CN106157232A - 一种数字图像特征感知的通用隐写分析方法 - Google Patents

Abstract

本发明的目的在于提供一种数字图像特征感知的通用隐写分析方法，包括如下内容：(1)在数据采样层，对于含密图像的多维信号，通过CS实现图像局部数据和全局数据，并用层次化进程求解稀疏优化问题；(2)在特征感知层，对于含密图像数据，通过CS结构性测量矩阵实现纹理特征、边缘特征和平滑特征的数据提取，并实现特征之间、特征内部的冗余性与互补性的统计关系；(3)设计SVM分类器、隐写分析CS盲检测器的过程。本发明通过对目前的基于Markov模型的多域特征通用隐写分析的现状进行分析，解决JPEG图像在不同嵌入率下秘密信息的识别精度问题。

Description

一种数字图像特征感知的通用隐写分析方法

技术领域

本发明涉及信息安全，具体来说涉及一种数字图像特征感知的通用隐写分析方法。

背景技术

隐写分析是信息隐藏的对抗技术，是对隐写术的数据变换攻击，目的是为了检测隐写术中秘密消息的存在,提取秘密信息从而识别并破坏保密通信。不同于传统的密码通信，隐写术不改变数字载体的视听觉效果，也不改变载体文件的大小和格式，因而是目前一种具有高隐蔽性、更加安全的保密通信方式。因此，隐写分析已经成为解决非法使用隐写术问题的关键技术。

近年来，随着隐写与隐写分析技术的不断博弈与演化，高隐蔽性低嵌入率的隐写术成为信息安全领域关注的焦点。目前的隐写分析方法把隐写分析简化为检测载体的噪声甚至去噪，而如何区分随机噪声和秘密消息仍是有待解决的问题，建立合理并符合实际的隐写与隐写分析模型更是亟待解决的问题。

隐写分析主要包括两个方面：专用隐写分析和通用隐写分析。专用隐写分析针对已知隐写算法提出的分析方法，它需要首先确定含密图像中使用何种隐写术才能作出判断，准确率较高，但适用范围有限。通用隐写分析是在未知原始载体对象和隐写术的基础上对检测图像是否含密进行判断的一种分析方法。它不需要依据少量敏感统计特性判断载体是否含密，而是从大量原始载体样本和含密载体样本中提取多维特征向量训练分类器，通过训练出来的分类器区分原始载体和以不同隐写术得到的含密载体。因此，通用隐写分析在数字媒体能够得到了广泛应用，例如分析Internet数据通信和云服务数据的安全性等。

数字图像隐写分析技术所检测的对象即为图像。那么在这样的通信过程中，通常称没有进行信息隐藏的图像称为载体图像或者称为原始图像(Cover Image)；将隐藏在载体图像中的信息称为秘密信息(Secret Information)；隐藏有秘密信息的图像称为载密图像(Stego Image)；将秘密信息隐藏在载体图像中的操作过程称为数据嵌入(DataEmbedding)；从载密图像中获取秘密信息的操作过程称为数据提取(Data Extraction)。

在各种图像格式中JPEG图像使用非常广泛，用JPEG图像作为载体图像隐藏秘密信息不容易引起检测者的注意，具有十分重要的应用价值。JPEG是互联网上最常见的图像格式，而DCT变化是JPEG压缩采用的重要技术之一，在DCT变化系数上隐藏信息是常见的数字隐写方式。大部分JPEG图像的隐写改变DCT域系数统计特性，图1所示为常用JPEG隐写分析方案的系统框图。

