三、 研究方法
3.3 針對圖像特性增加其適應性
在以往的 GAP 演算法當中，幾乎所有的演算法都會因為影像邊緣的像素值，因 為其能夠判定範圍過於狹小，而往往使用最基本的平均值來做為邊緣像素值的判定，
而經過歸納可以發現，自然界當中的物質，一般都會具有與其畫面的一致性等特性，
所以我們可以針對這點特性來增加圖像預測的適應性，而我使用的具體做法則是先針 對要進行資訊隱藏的影像對其分類，依照表 6 分成 7 個類別，接下來針對每一個像素 預測值D(i,j)給其 10%的機率會針對該影像的分類進行轉換，轉換成對應該影像的
) , (ij
D ；在這當中，我們經過不斷實驗得出的結論讓我們可以針對分類過後為第 7 類 的圖樣運算，而增進其資訊隱藏量；而所使用到的符號與第一節相同，接著同樣使用 前一章節介紹的直方圖位移方法將機密資訊藏入影像中並加以回復，即完成資訊隱 藏。
17
表6. 針對圖像特性增加其適應性分類
此方法提出的演算法如下：
資訊隱藏演算法
輸入：原始影像、機密資訊。
輸出：偽裝影像、最多八組高點與零點、機密資訊長度X 、隨機更動點位。
步驟1. 將影像分成四個部分，每次只針對一個部分進行預測，其順序為 I、II、
III、IV。
步驟2. 當i=0,1|| j=0,1,511時，令S(i,j) =0；否則利用公式(3-1)求出S(i,j)。 步驟3. 依據S( ji, )，對照表 3 之公式計算出像素預測值D(i,j)，並利用公式(3-2)
計算
D′
(i,j)，直到全部像素預測完畢。步驟4. 對利用預測出來的預測誤差值進行統計，並計算個別分群數量。
步驟5. 判斷輸入影像之主要分群，若屬於第 R 類則會對該輸入圖像的預測點 位重新進行步驟 3，並將對第 R 類的判定提高 10 個百分比的機率且記 錄當前的 (i,j)值為隨機更動點位。
步驟6. 利用直方圖統計像素誤差值出現的次數，得到第 I 部分二組高點與相對 應之零點(H11,Z11)、(H12,Z12)。
步驟7. 利用公式(3-3)執行位移。
梯度狀態
) , (i j
S 類別
強烈斜向平滑 (12, ∞] 1
斜向平滑 (8, 12] 2
輕微斜向平滑 (4, 8] 3
四周平滑 [4, -4] 4
輕微十字平滑 (-4, -8] 5
十字平滑 (-8, -12] 6
強烈十字平滑 (-12, -∞] 7
18
步驟8. 計算D(′i,j) = H11與D(′i,j) =H12之像素數量為N，從機密資訊取出前
N
個，即M0M1M2 ... MN作為嵌入資訊，針對每一個隱藏資訊Mn與對應可 隱藏的像素誤差值D ′′ ，必須滿足公式(3-4)。 (i,j)
步驟9. 利用公式(3-5)對位移後的預測誤差值進行反運算，獲得藏入機密資訊後 的偽裝像素值。
步驟10. 當機密資訊全部藏入偽裝影像後，演算法結束，否則將針對第 II 部分 的像素值進行步驟 2~步驟 7，以此類推，直到所有機密資訊藏入影像中 為止。
步驟11. 輸出偽裝影像、機密資訊長度X 、隨機更動點位、最多八組高點與零 點：
) ,
(H11 Z11 、(H12,Z12)、(H21,Z21)、(H22,Z22)、(H31,Z31)、(H32,Z32)、 )
,
(H41 Z41 、(H42,Z42)。 萃取與回復演算法
輸入：偽裝影像、機密資訊長度N、隨機更動點位、最多八組高點與零點：
) ,
(H11 Z11 、(H12,Z12)、(H21,Z21)、(H22,Z22)、(H31,Z31)、(H32,Z32)、 )
,
(H41 Z41 、(H42,Z42)。 輸出：原始影像、機密資訊。
步驟1. 將偽裝影像分成四個部分，每次只針對一個部分進行反預測，其 順序為 IV、III、II、I。
步驟2. 利用隨機更動點位還原原始(i,j)。
步驟3. 利用資訊隱藏演算法中步驟 3 與步驟 4 的方程式，對照表 3 計算 得到D ′′ 。 (i,j)
步驟4. 利用已知資訊(
H
41,Z
41)、(H
42,Z
42)、公式(3-4)得到隱藏之機密 資訊。步驟5. 利用公式(3-3)將已位移的誤差值回復得D′(i,j)。 步驟6. 利用公式(3-3)得到機密資訊 M。
步驟7. 利用公式(3-2)得到原始像素值。
步驟8. 重複步驟 2~步驟 4，直到取出所有機密資訊為止。
步驟9. 輸出原始影像與機密資訊M。
19