基于邊緣和局部熵融合的視覺安全性評(píng)估方法

胡 慧，徐正全

武漢大學(xué) 測(cè)繪遙感信息工程國(guó)家重點(diǎn)實(shí)驗(yàn)室，武漢430079

1 引言

隨著網(wǎng)絡(luò)技術(shù)的飛速發(fā)展，圖像和視頻數(shù)據(jù)成為人們獲取信息的重要來(lái)源。為了保障安全，研究者們提出了大量實(shí)用性強(qiáng)的圖像和視頻加密算法[1-3]；同時(shí)，基于處理代價(jià)和安全性的綜合考量，人們往往希望其存儲(chǔ)和傳輸?shù)募用軋D像達(dá)到特定的保密性即可。保密性體現(xiàn)在抗密碼分析攻擊的能力及視覺安全性兩個(gè)方面，其中關(guān)于視覺安全性的研究也越來(lái)越受到重視。視覺安全性[4]是指加密后的圖像對(duì)于人眼的不可理解程度，視覺安全性越高，非授權(quán)用戶從加密圖像中獲取的信息量越少，在不破解密鑰的情況下進(jìn)行視覺分析攻擊來(lái)獲取有價(jià)值信息的難度越大。視覺安全性評(píng)估在很多領(lǐng)域都有應(yīng)用，例如移動(dòng)端視頻加密[5-6]、生物識(shí)別系統(tǒng)[7]、指紋圖像保護(hù)[8]等，因此對(duì)可視媒體數(shù)據(jù)進(jìn)行視覺安全性評(píng)估是一項(xiàng)重要的研究工作。

圖像視覺安全性評(píng)估可分為兩大類：基于打分制的主觀評(píng)估方法[9-10]和基于指標(biāo)的客觀評(píng)估方法。其中基于打分制即MOS分（Mean Opinion Score，MOS）的主觀方法易受人的主觀感受和測(cè)評(píng)環(huán)境的影響，而且需要做大量的實(shí)驗(yàn)，費(fèi)用高，評(píng)價(jià)速度慢，無(wú)法自動(dòng)進(jìn)行處理，因此該方法在評(píng)估加密圖像的視覺安全性時(shí)只是作為自動(dòng)處理方法的一種輔助參考方法。理想的客觀方法在自動(dòng)處理的情況下達(dá)到與主觀人工方法接近的結(jié)果，但遺憾的是，大多數(shù)客觀方法都不是特別理想。目前比較常用的客觀評(píng)估指標(biāo)有均方誤差（Mean Square Error，MSE）和峰值信噪比（Peak Signal Noise Ratio，PSNR）[11]，通過(guò)比較原始圖像和失真圖像的像素值間的差異來(lái)評(píng)估失真圖像的質(zhì)量[12]，模型簡(jiǎn)單，但側(cè)重于評(píng)估失真圖像的質(zhì)量而不是視覺安全性，不能很好地反映出人的主觀感受。之后有學(xué)者將人眼視覺系統(tǒng)（Human Visual System，HVS）融入到了圖像評(píng)估中，提出了基于結(jié)構(gòu)相似度（Structural Similarity Index，SSIM）[13]，基于局部邊緣梯度[14]的評(píng)估指標(biāo)，Guo等[15]提出了基于邊緣相似度和紋理相似度的評(píng)估指標(biāo)（Visual Security Index，VSI），文獻(xiàn)[15]中通過(guò)提取原始圖像和加密圖像的灰度共生矩陣（Gray-Level Co-occurrence Matrix，GLCM）來(lái)獲得紋理相似度，認(rèn)為加密圖像的邊緣和紋理相似度越低，圖像視覺安全性更高，但當(dāng)圖像模糊，受損嚴(yán)重時(shí)評(píng)估加密圖像的視覺安全性并不準(zhǔn)確[16]。針對(duì)經(jīng)過(guò)加密算法處理得到的受損嚴(yán)重，質(zhì)量較低的圖像，Sun和Wu等[17-18]提出了基于信息熵的評(píng)估指標(biāo)，其中Sun等[17]通過(guò)局部熵來(lái)表征圖像的混亂程度，但是存在塊效應(yīng)，對(duì)于單個(gè)塊內(nèi)各個(gè)像素值相似的加密圖像，不可以進(jìn)行很好地區(qū)分，同時(shí)只有在圖像足夠混亂時(shí)評(píng)估效果較好。因此需要引入圖像的邊緣特征，一方面可以消除塊效應(yīng)，同時(shí)保證了在圖像加密強(qiáng)度較低的時(shí)候也可以有較好的評(píng)估效果。

