CN104636764A

CN104636764A - 一种图像隐写分析方法以及其装置

Info

Publication number: CN104636764A
Application number: CN201510076059.3A
Authority: CN
Inventors: 张敏情; 狄富强; 刘佳
Original assignee: Engineering University of Chinese Peoples Armed Police Force
Current assignee: Engineering University of Chinese Peoples Armed Police Force
Priority date: 2015-02-12
Filing date: 2015-02-12
Publication date: 2015-05-20
Anticipated expiration: 2035-02-12
Also published as: CN104636764B

Abstract

本发明公开了一种图像隐写分析方法以及其装置，包括以下步骤：1)获取图库；2)提取隐写特征；3)获取蕨特征；5)获取概率分布，建立概率对照表；6)对待检测图像处理，获得待检测图像的每个蕨值在隐写图像中对应的出现概率值，以及待检测图像中每个蕨值在载体图像中对应的出现概率值，将这两个概率进行对比后，获得该图是否为隐写图像；本发明通过对数据库进行训练，获得隐写图像与未隐写图像的概率分布，通过对待测图像进行处理，判断待测图像是否为隐写图像，该方法具有通用性，能够适合不同的隐写方式。

Description

一种图像隐写分析方法以及其装置

技术领域

本发明属于信息安全技术领域，涉及隐写分析方法，尤其涉及一种图像隐写分析方法以及其装置。

背景技术

随着计算机和互联网技术的发展，信息安全问题变得日益突出。在国家安全机构、情报安全部门以及国防部队等重要领域，如何有效保证数字化信息的机密性、完整性、可用性、可控性是当前信息安全领域亟待解决的重要课题。在部队指挥信息系统中，传输的各类文电密级较高，一旦被敌人截获或者破坏将造成不可估量的损失。传统的通信传输方式采用密码技术，将文电转换成密文，但这种做法最大的缺陷在于攻击者可以进行非法截获并破译，另外密文传输的方式也“暗示”了哪些信息是重要信息，增加了被破译和截获的可能性。当前，各国一方面通过组建网络战部队以应对网络安全的挑战，另一方面也在不断寻求通过改变信息内容形式保护信息安全的方法。

信息隐藏技术作为传统加密技术的有效补充，已经成为学术界和产业界的研究热点。隐写术利用人类感知系统的不敏感性和载体信号的冗余性，将秘密信息通过某种算法嵌入到载体数据中，以达到秘密信息隐蔽传输的目的。即使在网络等公开信道或者云平台等公共存储平台传输、存储伪装数据，未授权用户无法得到秘密数据，甚至不会察觉到秘密数据的存在。然而，隐写术可能被用于一些非法目的，如策划违法活动，传播非法信息，泄露重要数据等等。20世纪90年代初，俄罗斯间谍在公开网页上传输司空见惯的照片，其中却隐含了密码信息，这是首次确证该技术被用于间谍活动。美国CIA前雇员、“棱镜”事件曝光者斯诺登的女友米尔斯上传了一系列配有隐晦标题的照片,引发了有关图像隐秘通信的广泛关注和讨论。在这样的情况下，如何有效检测出隐写图像成为一个值得研究的问题。

现有的隐写分析方法从基本原理上可以分为三类：感观检测法、标识特征检测法和基于统计的检测方法。前两种方法由于自身的特点，难以实现自动检测，适用范围有限。基于统计的检测方法是根据隐写对载体的更改来进行数学统计和推理分析，确定原始载体和隐密载体的度量特征差异，从而进行隐写检测分析，已经成为隐写分析领域的主要研究方向。

通用型隐写分析的研究主要集中在特征和分类器这两方面,新型的分类器使得使用更高维数的特征成为可能,而特征一方面又不断地为设计分类器提供参考并提出新的要求,因此这两方面不断地互相促进和发展。2005年，Fridrich提出的基于DCT系数一阶和二阶分布特性的23维特征，对多种隐写方法均能取得较好的检测效果。随后，Pevny等对此进行扩展，融合了Shi的马尔科夫转移概率矩阵特征，提出了PEV特征。Kodovsky等将原始图像特征和校准图像特征的笛卡尔积作为最终的特征，得到548维特征CC-PEV。该特征在融合SPAM空域特征后，得到跨域特征CDF。虽然这些特征对能很好的检测F5等隐写方法，但无法有效检测类似HUGO等新的隐写算法。以往的通用型隐写分析特征为单一类型的特征,由于近些年来受到新出现的隐写术的推动,隐写分析的特征也趋向于高维多样化发展。

