CN103034853A - 一种jpeg图像通用隐写分析方法 - Google Patents

Abstract

本发明提供一种JEPG图像通用隐写分析方法，包括训练过程和预测过程，训练过程包括对训练样本集中所有图像进行特征提取，对所得特征用分类器进行训练，得到模型；预测过程包括对待测图像进行同样方式的特征提取，并在同样分类器条件下，用训练过程中训练好的模型进行预测，得到最终结果；其特征在于：以训练样本集中所有图像和待测图像为原始图像进行特征提取，提取实现方式如下，对原始图像进行全局校准处理，得到全局校准图像；分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对所得计算结果进行差分得到特征。本发明进一步提高了对于JPEG隐写图像的检测率。

Description

一种JPEG图像通用隐写分析方法

技术领域

本发明涉及数字图像信息隐藏领域，尤其涉及一种JEPG图像通用隐写分析方法。

背景技术

近年来，信息技术的不断发展和网络的普及给人们提供了全新开放式通信环境，数字多媒体技术的发展也为网络提供了丰富的多媒体信息。但同时，也隐藏着众多的信息安全问题，如黑客攻击，私人信息泄露，不良信息传播，数字媒体盗版与侵权等问题屡见不鲜。信息隐藏技术是保密通信和信息安全的重要技术，隐写技术和隐写分析技术都是信息隐藏技术的重要的分支，人们很容易通过隐写利用数字图像作为载体进行隐秘通信，带来了严重的安全隐患。目前，隐写分析技术已经得到国内外学者的广泛研究，该技术作为隐写术的对抗手段受到各方面的广泛关注。

隐写术是将隐秘信息嵌入到数字载体中来达到隐秘通信的目的。隐写方法一般选择应用广泛、冗余度大、容易获取的数字图像作为载体，JPEG(joint photographic experts group)图像以其较少的存储空间和较好的图像质量而广泛应用于网络，网络上较多的隐写方法都以JPEG图像作为载体，这使得针对JPEG图像的隐写分析技术的研究具有重要意义。尽管隐秘信息的潜入具有视觉上的不可感知性，但由于隐写算法本身所具有的入侵特性，必然会对原始载体图像所固有的某些统计特征带来改变。针对JPEG图像，主要是修改图像对应的频域系数来嵌入信息，具有较强鲁棒性的同时也兼顾了图像的不可感知性。

隐写分析（stegananalysis），就是根据数字载体的统计特性判断其中是否含有额外的隐秘信息。尽管隐秘信息的嵌入具有“掩蔽效应”，但是由于隐写算法本身具有入侵特性，所以数字隐写会导致原始载体所固有的某些特性被改变。因此，通过对图像进行统计特性分析，可以实现对图像进行有效检测。根据隐写分析算法所使用的应用场合，目前JPEG隐写分析主要分为两种：1)专用型JPEG隐写分析算法；2)通用型JPEG隐写分析算法。就目前而言，通用型算法由于其较强的实用性而收到了更多研究者的关注。

对于隐写分析而言，如何选择合适特征来描述隐写图像和原始图像的差异往往决定了隐写分析的性能。目前，存在一些检测结果较好的针对JPEG的通用隐写分析算法，如，施云庆提出一种以差分DCT域系数为分析域，提取水平、垂直、对角、反对角四个方向上的转移概率矩阵为特征的隐写分析方法；Fridrich提出以裁剪方式来估计原始图像，组合直方图、共生矩阵、转移概率矩阵等多种特征的隐写分析方法；黄继武提出采用均值滤波估计原始图像，使用块间行扫描、块内行扫描方式来反映块内系数相关性，块间系数相关性，得到相关特征值的隐写分析方法；宣国荣提出以行、列、Zigzag块内扫描方式形成系数的共生矩阵特征的隐写分析方法；张卫明融合了像素预测和全局校准方法，提出以8个方向上的转移概率矩阵来代替4个方向上的转移概率矩阵的隐写分析方法；偏序Markov隐写分析方法把偏序思想融入到Markov方法中，引入偏序函数，提出基于偏序Markov特征的隐写分析方法。

以上方法在能够在一定程度上对JPEG隐写图像实现有效的检测，但是仍然存在以下问题：1）现有隐写分析方法在进行转移概率矩阵计算时，只考虑每个方向上的转移概率矩阵只和该方向上的差分矩阵有关，而和别的方向上的差分矩阵无关，这样的假设是不合理的；2）现有隐写分析方法并未考虑频域系数符号相关性的特征.

