CN101615286A - 一种基于图像灰度游程直方图分析的盲信息隐藏检测方法 - Google Patents

Abstract

本发明公开了一种基于图像灰度游程直方图分析的盲信息隐藏检测方法，通过分析图像灰度游程直方图中的长游程与短游程个数分布情况，来判断图像是否可能含有隐藏信息，包括：对训练集中已标记类别信息的灰度图像计算灰度游程矩阵，得到游程长度直方图，提取该游程长度直方图特征函数的n阶统计量作为特征，并对提取的特征进行训练与分类，得到分类器模型参数，形成分类器模型；所述已标记类别信息为含有隐藏信息或不含有隐藏信息；对任意输入的灰度图像计算灰度游程矩阵，得到图像游程长度直方图，然后进行特征提取，将提取的特征输入到所述分类器模型中，获得输入图像的类别信息。利用本发明，实现了准确高效的图像盲信息隐藏检测。

Description

一种基于图像灰度游程直方图分析的盲信息隐藏检测方法

技术领域

本发明涉及模式识别中的信息隐藏和图像处理技术领域，特别是涉及一种基于图像灰度游程直方图分析的盲信息隐藏检测方法。

背景技术

近年来，计算机技术和网络通信的迅速发展使得人们可以很容易的通过计算机存储介质、互联网络以及通信网络传输数据。图像信息隐藏(Image information hiding)正是一种在数字图像中隐藏隐秘信息的技术，其主要思想是将隐秘信息肉眼不可见的隐藏到作为载体的数字图像当中。与之对应，信息隐藏检测的目的是通过分析多媒体数据而发现信息隐藏/隐秘通信的存在，提取、阻断或者替换隐秘信息。通过信息隐藏检测可以对抗非法的以信息隐藏为手段的机密泄漏、非法信息传播等等，对于网络信息安全、国防安全等具有重大意义。

对于数字图像信息隐藏来说，根据不同的标准可以将各种信息隐藏方法划分成不同的种类：如空间域或变换域方法；是直接替换还是其他修改像素和变换域值的方法；是否考虑统计不可见性等。一般来说，这些信息隐藏方法在对图像进行隐写操作的过程中，均会改变嵌入信息区域的图像灰度值，如，最低比特位替换方法(LSB substitution)中，若需在图像中隐藏1比特信息，则要改变该图像像素点的最低比特位，从而其对应的图像点灰度值增加或减少1个灰度值。通常，信息隐藏检测方法就是根据检测隐写操作对图像进行的这些统计特性的改变来判断图像是否含有隐藏信息。在进行信息隐藏检测时需要获取载体的原始信息或隐藏所使用的具体算法，通过与检测对象进行比对或有针对性地反向处理来达到检测效果。然而，但随着隐藏算法的发展和不断增多，很难对每一种算法进行相应的攻击，同时要取得完整的原始载体信息也是非常困难的。因此，逐步形成了信息隐藏的盲检测方法。信息隐藏的盲检测即是在不知道隐藏所使用的算法并且不需要载体的原始信息的情况下，判断出检测对象中是否含有隐藏信息。

当前的图像信息隐藏盲检测方法多是以模式分类方法为基础，结合图像统计特性的分析来进行的。通过提取能够反应各类信息隐藏前后图像载体的普遍统计特性差异的特征，对其特征的训练与学习训练分类器模型，从而进行信息隐藏检测。目前比较成熟方法有Farid^[1]提出的基于小波分析的高阶统计量盲检测方法和Shi等^[2]提出的基于小波分解使用图像特征函数矩的信息隐藏盲检测方法。

参考文献：

[1]Farid，H.：Detecting hidden messages using higher-order statistics andsupport vector machines.In：5th International Workshop on InformationHiding.(2002)

[2]Shi，Y.Q.，et al：Image steganalysis based on moments of characteristicfunctions using wavelet decomposition，prediction-error image，andneuralnetwork.In：ICME 2005.pp.269-272

发明内容

(一)要解决的技术问题

有鉴于此，本发明的主要目的在于提供一种基于图像灰度游程直方图分析的盲信息隐藏检测方法，以实现准确高效的图像盲信息隐藏检测。

(二)技术方案

为了实现上述目的，本发明提供的技术方案如下：

一种基于图像灰度游程直方图分析的盲信息隐藏检测方法，该方法是通过分析图像灰度游程直方图中的长游程与短游程个数分布情况，来判断图像是否可能含有隐藏信息，具体包括：

步骤S1：对训练集中已标记类别信息的灰度图像计算灰度游程矩阵，得到游程长度直方图，提取该游程长度直方图特征函数的n阶统计量作为特征，并对提取的特征进行训练与分类，得到分类器模型参数，形成分类器模型；所述已标记类别信息为含有隐藏信息或不含有隐藏信息；