分类器设计是通用隐写分析过程中的重要环节，分类器的泛化能力和训练复杂度在很大程度上影响着整个隐写分析系统的检测性能。支持向量机(SVM)以统计学习理论为基础，根据有限的样本信息在模型复杂度与学习能力之间寻找最佳折中，从而获得更好的泛化能力。Fisher线性判别(FLD)、神经网络等分类器是机器学习领域的经典分类器，在隐写分析领域都有较为广泛的应用。面对以富模型为代表的一系列新的高维特征，传统分类器因训练复杂度过大已不再适用。2012年，Kodovsky等人[1]提出了用于隐写分析的集成分类器，这种分类器在提高预测性能的同时，大大降低了训练阶段的时间消耗，现已成为处理高维隐写特征的首选分类器。2014年，Cogranne等基于假设检验理论，对集成分类器进行了理论证明。(补充些现有的不足)

Kodovsky等提出的用于隐写分析的集成分类器是目前处理高维隐写分析特征的首选分类器，通过对若干基分类器的检测结果进行投票得到最终结果，虽然降低了训练复杂度但分类准确率和预测速度有待提高。Cogranne等基于假设检验理论，对集成分类隐写分析的有效性进行了理论证明，但未充分考虑不同基分类器间预测性能的差异，而且随着基分类器数目的增多，不仅预测速度明显下降，其所需的存储空间也会迅速增加。

发明内容

针对上述缺陷或不足，本发明的目的在于提供一种图像隐写分析方法以及其装置。

为达到以上目的，本发明的技术方案为：

一种图像隐写分析方法，包括以下步骤：

1)获取图库：

建立训练图库，其中训练图库包括若干张载体图像和隐写图像，所述载体图像与隐写图像一一对应；

2)提取隐写特征：

对训练图库中的每张图像进行特征提取，获得每张图像对应的特征向量；

3)获取蕨特征

3.1)对步骤2)获取的特征向量进行随机抽取2s次，得到含有2s个特征值的特征子集，其中s为正整数；

3.2)对特征子集中的特征值进行二进制转换，得到二值特征；

3.3)将二值特征进行分组，将每组的二值特征转换成十进制数；

3.4)将所有转换后的十进制数进行记录，得到蕨特征；

4)重复步骤3)，直到获得所有训练图库中的图像蕨特征；

5)获取概率分布

5.1)获取训练图库中所有载体图像蕨特征，得到载体图像蕨特征向量；获取训练图库中所有隐写图像蕨特征，得到隐写图像蕨特征向量；

5.2)计算载体图像蕨特征向量中，每一列中蕨值的出现概率；所述蕨值为步骤3.3)中获得的十进制数取值范围内的所有数值；

5.3)计算隐写图像蕨特征向量中，每一列中蕨值的出现概率；所述蕨值为步骤3.3)中获得的十进制数取值范围内的所有数值；

6)待检测图像处理

6.1)将待检测图像进行步骤2)到步骤3)的操作，得到待检测图像的蕨特征，将蕨特征中的每个蕨值对照步骤5.2)，得到待检测图像中每个蕨值在载体图像中对应的出现概率值，并每个出现概率值相加，得到第一概率值；

6.2)将待检测图像进行步骤2)到步骤3)的操作，得到待检测图像的蕨特征，将蕨特征中的每个蕨值对照步骤5.3)，得到待检测图像中每个蕨值在隐写图像中对应的出现概率值，并每个出现概率值相加，得到第二概率值；

6.3)比较第一概率值与第二概率值的大小，如果第一概率值大，则该待检测图像判定为未隐写图像，否则待检测图像判定为隐写图像。

所述训练图库包括BOWS2、BossRank或Camera图库。

所述获得每张图像对应的特征向量具体包括：获取每张图像对应的CC-PEV特征向量或SRM特征向量。

3.2)对特征子集中的特征值进行二进制转换，得到二值特征具体包括：

设特征子集为F＝{f¹,f²,...,f^2s}，则第i个二进制数的计算值：

其中，0≤i≤2s。

所述3.3)中，以特征向量中的类型个数为分组个数，对二值特征进行分组。

一种图像隐写分析装置，包括提取模块、处理模块、计算模块，以及检测模块；

提取模块用于对训练图库中的每张图像进行特征提取，获得每张图像对应的特征向量，所述训练图库包括若干张载体图像和隐写图像，所述载体图像与隐写图像一一对应；

处理模块用于获取蕨特征，具体用于对获取的特征向量进行随机抽取2s次，得到含有2s个特征值的特征子集，其中s为正整数；然后，对特征子集中的特征值进行二进制转换，得到二值特征；其次，将二值特征进行分组，将每组的二值特征转换成十进制数；最后，将所有转换后的十进制数进行记录，得到蕨特征；并且将所有训练图库中的图像进行处理，获得所有图像的蕨特征；

