CN101414378A - 特征维数可选的图像信息隐藏盲检测方法 - Google Patents
特征维数可选的图像信息隐藏盲检测方法 Download PDFInfo
- Publication number
- CN101414378A CN101414378A CNA2008101810710A CN200810181071A CN101414378A CN 101414378 A CN101414378 A CN 101414378A CN A2008101810710 A CNA2008101810710 A CN A2008101810710A CN 200810181071 A CN200810181071 A CN 200810181071A CN 101414378 A CN101414378 A CN 101414378A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- image information
- detected
- blind detection
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像信息隐藏检测领域,针对目前图像信息隐藏盲检测检测精度较低、特征维数固定的问题,提出了一种特征维数可选的图像信息隐藏盲检测方法,该方法基于小波包分解技术、BP神经网络分类和特征维数选择技术,并具体包括图像样本搜集步骤、训练图像集步骤、小波包分解步骤、特征提取步骤、特征降维步骤、特征值分类预处理步骤、图像检测步骤和分类步骤,通过该方法可以实现较高精度的图像信息隐藏盲检测效率,并能根据实际需要选择合适的特征维数。
Description
技术领域
本发明涉及图像信息隐藏检测领域,具体涉及一种基于图像小波包分解和BP神经网络的信息隐藏盲检测方法。
背景技术
图像信息隐藏检测可分为两大类,一类是针对某一特定隐藏方法的检测,另一类是通用检测,又称盲检测。前者由于假定已知隐藏方法的相关知识,因此往往具有较好的检测效果,有的甚至能比较准确地估计隐藏信息的长度,但这类检测方法的适用面过窄,而且由于实际检测中往往无法获得隐藏方法的相关知识,因此实用性较差。通用检测方法并不针对某一特定的隐藏方法,而在只拥有检测对象的情况下,对其是否含有隐藏信息做出判断,因此具有更强的实用性。
Farid H.等人2002年在IEEE ICIP上首次给出了一种基于有监督学习的隐藏分析框架(Farid H.Detecting hidden messages using higher-order statistical models.In:Proceedings of IEEE International Conference on Image processing,200 2Sep,Rochester,New York,USA.IEEE Signal Processing Society Press,2002,vol.2,905—908),并指明有监督学习对于不知道图像统计特性和隐藏方法的盲检测是有效的。该框架通常先提取对信息嵌入过程敏感的图像特征,然后选择分类器对提取的特征进行分类。该文对图像进行3级小波分解,然后提取图像小波子带系数高阶统计量:概率密度函数矩(PDF Moments)作为特征,并使用FLD(Fisher线性分类器)来进行判决。为了提取更多的特征,以进一步提高检测正确性,他们从小波子带对应的预测误差子带中也提取PDF矩作为特征,该文方法特别适合于对Jsteg和Outguess隐藏,对EzStego和LSB隐藏也有较好的检测性能。这种框架在后来的一些文献中得到进一步发展,Farid H.等通过对提取RGB图像的三个颜色通道特征、提取子带系数相位特征、采用非线性分类器SVM等,提高了原方法的检测正确率。Harmsen等人在SPIE 5020卷中基于图像直方图特征函数质心在信息嵌入之后将降低这一现象,提出了基于图像的直方图特征函数质心的盲检测方法。
尽管目前图像信息隐藏盲检测技术的研究已取得较大进展,但其检测精度离实用还有较大差距,盲检测的精度尚需进一步提高。
发明内容
针对目前图像信息隐藏盲检测检测精度较低的问题,本发明所要解决的技术问题是提高图像信息盲检测的检测精度。因此,本发明提出一种具有较高检测精度的图像信息隐藏盲检测方法,该方法采用了基于小波包分解技术和BP神经网络分类技术。
作为本发明的一种优选技术方案,特征维数可选的图像信息隐藏盲检测方法包括如下步骤:
(1)图像样本搜集步骤:获取输入计算机的待检测图像的格式、内容、纹理、色彩这四个参数特征,根据参数特征由计算机对待检测图像进行样本归类,从待检测图像中选择类型近似的多组图像作为待检测图像组;
(2)训练图像集步骤:对所述的的待检测图像组设定特征维数n,其中n的取值为n<=255;