2 基礎(chǔ)算法研究

2.1 加密圖像的視覺安全性評(píng)估

隨著各種高效加密算法例如選擇加密算法的發(fā)展，評(píng)估加密圖像的視覺安全性至關(guān)重要。人眼從圖像中獲得的信息量越少，圖像的視覺安全性越高。

加密圖像的視覺安全性可以通過(guò)衡量加密圖像和原始圖像的關(guān)系來(lái)得到，設(shè)原始參考圖像為O，待評(píng)估的加密圖像為O′,f(?)為評(píng)估指標(biāo)計(jì)算函數(shù)，S為評(píng)估指標(biāo)，則：

為了便于比較，將指標(biāo)進(jìn)行歸一化處理，使得S∈[0 ,1]，且f(?)需保持單調(diào)性。

理想情況下，評(píng)估圖像的視覺安全性希望是無(wú)參考圖像的，即S=f( )O′?，F(xiàn)有一些基于機(jī)器學(xué)習(xí)的方法來(lái)進(jìn)行無(wú)參考圖像的圖像質(zhì)量評(píng)估[19-21]，但評(píng)估的圖像主要是針對(duì)噪聲、模糊、壓縮等原因產(chǎn)生的失真圖像，圖像的受損程度低。一方面，加密產(chǎn)生的失真和這些失真類型不相同，另一方面，加密得到的圖像往往質(zhì)量更差，因此用無(wú)參考的質(zhì)量評(píng)估算法來(lái)衡量加密圖像的視覺安全性偏差較大，算法的魯棒性差。綜上，本文采用有參考圖像的評(píng)估方法，旨在提出評(píng)估準(zhǔn)確、魯棒性強(qiáng)的加密圖像視覺安全性評(píng)估指標(biāo)。

2.2 基于局部熵的視覺安全性評(píng)估算法

基于密碼學(xué)理論和香農(nóng)信息論之間的聯(lián)系[22]，圖像在被加密后圖像熵會(huì)變大，其中理想安全圖像的信息熵最大，因此可以通過(guò)計(jì)算加密圖像與理想安全圖像的熵之間的接近程度來(lái)衡量加密圖像的視覺安全性。

設(shè)一幅大小為M×N的數(shù)字圖像O的灰度等級(jí)數(shù)目為L(zhǎng)，例如8位灰度圖像，則L=256，灰度級(jí)取值范圍為[0，255]。將圖像O中灰度級(jí)為l的像素?cái)?shù)目用nl表示，則灰度級(jí)l出現(xiàn)的概率為Pl≈nl/MN。根據(jù)信息熵的定義類比，圖像熵定義[17]如式（2）所示：

而當(dāng)圖像的灰度級(jí)等概率分布時(shí)，圖像具有最大的熵，將具有最大熵的圖像稱為理想安全圖像T[17]，其熵值為：

圖像熵反映的是整個(gè)圖像的統(tǒng)計(jì)特性，不能很好地反映出不同圖像在視覺上的區(qū)別，因此需要引入圖像像素位置信息。通過(guò)將圖像分成m×n個(gè)子塊，圖像O可表示為O={oij}m×n，其中oij可以是一個(gè)大小為k×k的子塊，根據(jù)式（2）可求得oij對(duì)應(yīng)的局部信息熵hij，則一幅圖像的信息熵可以描述為一個(gè)二維的局部信息熵矩陣，如式（4）所示：

對(duì)于理想安全圖像T，希望其子塊內(nèi)的像素灰度級(jí)均等概率分布，所以每個(gè)子塊的局部信息熵hij為一個(gè)常數(shù)，記為hd，則定義基于局部熵的評(píng)估指標(biāo)為SLE（Local Entropy，SLE：