计算模块用于获取训练图库中所有载体图像蕨特征，得到载体图像蕨特征向量；获取训练图库中所有隐写图像蕨特征，得到隐写图像蕨特征向量；然后，计算载体图像蕨特征向量中，每一列中蕨值的出现概率；所述蕨值为步骤3.3)中获得的十进制数取值范围内的所有数值；最后，计算隐写图像蕨特征向量中，每一列中蕨值的出现概率；所述蕨值为步骤3.3)中获得的十进制数取值范围内的所有数值；

检测模块用于首先，获取通过处理模块和计算模块处理后的待检测图像的蕨特征，并将蕨特征中的每个蕨值分别对照计算模块中所得的载体图像蕨特征向量中，每一列中蕨值的出现概率；然后将得到待检测图像中每个蕨值在载体图像中对应的出现概率值，并每个出现概率值相加，得到第一概率值；

然后，获取通过处理模块和计算模块处理后的待检测图像的蕨特征，并将蕨特征中的每个蕨值分别对照计算模块中所得的隐写图像蕨特征向量中，每一列中蕨值的出现概率，然后将得到待检测图像中每个蕨值在隐写图像中对应的出现概率值，并每个出现概率值相加，得到第二概率值；

最后，比较第一概率值与第二概率值的大小，如果第一概率值大，则该待检测图像判定为未隐写图像，否则待检测图像判定为隐写图像。

所述训练图库包括BOWS2、BossRank或Camera图库。

与现有技术比较，本发明的有益效果为：

本发明提供了一种图像隐写分析方法通过对训练图库中的图像进行训练后，经过计算后，获取训练图库中隐写图像与未隐写图像的概率分布，然后通过对待检测图像进行特征向量提取后，进行转换、分类后获取蕨特征，分别获取待检测图像中每个蕨值在载体图像以及隐写图像中对应的出现概率值最后计算隐写图像蕨特征向量中，并将每个出现概率值相加，判定为未隐写图像，否则待检测图像判定为隐写图像，能够迅速的检测出待检测图像是否进行隐写，另外，本发明发具有通用性，能够对多种隐写方式进行检测，适用范围广泛。

本发明提供了一种图像隐写分析方法以及其装置，通过对大量已知图像样本进行分类器训练，可以很好地实现对未知图像是否经过隐写处理进行可靠检测，而且该方法计算复杂度低，该装置构造简单，检测方便，具有通通用性能。

附图说明

图1是本发明的流程图。

具体实施方式

下面结合附图对本发明做详细描述。

本发明提供了一种图像隐写分析方法，包括以下步骤：

1)获取图库：

取不同类型的现有图像库，如BOWS2、BossRank、Camera等隐写分析领域的通用图像库以及用不同相机型号自采集构建的图像库，使组成的新图像库中含有不同格式、大小、量化表、分辨率、质量因子的图像，每个图像库选取一定数量的原始图像(如1000张)，构成新的多源融合图像库。

2)提取隐写特征：

对训练图库中的每张图像进行特征提取，获得每张图像对应的特征向量；获取每张图像对应的CC-PEV特征向量或SRM特征向量。

3)获取蕨特征

3.2)对特征子集中的特征值进行二进制转换，得到二值特征；

具体包括：

其中，0≤i≤2s。

3.3)将二值特征进行分组，将每组的二值特征转换成十进制数；以特征向量中的类型个数为分组个数，对二值特征进行分组。

3.4)将所有转换后的十进制数进行记录，得到蕨特征；

4)重复步骤3)，直到获得所有训练图库中的图像蕨特征；

5)获取概率分布

6)待检测图像处理

6.1)将待检测图像进行步骤2)到步骤3)的操作，得到待检测图像的蕨特征，将蕨特征中的每个蕨值对照步骤5.2)，得到待检测图像中每个蕨值在载体图像中对应的出现概率值，并将每个出现概率值相加，得到第一概率值；

6.2)将待检测图像进行步骤2)到步骤3)的操作，得到待检测图像的蕨特征，将蕨特征中的每个蕨值对照步骤5.3)，得到待检测图像中每个蕨值在隐写图像中对应的出现概率值，并将每个出现概率值相加，得到第二概率值；