步骤S2：对任意输入的灰度图像计算灰度游程矩阵，得到图像游程长度直方图，然后进行特征提取，将提取的特征输入到步骤S1所述分类器模型中，获得输入图像的类别信息，实现盲信息隐藏检测。

上述方案中，所述步骤S1包括：

步骤S11：计算训练集中图像0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向上的游程直方图；

步骤S12：计算图像四个方向上游程直方图的特征函数，该特征函数为游程直方图的离散傅立叶DFT变换；

步骤S13：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S14：将标记好类别信息的特征向量输入到分类器中训练，得到分类器的参模型数，形成分类器模型。

上述方案中，所述步骤S2包括：

步骤S21：对当前输入的图像计算0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向的游程直方图；

步骤S22：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S23：将当前图像得到的特征向量载入步骤S14中获得的分类器模型，判断该图像是否进行信息隐藏。

上述方案中，所述训练是通过机器学习方法，学习已标记好类别的训练样本的特征，获得分类器的模型参数和分类器阈值；所述分类是在信息隐藏检测中，根据测试样本的特征值与训练数据得到分类器模型的阈值大小来判断测试样本的所属类别信息。

上述方案中，所述灰度游程直方图分析，采用图像普通灰度游程直方图计算方法和彩色图像的游程计算方法。

上述方案中，所述图像的灰度游程是指连续的、共线并具有相同灰度级或属于同一灰度段的像素点；所述游程长度是指同一个游程中所包含的像素点个数；短游程表示该游程中所含的同灰度像素点个数相对少；长游程表示该游程中所含的同灰度像素点个数相对多；游程矩阵可表示为M_θ(d，g)，代表图像在θ方向上，灰度为g，长度为d的灰度游程出现的总次数。

上述方案中，所述分析图像灰度游程直方图，是由于信息隐藏操作将会使得图像灰度游程直方图中，长游程的个数明显减少，短游程的个数明显增大，直接对游程长度直方图的分布产生影响，故通过判断游程直方图中长游程与短游程的分布情况，可判断图像是否含有隐藏信息。

上述方案中，所述图像游程长度直方图的特征函数的n阶灰度游程矩阵表示为：

$M_{\mathrm{\θ}}^n=\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}{f}_j^n\left|F_{\mathrm{\θ}}\left(f_j\right)\right|/\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}\left|F_{\mathrm{\θ}}\left(f_j\right)\right|$

其中，F_θ(f_j)是F_θ在f_j处的频率分量，L是傅里叶变换(DFT)序列长度，F_θ是图像各方向游程长度直方图的离散傅里叶变换。

上述方案中，所述特征向量是指能够反应图像信息隐藏前后差异的、基于图像四个方向游程长度直方图的特征函数n阶矩阵，以及基于游程长度直方图分析的各种变种特征。

上述方案中，该方法使用训练库的各类特征对分类器模型参数进行训练，并将训练好的分类器模型用于图像盲信息隐藏检测，给出二值化的检测结果：含有或者不含有隐藏信息。

(三)有益效果

从上述技术方案可以看出，本发明具有以下有益效果：

1、本发明提供的这种基于图像灰度游程直方图分析的盲信息隐藏检测方法，不但可以用于图像等多媒体数据的盲信息隐藏检测，还可运用于互联网多媒体内容安全监控、预警、过滤通关等相应产品。由于本发明不需要事先知道可疑图像的信息隐藏方法，而且其检测特征提取简单、快速、高效，故可在大规模数据通信、多媒体传输等内容安全检测等环境下能够得到有效的应用。

2、本发明提供的这种基于图像灰度游程直方图分析的盲信息隐藏检测方法，根据图像信息隐藏前后灰度游程直方图的游程长度分布发生改变这一特点，构造图像游程直方图的特征函数的高阶统计量作为特征来进行图像盲信息隐藏检测，通过机器学习的方法将待测图像区分为含有隐藏信息图像以及不含有隐藏信息两类；采用图像灰度游程直方图的特征函数的高阶统计量作为检测特征，能够检测出使用若干信息隐藏方法嵌入信息的图像，盲检测效果比同类检测方法的准确率要高。