基于以上问题，导致隐写分析算法存在两个问题：1.低嵌入率隐写图像检测结果较为不理想，相对于高嵌入率隐写图像检测率有明显下降趋势；2.通用型不够强，无法做到对各种隐写算法均有较为理想的检测率。

发明内容

本发明针对JPEG图像隐写的特点，提供一种基于多向Markov的JPEG通用隐写分析方法。

本发明的技术方案为一种JEPG图像通用隐写分析方法，包括训练过程和预测过程，所述训练过程包括对训练样本集中所有图像进行特征提取，对所得特征用分类器进行训练，得到模型；所述预测过程包括对待测图像进行同样方式的特征提取，并在同样分类器条件下，用训练过程中训练好的模型进行预测，得到最终结果；以训练样本集中所有图像和待测图像为原始图像进行特征提取时，提取实现方式如下，

对原始图像进行全局校准处理，得到全局校准图像；分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对所得计算结果进行差分得到特征。

而且，所述对原始图像进行全局校准处理，得到全局校准图像的实现方式如下，将原始图像解压至空域，然后裁去最上四行像素和最左四列像素，并重新用与原始图像相同的质量因子压缩，得到全局校准图像。

而且，对某图像进行多向差分Markov概率矩阵的计算如下，

$P_H(m,n)=\frac{1}{4}(P_{\mathrm{HH}}(m,n)+P_{\mathrm{HV}}(m,n)+P_{\mathrm{HD}}(m,n)+P_{\mathrm{HM}}(m,n))$

$P_V(m,n)=\frac{1}{4}(P_{\mathrm{VH}}(m,n)+P_{\mathrm{VV}}(m,n)+P_{\mathrm{VD}}(m,n)+P_{\mathrm{VM}}(m,n))$

$P_D(m,n)=\frac{1}{4}(P_{\mathrm{DH}}(m,n)+P_{\mathrm{DV}}(m,n)+P_{\mathrm{DD}}(m,n)+P_{\mathrm{DM}}(m,n))$

$P_M(m,n)=\frac{1}{4}(P_{\mathrm{MH}}(m,n)+P_{\mathrm{MV}}(m,n)+P_{\mathrm{MD}}(m,n)+P_{\mathrm{MM}}(m,n))$

其中，P_HH，P_HV,P_HD，P_HM为水平方向转移概率矩阵、水平垂直转移概率矩阵、水平对角转移概率矩阵和水平反对角转移概率矩阵，P_H为最终的水平转移概率矩阵；P_VH,P_VV,P_VD,P_VM为垂直水平转移概率矩阵、垂直方向转移概率矩阵、垂直对角转移概率矩阵和垂直反对角转移概率矩阵，P_V为最终的垂直转移概率矩阵；P_DH,P_DV,P_DD,P_DM为对角水平转移概率矩阵、对角垂直转移概率矩阵、对角方向转移概率矩阵和对角反对角转移概率矩阵，P_D为最终的对角转移概率矩阵；P_MH,P_MV,P_MD,P_MM为反对角水平转移概率矩阵、反对角垂直转移概率矩阵、反对角对角方向的转移概率矩阵和反对角方向转移概率矩阵，P_M为最终的反对角转移概率矩阵；参数m、n的取值为{-T，-T+1，…，-1，0，1，…，T-1，T}，T为差分矩阵的阈值。

