【图像隐写】Jsteg算法JPEG图像信息隐藏（可设置DCT系数 嵌入率）【含Matlab源码 4235期】

✅博主简介：热爱科研的Matlab仿真开发者，修心和技术同步精进，Matlab项目合作可私信。
🍎个人主页：海神之光
🏆代码获取方式：
海神之光Matlab王者学习之路—代码获取方式
⛳️座右铭：行百里者，半于九十。

更多Matlab仿真内容点击👇
Matlab图像处理（进阶版）
路径规划（Matlab）
神经网络预测与分类（Matlab）
优化求解（Matlab）
语音处理（Matlab）
信号处理（Matlab）
车间调度（Matlab）

⛄一、Jsteg算法JPEG图像信息隐藏（可设置DCT系数 嵌入率）简介

1 课题简介
随着计算机技术、信息处理技术和网络通信技术的迅猛发展，人类步入了前所未有的数字化信息时代。尤其是因特网的普及，使得人们的思维、工作、生活方式等方面都发生了诸多变化。人们越来越倾向于通过方便快捷的网络来获取各类信息，电子商务、电子政务、网络办公等己成为社会高效运转不可缺少的工作方式，电子邮件、网络聊天、BBS等成为人们新的交流方式。
网络给人们带来便捷的同时，也带来了信息安全方面的挑战:涉及国家安全、政府机密的文件能否在网络中安全的传输;电子商务中的企业机密能否躲过商业间谍的窃取;个人隐私如帐号、口令密码、电子邮件等，能否得到安全的保障;多媒体作品的版权能否得到保护等。归结起来就是信息存储和传输的安全以及用户鉴别问题。如何解决这一系列的安全问题成为当前乃至相当长的时期内的一个研究热点。
密写是信息隐藏的一个重要分支，其目的是将秘密信息安全的发送出去而不引起第三方的怀疑。JPEG图像是一种使用非常广泛的图像格式，其压缩编码过程的核心是DCT离散余弦变换，由于JPEG压缩比较高，可以大大缩小信息量，以JPEG图像为载体图像，研究JPEG图像的数字信息隐藏具有非常重要的意义。

2 基于JPEG图像的信息隐藏的Jsteg算法及实现
2.1 JPEG图像的压缩原理
ISO和前CCITT于1986年底成立“联合图像专家组” (JPEG: Joint photographic Expert Group)，研究静止图像压缩算法的标准化，至 1992年正式完成了用于各种分辨率和格式的连续色调图像的 ISO/IEC 10918标准(ITU一TT.81建议)，简称JPEG标准
JPEG算法共有4种运行方式：
①无损压缩算法 基于空间预测（DPCM）进行压缩，可以保证无失真地重建原始图像
②基于DCT的顺序模式 按从上到下、从左到右的顺序对图像进行编码，称为基本系统；
③基于DCT的递进模式 对一幅图像由粗到细进行编码
④分成模式 以各种分辨率对图像进行编码，可以根据不同的要求，获得不同分辨率的图像。
现主要关注有损格式的灰度图像，JPEG压缩过程：首先将原始图像分割为不重叠的88的小块，然后在每个小块中作88二维DCT，得到64个DCT系数，代表图像块的不同频率成分。在88的系数矩阵中，左上角的数为直流系数，其余63个为交流系数。从左到右水平频率增高，从上到下垂直频率增高。接着对DCT系数进行量化，再用zigzag扫描将系数矩阵变成一维数列，按频率由低到高排列，最后具体编码。具体流程如图1所示。

图1 JPEG压缩流程
而对真彩色图像进行JPEG基本压缩前必须把RGB颜色模式转换为YCbCr模式，对于转换后的数据可采取4:1:1比例对Y、Cb和Cr进行采样，采样后一个16x16块称为一个最小编码单元(MCU).图像数据采样分割成88的数据块后，以MCU为单位顺序将每个8*8块作二维正向离散余弦变换（2D-FDCT）。
为了达到压缩图像数据的目的，对量化后的二维DCT系数矩阵采用z形扫描方式将量化系数重组为一维数组后进行编码，包括差分预测编码、游程编码、霍夫曼编码。
结果分析：量化DCT系数时，通常对不同频率成分采用不同的量化步长。量化步长越大，原始数据的失真就越大。由于人类视觉对低频较为敏感，所以量化步长由低频到高频呈上升趋势。量化表的确定与压缩质量有关。量化步长取得较大，压缩比就较高，重建的原始图像质量较差；反之，量化步长取得较小，压缩比就低，重建的原始图像质量就较好。

