lưu trữ toàn bộ thông tin phụ. Bảng II cho thấy phương
16
Tập V-3, Số 40, 12.2018
(a) Pepper (b) Tiffany (c) Boat
(d) Mandril (e) Car (f) Indoor
(g) Bridge (h) Goll hill (i) Couple
(j) Tank (k) Drop (l) Airplane
Hình 10. Một số ảnh trong thử nghiệm.
pháp đề xuất cho đoạn khả mở đầu tiên cao hơn hẳn phương
pháp Sachnev (gấp khoảng hai lần), điều đó cho thấy vai
trò của độ sâu ngữ cảnh trong việc dồn các điểm khả mở
về phía trước.
2. So sánh với các phương pháp gần đây
Để minh họa ưu điểm của phương pháp đề xuất, chúng
tôi chọn hai phương pháp giấu tin thuận nghịch gần đây để
so sánh, đó là phương pháp Qu (năm 2015) [11] và phương
pháp Kumar (năm 2016) [2].
1) So sánh khả năng nhúng:
Với chất lượng ảnh chứa tin theo hệ số PSNR lớn hơn
hoặc bằng 30 (mức tối thiểu chấp nhận được của chất lượng
ảnh theo [15, tr. 6]), phương pháp đề xuất có khả năng
nhúng cao hơn cả hai phương pháp Kumar và Qu như được
chỉ ra ở bảng III.
2) So sánh về chất lượng ảnh:
Với cùng một số bít dữ liệu được nhúng như nhau,
phương pháp đề xuất có hệ số PSNR gần tương đương
Bảng II
SO SÁNH ĐOẠN KHẢ MỞ ĐẦU
TIÊN VỚI PHƯƠNG PHÁP SACHNEV
Ảnh thử nghiệm
Đoạn khả mở đầu tiên
Sachnev Đề xuất
Car 23236 26949
Pepper 11365 22003
Tiffany 277 1972
Boat 80482 81450
Mandril 1419 5089
Indoor 1304 90468
Bridge 215 129541
Goll hill 118510 126186
Couple 1250 86470
Tank 100661 123312
Drop 126584 129541
Airplane 128404 129342
Tổng 593707 952323
Bảng III
SO SÁNH KHẢ NĂNG NHÚNG TỐI ĐA (THEO BÍT)
Ảnh thử
nghiệm
Kumar
(PSNR ≈ 30)
Qu
(khối 2 × 2)
Đề xuất
Car 1780 16462 29523
Pepper 7030 34130 31206
Tiffany 2040 11285 29951
Boat 6850 35585 96962
Mandril 6450 22025 93676
Indoor 5450 81231 95585
Bridge 9000 68576 129541
Goll hill 13000 32060 130036
Couple 8000 42180 86470
Tank 7800 72954 128755
Drop 7000 68576 129541
Airplane 8000 71539 130049
Tổng 82400 556603 1111295
với phương pháp Qu và cao hơn nhiều so với phương pháp
Kumar (xem bảng IV).
V. KẾT LUẬN
Phương pháp giấu tin thuận nghịch được đề xuất dựa trên
các ý tưởng sau. Đầu tiên, sắp xếp các điểm ảnh theo chiều
tăng của phương sai địa phương kết hợp với khoảng cách
giữa tâm miền điểm ảnh với tâm ngữ cảnh dự báo, để dồn
hầu hết các điểm ảnh khả mở lên phía trên. Sau đó khai
thác các đoạn khả mở để nhúng tin. Thay cho việc sử dụng
bản đồ định vị nén (có độ dài khá lớn), mỗi đoạn khả mở
được xác định bởi hai số nguyên có độ dài 16 bít, do đó
khả năng nhúng và chất lượng ảnh được cải thiện so với
một số phương pháp gần đây.
17
Các công trình nghiên cứu phát triển Công nghệ Thông tin và Truyền thông
Bảng IV
SO SÁNH CHẤT LƯỢNG ẢNH (THEO PSNR)
Ảnh thử nghiệm Kumar Qu Đề xuất
Car 18,8639 58,1079 44,0582
Pepper 33,2160 63,3236 55,2678
Tiffany 38,0515 68,8400 64,7945
Boat 32,2601 64,7838 70,3490
Mandril 21,9831 59,7622 45,9813
Indoor 36,1376 70,4338 70,2982
Bridge 28,9416 61,2098 58,3108
Goll hill 29,5007 59,7402 52,0942
Couple 29,4136 60,2730 53,5863
Tank 29,4923 61,8325 53,8388
Drop 30,0188 62,1474 59,2189
Airplane 29,5731 62,1866 59,5129
TÀI LIỆU THAM KHẢO
[1] I.-C. Dragoi and D. Coltuc, “Local-prediction-based differ-
ence expansion reversible watermarking,” IEEE Transactions
on Image Processing, vol. 23, no. 4, pp. 1779–1790, 2014.