本发明在隐写分析方法中融入了全局校准图像来近似得到原始图像；对于原始图像和全局校准图像分别利用了多向差分Markov概率矩阵的计算，并将结果进行差分，进一步改进图像统计特征的敏感性和精确度计算过程中考虑了符号相关性，解决了取绝对值之后正负结果特性相同的现象，使得到提取的特征对隐秘信息的嵌入更为敏感，进一步提高了对于JPEG隐写图像的检测率。

附图说明

图1是通用隐写分析模型的训练过程图。

图2是通用隐写分析模型的预测过程图。

图3是本发明实施例的特征向量提取流程图。

图4是本发明实施例的全局校准过程示意图。

图5是本发明实施例的原始图像多向差分Markov概率矩阵计算过程示意图。

图6是本发明实施例的校准图像多向差分Markov概率矩阵计算过程示意图。

图7是本发明实施例的隐写分析预测过程示意图。

具体实施方式

本发明方法的总体过程：首先，针对训练和待检测JPEG图像，计算全局校准图像；分别对原始图像和全局校准图像量化后DCT系数计算其多向差分Markov特征；计算原始图像和全局校准图像量化后DCT系数的多向差分Markov特征差值，以该特征差值作为图像的隐写分析特征；对训练样本图像进行特征的训练；基于训练模型进行待测图像的隐写分析分类检测。其中，发明方法的核心创新性体现在多向差分Markov特征的计算，该特征分别计算四个方向的转移概率矩阵，并进行平均，将其作为其特征值，同时，在计算过程中考虑了系数符号相关性。

以下结合附图和实施例详细说明本发明技术方案。

隐写分析技术是利用隐秘信息嵌入可能引起载体数据分布特性或统计特性的改变，从而判断图像是否被隐写，隐写分析系统模型包括两个过程：训练过程和预测过程。训练过程如图1所示，对训练样本集进行特征提取，之后对所选定特征用分类器进行训练，得到模型（Model）；预测过程如图2所示，对待测样本（即待测图像）进行同样的特征提取，并在同样分类器条件下，用训练过程中训练好的Model进行预测，得到最终结果。

基于以上基本过程，本发明做了进一步研究：

(1)本发明主要的应用环节为特征提取环节，为对图像进行特征提取的方法。输入部分为JPEG图像，输出为经过提取后的特征值。

(2)对于分类器的选择，主要是分为有监督学习和无监督学习两种，其代表分类器分别为SVM(支持向量机)和SVDD，训练和预测过程需分类器选择一致。本发明针对两种分类器均具有良好的检测效果。

(3)预测完成后得到结果，即判断图像是否为隐写图像。

下面主要针对训练和预测过程均需进行的特征提取环节中本发明所涉及的内容进行具体描述：

本发明为一种针对JPEG图像隐写的隐写分析方法，总体来说，该隐写分析方法对原始图像进行全局校准处理，分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对两者的计算值进行差分，从而得到最终的特征向量。实施例的提取特征总体流程如图3所示：对原始图像进行多向差分Markov概率矩阵的计算，T为差分矩阵的阈值，从而得到(2T+1)(2T+1)×4特征向量；对全局校准图像进行多向差分Markov概率矩阵的计算，得到(2T+1)(2T+1)×4特征向量；对两者的计算值进行差分，得到(2T+1)(2T+1)×4差分特征向量。

本发明主要的创新点在于在隐写分析方法中融入了全局校准图像来近似得到原始图像，并利用了多向差分Markov概率矩阵的计算，考虑了系数符号相关性，从而得到提取的特征对隐秘信息的嵌入更为敏感，进一步提高了检测率。即主要包括全局校准和多向差分Markov概率矩阵的计算两个方面。

