0 引言

　　圖像置亂技術是當前主流的圖像加密技術，眾多研究者已提出了具有良好的置亂性能的圖像置亂算法[1-5]。但是對于圖像置亂性能（置亂度）的評價研究卻相對滯后，大部分依賴原始圖像，如文獻[6-8]等，缺乏統(tǒng)一的標準和模型。圖像置亂度評價應重點研究根據(jù)圖像各種特征建立科學的模型，并從模型出發(fā)設計具體評價指標，最終形成較完善的、能夠獨立于原始圖像的盲評價指標體系。圖像特征模型的建立有兩種方式：(1)根據(jù)自然圖像特征建立自然圖像的特征模型；(2)基于理想置亂圖像建立特征模型。前者需對大量自然圖像特征進行統(tǒng)計分析，工作量大。后者所依據(jù)的理想置亂圖像實際上是不能得到的，因此只能根據(jù)實際置亂圖像的特征對理想置亂圖像特征進行擬合，來建立模型。

　　在文獻[9]中對置亂圖像差分直方圖的分布特性進行了詳細分析，指出在理想置亂情況下，置亂圖像的差分直方圖應服從線性分布，并給出了相應的線性模型：

　　該模型是一個線性分段函數(shù)，自變量x為差分值，函數(shù)值為圖像差分值個數(shù)。該模型表明：理想置亂情況下，置亂圖像的差分直方圖統(tǒng)計分布曲線是以差分值為自變量的分段線性函數(shù)。該模型的提出使得針對圖像差分的置亂度評價工作有了科學的模型。但只是根據(jù)大量實驗數(shù)據(jù)的分布特性，主觀確定了該線性模型，并未進行科學、詳細的證明。本文以此為出發(fā)點，采用統(tǒng)計分析方法，將此問題轉(zhuǎn)化為分布函數(shù)的擬合檢驗和回歸分析問題，通過建立線性回歸方程，求得回歸系數(shù)的最小二乘估計，來驗證此模型的科學性。

1 分布函數(shù)的擬合檢驗

　　若提出假設的形式為 ：

　　H0:F(x)=F0(x)，H1:F(x)≠F0(x)(2)

　　其中F(x)為需要檢驗的分布函數(shù)，F(xiàn)0(x)為已知分布函數(shù)，分布函數(shù)中可以含有或不含未知參數(shù)。假設檢驗問題稱為對分布函數(shù)的擬合檢驗。

　　常用的假設檢驗方法有檢驗和柯爾莫戈羅夫K檢驗。本文以檢驗為例來進行驗證。

　　設是分布函數(shù)F(x)的總體，是一個樣本。將R1=(-∞，+∞)分為m個子區(qū)間(xi-1，xi]，其中-∞=x0<x1<…<xm=+∞。令vi表示樣本落入?yún)^(qū)間(xi-1，xi]的個數(shù)或頻數(shù)，npi稱為樣本落入?yún)^(qū)間(xi-1，xi]的理論頻數(shù)。作統(tǒng)計量：

　　?濁依賴于n和m，以下假定m是定值。

　　定理1[10]（Pearson）：如果H0正確，則：

　　其中：

　　式(5)是(m-1)分布的密度函數(shù)，這里設F0(x)不含未知數(shù)。

　　對于定理1， 當n足夠大時可認為。對已知的顯著性水平，從分布表中查得(m-1)，使得，即取否定域為((m-1)，+∞)。若>(m-1)，則否定H0。

　　理想置亂情況下，令F0(x)=f(x)，F(xiàn)(x)為置亂圖像實際的差分直方圖分布個數(shù)。因為圖像差分值取值范圍為-255~255，因此將R1=(-∞，+∞)分為510個子區(qū)間，子區(qū)間長度為1。F(xi)代表差分值為xi的元素數(shù)目，即為樣本落入子區(qū)間(xi-1，xi]的頻數(shù)，因此有樣本頻數(shù)vi=F(xi)。理論頻數(shù)npi=F0(xi)=f(xi)。根據(jù)式（3）構(gòu)造檢驗指標：