3、本发明提供的这种基于图像灰度游程直方图分析的盲信息隐藏检测方法，采用机器学习的训练分类方法，增加了检测方法的泛化性能。

4、本发明提供的这种基于图像灰度游程直方图分析的盲信息隐藏检测方法，可用于图像信息隐藏检测的诸多应用系统中。

附图说明

图1是本发明提供的基于图像灰度游程直方图分析的盲信息隐藏检测的方法流程图；

图2是本发明实施例中使用的待检测图像；其中，图2(a)是不含有隐藏信息的Lena图像，图2(b)是含有隐藏信息的Lena图像；

图3是本发明实施例中图像在0°方向上灰度游程长度分布示意图；其中，图3(a)是不含有隐藏信息的Lena图像游程长度分布示意图，图3(b)是含有隐藏信息的Lena图像游程长度分布示意图；连续的游程以连续的黑色或白色像素表示不同的游程用黑白像素的转换表示；

图4是本发明实施利中的两幅图像在0°方向上的灰度游程长度分布直方图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

本发明提供的这种基于图像灰度游程直方图分析的盲信息隐藏检测方法，是通过分析图像灰度游程直方图中的长游程与短游程个数分布情况，来判断图像是否可能含有隐藏信息，具体表述为：信息隐藏的过程将改变图像的游程长度分布直方图。信息隐藏的方法通常是利用人类视觉系统，通过细微改变图像的灰度值(如最低比特位替换隐藏方法，图像的像素值增加1或减少1)来达到嵌入隐藏信息的目的。而这些图像的像素值的细微改变，可以通过图像的灰度游程长度分布直方图反映。信息隐藏操作将会使得图像灰度游程直方图中，长游程的个数明显减少，短游程的个数明显增多。对图像直方图求特征函数的高阶统计量作为特征，能够量化衡量这种变化，达到判断图像是否可能含有隐藏信息的目的。

如图1所示，图1是本发明提供的基于图像灰度游程直方图分析的盲信息隐藏检测的方法流程图，该方法是通过分析图像灰度游程直方图中的长游程与短游程个数分布情况，来判断图像是否可能含有隐藏信息，具体包括：

步骤S1：对训练集中已标记类别信息的灰度图像计算灰度游程矩阵，得到游程长度直方图，提取该游程长度直方图特征函数的n阶统计量作为特征，并对提取的特征进行训练与分类，得到分类器模型参数，形成分类器模型；所述已标记类别信息为含有隐藏信息或不含有隐藏信息；

步骤S2：对任意输入的灰度图像计算灰度游程矩阵，得到图像游程长度直方图，然后进行特征提取，将提取的特征输入到步骤S1所述分类器模型中，获得输入图像的类别信息，实现盲信息隐藏检测。

上述步骤S1具体包括：

步骤S11：计算训练集中图像0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向上的游程直方图；

步骤S12：计算图像四个方向上游程直方图的特征函数，该特征函数为游程直方图的离散傅立叶DFT变换；

步骤S13：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S14：将标记好类别信息的特征向量输入到分类器中训练，得到分类器的参模型数，形成分类器模型。

上述步骤S2具体包括：

步骤S21：对当前输入的图像计算0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向的游程直方图；

步骤S22：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S23：将当前图像得到的特征向量载入步骤S14中获得的分类器模型，判断该图像是否进行信息隐藏。

所述训练是通过机器学习方法，学习已标记好类别的训练样本的特征，获得分类器的模型参数和分类器阈值；所述分类是在信息隐藏检测中，根据测试样本的特征值与训练数据得到分类器模型的阈值大小来判断测试样本的所属类别信息。

所述灰度游程直方图分析，采用图像普通灰度游程直方图计算方法和彩色图像的游程计算方法。所述图像的灰度游程是指连续的、共线并具有相同灰度级或属于同一灰度段的像素点；所述游程长度是指同一个游程中所包含的像素点个数；短游程表示该游程中所含的同灰度像素点个数相对少；长游程表示该游程中所含的同灰度像素点个数相对多；游程矩阵可表示为M_θ(d，g)，代表图像在θ方向上，灰度为g，长度为d的灰度游程出现的总次数。一幅大小为N*M，灰度级为G的图像灰度游程直方图可表示为：

$H_{\mathrm{\θ}}\left(d\right)=\underset{g=0}{\overset{G}{\mathrm{\Σ}}}{M}_{\mathrm{\θ}}(d,g)$ d＜＝N×M

所述分析图像灰度游程直方图，是由于信息隐藏操作将会使得图像灰度游程直方图中，长游程的个数明显减少，短游程的个数明显增大，直接对游程长度直方图的分布产生影响，故通过判断游程直方图中长游程与短游程的分布情况，可判断图像是否含有隐藏信息。