(1)全局校准

隐写分析之所以有效的根本原因在于原始载体图像和掩密图像之间在统计特性上存在差异，并且这种差异是可以检测的。为了保证嵌入算法的不可见性，一般隐写算法在嵌入过程中都是对图像进行一个微小的改变。同时由于图像统计特性的极其复杂性，这些都给统计上的分析提出了挑战。根据实验结果发现，就一般的JPEG隐写术而言，原始载体图像与掩密图像之间空域差分信号直方图一般是满足广义Gauss分布的，因此，通过应用全局校准方案，即从掩密图像估计原始载体图像DCT系数的全局统计特性，即DCT系数直方图的方式，可以大大提高算法的检测效率。具体实施例全局校准的过程为将原始图像解压至空域，然后减去左上角的4行4列（即裁去最上四行像素、裁去最左四列像素），并重新用和原始图像相同的质量因子压缩，可得到全局校准图像及其JPEG系数矩阵，其过程如图4所示。

(2)多向差分Markov

通过从待测图像和全局校准图像量化后DCT系数的差分信号中提取特征进行差分的方式，使得提取的特征对隐秘信息的嵌入更为敏感。由于现有的JPEG隐写方法大多是通过改变DCT系数幅值以达到嵌入隐秘信息的目的，已有的隐写分析算法为了尽可能较少特征的维数，主要通过提取DCT系数幅值特征用于检测。Markov模型（马尔科夫链模型）中，使用水平，垂直，对角，反对角四个方向的差分Markov的方法来放大隐写造成的DCT系数的改变。然后，每个方向上的转移概率矩阵只和该方向上的差分矩阵有关，而和别的方向上的差分矩阵无关，这个假设不太合理。因此，在本发明实施例中，针对每个差分矩阵计算四个方向的转移概率并对其进行取平均值操作，且在操作过程中，本发明对数值未进行取绝对值，保证了系数符号相关性，从而得到最终的特征值。

图5和图6分别为针对原始图像的多向差分Markov概率矩阵和针对全局校准图像的多向差分Markov概率矩阵的计算过程。实施例中，提取原始图像的JPEG系数矩阵，得到水平差分矩阵、垂直差分矩阵、主对角差分矩阵和反对角差分矩阵，水平差分矩阵包括水平方向转移概率矩阵、水平垂直转移概率矩阵、水平主对角转移概率矩阵、水平反对角转移概率矩阵，得到(2T+1)(2T+1)水平特征；垂直差分矩阵包括垂直水平转移概率矩阵、垂直方向转移概率矩阵、垂直主对角转移概率矩阵、垂直反对角转移概率矩阵，得到(2T+1)(2T+1)垂直特征；主对角差分矩阵包括主对角水平转移概率矩阵、主对角垂直转移概率矩阵、主对角方向转移概率矩阵、主对角反对角转移概率矩阵；反对角差分矩阵包括反对角水平转移概率矩阵、反对角垂直转移概率矩阵、反对角主对角转移概率矩阵、反对角方向转移概率矩阵，得到(2T+1)(2T+1)反对角特征。综合得到(2T+1)(2T+1)×4特征向量。全局校准图像的多向差分Markov概率矩阵的计算过程相同，得到(2T+1)(2T+1)×4全局校准特征向量。

基于训练过的Model，实施例对某待测图像进行隐写分析过程如下：

(1)首先，把待测图像J1解压到空域后，裁剪掉最上面的四行和最左边的四列像素，重新分块，按照相同的量化矩阵重新压缩后得到的图像称为校准图像J2。即实现全局校准过程。

(2)对J1和J2分别进行多向差分Markov概率矩阵计算，分别得到F(J1)和F(J2)，并将结果进行差分，得到F(J1)-F(J2)。

(3)选定分类器后，将特征值F(J1)-F(J2)通过训练过的Model，进行分类器预测过程，得到最终结果，具体过程如图7所示。

为便于实施参考起见，下面对实施例的多向差分Markov概率矩阵计算过程进行详细说明：

(1)参数说明

F(u，v)为量化的DCT系数的系数矩阵，S_u，S_v为矩阵F的行数和列数，F_h，F_v，F_d，F_m分别为水平、垂直、对角和反对角差分矩阵，T为差分矩阵的阈值，具体实施时可由本领域技术人员预先设定，在实施例的模型中T=4。