[2] M. Kumar and S. Agrawal, “Reversible data hiding based on
prediction error expansion using adjacent pixels,” Security
and Communication Networks, vol. 9, pp. 3703–3712, 2016.
[3] B. Macq, “Lossless multiresolution transform for image
authenticating watermarking,” in Proceedings of the 10th
European Signal Processing Conference, 2000, pp. 1–4.
[4] X. Wu and N. Memon, “Context-based, adaptive, loss-
less image coding,” IEEE Transactions on Communications,
vol. 45, no. 4, pp. 437–444, 1997.
[5] J. Fridrich, M. Goljan, and R. Du, “Invertible authentica-
tion,” in Proceedings of the Security and Watermarking of
Multimedia contents III, vol. 4314, 2001, pp. 197–209.
[6] K. Sao Nguyen, Q. H. Le, and V. A. Pham, “A new reversible
watermarking method based on histogram shifting,” Applied
Mathematical Sciences, vol. 11, pp. 445–460, 2017.
[7] J.-D. Lee, Y.-H. Chiou, and J.-M. Guo, “Reversible data
hiding based on histogram modification of SMVQ indices,”
IEEE Transactions on Information Forensics and Security,
vol. 5, no. 4, pp. 638–648, 2010.
[8] J. Tian, “Reversible data embedding using a difference
expansion,” IEEE Transactions on Circuits and System for
Video Technology, vol. 13, no. 8, pp. 890–896, 2003.
[9] D. M. Thodi and J. J. Rodríguez, “Expansion embedding
techniques for reversible watermarking,” IEEE Transactions
on Image Processing, vol. 16, no. 3, pp. 721–730, 2007.
[10] V. Sachnev, H. J. Kim, J. Nam, S. Suresh, and Y. Q.
Shi, “Reversible watermarking algorithm using sorting and
prediction,” IEEE Transactions on Circuits and System for
Video Technology, vol. 19, no. 7, pp. 989–999, 2009.
[11] X. Qu and H. J. Kim, “Pixel-based pixel value ordering
predictor for high-fidelity reversible data hiding,” Signal
Processing, vol. 111, pp. 249–260, 2015.
[12] D. M. Thodi and J. J. Rodríguez, “Reversible watermarking
by prediction-error expansion,” in Proceedings of the 6th
IEEE Southwest Symposium on Image Analysis and Inter-
pretation, 2004, pp. 21–25.
[13] T. Phiasai, P. Kumhom, and K. Chamnongthai, “A digital
image watermarking technique using prediction method and
weber ratio,” in Proceedings of the IEEE International
Symposium on Communications and Information Technology
(ISCIT), 2004, pp. 314–317.
[14] “Images data,”  and
 2017.
[15] D. Taubman and M. Marcellin, JPEG2000 Image Com-
pression Fundamentals, Standards and Practice. Springer
Science & Business Media, 2012, vol. 642.
Nguyễn Kim Sao sinh năm 1979 tại Thái
Nguyên. Tác giả tốt nghiệp Đại học Sư
phạm Hà Nội năm 2001 và nhận bằng Thạc
sĩ tại Trường Đại học Bách khoa Hà Nội
năm 2007. Hiện nay, tác giả đang giảng dạy
tại Khoa Công nghệ Thông tin, Trường Đại
học Giao thông Vận tải. Lĩnh vực quan tâm
nghiên cứu của tác giả là truyền thông đa
phương tiện, giấu tin và thủy vân.
Đỗ Văn Tuấn sinh năm 1975 tại Hải
Dương. Ông nhận bằng kỹ sư tại Học viện
Kỹ thuật Quân sự, bằng thạc sĩ tại Trường
Đại học Công nghệ, Đại học Quốc gia Hà
Nội và bằng tiến sĩ tại Trường Đại học Bách
khoa Hà Nội vào các năm 2000, 2007 và
2015. Hiện nay, ông đang giảng dạy tại
Khoa Công nghệ Thông tin, Trường Đại
học Công nghiệp Hà Nội. Lĩnh vực quan tâm nghiên cứu của ông
là an toàn thông tin, trí tuệ nhân tạo, công nghệ đa phương tiện
và dữ liệu lớn.
Phạm Văn Ất sinh năm 1945 tại Hà Nội.
Ông tốt nghiệp đại học năm 1967 và nhận
bằng tiến sĩ năm 1980 tại Trường Đại học
Tổng hợp Hà Nội. Năm 1984, ông nhận học
hàm PGS. Hiện nay, ông đang giảng dạy
tại Khoa Công nghệ Thông tin, Trường Đại
học Giao thông Vận tải. Lĩnh vực quan tâm
nghiên cứu của ông là lý thuyết ma trận, xử
lý ảnh, an toàn thông tin và phân tích dữ liệu.
18