在目前常见的JPEG通用分析方法中，准确率较高的有基于Markov过程(Markovprocess based，简称MPB)的特征[参见：Shi YQ,Chen CH,Chen W.A Markov processbased approach to effective attacking JPEG steganography.In:Camenisch J,etal.,eds.Proc.of the 8th Int’l Workshop on Information Hiding(IH 2006).LNCS6387,Berlin:Springer-Verlag,2007.249-264.[doi:10.1007/978-3-540-74124-4_17]]、偏序Markov模型(partially ordered Markov model，简称POMM)特征[参见：Davidson J,Jalan J.Steganalysis using partially ordered markov models.In:R,et al.,eds.Proc.of the 12th Int’l Workshop on Information Hiding(IH 2010).LNCS 6387,Berlin:Springer-Verlag,2010.143-157.[doi:10.1007/978-3-642-16435-4_10]]和基于校准的特征集[参见：J,Fridrich J.Calibration revisited.In:Felten E,etal.,eds.Proc.of the 11th ACM Workshop on Multimedia and Security(MM&Sec2009).New York:ACM Press,2009.63-73.[doi:10.1145/1597817.1597830]]等。MPB特征计算了JPEG量化系数在各个方向的一阶转移概率矩阵(transition probability matrix，简称TPM)。然而,该方法没有采用校准技术,准确率相对较低。此外,MPB特征冗余度高,绝对值小于T(T为该方法设定的阈值范围)的JPEG量化系数所形成的特征向量已达4(2T+1)²维。POMM方法统计JPEG量化系数差值在各种构成情况下的概率,但该方法未考虑量化系数差值之间的关系，其准确率还可以继续提升。基于校准技术特征集的方法结合了7种隐写分析特征并采用图像校准技术，准确率相对较高。但该组合并不完整，如果将该方法融合其他互补特征，则准确率仍有提升的空间。

现有JPEG通用隐写分析方法主要有以下几个缺点:

(1)没有采用校准技术，准确率相对较低。在Shi等人提出的基于Markov过程模型的MPB分析方法中，该方法提取JPEG量化系数矩阵，对其按水平、垂直、主对角和副对角4个方向求差，得到4个差值矩阵，然后计算各个差值矩阵在相应方向上的一阶TPM。该方法只计算[-T,T]范围内的系数，最终得到4(2T+1)²维特征向量。

(2)MPB特征冗余度高，绝对值小于T的JPEG量化系数所形成的特征向量已达4(2T+1)²维。在Davidson等人提出的基于偏序Markov模型POMM的分析方法中，该方法在水平、垂直、主对角和副对角4个方向上计算满足同一差值d的相邻JPEG量化系数{(c1,c2)|c1-c2＝d}可能组合概率,其中,只统计c1,c2∈[-T,T]的情况。接着，对这4个方向的概率求和，得到(2T+1)²维特征向量。最后,对图像裁剪最外层4行4列并重新JPEG压缩作校准,校准前后的块内和块间特征差值为最终特征。

(3)未考虑量化系数差值之间的关系，需要提高准确率。在等人基于校准技术提出的PEV分析方法中，该方法使用了一组特征集,包括各种直方图、方差、分块特性、共生矩阵和Markov特征等,分别计算:亮度部分的DCT系数直方图矩阵H；AC系数直方图矩阵；双直方图矩阵；方差V；块内分块特性B；共生矩阵；Markov模型转移概率矩阵Mm,n。最后,对图像最外层四周各裁剪4行4列后重新JPEG压缩作为校准,校准前后的特征Fr,Fc各为548维、274维，本发明申请中将Fr-Fc称为PEV274,{Fr,Fc}称为PEV548。

发明内容

为了更好地综合现有特征的长处,进一步提高隐写分析的准确率和运行效率,本发明申请提出了一种数字图像特征感知的通用隐写分析方法，是一种新的压缩感知(Compressive Sensing,CS)CS域的通用隐写分析方法，该方法通过对JPEG图像的隐写算法进行分析，利用CS特征参数融合技术，降低图像处理后的数据维数，提高图像通用隐写分析的准确率，解决JPEG数字图像格式隐写分析的特征融合与分类检测问题。本发明通过对目前的基于Markov模型的多域特征通用隐写分析的现状进行分析，解决JPEG图像在不同嵌入率下秘密信息的识别精度问题。

本发明的目的可通过以下的技术措施来实现：

一种数字图像特征感知的通用隐写分析方法，包括如下内容：

(1)在数据采样层，对于含密图像的多维信号，通过CS实现图像局部数据和全局数据，并用层次化进程求解稀疏优化问题；

首先通过时-空变换和单值谱分析技术(Singular spectral analysis,SSA)中的数据折叠与嵌入，提取可能隐藏的结构化特征，进而分析在单值谱分析技术SSA(Singularspectral analysis)系数上的分布特性，在保留结构化特征基础上实现数据的有效降噪及增强，从而提高稀疏表示及后续特征提取与分类的有效性；