(2)算法实现步骤：

对待计算多向差分Markov概率矩阵的某图像，如原始图像，计算DCT域的水平、垂直、对角和反对角差分矩阵F_h，F_v，F_d，F_m如下：

F_h(u，v)＝F(u，v)-F(u+1，v)                    (1)

F_v(u，v)＝F(u，v)-F(u，v+1)                    (2)

F_d(u，v)＝F(u，v)-F(u+1，v+1)                  (3)

F_m(u，v)＝F(u+1，v)-F(u，v+1)                  (4)

这里u ∈[0，S_u-1]，v ∈[0，S_v-1]，采用（u,v）表示矩阵的第u行第v列的元素。计算多向差分转移概率矩阵：

转移概率矩阵能够表示为对应的二阶统计特征，用来刻画一个Markov过程。转移概率矩阵可以分为一步转移概率矩阵和多步转移概率矩阵。一步转移概率矩阵表现相邻两个元素（差分矩阵中）关系，多步概率矩阵表现不相邻的两个元素之间的关系。综合实验结果和计算复杂度来说，模型最终选择了一步转移概率矩阵。

为了近一步减少计算量，引入阈值T=4，把大于4的元素值改为4，把小于-4的元素值改为-4。Markov链的状态空间为{-4，-3，-2-1，0，1，2，3，4}，则每个转移概率矩阵的大小为9×9。和形成差分矩阵的方法相同，转移概率矩阵也有四个方向，计算公式如下：

$p\{F_h(u,v)=n|F_h(u,v+1)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,(u,v+1)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m)}---\left(5\right)$

$p\{F_v(u,v)=n|F_h(u+1,v)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,(u+1,v)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m)}---\left(6\right)$

$p\{F_d(u,v)=n|F_h(u+1,v+1)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,(u+1,v+1)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m)}---\left(7\right)$

$p\{F_m(u+1,v)=n|F_h(u,v+1)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u+1,v)=m,(u,v+1)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v+1)=m)}---\left(8\right)$

参数m，n的取值由阈值T确定，取值为{-T，-T+1，…，-1，0，1，…，T-1，T}。

这里u ∈[0，S_u-1]，v ∈[0，S_v-1]，m，n ∈{-4，-3，-2-1，0，1，2，3，4}，δ函数为选择函数，每个方向的转移概率矩阵的大小为是一个9×9，转化成一个1×81的向量，p{}表示概率值。

对于系数F(u，v)，它至少和周围最近的8个点相关联。按照水平遍历方式，2个点F(u-1，v),F(u+1，v)已经计算过，还剩下6个点F(u-1，v-1),F(u-1，v),F(u-1，v+1),F(u+1，v-1),F(u+1，v)和F(u+1，v+1)没有计算，跟这6个点相关的就是差分系数F_d(u-1，v-1)，F_m(u-1，v+1),F_d(u，v)，F_v(u，v)以及F_m(u，v)。有理由相信，从同一个系数出发的四个差分系数是相关的，F_h(u，v)不仅和F_h(u，v+1)有关，而且和F_d(u，v)，F_v(u，v)以及F_m(u，v)也相关。垂直方向，对角方向和反对角方向也是如此。差分矩阵定义不变的情况下，式(1)拆成如下5个式子来定义。

$P_{\mathrm{HH}}(m,n)=p\{F_h(u+1,v)=n|F_h(u,v)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,(u,v+1)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m)}---\left(9\right)$

$P_{\mathrm{HV}}(m,n)=p\{F_v(u,v)=n|F_h(u,v)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,F_V(u,v)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_V(u,v)=m)}---\left(10\right)$

$P_{\mathrm{HD}}(m,n)=p\{F_d(u,v)=n|F_h(u,v)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,F_d(u,v)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_d(u,v)=m)}---\left(11\right)$

$P_{\mathrm{HM}}(m,n)=p\{F_m(u,v)=n|F_h(u,v)=m\}=\frac{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_h(u,v)=m,F_m(u,v)=n)}{{\mathrm{\Σ}}_{u,v}\mathrm{\δ}(F_m(u,v)=m)}---\left(12\right)$