所述图像游程长度直方图的特征函数的n阶灰度游程矩阵表示为：

$M_{\mathrm{\θ}}^n=\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}{f}_j^n\left|F_{\mathrm{\θ}}\left(f_j\right)\right|/\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}\left|F_{\mathrm{\θ}}\left(f_j\right)\right|$

其中，F_θ(f_j)是F_θ在f_j处的频率分量，L是傅里叶变换(DFT)序列长度，F_θ是图像各方向游程长度直方图的离散傅里叶变换。

所述特征向量是指能够反应图像信息隐藏前后差异的、基于图像四个方向游程长度直方图的特征函数n阶矩阵，以及基于游程长度直方图分析的各种变种特征。

该方法使用训练库的各类特征对分类器模型参数进行训练，并将训练好的分类器模型用于图像盲信息隐藏检测，给出二值化的检测结果：含有或者不含有隐藏信息。

再参照图1，首先对待处理的图像文件，确定为灰度图像格式后进入本流程。其次，计算图像的0°、45°、90°、135°四个方向上的游程矩阵，并计算该四个方向的游程长度直方图。然后，基于本发明，计算图像游程长度直方图的特征函数的n阶矩(n＝3)，得到4*3＝12维特征向量。然后，将这些特征向量输入到预先训练好模型参数与分类阈值的分类器中去进行检测，若分类器输出结果大于设定阈值T，则可判定图像进行了信息隐藏，为含有隐藏信息的图像，反之，可判定为不含有隐藏信息的图像。

以下以512×512的灰度Lena为例，构造一副嵌有信息的stego-Lena，及原始图像origin-Lena，分别进行说明。

实施例1

对于含有隐藏信息的图像(stego-lena)，参照如图2-a)：

首先，计算该图像的0°、45°、90°、135°灰度游程矩阵M_θ(d，g)，然后根据 $H_{\mathrm{\θ}}\left(d\right)=\underset{g=0}{\overset{G}{\mathrm{\Σ}}}{M}_{\mathrm{\θ}}(d,g)$ 计算其游程长度直方图。

然后，基于本发明，求该四个方向游程长度直方图的特征函数F_θ(即其DFT变换)。

其次，计算特征函数F_θ的三阶矩：

$M_{\mathrm{\θ}}^n=\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}{f}_j^n\left|F_{\mathrm{\θ}}\left(f_j\right)\right|/\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}\left|F_{\mathrm{\θ}}\left(f_j\right)\right|$ n＝1，2，3；

得到一个12维的特征向量：

最后，将得到的特征向量输入到已训练好模型参数和分类阈值的支撑向量机中，得到分类器输出该特征向量的类别信息为含有信息隐藏的图像。

实施例2

对于不含有隐藏信息的图像(origin-lena)，参照图2-b)：

首先，计算该图像的0°、45°、90°、135°灰度游程矩阵M_θ(d，g)，然后根据 $H_{\mathrm{\θ}}\left(d\right)=\underset{g=0}{\overset{G}{\mathrm{\Σ}}}{M}_{\mathrm{\θ}}(d,g)$ 计算其游程长度直方图。

然后，基于本发明，求该四个方向游程长度直方图的特征函数F_θ(即其DFT变换)。

其次，计算特征函数F_θ的三阶矩：

$M_{\mathrm{\θ}}^n=\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}{f}_j^n\left|F_{\mathrm{\θ}}\left(f_j\right)\right|/\underset{j=1}{\overset{L/2}{\mathrm{\Σ}}}\left|F_{\mathrm{\θ}}\left(f_j\right)\right|,n=\mathrm{1,2,3};$

得到一个12维的特征向量：

最后，将得到的特征向量输入到已训练好模型参数和分类阈值的支撑向量机中，得到分类器输出该特征向量的类别信息为不含有信息隐藏的图像。

图3中游程长度分布直方图的表示方法如下：连续的游程以连续的黑色或白色像素表示，不同的游程用黑白像素的转换表示。通过实施例1和实施例2，可以发现，stego-Lena与origin-Lena图像的0°方向上游程长度直方图分布如图4所示，隐藏了信息的图像stego-Lena的游程长度直方图与未隐藏信息的原始图像origin-Lena的游程长度直方图比较，长游程的个数减少，短游程的个数增加，在图3所示，含有隐藏信息的图像游程长度的分布较不含有隐藏信息的图像游程长度分布中长游程的个数明显减小，短游程个数明显增加。因为信息隐藏的发生破坏了图像局部像素的相关性和平滑性，由此反应在游程长度直方图分布上，本发明采用直方图特征函数高阶统计矩作为特征来刻画信息隐藏前后游程长度变化的这一差异，检测具有较强的敏感性与较高的准确性。同时采用机器学习的方法训练包含隐藏信息和不含隐藏信息两类图像的类别模型，对自然图像的盲信息隐藏检测具有很好的泛化能力。