(2)在特征感知层，对于含密图像数据，通过CS结构性测量矩阵实现纹理特征、边缘特征和平滑特征的数据提取，并实现特征之间、特征内部的冗余性与互补性的统计关系；

(3)设计SVM分类器、隐写分析CS盲检测器的过程。

所述步骤(1)过程中还包括降噪处理：首先对输入的图像进行2D分解，SSA处理；然后，进行局部和全部数据特性的统计；最后，根据轨迹矩阵和分块Hankel矩阵进行数据降噪的具体应用。

所述步骤(2)具体包括如下处理过程：

2.1)在变换域下，通过CS感知技术测量图像数据的统计分布，寻找特征之间、特征内部的冗余与互补关系，实现高维信号的过完备字典特征集设计问题；

2.2)利用CS过完备字典的原子维数与原子个数对稀疏表示性能的关系，实现特征信号时空冗余度与稀疏表示数据之间的关联影射；

2.3)结合CS通过层进式模型训练与优化，设计结构性测量矩阵及其对特征数据的深度感知，实现层次化的特征选取。

所述步骤(3)中的CS分类与盲检测器采用如下方式实现：

对于特征数1至n,第n次迭代时图像特征信息融合的隐含层J与感知输出层P之间的权值向量关系为：

$W_{JP}\left(n\right)=\left[\begin{array}{cccc}{w}_{11}\left(n\right)& w_{12}\left(n\right)& ...& w_{1P}\left(n\right)\\ w_{21}\left(n\right)& w_{22}\left(n\right)& ...& w_{2P}\left(n\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ w_{J1}\left(n\right)& w_{J2}\left(n\right)& ...& w_{JP}\left(n\right)\end{array}\right]---\left(5\right)$

数字图像特征感知的融合结果为：

$Y=Y_1+Y_2+...+Y_{\mathrm{JP}}=w_{11}{H}_1{c}_1+w_{12}{H}_2{c}_2+...+w_{\mathrm{jp}}{H}_{N_x}{c}_K---\left(6\right)$

其中，Y表示特征感知结果，W_JP(n)为不同层次特征训练的权重大小，表示维数为N_x的Hankel矩阵，c_k为图像不同层次的稀疏表示系数；

使用不同层次特征信息融合的结果作为分类证据并按照完备特征集的约束条件进行分类检测而加以实现：其中，信息融合的分类判断利用了隐写数据的训练结果Y与含密图像特征感知之间的均方误差函数其中Y为训练图像的结果，为含密图像的感知结果；准则定义为：

$MSE(Y,\stackrel{\‾}{Y})=\frac{1}{n}\left|\right|\stackrel{\‾}{Y}-Y|{|}_2^2=\frac{1}{n}|\left|e\right|{|}_2^2\≈\frac{1}{N_x}\left|\right|X^{2D}\·e|{|}_2^2---\left(7\right)$

其中，表示图像之间的像素差，X^2D为公式(2)中CS二维测量矩阵，N_x代表了X^2D的最高维数，并满足：

$N_x\≥CK{\log }_2\frac{n}{K}---\left(8\right)$

上面(8)式中C为C>0的固定常数，K＝N-L+1代表图像稀疏测量度；

根据大小不同，最后应用常用的支持矢量机SVM实现方法数据分类；其中，SVM的输入训练值为训练输出为N_x、X^2D和特征权重W_JP(n)；最后，分析者根据SVM输出值不同，得到最终的分类检测结果。

本发明方法的优点为：

(1)利用图像空域-CS变换域之间的轨迹矩阵的稀疏表示,达到了特征提取及优选的过完备效果。

该方法处理后的特征稀疏表示性能稳定，主要表现在准确率相比Markov过程模型的MPB分析方法和POMM的分析方法都有不同程度的提升。

(2)经CS处理后的分析准确率稳定,准确率在特征维度降低至1/3时并无明显下降,下降幅度不超过0.2％。

与PEV分析方法中特征层融合的隐写分析相比,本发明方法的准确率在大多数情况下提高1％-4％；与PEV分析方法在信息层融合的隐写分析相比,本发明方法的准确率在大多数情况下提高1％-3％，耗时方面基本持平。