$P_H(m,n)=\frac{1}{4}(P_{\mathrm{HH}}(m,n)+P_{\mathrm{HV}}(m,n)+P_{\mathrm{HD}}(m,n)+P_{\mathrm{HM}}(m,n))---\left(13\right)$

这里H,V,D,M分别表示水平、垂直、对角和反对角方向，进而P_HH，P_HV,P_HD，P_HM为水平方向转移概率矩阵，水平垂直转移概率矩阵，水平对角转移概率矩阵和水平反对角转移概率矩阵，P_H为最终的水平转移概率矩阵。同理可得

$P_V(m,n)=\frac{1}{4}(P_{\mathrm{VH}}(m,n)+P_{\mathrm{VV}}(m,n)+P_{\mathrm{VD}}(m,n)+P_{\mathrm{VM}}(m,n))---\left(14\right)$

$P_D(m,n)=\frac{1}{4}(P_{\mathrm{DH}}(m,n)+P_{\mathrm{DV}}(m,n)+P_{\mathrm{DD}}(m,n)+P_{\mathrm{DM}}(m,n))---\left(15\right)$

$P_M(m,n)=\frac{1}{4}(P_{\mathrm{MH}}(m,n)+P_{\mathrm{MV}}(m,n)+P_{\mathrm{MD}}(m,n)+P_{\mathrm{MM}}(m,n))---\left(16\right)$

同样，H,V，D,M分别表示水平、垂直、对角和反对角方向，进而P_VH,P_VV,P_VD,P_VM为垂直水平转移概率矩阵，垂直方向转移概率矩阵，垂直对角转移概率矩阵和垂直反对角转移概率矩阵，P_V为最终的垂直转移概率矩阵；P_DH,P_DV,P_DD,P_DM为对角水平转移概率矩阵，对角垂直转移概率矩阵，对角方向转移概率矩阵和对角反对角转移概率矩阵，P_D为最终的对角转移概率矩阵；P_MH,P_MV,P_MD,P_MM为反对角水平转移概率矩阵，反对角垂直转移概率矩阵，反对角对角方向的转移概率矩阵和反对角方向转移概率矩阵，P_M为最终的反对角转移概率矩阵。计算多向差分Markov特征过程中，仍然使用差分矩阵，Markov过程的状态空间没有发生变化，如果差分矩阵的阈值为T，则原始图像的多向差分Markov特征F_ori的维数为4×(2T+1)²。

对于全局校准图像，实施例通过应用全局校准方案，即从掩密图像估计原始载体图像DCT系数的全局统计特性，即DCT系数直方图的方式，可以大大提高算法的检测效率。具体全局校准的过程为将待测图像解压到空域，然后减去左上角的4行4列，并重新用相同的质量因子压缩，可得到全局校准图像及其JPEG系数矩阵。具体的操作步骤同原始图像，包括两个部分：计算DCT域的四个差分矩阵，计算多向差分转移概率矩阵。则全局校准图像的多向差分Markov特征F_crop的维数为4×(2T+1)²。

将原始图像的特征值与全局校准图像的特征值进行差分，得到最终的特征值。

F=F_ori-F_crop

该隐写分析方法对原始图像进行全局校准处理，分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对两者的计算值进行差分，从而得到最终的特征向量。全局校准的过程为将待测图像解压到空域，然后减去左上角的4行4列，并重新用相同的质量因子压缩，可得到全局校准图像及其JPEG系数矩阵。分别针对原始图像和全局校准图像，多向差分Markov模型计算水平、垂直、对角和反对角四个方向的差分矩阵，一个方向的差分矩阵和其他三个方向的差分矩阵相关。水平方向转移概率矩阵是以水平方向为主，四个方向为辅的四个转移概率矩阵的平均值，其他三个方向的转移概率矩阵的计算方式也是如此。在计算过程中，均对原始数据进行处理，避免取绝对值操作，保证系数符号相关性。差分矩阵的阈值T=4，故特征的维数为4×(2T+1)²=324。将两个324维的特征向量进行差分，得到了最终的特征值。。