2.3 圖像的邊緣相似度度量

圖像的邊緣信息對(duì)于人眼視覺系統(tǒng)是至關(guān)重要的[23]，對(duì)于一幅受損的加密圖像，人眼獲得信息量的來(lái)源首先就是圖像的輪廓即邊緣。

而邊緣相似度衡量的是兩幅圖像邊緣相似的程度[24]，為了計(jì)算邊緣相似度，首先需要使用邊緣檢測(cè)算子提取出兩幅圖像的邊緣輪廓。圖像邊緣檢測(cè)應(yīng)該滿足兩個(gè)條件：一是能有效地抑制噪聲；二是必須盡量精確地確定邊緣的位置。常見的邊緣檢測(cè)算子有微分算子如Sobel算子、Robert算子、Laplacian算子、Canny算子，其中Laplacian算子對(duì)噪聲比較敏感，Sobel算子對(duì)邊緣定位不是很準(zhǔn)確，Robert算子提取的邊緣比較粗，而Canny算子不容易受噪聲影響，能夠檢測(cè)到真正的弱邊緣。

因此在本算法中采用Canny算子進(jìn)行圖像的邊緣檢測(cè)，通過(guò)計(jì)算加密圖像和原始圖像共有的邊緣占原始圖像邊緣的比例來(lái)衡量邊緣相似度。

原始圖像為O，加密圖像為O′，經(jīng)過(guò)邊緣檢測(cè)算法EdgeDet(?)處理得到的圖像為DO=EdgeDet(O)和DO′=EdgeDet(O′),則DO和DO′是圖像像素取值為{0,}1的二值圖像，其中1表示邊緣點(diǎn)，0表示非邊緣點(diǎn)。假設(shè)原始圖像和加密圖像共有的邊緣二值圖像為D，則定義如下：

其中，(i,j)對(duì)應(yīng)圖像的第i行，第j列，Oi,j和O′i,j分別表示原始圖像和加密圖像在位置(i,j)處的像素值。

DOi,j和DO′i,j分別表示原始圖像和加密圖像的二值圖像在位置(i,j)處的像素值，l∈[ ]0,255表示的是Oi,j和O′i,j亮度變化的閾值，當(dāng)原始圖像和加密圖像在位置(i,j)處均有邊緣點(diǎn)，且亮度差異在l以內(nèi)時(shí)，認(rèn)為位置點(diǎn)(i,j)為原始圖像和加密圖像共有的邊緣點(diǎn)，像素取值為1，否則像素取值為0。

則定義邊緣相似度為SES（Edge Similarity，SES：

其中，N()?表示的是L1范數(shù)，SES∈[ ]0,1,SES越小，加密圖像和原始圖像共有的邊緣越少，加密圖像的視覺安全性越高。

3 局部熵和邊緣相似度自適應(yīng)融合

3.1 基于局部熵評(píng)估算法的局限性

基于局部熵的思想，引入圖像像素位置信息，需要將圖像分塊，子塊的大小選取要適宜，若太小，每個(gè)子塊的樣本數(shù)太少，統(tǒng)計(jì)不滿足最小樣本數(shù)目的要求；若太大，總的子塊個(gè)數(shù)太少，且子塊不能很好地顯示出圖像的空間特征，Sun等在文獻(xiàn)[17]中選取的子塊的大小為8×8。

但是上述算法只考慮了不同圖像子塊的空間特性，而沒有考慮到每個(gè)子塊內(nèi)圖像像素的位置特性，由于圖像具有空間相關(guān)性，對(duì)于某些加密算法處理得到的圖像，圖像視覺差異很大，但分得的子塊內(nèi)的像素值可能相同，從而無(wú)法得到和主觀感受一致的評(píng)估結(jié)果。

如圖1所示，將Lena圖像分成大小不同的子塊，進(jìn)行位置的隨機(jī)置亂，其中從Level1到Level8對(duì)應(yīng)的加密圖像的視覺安全性依次增強(qiáng)。再根據(jù)式（5）計(jì)算出各個(gè)等級(jí)的加密圖像的SLE值，得到如圖2所示的結(jié)果。