示例性的，选取SRM特征向量：

选取第一个基分类器构建蕨丛需要使用的特征集F₁＝{F₁ ¹,F₁ ²,...,F₁ ¹⁰⁸}。其中F₁ ^j代表第一个基分类器的第j个蕨的特征。具体步骤为，

富模型特征向量X＝{x₁,x₂,...,x_n}按子模型类型分为106个组，富模型特征SRM是隐写分析领域应用较广的特征集，检测效果较好，但是维数较高，高达34671维。每一个组是一个多维向量。每一个组中随机选取六个特征构成F₁ ^j＝{f₁ ¹,f₁ ²,...,f₁ ⁶}，则第j个分组的特征集为F₁ ^j；

计算训练样本集中所有图像的富模型隐写分析特征，并统计每一个分组每一种模式下的先验概率分布。

A.提取训练样本集T1所有图像的富模型特征向量，选取特征F₁。

B.按照以下方式给所有图像每一个分组的结果编码成三个二进制数的‘模式’：

第i个二进制数计算方式为

C.统计训练样本集所有图像对应类别下的各个分组的每一种“模式”数量，计算先验概率分布。

(4)判断是否确定增加下一个基分类器，如果增加，按照以上步骤选择第i个训练样本集Ti，特征集Fi，统计对应概率分布；否则结束。

3.测试过程。根据测试样本的后验概率判断所属类别。

对于测试样本，第i个基分类器提取与训练阶段的F_i ^j＝{f₁ ¹,f₁ ²,...,f₁ ⁶}相同位置的特征，在每一个基分类器中提取待测试样本的所有二值特征，确定每一小组所属的二值模式，根据该二值模式找出第i个基分类器判为隐写和未隐写的对应概率P_i ^j＝{f_i ¹,f_i ²}。所有106个小组的隐写概率相乘得到该基分类器的隐写概率，所有基分类器的隐写概率相加得到该样本的隐写概率。同理，计算该样本未隐写的概率。比较两个概率大小，判断该样本是否经过隐写。

本发明还公开了一种图像隐写分析装置，包括提取模块、处理模块、计算模块，以及检测模块；

其中，所述训练图库包括BOWS2、BossRank或Camera图库，所述获得每张图像对应的特征向量具体包括：获取每张图像对应的CC-PEV特征向量或SRM特征向量。

示例性的，选取分类器A特征分三个小组，每个小组选三个二值特征(三位二进制数)，经过10000张图像训练，基分类器A中每个小组的先验概率分布如表1所示：

表1 各个小组对不同模式的统计先验概率分布

待测试样本提取特征后，计算出对应三个组的模式为010、101、110，则根据先验概率计算得该样本在第一个基分类器的判断结果为，经过隐写的概率：0.19+0.12+0.25＝0.56；未隐写的概率：0.11+0.19+0.11＝0.41，由于0.56>0.41，则待测试样本为经过隐写的图像。

Claims

1.一种图像隐写分析方法，其特征在于，包括以下步骤：

1)获取图库：

2)提取隐写特征：

3)获取蕨特征

3.2)对特征子集中的特征值进行二进制转换，得到二值特征；

3.4)将所有转换后的十进制数进行记录，得到蕨特征；

4)重复步骤3)，直到获得所有训练图库中的图像蕨特征；

5)获取概率分布

6)待检测图像处理

2.根据权利要求1所述的图像隐写分析方法，其特征在于，所述训练图库包括BOWS2、BossRank或Camera图库。

3.根据权利要求1所述的图像隐写分析方法，其特征在于，所述获得每张图像对应的特征向量具体包括：获取每张图像对应的CC-PEV特征向量或SRM特征向量。

4.根据权利要求1所述的图像隐写分析方法，其特征在于，3.2)对特征子集中的特征值进行二进制转换，得到二值特征具体包括：

其中，0≤i≤2s。

5.根据权利要求1所述的图像隐写分析方法，其特征在于，所述3.3)中，以特征向量中的类型个数为分组个数，对二值特征进行分组。

6.一种图像隐写分析装置，其特征在于，包括提取模块、处理模块、计算模块，以及检测模块；

7.根据权利要求6所述的图像隐写分析装置，其特征在于，所述训练图库包括BOWS2、BossRank或Camera图库。

8.根据权利要求6所述的图像隐写分析装置，其特征在于，所述获得每张图像对应的特征向量具体包括：获取每张图像对应的CC-PEV特征向量或SRM特征向量。