　　由于n足夠大，因此，可認為～(509)。自由度為509，取值較大，因此分布近似服從N(509，2 * 509)，可采用正態(tài)分布來進行實際計算。給定顯著性水平=0.05。

　　綜上所述，當設計的統(tǒng)計指標>562.593時，拒絕H0，否則接受H0。

　　2 線性回歸模型的建立

　　根據(jù)置亂圖像的差分直方圖分布圖，分析可能對分布個數(shù)產(chǎn)生影響的因素只有差分值。因此建立線性模型：

　　F由差分直方圖分布個數(shù)的n次觀察值構(gòu)成，F(xiàn)(xi)代表差分值為xi的元素數(shù)目。X稱為設計矩陣，由常數(shù)項和差分值的n次觀察值構(gòu)成，n=511。?茁是未知參數(shù)，稱為回歸系數(shù)。e為隨機向量，有時稱為誤差隨機向量。

　　根據(jù)線性模型(7)，要選擇合適的使誤差項的平方和最小，即求的最小二乘估計。

　　若滿足條件：

　　則為的最小二乘估計。令：

　　將式(9)對i求偏導并令其等于0，可得到正規(guī)方程組：

　　因為X的秩rank(X)=2，因此最小二乘解唯一，并由下式給出：

　　?滓2的無偏估計為：

　　對每一幅圖像，其平均殘差為：

3 實驗結(jié)果

　　3.1 分布函數(shù)擬合檢驗

　　利用文獻[5]中的方法對圖像進行置亂變換，置亂次數(shù)為100次。選取該方法是因為該方法同時實現(xiàn)了像素值和像素位置置亂，具有代表性。對100幅置亂圖像進行差分直方圖分布特性的假設檢驗，檢驗結(jié)果如表1所示。

　　表1中指出，在100幅置亂圖像中，差分直方圖符合分布模型f(x)的圖像數(shù)量為56幅，不符合該分布的圖像數(shù)量為44幅。在符合該分布模型的56幅圖像中，最小的?字2指標?濁=454.38，對應的置亂次數(shù)T=91。考察該置亂圖像和差分直方圖（圖1）可知，置亂圖像具有良好的類似噪聲特性，其差分直方圖具有明顯的線性分布特性。同時可認為該56幅圖像已近似達到理想置亂。對于被拒絕的圖像，由于其差分直方圖分布不符合線性分布，導致指標很大。

　　圖2給出了?字2指標隨著置亂次數(shù)的變換曲線。從圖中可看出，大部分圖像的指標數(shù)值分布在1 000以下。但是當T=24、48、72、96時，該統(tǒng)計指標遠遠高于其他值。考察具有上述置亂次數(shù)的圖像及其差分直方圖，這些圖像有著明顯的規(guī)則性，且差分直方圖分布與線性模型相差很大，與參考文獻[1]中的置亂度評價結(jié)果完全吻合，這說明本文設計的指標能夠科學、合理地反映樣本頻數(shù)與理論頻數(shù)間的差別。

　　圖3給出了不同的指標下所求的p值分布。概率p<0.05的圖像均認為其差分直方圖分布與模型f(x)不相符。由于p具有如下性質(zhì)：(1)0≤p≤1；(2)理想置亂時，p=1。因此該p值可作為圖像置亂度評價參數(shù)直接進行置亂度評價，比如當=454.38時，可認為具有最好的置亂效果，對應p=0.96。

　　3.2 回歸方程系數(shù)預測

　　進行分布函數(shù)擬合檢驗的目的是選擇出置亂效果較好的圖像，剔除不理想的測試樣本。對于接受H0的56幅圖像，首先計算其差分直方圖，然后進一步根據(jù)式(11)對差分直方圖分布函數(shù)的系數(shù)進行最小二乘估計。圖4、圖5給出了56幅置亂圖像差分直方圖分布函數(shù)的回歸方程系數(shù)最小二乘估計值的分布圖。