圖1 Lena圖像置亂加密的不同安全級(jí)別的加密圖像

圖2 不同安全等級(jí)的加密圖像的局部熵均值

SLE越小，加密圖像的局部熵均值越大，加密圖像的視覺安全性越高，因此從Level1到Level8對(duì)應(yīng)的加密圖像的SLE指標(biāo)值應(yīng)該保持單調(diào)遞減的趨勢(shì)，圖2的實(shí)驗(yàn)結(jié)果不完全相符。當(dāng)加密圖像質(zhì)量差，模糊程度高的時(shí)候，使用基于局部熵的評(píng)估指標(biāo)SLE評(píng)估得到的結(jié)果和主觀評(píng)估結(jié)果一致。而當(dāng)圖像質(zhì)量較好時(shí)，SLE這個(gè)指標(biāo)不太敏感，使用局部熵進(jìn)行評(píng)估的意義不大。這是因?yàn)樵趫D像質(zhì)量較好的情況下，圖像熵更多的是由圖像內(nèi)容本身的變化決定的，而圖像內(nèi)容的細(xì)微變化引起的熵值的變化不大，只有當(dāng)圖像受損嚴(yán)重時(shí)，圖像的像素分布變化大，使用局部熵可以得到較好的評(píng)估結(jié)果。

3.2 圖像的邊緣相似度度量的局限性

圖像的邊緣信息是圖像的重要特征，它和圖像內(nèi)容緊密相關(guān)，但隨著加密強(qiáng)度的增大，圖像內(nèi)容越發(fā)混亂，使用邊緣相似度度量加密圖像的視覺安全性將會(huì)存在偏差。因?yàn)殡S著圖像內(nèi)容的破壞，依據(jù)圖像特征的評(píng)估指標(biāo)準(zhǔn)確率會(huì)下降，計(jì)算得出的邊緣相似度大小不能真實(shí)地反映出人眼獲得信息量的大小。

使用如圖1所示的加密圖像進(jìn)行實(shí)驗(yàn)，計(jì)算各個(gè)等級(jí)的加密圖像和原始圖像的邊緣相似度，其中式（6）中的l取值為20，得到如圖3中實(shí)線所示的結(jié)果，然后選取了Matlab工具箱中自帶的部分圖像，通過(guò)塊置亂加密后進(jìn)行實(shí)驗(yàn)，得到的結(jié)果如圖3中虛線所示。

圖3 不同安全等級(jí)的加密圖像的邊緣相似度

邊緣相似度越小，加密圖像的視覺安全性越高，因此從Level1到Level8對(duì)應(yīng)的加密圖像的邊緣相似度應(yīng)該保持單調(diào)遞減的趨勢(shì)，圖3的實(shí)驗(yàn)結(jié)果不完全相符?？梢钥闯?，當(dāng)加密等級(jí)較低的時(shí)候，使用邊緣相似度得到的評(píng)估結(jié)果和主觀評(píng)估結(jié)果一致。而當(dāng)圖像質(zhì)量很差的時(shí)候，邊緣相似度這個(gè)指標(biāo)不太敏感，使用邊緣相似度進(jìn)行評(píng)估意義不大。

3.3 融合算法

綜合上述分析，基于邊緣相似度和基于圖像局部熵的評(píng)估方法都存在應(yīng)用上的局限性：其中邊緣相似度依賴于圖像的內(nèi)容和特征，只有當(dāng)加密強(qiáng)度較低，圖像內(nèi)容保持一定的完整性的時(shí)候評(píng)估效果較好；而局部熵與圖像的內(nèi)容無(wú)關(guān)，只關(guān)心圖像像素的變化情況，只有當(dāng)加密強(qiáng)度較大，圖像足夠混亂的時(shí)候評(píng)估效果較好。因此可以考慮將兩個(gè)評(píng)估方法進(jìn)行融合，來(lái)消除彼此的局限性，拓寬算法的應(yīng)用范圍。

通過(guò)將基于局部熵和邊緣相似度的評(píng)估方法進(jìn)行自適應(yīng)融合，提出融合指標(biāo)SLEES（Local Entropy and Edge Similarity，SLEES：