以上所述，仅为本发明中的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可理解想到的变换或替换，都应涵盖在本发明的包含范围之内，因此，本发明的保护范围应该以权利要求书的保护范围为准。

Claims (10)

1、一种基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，该方法是通过分析图像灰度游程直方图中的长游程与短游程个数分布情况，来判断图像是否可能含有隐藏信息，具体包括：

步骤S1：对训练集中已标记类别信息的灰度图像计算灰度游程矩阵，得到游程长度直方图，提取该游程长度直方图特征函数的n阶统计量作为特征，并对提取的特征进行训练与分类，得到分类器模型参数，形成分类器模型；所述已标记类别信息为含有隐藏信息或不含有隐藏信息；

步骤S2：对任意输入的灰度图像计算灰度游程矩阵，得到图像游程长度直方图，然后进行特征提取，将提取的特征输入到步骤S1所述分类器模型中，获得输入图像的类别信息，实现盲信息隐藏检测。

2、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，所述步骤S1包括：

步骤S11：计算训练集中图像0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向上的游程直方图；

步骤S12：计算图像四个方向上游程直方图的特征函数，该特征函数为游程直方图的离散傅立叶DFT变换；

步骤S13：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S14：将标记好类别信息的特征向量输入到分类器中训练，得到分类器的参模型数，形成分类器模型。

3、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，所述步骤S2包括：

步骤S21：对当前输入的图像计算0°，45°，90°，135°四个方向上灰度游程矩阵，得到图像四个方向的游程直方图；

步骤S22：计算每一个特征函数的n阶统计量，组成4n维的信息隐藏检测特征向量；

步骤S23：将当前图像得到的特征向量载入步骤S14中获得的分类器模型，判断该图像是否进行信息隐藏。

4、根据权利要求1至3中任一项所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述训练是通过机器学习方法，学习已标记好类别的训练样本的特征，获得分类器的模型参数和分类器阈值；所述分类是在信息隐藏检测中，根据测试样本的特征值与训练数据得到分类器模型的阈值大小来判断测试样本的所属类别信息。

5、根据权利要求1至3中任一项所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述灰度游程直方图分析，采用图像普通灰度游程直方图计算方法和彩色图像的游程计算方法。

6、根据权利要求1至3中任一项所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述图像的灰度游程是指连续的、共线并具有相同灰度级或属于同一灰度段的像素点；所述游程长度是指同一个游程中所包含的像素点个数；短游程表示该游程中所含的同灰度像素点个数相对少；长游程表示该游程中所含的同灰度像素点个数相对多；游程矩阵可表示为M_θ(d，g)，代表图像在θ方向上，灰度为g，长度为d的灰度游程出现的总次数。

7、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述分析图像灰度游程直方图，是由于信息隐藏操作将会使得图像灰度游程直方图中，长游程的个数明显减少，短游程的个数明显增大，直接对游程长度直方图的分布产生影响，故通过判断游程直方图中长游程与短游程的分布情况，可判断图像是否含有隐藏信息。

8、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述图像游程长度直方图的特征函数的n阶灰度游程矩阵表示为：

$M_{\mathrm{\θ}}^n=\underset{i=1}{\overset{L/2}{\mathrm{\Σ}}}{f}_j^n\left|F_{\mathrm{\θ}}\left(f_j\right)\right|/\underset{i=1}{\overset{L/2}{\mathrm{\Σ}}}\left|F_{\mathrm{\θ}}\left(f_j\right)\right|$

其中，F_θ(f_j)是F_θ在f_j处的频率分量，L是傅里叶变换(DFT)序列长度，F_θ是图像各方向游程长度直方图的离散傅里叶变换。

9、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，所述特征向量是指能够反应图像信息隐藏前后差异的、基于图像四个方向游程长度直方图的特征函数n阶矩阵，以及基于游程长度直方图分析的各种变种特征。

10、根据权利要求1所述的基于图像灰度游程直方图分析的盲信息隐藏检测方法，其特征在于，该方法使用训练库的各类特征对分类器模型参数进行训练，并将训练好的分类器模型用于图像盲信息隐藏检测，给出二值化的检测结果：含有或者不含有隐藏信息。

Images