与之前提到的现有隐写分析算法相比，本发明具有明显优势：

本发明在实验过程中选取了F5，JPHS，Jsteg，MB1，MB2，outguess，outguess_b，Steghide这八种常见的隐写算法，对其不同嵌入率的图像选择不同的隐写分析方法进行检测。通过结果对比，本发明可以明显看出多向差分Markov在对于低嵌入率图像的检测率方面较其他几种隐写分析方法有明显的改进，而且通用型较强，实验中所涉及的八种主要隐写方法实现方法和隐藏手段是不同的，但是多向差分Markov对于任意一种隐写算法均有相对来说最为理想的检测率。因此，多向差分Markov在对于JPEG图像的隐写分析方法具有较好的性能，本发明在该方面具有重要意义。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (3)

1.一种JEPG图像通用隐写分析方法，包括训练过程和预测过程，所述训练过程包括对训练样本集中所有图像进行特征提取，对所得特征用分类器进行训练，得到模型；所述预测过程包括对待测图像进行同样方式的特征提取，并在同样分类器条件下，用训练过程中训练好的模型进行预测，得到最终结果；其特征在于：以训练样本集中所有图像和待测图像为原始图像进行特征提取时，提取实现方式如下，

对原始图像进行全局校准处理，得到全局校准图像；分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对所得计算结果进行差分得到特征。

2.根据权利要求1所述JEPG图像通用隐写分析方法，其特征在于：所述对原始图像进行全局校准处理，得到全局校准图像的实现方式如下，

将原始图像解压至空域，然后裁去最上四行像素和最左四列像素，并重新用与原始图像相同的质量因子压缩，得到全局校准图像。

3.根据权利要求1或2所述JEPG图像通用隐写分析方法，其特征在于：对某图像进行多向差分Markov概率矩阵的计算如下，

$P_H(m,n)=\frac{1}{4}(P_{\mathrm{HH}}(m,n)+P_{\mathrm{HV}}(m,n)+P_{\mathrm{HD}}(m,n)+P_{\mathrm{HM}}(m,n))$

$P_V(m,n)=\frac{1}{4}(P_{\mathrm{VH}}(m,n)+P_{\mathrm{VV}}(m,n)+P_{\mathrm{VD}}(m,n)+P_{\mathrm{VM}}(m,n))$

$P_D(m,n)=\frac{1}{4}(P_{\mathrm{DH}}(m,n)+P_{\mathrm{DV}}(m,n)+P_{\mathrm{DD}}(m,n)+P_{\mathrm{DM}}(m,n))$

$P_M(m,n)=\frac{1}{4}(P_{\mathrm{MH}}(m,n)+P_{\mathrm{MV}}(m,n)+P_{\mathrm{MD}}(m,n)+P_{\mathrm{MM}}(m,n))$

其中，P_HH，P_HV,P_HD，P_HM为水平方向转移概率矩阵、水平垂直转移概率矩阵、水平对角转移概率矩阵和水平反对角转移概率矩阵，P_H为最终的水平转移概率矩阵；P_VH,P_VV,P_VD,P_VM为垂直水平转移概率矩阵、垂直方向转移概率矩阵、垂直对角转移概率矩阵和垂直反对角转移概率矩阵，P_V为最终的垂直转移概率矩阵；P_DH,P_DV,P_DD,P_DM为对角水平转移概率矩阵、对角垂直转移概率矩阵、对角方向转移概率矩阵和对角反对角转移概率矩阵，P_D为最终的对角转移概率矩阵；P_MH,P_MV,P_MD,P_MM为反对角水平转移概率矩阵、反对角垂直转移概率矩阵、反对角对角方向的转移概率矩阵和反对角方向转移概率矩阵，P_M为最终的反对角转移概率矩阵；参数m、n的取值为{-T，-T+1，…，-1，0，1，…，T-1，T}，T为差分矩阵的阈值。

Images