其中，α是自適應(yīng)調(diào)整的權(quán)重，衡量的是SES對(duì)評(píng)估指標(biāo)SLEES的影響程度，α∈[0 ,1]。由于邊緣對(duì)圖像的視覺感知起著更為重要的作用，所以α∈[0.5,1]，且α的取值隨著SES的減小而減小。這是因?yàn)閳D像加密強(qiáng)度越大，SES越小，圖像邊緣信息更加模糊，圖像更加混亂，采用SLE評(píng)估加密圖像的重要性就會(huì)增加，( )1-α增大，即邊緣信息對(duì)于加密圖像視覺安全性的影響隨著加密強(qiáng)度的增加而減小。

同時(shí)根據(jù)經(jīng)驗(yàn)以及3.1、3.2節(jié)的實(shí)驗(yàn)可以分析出，圖像的受損程度同圖像邊緣受損程度以及圖像局部熵的關(guān)系趨勢(shì)如圖4所示，在圖像受損程度較低時(shí)，圖像邊緣損失程度隨著圖像受損程度的增大而增加，而當(dāng)圖像受損到一定程度時(shí)，圖像的邊緣已經(jīng)趨近于完全模糊不可見；而基于局部熵的評(píng)估指標(biāo)，當(dāng)圖像受損程度低，圖像混亂程度低時(shí)，指標(biāo)的值變化不大，隨著圖像受損程度的增大，圖像足夠混亂，圖像局部熵均值的變化和圖像受損程度成正相關(guān)。

圖4 圖像受損程度和邊緣受損程度以及局部熵的關(guān)系

通過(guò)上述分析以及圖4可知，圖像的邊緣受損程度和圖像的受損程度呈現(xiàn)非線性關(guān)系，且進(jìn)一步說(shuō)明邊緣相似度對(duì)于視覺安全性的影響隨著加密強(qiáng)度的增加而下降，則SES的權(quán)重α的變化應(yīng)該是非線性的。

基于上述對(duì)α取值的討論，在本論文中定義權(quán)重系數(shù)α如下：

其中，SES∈[ ]0,1，則α∈[0.5,1]，且α的取值隨著SES的減小非線性的減小，則式（8）可以表示為式（10）：

則SES和SLE越小，SLEES越小，加密圖像的視覺安全性越高。

4 實(shí)驗(yàn)結(jié)果及分析

對(duì)于圖像而言，加密的基本思想有兩個(gè)方面，一方面是改變圖像像素的空間位置分布，另一方面是改變圖像像素值的大小。因此通過(guò)改變這兩個(gè)方面來(lái)對(duì)圖像進(jìn)行加密，獲得安全等級(jí)遞增的加密圖像，看客觀評(píng)估指標(biāo)得到的結(jié)果是否與主觀評(píng)估的結(jié)果一致，從而驗(yàn)證本文算法的有效性。同時(shí)為了展示算法的性能，計(jì)算常用的評(píng)估指標(biāo)MSE、PSNR、SSIM，基于邊緣相似度和紋理相似度的指標(biāo)VSI[15]，以及融合前的評(píng)估指標(biāo)SLE和SES，將本文提出的融合評(píng)估指標(biāo)SLEES和這幾個(gè)指標(biāo)進(jìn)行對(duì)比。

加密圖像與原始圖像的差異越大，人眼對(duì)于加密圖像的理解程度越低，加密圖像的視覺安全性越高。因此對(duì)于加密等級(jí)遞增的圖像，MSE應(yīng)該單調(diào)遞增，PSNR、SSIM、VSI、SES和SLEES應(yīng)該單調(diào)遞減。

4.1 基于改變像素空間位置的視覺安全性評(píng)估

通過(guò)依次減小用于空間位置置亂的圖像子塊的大小，用洗牌法置亂圖像子塊的空間位置分布，從而得到視覺安全性逐漸增強(qiáng)的加密算法。以256×256的Lena圖像為例，圖5中Level1到Level5的圖像安全等級(jí)依次增高，其中置亂的圖像子塊大小依次為128×128、64×64、32×32、8×8、4×4。