2.2 Jsteg算法原理及实现
Jsteg是一种基于JPEG的常用信息隐藏算法步骤如下:
首先，把掩体图像分为不重叠的8*8的子块，对每一子块进行DCT并对变换得到的DCT系数进行量化;其次，将待隐藏的信息进行加密，将加密结果嵌入到量化后值不为0，1或-1的DCT系数的最
低有效位(LSB)中，其嵌入顺序是按zigzag扫描顺序进行的。最后，用JPEG的嫡编码(包括哈夫曼编码，游程编码及DPCM)对嵌入秘密信息后的每一子块进行编码，从而得到一个含有秘密信息的JPEG stego文件。
下面举例说明采用Jsteg方法进行秘密信息嵌入的过程。图2-2-3(a)所示的是某掩体图像中的一个8X8子块灰度值。Jsteg方法先对该子块进行DCT变换，变换后的DCT系数如图2-2-3(b)所示。接着用JPEG缺省量化表对其进行量化，量化结果如图2-2-3(e)所示。由于Jsteg算法只把信息隐藏在值为非0，l或-1的量化后的DCT系数中。

3 Jsteg算法JPEG图像信息隐藏原理
Jsteg算法是一种用于JPEG图像信息隐藏的算法，它可以设置DCT系数和嵌入率来隐藏信息。下面是Jsteg算法的原理：
（1）JPEG压缩：首先，原始图像会经过JPEG压缩，该过程包括色彩空间转换、离散余弦变换（DCT）和量化。
（2）DCT系数选择：在JPEG压缩后的图像中，DCT系数表示了图像的频域信息。Jsteg算法通过选择特定的DCT系数来嵌入信息。通常选择低频DCT系数，因为它们对图像质量的影响较小。
（3）信息嵌入：选定的DCT系数中，将信息的二进制数据嵌入其中。一般情况下，将信息的二进制数据替换为DCT系数的最低有效位（LSB），这样可以最小程度地改变DCT系数的值。
（4）JPEG解压缩：嵌入信息后的图像进行JPEG解压缩，还原为可见图像。

Jsteg算法的嵌入率是指每个DCT系数中可以嵌入的信息比特数。嵌入率越高，可以隐藏的信息越多，但也会对图像质量产生更大的影响。

⛄二、部分源代码

function rey=Jpeg()
%返回解码所得灰度矩阵
tic
y=imread(‘lena512.bmp’);

codeout=Code(y);
disp(‘读取编码时间:’);
toc

tic
rey=UnCode(codeout);
disp(‘解码时间’);
toc
subplot(1,2,1);
imagesc(y);title(‘原始图像’)
colormap(gray);
subplot(1,2,2);
imagesc(rey);title(‘隐写后的图像’)
colormap(gray);
disp(‘压缩倍数’);
5125128/length(codeout)
disp(‘峰值信噪比(dB)’);
deta=mean(mean((rey-double(y)).^2))/2552;
PSNR=-10*log10(deta)

⛄三、运行结果

⛄四、matlab版本及参考文献

1 matlab版本
2014a

2 参考文献
[1]王康,刘琲贝,刘烁炜,胡永健 .简洁的JPEG图像隐写DCT系数选择方案和安全性增强策略[J].电网络与信息安全学报 . 2016

3 备注
简介此部分摘自互联网，仅供参考，若侵权，联系删除

🍅 仿真咨询
1 各类智能优化算法改进及应用
1.1 PID优化
1.2 VMD优化
1.3 配电网重构
1.4 三维装箱
1.5 微电网优化
1.6 优化布局
1.7 优化参数
1.8 优化成本
1.9 优化充电
1.10 优化调度
1.11 优化电价
1.12 优化发车
1.13 优化分配
1.14 优化覆盖
1.15 优化控制
1.16 优化库存
1.17 优化路由
1.18 优化设计
1.19 优化位置
1.20 优化吸波
1.21 优化选址
1.22 优化运行
1.23 优化指派
1.24 优化组合
1.25 车间调度
1.26 生产调度
1.27 经济调度
1.28 装配线调度
1.29 水库调度
1.30 货位优化
1.31 公交排班优化
1.32 集装箱船配载优化
1.33 水泵组合优化
1.34 医疗资源分配优化
1.35 可视域基站和无人机选址优化

2 机器学习和深度学习分类与预测
2.1 机器学习和深度学习分类
2.1.1 BiLSTM双向长短时记忆神经网络分类
2.1.2 BP神经网络分类
2.1.3 CNN卷积神经网络分类
2.1.4 DBN深度置信网络分类
2.1.5 DELM深度学习极限学习机分类
2.1.6 ELMAN递归神经网络分类
2.1.7 ELM极限学习机分类
2.1.8 GRNN广义回归神经网络分类
2.1.9 GRU门控循环单元分类
2.1.10 KELM混合核极限学习机分类
2.1.11 KNN分类
2.1.12 LSSVM最小二乘法支持向量机分类
2.1.13 LSTM长短时记忆网络分类
2.1.14 MLP全连接神经网络分类
2.1.15 PNN概率神经网络分类
2.1.16 RELM鲁棒极限学习机分类
2.1.17 RF随机森林分类
2.1.18 SCN随机配置网络模型分类
2.1.19 SVM支持向量机分类
2.1.20 XGBOOST分类