　　由回歸系數(shù)分布圖4和圖5可以得出：(1)常數(shù)項系數(shù)β1大部分在區(qū)間[250，260]范圍內(nèi)取值，與差分值取值范圍無關。(2)系數(shù)β2的取值和差分值取值范圍有關，當差分值-255≤xi<0時，β2∈[0.9，1.1]；當差分值0≤xi≤255時，β2∈[-1.1，-0.9]。

　　根據(jù)圖4和圖5，為了消除樣本獨立性對系數(shù)的影響，求出線性模型最終的系數(shù)，進一步計算β1、β2的均值(表2)，可知式(7)與所提出的線性模型(1)完全吻合，驗證了理想置亂圖像差分直方圖線性模型(1)的正確性。

　　3.3 殘差分析

　　在回歸分析過程中假設誤差e服從均值為0的正態(tài)分布(式(7))。圖6給出了56幅圖像的平均殘差分布圖，平均殘差根據(jù)式(13)進行計算。由圖可知，大多數(shù)圖的平均殘差都接近于0，說明誤差的統(tǒng)計分布符合式(7)對誤差e的統(tǒng)計分布特征的假設。

4 總結(jié)與展望

　　由于前期研究中提出的理想置亂情況下圖像差分直方圖分布模型沒有進行嚴格的數(shù)學證明，缺乏理論基礎。為了解決該問題，本文立足于統(tǒng)計分析，利用線性假設檢驗及回歸模型預測理論，通過將實際置亂圖像的差分直方圖分布和參考文獻[1]中提出的線性模型進行分布函數(shù)擬合檢驗，選出置亂效果好的置亂圖像，進一步對這些進行回歸系數(shù)預測。實驗結(jié)果驗證了在理想置亂情況下，置亂圖像的差分直方圖服從線性分布，實驗結(jié)果與參考文獻[1]吻合，為理想置亂圖像差分直方圖模型的提出提供了理論基礎。

　　在以后的研究工作中，重點應研究以自然圖像和理想置亂圖像統(tǒng)計特征為基礎的評價模型庫的建立，來解決缺乏統(tǒng)一評價標準的問題，完善置亂度的盲評價指標體系。相應的置亂度評價體系的發(fā)展也能對圖像置亂算法的研究起到重要的指導作用。

參考文獻

　　[1] LIU L，ZHANG Q，WEI X.A RGB image encryption algo-rithm based on DNA encoding and chaos map[J].Computers& Electrical Engineering，2012，38(5)：1240-1248.

　　[2] EI-LATIF A A A，NIU X，WANG N.Chaotic image encryp-tion using bezier curve in DCT domain scrambling[C].Commun.Comput.Inform.Sci，2011：30-41.

　　[3] 吳成茂，田小平.三維不等長Arnold變換及其在圖像置亂中的應用[J].計算機輔助設計與圖形學學報，2010，22(10)：1831-1840.

　　[4] 凌大旺，禹思敏.基于嵌入式系統(tǒng)的混沌數(shù)字圖像加密研究[J].電子技術應用，2012，38(3)：20-22.

　　[5] 張統(tǒng)權(quán)，何建農(nóng).基于混沌細胞自動機的圖像加密算法[J].微型機與應用，2013，32(22)：44-47.

　　[6] 王新新，布挺.基于圖像表面積的置亂程度評價算法[J].安徽大學學報：自然科學版，2011，35(4)：48-52.

　　[7] 劉家勝，朱燦焰，汪一鳴，等.基于位置相關性的圖像置亂效果評價方法[J].計算機工程，2010，36(24)：208-210.

　　[8] ZHAO L，ADHIKARI A，KOUICHI S.A new scrambling evaluation scheme based on spatial distribution entropy and centroid difference of bit-plane[Z].2011：29-44.

　　[9] 王聰麗，陳志斌，薛明晰，等.基于圖像差分統(tǒng)計特性的圖像置亂度盲評價線性模型[J].計算機應用，2012，32(12)：3470-3473.

　　[10] 葉其孝，沈永歡.實用數(shù)學手冊(第2版)[M].北京：科學出版社，2006.