圖5 Lena圖像不同安全等級(jí)的加密圖像

基于式（6），使用Canny算子提取圖5中各個(gè)等級(jí)的加密圖像和原始圖像的共有邊緣，得到的二值圖像如圖6所示。

圖6 加密圖像與原始圖像的共有邊緣

計(jì)算得到各個(gè)評(píng)估指標(biāo)的結(jié)果如表1所示，同時(shí)將各個(gè)指標(biāo)的變化趨勢(shì)用折線圖表示，由于各個(gè)指標(biāo)的取值范圍差別很大，為了對(duì)比直觀性，將指標(biāo)進(jìn)行歸一化處理，統(tǒng)一將取值范圍映射到[0，1]，得到如圖7所示的結(jié)果。

表1 各個(gè)評(píng)估指標(biāo)的實(shí)驗(yàn)對(duì)比

圖7 各個(gè)評(píng)估指標(biāo)的變化趨勢(shì)圖

通過(guò)表1和圖7可以看出，MSE、PSNR、SSIM、VSI、SLE和SES都不具有單調(diào)性，而SLEES指標(biāo)單調(diào)遞減，和主觀評(píng)估結(jié)果一致。

與原始圖像相比，Level1和Level2的加密圖像的內(nèi)容相似度的差異大，而Level4和Level5的加密圖像的內(nèi)容相似度的差異小，而從圖7中可以看出，SLEES的下降趨勢(shì)是先快后慢，從Level1到Level2急劇下降，而從Level4到Level5緩慢下降，和主觀評(píng)估結(jié)果一致，這也進(jìn)一步說(shuō)明融合指標(biāo)SLEES性能良好。

4.2 基于改變像素值大小的視覺安全性評(píng)估

圖像數(shù)據(jù)代表了圖像內(nèi)容所含的信息，編碼這些信息可以實(shí)現(xiàn)加密的目的。以Lena圖像為例，首先分析圖像不同部分的重要性，然后根據(jù)它們的重要性來(lái)分類出圖像數(shù)據(jù)的關(guān)鍵信息，從而得到視覺安全性逐漸增強(qiáng)的加密算法。

圖8給出了灰度等級(jí)數(shù)為256的圖像的比特位平面，其中比特平面7代表了所有圖像像素均由最高比特位組成的二值圖像，比特平面0代表了所有圖像像素均由最低比特位組成的二值圖像。由圖8可知，比特平面7最接近于原始圖像，而隨著比特平面的下降，比特平面與原圖像的差異越來(lái)越大，比特平面0接近于白噪聲。由此可見，比特平面0是最不重要的平面，隨著比特平面的上升，比特平面的重要性也依次增加，比特平面7是最重要的比特平面。

圖8 Lena圖像的比特平面分解效果圖

基于Logistic混沌序列對(duì)圖像的比特面進(jìn)行加密，通過(guò)組合加密不同的比特面，獲得加密等級(jí)依次增強(qiáng)的加密圖像。根據(jù)表2中的組合情況，獲得的安全等級(jí)遞增的圖像如圖9所示。

表2 比特面加密組合情況

基于式（6），使用Canny算子提取圖9中各個(gè)等級(jí)的加密圖像和原始圖像的共有邊緣，得到的二值圖像如圖10所示。

計(jì)算得到各個(gè)評(píng)估指標(biāo)的結(jié)果如表3所示，其中MSE單調(diào)遞增，PSNR、SSIM、SLE、SES和SLEES單調(diào)遞減，單調(diào)性和理論分析結(jié)果一致。

圖9 Lena圖像不同安全等級(jí)的加密圖像

圖10 加密圖像與原始圖像的共有邊緣

表3 各個(gè)評(píng)估指標(biāo)的實(shí)驗(yàn)對(duì)比

將單調(diào)遞增的指標(biāo)MSE和單調(diào)遞減的指標(biāo)PSNR、SSIM、SLE、SES和SLEES分別放在兩個(gè)折線圖中，將指標(biāo)進(jìn)行歸一化處理，統(tǒng)一將取值范圍映射到[0，1]，得到圖11所示的結(jié)果。