2.2 机器学习和深度学习预测
2.2.1 ANFIS自适应模糊神经网络预测
2.2.2 ANN人工神经网络预测
2.2.3 ARMA自回归滑动平均模型预测
2.2.4 BF粒子滤波预测
2.2.5 BiLSTM双向长短时记忆神经网络预测
2.2.6 BLS宽度学习神经网络预测
2.2.7 BP神经网络预测
2.2.8 CNN卷积神经网络预测
2.2.9 DBN深度置信网络预测
2.2.10 DELM深度学习极限学习机预测
2.2.11 DKELM回归预测
2.2.12 ELMAN递归神经网络预测
2.2.13 ELM极限学习机预测
2.2.14 ESN回声状态网络预测
2.2.15 FNN前馈神经网络预测
2.2.16 GMDN预测
2.2.17 GMM高斯混合模型预测
2.2.18 GRNN广义回归神经网络预测
2.2.19 GRU门控循环单元预测
2.2.20 KELM混合核极限学习机预测
2.2.21 LMS最小均方算法预测
2.2.22 LSSVM最小二乘法支持向量机预测
2.2.23 LSTM长短时记忆网络预测
2.2.24 RBF径向基函数神经网络预测
2.2.25 RELM鲁棒极限学习机预测
2.2.26 RF随机森林预测
2.2.27 RNN循环神经网络预测
2.2.28 RVM相关向量机预测
2.2.29 SVM支持向量机预测
2.2.30 TCN时间卷积神经网络预测
2.2.31 XGBoost回归预测
2.2.32 模糊预测
2.2.33 奇异谱分析方法SSA时间序列预测

2.3 机器学习和深度学习实际应用预测
CPI指数预测、PM2.5浓度预测、SOC预测、财务预警预测、产量预测、车位预测、虫情预测、带钢厚度预测、电池健康状态预测、电力负荷预测、房价预测、腐蚀率预测、故障诊断预测、光伏功率预测、轨迹预测、航空发动机寿命预测、汇率预测、混凝土强度预测、加热炉炉温预测、价格预测、交通流预测、居民消费指数预测、空气质量预测、粮食温度预测、气温预测、清水值预测、失业率预测、用电量预测、运输量预测、制造业采购经理指数预测

3 图像处理方面
3.1 图像边缘检测
3.2 图像处理
3.3 图像分割
3.4 图像分类
3.5 图像跟踪
3.6 图像加密解密
3.7 图像检索
3.8 图像配准
3.9 图像拼接
3.10 图像评价
3.11 图像去噪
3.12 图像融合
3.13 图像识别
3.13.1 表盘识别
3.13.2 车道线识别
3.13.3 车辆计数
3.13.4 车辆识别
3.13.5 车牌识别
3.13.6 车位识别
3.13.7 尺寸检测
3.13.8 答题卡识别
3.13.9 电器识别
3.13.10 跌倒检测
3.13.11 动物识别
3.13.12 二维码识别
3.13.13 发票识别
3.13.14 服装识别
3.13.15 汉字识别
3.13.16 红绿灯识别
3.13.17 虹膜识别
3.13.18 火灾检测
3.13.19 疾病分类
3.13.20 交通标志识别
3.13.21 卡号识别
3.13.22 口罩识别
3.13.23 裂缝识别
3.13.24 目标跟踪
3.13.25 疲劳检测
3.13.26 旗帜识别
3.13.27 青草识别
3.13.28 人脸识别
3.13.29 人民币识别
3.13.30 身份证识别
3.13.31 手势识别
3.13.32 数字字母识别
3.13.33 手掌识别
3.13.34 树叶识别
3.13.35 水果识别
3.13.36 条形码识别
3.13.37 温度检测
3.13.38 瑕疵检测
3.13.39 芯片检测
3.13.40 行为识别
3.13.41 验证码识别
3.13.42 药材识别
3.13.43 硬币识别
3.13.44 邮政编码识别
3.13.45 纸牌识别
3.13.46 指纹识别