(3)小波包分解步骤:对所述的待检测图像组中的每幅图像进行3级小波包分解,得到包含有85个节点的小波包分解树,每个节点对应一个小波包分解系数子带。
(4)特征提取步骤:对所述的每幅图像本身以及分解得到的系数子带,提取特征,包括图像本身和每个子带的前3阶直方图特征函数绝对矩;
(5)特征降维步骤:如果n<255,则基于Bhattacharyya距离对特征提取步骤中得到的255维特征向量进行降维,选择Bhattacharyya距离最大的n个特征作为保留特征,进行训练和分类;如果n=255,则直接执行下一步骤。
(6)特征值分类预处理步骤:对所述特征进行分类前的预处理;
(7)图像检测步骤:利用训练过的网络对测试图像特征进行检测,并通过计算机对图像检测输出结果;
(8)分类步骤:根据设定的判决门限值,对图像检测步骤中所述的输出结果进行分类,从而做出判决是否含有隐藏信息,并计算正确检测率。
作为本发明的另一优选技术方案,其中特征提取步骤进一步可以包括如下子步骤:
(1)统计得到图像本身以及子带系数的直方图;
(2)对直方图进行FFT变换,得到相应的特征函数;
(3)计算前3阶特征函数绝对矩作为特征。
作为本发明的另一优选技术方案,其中特征分类预处理步骤之后还可以包括分类器设计步骤和分类网络训练步骤,并具体包括如下技术特征:
(1)分类器设计步骤:根据特征向量设计BP神经网络分类器各层神经元的个数;
(2)分类网络训练步骤:利用已知类别的训练图像特征对BP神经网络进行训练,得到训练好的分类网络。
作为本发明的另一优选技术方案,其中特征降维步骤包括具体如下子步骤:
(1)对训练集中的原始图像组添加服从(0,4)高斯噪声,得到加噪图像组;
(2)从原始图像组和加噪图像组中,分别提取基于小波包变换的255维特征,得到两个特征向量;
(3)计算原始图像组特征向量和加噪图像组特征向量之间的Bhattacharyya距离;
(4)选择Bhattacharyya距离较大的n个特征作为保留特征,记录这些特征对应的索引值;
(5)根据得到的索引值,从原始图像和待检测图像中提取相应的特征,用于分类。
附图说明
图1基于小波包分解的图像盲检测方法流程图。
图2BP神经网络分类器示意图。
具体实施方式
下面结合附图对本发明作进一步详细的说明:
图1是显示本发明的基本结构方块图。本检测方法由图像样本搜集开始,得到训练图像集,然后对训练图像集中的图像进行小波包分解得到多个子带,从图像像素和子带系数中进行CF特征提取,即提取直方图特征函数多阶绝对矩作为特征,基于Bhattacharyya距离对特征向量进行降维,然后对可选择维度的特征进行预处理并设计BP神经网络分类器进行分类。在检测时,同样经过小波包分解得到多个子带,然后从子带系数和图像像素中提取直方图特征函数矩,下面对关键模块进行详述:
1)图像样本搜集
样本图像搜集实现本发明的最初步骤,图像内容应具有代表性,应包括自然风景、人物、特殊行业图像(如医学图像等)和计算机合成图像等,即应涵盖所有可能存在的图像内容。图像搜集按照待检测图像的格式、内容、纹理、色彩这四个特征,选择图像类型近似的多组图像作为待检测图像组。
2)小波包分解
实施小波包分解是一个重要的环节。通常,图像信息隐藏的过程常常被建模为加性嵌入模型:X=S+Z,其中,X为载密信号,S为载体信号,Z为嵌入信息(通常被视为嵌入的噪声信号)。由于信息隐藏的一个显著特点是:嵌入信息具有不可感知性,因此基于加性模型的信息隐藏技术通常不会改变图像信号的低频信息,基于这一特性人们通常自然地选择通过改变图像的中高频信息,即细节信号,来实现秘密信息的嵌入。因此,对图像进行信息隐藏检测,利用小波包分解,能够比小波分解得到更好的时频局部化分析结果。基于小波包分解对图像进行多分辨分析,可以从小波包分解子带系数和图像本身像素值中提取对信息嵌入敏感的特征。
一维小波包分解可以用一个完全二叉树来表示,二维小波包分解,如图像的二维小波包分解,可用一个完全四叉树来表示。小波包分解的完全四叉树结构中,根节点(0,0)对应于图像本身,其余每个节点对应1个子带,这样,每幅图像经过3级小波包分解后,共可得到4个一级小波包分解子带(对应于四叉树中的(1,i)节点,i=0,1,2,3),16个二级小波包分解子带(对应于四叉树中的(2,i)节点,i=0,1,...,15),64个三级小波包分解子带(对应于四叉树中的(3,i)节点,i=0,1,...,63)。加上图像本身像素值,我们共得到85个数据矩阵。
3)提取特征
计算离散特征函数的n阶矩:
其中,n是矩的阶数,|ΦX(k)|是小波子带系数直方图h(xk)经过傅立叶变换的第k次频率的幅度。
对于矩的阶数n的取值,本发明选择前3阶特征函数矩作为图像特征。这样,对小波包分解得到的85个数据矩阵,提取其前3阶特征函数绝对矩作为特征,共可得到85×3=255维特征。
4)特征降维
为了提高检测算法的效率,减少检测算法的时间耗费,同时为了方便用户根据实际情况来选择合适的特征维度,本发明基于Bhattacharyya距离对提取的特征向量进行降维。降维的具体过程如下:
(1)对训练集中的原始图像组添加服从(0,4)高斯噪声,得到加噪图像组;
(2)从原始图像组和加噪图像组中,按照4.2节中的方法分别提取基于小波包变换的255维特征,得到两个特征向量;
(3)计算原始图像组特征向量和加噪图像组特征向量之间的Bhattacharyya距离;
(4)选择Bhattacharyya距离较大的n(n的取值根据用户需求确定)个特征作为保留特征,记录这些特征对应的索引值;
(5)根据得到的索引值,从原始图像和待检测图像中提取相应的特征,用于分类。
5)特征值分类预处理
为了提高分类精度,需要对特征进行分类前的预处理。对某一特征f,从所有的训练图像得到的特征值中,查找其中的最大值fmax和最小值fmin,f归一化之后记为:
本质上,这种归一化操作,能够避免奇异特征值的影响,因此不仅能显著提高FLD分类器的性能,而且也能有效提高BP神经网络分类器的分类性能。
图2所示为本发明选择神经网络中的BP网络作为分类器,这是一种有监督学习的神经网络。其由两部分组成:信息的正向传递与误差的反向传播,即:输入信息从输入层经隐含层逐层计算传向输出层,每一层的神经元的状态只影响下一层神经元的状态。如果在输出层没有得到期望的输出,则计算输出层的误差变化值,然后转向反向传播,通过网络将误差信号沿原来的连接通路反传回来并修改各层神经元的权值,如此反复直至达到期望目标。
采用3层结构的BP神经网络,输入层有255个神经元对应于用于分类的255维向量(x1,x2,…,x255),隐层神经元的个数设为经验值5,输出层为1个神经元。激活函数采用S型函数,即f(x)=1/(1+exp(-x))。输出层神经元的输出范围为[0,1]。若输出值接近于0,则判定为原始图像,若输出值接近于1,则判定为载密图像,分类时可通过设定判决门限来进行判决。预设网络的期望误差最小值为0.01,最大循环次数为5000,即:如果在有限的循环次数内,误差达到了0.01,则BP网络运算结束,否则在循环5000次后结束。
Claims (6)
1、一种特征维数可选的图像信息隐藏盲检测方法,其特征在于,包括以下步骤:
(1)图像样本搜集步骤:获取输入计算机的待检测图像的格式、内容、纹理、色彩这四个参数特征,根据参数特征由计算机对待检测图像进行样本归类,从待检测图像中选择类型近似的多组图像作为待检测图像组;
(2)训练图像集步骤:对所述的的待检测图像组设定特征维数n,其中n的取值为n<=255;
(3)小波包分解步骤:对所述的待检测图像组中的每幅图像进行3级小波包分解,得到包含有85个节点的小波包分解树,每个节点对应一个小波包分解系数子带;
(4)特征提取步骤:对所述的每幅图像本身以及分解得到的系数子带,提取特征,包括图像本身和每个子带的前3阶直方图特征函数绝对矩;
(5)特征降维步骤:如果特征维数n<255,则基于Bhattacharyya距离对特征提取步骤中得到的255维特征向量进行降维,选择Bhattacharyya距离最大的n个特征作为保留特征,进行训练和分类;如果n=255,则直接执行下一步骤;
(6)特征值分类预处理步骤:对所述特征进行分类前的预处理;
(7)图像检测步骤:利用训练过的网络对测试图像特征进行检测,并通过计算机对图像检测输出结果;
(8)分类步骤:根据设定的判决门限值,对图像检测步骤中所述的输出结果进行分类,从而做出判决是否含有隐藏信息,并计算正确检测率。
2、根据权利要求1所述的特征维数可选的图像信息隐藏盲检测方法,其中特征提取步骤进一步可以包括如下子步骤:
(1)统计得到图像本身以及子带系数的直方图;
(2)对直方图进行FFT变换,得到相应的特征函数;
(3)计算前3阶特征函数绝对矩作为特征。
3、根据权利要求1或2中任一项所述的特征维数可选的图像信息隐藏盲检测方法,其中特征分类预处理步骤之后还可以包括分类器设计步骤和分类网络训练步骤,并具体包括:
(1)分类器设计步骤:根据特征向量设计BP神经网络分类器各层神经元的个数;
(2)分类网络训练步骤:利用已知类别的训练图像特征对BP神经网络进行训练,得到训练好的分类网络。
4、根据权利要求1或2中任一项所述的特征维数可选的图像信息隐藏盲检测方法,其中特征降维步骤包括具体如下子步骤:
(1)对训练集中的原始图像组添加服从(0,4)高斯噪声,得到加噪图像组;
(2)从原始图像组和加噪图像组中,分别提取基于小波包变换的255维特征,得到两个特征向量;
(3)计算原始图像组特征向量和加噪图像组特征向量之间的Bhattacharyya距离;
(4)选择Bhattacharyya距离较大的n个特征作为保留特征,记录这些特征对应的索引值;
(5)根据得到的索引值,从原始图像和待检测图像中提取相应的特征,用于分类。
6、根据权利要求1、2或3所述的特征维数可选的图像信息隐藏盲检测方法,其中特征提取步骤具体包括:
计算离散特征函数的n阶矩:
其中,n是矩的阶数,|Φx(k)|是小波子带系数直方图h(xk)经过傅立叶变换的第k次频率的幅度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810181071A CN101414378B (zh) | 2008-11-24 | 2008-11-24 | 特征维数可选的图像信息隐藏盲检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN200810181071A CN101414378B (zh) | 2008-11-24 | 2008-11-24 | 特征维数可选的图像信息隐藏盲检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN101414378A true CN101414378A (zh) | 2009-04-22 |
CN101414378B CN101414378B (zh) | 2012-09-05 |
Family
ID=40594904
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN200810181071A Expired - Fee Related CN101414378B (zh) | 2008-11-24 | 2008-11-24 | 特征维数可选的图像信息隐藏盲检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101414378B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955946A (zh) * | 2011-08-18 | 2013-03-06 | 刘军 | 基于线性分类树和神经网络的两阶段快速分类器 |
CN103455597A (zh) * | 2013-09-03 | 2013-12-18 | 山东省计算中心 | 面向海量web图像的分布式信息隐藏检测方法 |
CN104899606A (zh) * | 2015-06-17 | 2015-09-09 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
CN105389597A (zh) * | 2015-12-22 | 2016-03-09 | 哈尔滨工业大学 | 一种基于Chernoff距离和SVM的高光谱数据多分类方法 |
CN106023209A (zh) * | 2016-05-23 | 2016-10-12 | 南通大学 | 一种基于背景噪声的拼接图像盲检测方法 |
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN107910009A (zh) * | 2017-11-02 | 2018-04-13 | 中国科学院声学研究所 | 一种基于贝叶斯推理的码元改写信息隐藏检测方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1710594A (zh) * | 2005-06-16 | 2005-12-21 | 上海交通大学 | 基于高阶统计量的图像隐藏盲检测系统 |
-
2008
- 2008-11-24 CN CN200810181071A patent/CN101414378B/zh not_active Expired - Fee Related
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102955946A (zh) * | 2011-08-18 | 2013-03-06 | 刘军 | 基于线性分类树和神经网络的两阶段快速分类器 |
CN103455597A (zh) * | 2013-09-03 | 2013-12-18 | 山东省计算中心 | 面向海量web图像的分布式信息隐藏检测方法 |
CN103455597B (zh) * | 2013-09-03 | 2016-08-24 | 山东省计算中心 | 面向海量web图像的分布式信息隐藏检测方法 |
CN104899606A (zh) * | 2015-06-17 | 2015-09-09 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
CN104899606B (zh) * | 2015-06-17 | 2018-06-19 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
CN105389597A (zh) * | 2015-12-22 | 2016-03-09 | 哈尔滨工业大学 | 一种基于Chernoff距离和SVM的高光谱数据多分类方法 |