和前面實(shí)驗(yàn)的分析類似，各個(gè)評(píng)估指標(biāo)從Level1到Level5的變化趨勢(shì)應(yīng)該是先急劇后緩慢，其中嚴(yán)格符合這個(gè)變化趨勢(shì)的指標(biāo)有PSNR、VSI和SLEES。

綜合兩個(gè)實(shí)驗(yàn)結(jié)果可以看出，本文提出的融合評(píng)估指標(biāo)SLEES得到的結(jié)果和理論分析結(jié)果一致，且和主觀觀察的圖像變化趨勢(shì)相符，整體性能優(yōu)于其他評(píng)估指標(biāo)。

4.3 評(píng)估指標(biāo)的魯棒性分析

為了進(jìn)一步驗(yàn)證本文提出的SLEES評(píng)估指標(biāo)具有良好的魯棒性，以Matlab工具箱中自帶的120幀traffic視頻序列為例，分別使用4.1節(jié)和4.2節(jié)的加密方式對(duì)圖像進(jìn)行加密，產(chǎn)生從Level1到Level5的加密視頻幀。

圖11 各個(gè)評(píng)估指標(biāo)的變化趨勢(shì)圖

首先每隔4幀取一幀加密圖像計(jì)算出融合指標(biāo)SLEES值，得到加密視頻序列的SLEES分布曲線，結(jié)果如圖12所示。

圖12 不同安全等級(jí)的S LEES變化趨勢(shì)圖

通過(guò)圖12可以看出，對(duì)于通過(guò)兩種典型加密方式處理得到的不同安全等級(jí)的視頻幀，加密等級(jí)越高，SLEES越小，和主觀評(píng)估結(jié)果一致。

接下來(lái)依次畫出融合前指標(biāo)局部熵指標(biāo)SLE，邊緣相似度SES和融合后指標(biāo)SLEES的盒須圖，分析各個(gè)安全等級(jí)下的指標(biāo)的分散情況，得到的結(jié)果如圖13所示。

圖13 融合前后指標(biāo)的盒須圖

通過(guò)圖13可以看出，對(duì)于兩種典型加密方式，SLE指標(biāo)在加密等級(jí)較高的情況下表現(xiàn)良好，SES指標(biāo)在加密等級(jí)較低的情況下表現(xiàn)良好，與3.3節(jié)的分析結(jié)果一致。同時(shí)，融合后的指標(biāo)SLEES整體分布要比融合前的指標(biāo)SLE和SES的分布更加均勻，表明本文提出的自適應(yīng)融合算法指標(biāo)SLEES具有良好的魯棒性。

5 結(jié)束語(yǔ)

本文針對(duì)基于局部熵進(jìn)行加密圖像的視覺安全性評(píng)估存在的局限性，引入圖像的邊緣特征，進(jìn)行圖像的邊緣相似度度量，通過(guò)將基于圖像邊緣相似度和局部熵的評(píng)估方法進(jìn)行自適應(yīng)融合，提出了SLEES指標(biāo)，一方面消除了局部熵評(píng)估算法的塊效應(yīng)，同時(shí)拓寬了算法的評(píng)估范圍，使得算法在各個(gè)加密強(qiáng)度下均具有較好的評(píng)估效果。通過(guò)兩種最典型的加密方式處理獲得加密等級(jí)遞增的加密圖像，實(shí)驗(yàn)結(jié)果表明本文提出的融合評(píng)估指標(biāo)得到的評(píng)估結(jié)果和主觀評(píng)估結(jié)果一致，整體性能優(yōu)于其他幾個(gè)典型評(píng)估指標(biāo)，并且在加密視頻幀上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明融合后的評(píng)估指標(biāo)的整體分布比融合前的指標(biāo)的分布更加均勻，驗(yàn)證了算法的魯棒性。本文是針對(duì)加密圖像來(lái)進(jìn)行安全性評(píng)估，加密圖像的質(zhì)量整體相對(duì)較差，在接下來(lái)的研究工作中，將嘗試提出可以同時(shí)評(píng)估圖像質(zhì)量和圖像視覺安全性的評(píng)估指標(biāo)，進(jìn)一步擴(kuò)大應(yīng)用范圍。