3.14 图像修复
3.15 图像压缩
3.16 图像隐写
3.17 图像增强
3.18 图像重建

4 路径规划方面
4.1 旅行商问题（TSP）
4.1.1 单旅行商问题（TSP）
4.1.2 多旅行商问题（MTSP）
4.2 车辆路径问题（VRP）
4.2.1 车辆路径问题（VRP）
4.2.2 带容量的车辆路径问题（CVRP）
4.2.3 带容量+时间窗+距离车辆路径问题（DCTWVRP）
4.2.4 带容量+距离车辆路径问题（DCVRP）
4.2.5 带距离的车辆路径问题（DVRP）
4.2.6 带充电站+时间窗车辆路径问题（ETWVRP）
4.2.3 带多种容量的车辆路径问题（MCVRP）
4.2.4 带距离的多车辆路径问题（MDVRP）
4.2.5 同时取送货的车辆路径问题（SDVRP）
4.2.6 带时间窗+容量的车辆路径问题（TWCVRP）
4.2.6 带时间窗的车辆路径问题（TWVRP）
4.3 多式联运运输问题

4.4 机器人路径规划
4.4.1 避障路径规划
4.4.2 迷宫路径规划
4.4.3 栅格地图路径规划

4.5 配送路径规划
4.5.1 冷链配送路径规划
4.5.2 外卖配送路径规划
4.5.3 口罩配送路径规划
4.5.4 药品配送路径规划
4.5.5 含充电站配送路径规划
4.5.6 连锁超市配送路径规划
4.5.7 车辆协同无人机配送路径规划

4.6 无人机路径规划
4.6.1 飞行器仿真
4.6.2 无人机飞行作业
4.6.3 无人机轨迹跟踪
4.6.4 无人机集群仿真
4.6.5 无人机三维路径规划
4.6.6 无人机编队
4.6.7 无人机协同任务
4.6.8 无人机任务分配

5 语音处理
5.1 语音情感识别
5.2 声源定位
5.3 特征提取
5.4 语音编码
5.5 语音处理
5.6 语音分离
5.7 语音分析
5.8 语音合成
5.9 语音加密
5.10 语音去噪
5.11 语音识别
5.12 语音压缩
5.13 语音隐藏

6 元胞自动机方面
6.1 元胞自动机病毒仿真
6.2 元胞自动机城市规划
6.3 元胞自动机交通流
6.4 元胞自动机气体
6.5 元胞自动机人员疏散
6.6 元胞自动机森林火灾
6.7 元胞自动机生命游戏

7 信号处理方面
7.1 故障信号诊断分析
7.1.1 齿轮损伤识别
7.1.2 异步电机转子断条故障诊断
7.1.3 滚动体内外圈故障诊断分析
7.1.4 电机故障诊断分析
7.1.5 轴承故障诊断分析
7.1.6 齿轮箱故障诊断分析
7.1.7 三相逆变器故障诊断分析
7.1.8 柴油机故障诊断

7.2 雷达通信
7.2.1 FMCW仿真
7.2.2 GPS抗干扰
7.2.3 雷达LFM
7.2.4 雷达MIMO
7.2.5 雷达测角
7.2.6 雷达成像
7.2.7 雷达定位
7.2.8 雷达回波
7.2.9 雷达检测
7.2.10 雷达数字信号处理
7.2.11 雷达通信
7.2.12 雷达相控阵
7.2.13 雷达信号分析
7.2.14 雷达预警
7.2.15 雷达脉冲压缩
7.2.16 天线方向图
7.2.17 雷达杂波仿真

7.3 生物电信号
7.3.1 肌电信号EMG
7.3.2 脑电信号EEG
7.3.3 心电信号ECG
7.3.4 心脏仿真

7.4 通信系统
7.4.1 DOA估计
7.4.2 LEACH协议
7.4.3 编码译码
7.4.4 变分模态分解
7.4.5 超宽带仿真
7.4.6 多径衰落仿真
7.4.7 蜂窝网络
7.4.8 管道泄漏
7.4.9 经验模态分解
7.4.10 滤波器设计
7.4.11 模拟信号传输
7.4.12 模拟信号调制
7.4.13 数字基带信号
7.4.14 数字信道
7.4.15 数字信号处理
7.4.16 数字信号传输
7.4.17 数字信号去噪
7.4.18 水声通信
7.4.19 通信仿真
7.4.20 无线传输
7.4.21 误码率仿真
7.4.22 现代通信
7.4.23 信道估计
7.4.24 信号检测
7.4.25 信号融合
7.4.26 信号识别
7.4.27 压缩感知
7.4.28 噪声仿真
7.4.29 噪声干扰

7.5 无人机通信

7.6 无线传感器定位及布局方面
7.6.1 WSN定位
7.6.2 高度预估
7.6.3 滤波跟踪
7.6.4 目标定位
7.6.4.1 Dv-Hop定位
7.6.4.2 RSSI定位
7.6.4.3 智能算法优化定位
7.6.5 组合导航

8 电力系统方面
微电网优化、无功优化、配电网重构、储能配置