CN105389597B (zh) * | 2015-12-22 | 2018-07-27 | 哈尔滨工业大学 | 一种基于Chernoff距离和SVM的高光谱数据多分类方法 |
CN107220655A (zh) * | 2016-03-22 | 2017-09-29 | 华南理工大学 | 一种基于深度学习的手写、印刷文本的分类方法 |
CN106023209A (zh) * | 2016-05-23 | 2016-10-12 | 南通大学 | 一种基于背景噪声的拼接图像盲检测方法 |
CN107910009A (zh) * | 2017-11-02 | 2018-04-13 | 中国科学院声学研究所 | 一种基于贝叶斯推理的码元改写信息隐藏检测方法及系统 |
CN107910009B (zh) * | 2017-11-02 | 2020-12-01 | 中国科学院声学研究所 | 一种基于贝叶斯推理的码元改写信息隐藏检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN101414378B (zh) | 2012-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN101414378B (zh) | 特征维数可选的图像信息隐藏盲检测方法 | |
CN112731309B (zh) | 一种基于双线性高效神经网络的有源干扰识别方法 | |
CN105184309B (zh) | 基于cnn和svm的极化sar图像分类 | |
Shaw et al. | Multifractal modelling of radio transmitter transients for classification | |
CN104156736B (zh) | 基于sae和idl的极化sar图像分类方法 | |
CN107527023B (zh) | 基于超像素和主题模型的极化sar图像分类方法 | |
Moorthy et al. | Statistics of natural image distortions | |
Lv et al. | Difference of Gaussian statistical features based blind image quality assessment: A deep learning approach | |
CN102063907B (zh) | 一种针对音频扩频隐写的隐写分析方法 | |
Singh et al. | Wavelet based multi class image classification using neural network | |
CN104915676A (zh) | 基于深层特征学习和分水岭的sar图像分类 | |
CN104778457A (zh) | 基于多示例学习的视频人脸识别算法 | |
CN105609116B (zh) | 一种语音情感维度区域的自动识别方法 | |
CN106570183B (zh) | 一种彩色图像检索和分类方法 | |
Pu et al. | Estimation of crowd density in surveillance scenes based on deep convolutional neural network | |
CN108171119B (zh) | 基于残差网络的sar图像变化检测方法 | |
CN104519361A (zh) | 一种基于空时域局部二值模式的视频隐写分析方法 | |
CN104408472B (zh) | 基于Wishart和SVM的极化SAR图像分类方法 | |
Demir et al. | Improving SVM classification accuracy using a hierarchical approach for hyperspectral images | |
CN106127226A (zh) | 粮粒和粮粒测试样本的柔性粮食品质检测方法 | |
CN105046286A (zh) | 基于自动视图生成和联合l1,2范数最小化的监督多视图特征选择方法 | |
CN110309879A (zh) | 一种红枣外观品质分类方法、装置、设备及存储介质 | |
Rashno et al. | Mars image segmentation with most relevant features among wavelet and color features | |
CN114626412B (zh) | 用于无人值守传感器系统的多类别目标识别方法及系统 | |
CN110610203A (zh) | 基于dwt和极限学习机的电能质量扰动分类方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20120905 Termination date: 20131124 |