附图说明

图1是现有技术中常用JPEG图像隐写分析的实现方案结构示意图；

图2是本发明基于CS技术的图像通用隐写分析实现原理图；

图3是本发明多维信号时-空变换及其数据降噪处理示意图；

图4是本发明CS在特征层的感知技术原理；

图5是本发明图像CS通用隐写分析的分类与盲检测器工作原理；

图6是本发明训练集交叉验证模型；

图7是本发明CS层次化特征融合对隐写分析分类的效果；

图8是本发明在各种隐写下，CS不同层次特征融合对隐写分析的准确率对比效果。

具体实施方式

压缩感知(Compressed Sensing,简称CS)理论在信号处理中的出现引起了学术界的特别关注。CS理论由美国科学院院士Donoho、Candes及菲尔兹奖获得者华裔数学家陶哲轩等人所开创，并于2006年正式提出了压缩感知的概念[参见：[D.Donoho.“Compressedsensing,”IEEE Transaction on Information Theory,vol.52,No.4,pp.1289-1306,2006.]，[D.L.Donoho,Y.Tsaig.“Extensions of compressed sensing,”SignalProcessing,vol.86,no.3,pp.533-548,2006.]，[E.Candes and M.Wakin.“Anintroduction to compressive sampling,”IEEE Signal Processing Magazine,vol.25,no.2,pp.21-30,Mar.2008.]]。其原理是将多媒体数据的压缩与采样合并进行，其核心技术是信号的稀疏变换、稀疏信号的非相关测量矩阵及信号的重建算法。它突破了Shannon’s/Nyquist采样理论的极限，能够以随机采样的方式用更少的数据采样点来高概率恢复原始信号[参见：[练秋生，周婷.结合字典稀疏表示和非局部相似性的自适应压缩成像算法.电子学报，vol.40,no.7,pp:1416-1422，2012.]，[李佳，王强，沈毅，李波.压缩感知中测量矩阵与重建算法的协同构造.电子学报，vol.41,no.1,pp:29-34，2013.]]。

与通过主成分分析(PCA)、奇异值分解(SVD)以及Markov数据链等利用空域统计进行特征提取的通用隐写分析相比，CS技术的完备特征集与非相关性测量为图像通用隐写分析在数据层、特征层和信息层的信号融合提供了一种新的途径。因此，本发明的CS隐写分析研究主要涉及2个核心问题：①图像信号的稀疏表示，即具有稀疏表示能力的基或者过完备字典的设计；②图像特征的稀疏测量和层进式学习分类方法，即满足非相干性或限制等容性准则的测量矩阵及其特征的自动选取技术。其原理如图2所示。

(1)本发明通过轨迹矩阵对数字图像信号的稀疏表示，实现了一种分块Hankel结构性测量矩阵的通用隐写分析特征感知技术；

由于含密图像信号数据量较大，常用的稀疏基(如DCT、FFT、DWT、Curvelets、Gabor)结合测量矩阵(如高斯随机矩阵、正交高斯随机矩阵、部分哈达玛矩阵、二值随机矩阵以及结构化随机矩阵等)将难以满足CS隐写分析数据的表示效率。因此，本发明将轨迹矩阵的稀疏表示方法用于多维信号的数据降维中，并通过过完备字典在变换域和压缩域内实现特征表示的最大信息熵。

(2)本发明根据CS对图像特征之间感知处理的差异性统计实现了不同层次的权重关系，并结合函数和SVM技术实现了隐写分析的高精度分类检测技术。

多维特征参数的权重性，嵌入隐写数据的可选择性以及特征之间的层次性与融合性，形成了本发明实现CS特征融合的技术链。这个技术链的核心问题是在各种统计条件下，通过不同层次特征之间的权重相互关系融合并判断了秘密信息的敏感位置及其嵌入的数据量大小，从而使之满足一定条件下隐写分析的效率和检测性能。

本发明的一种数字图像特征感知的通用隐写分析方法，具体包括如下内容：

(1)在数据采样层，对于含密图像的多维信号，通过CS实现图像局部数据和全局数据，并用层次化进程求解稀疏优化问题；

首先通过时-空变换和单值谱分析技术(Singular spectral analysis,SSA)中的数据折叠与嵌入，提取可能隐藏的结构化特征，进而分析在单值谱分析技术SSA(Singularspectral analysis)系数上的分布特性，在保留结构化特征基础上实现数据的有效降噪及增强，从而提高稀疏表示及后续特征提取与分类的有效性；

在此过程中，需要结合二维SSA(即2D-SSA)方法对多维信号进行降噪处理，图3说明了降噪处理的实现过程：首先对输入的图像进行2D分解，SSA处理；然后，进行局部和全部数据特性的统计；最后，根据轨迹矩阵和分块Hankel矩阵进行数据降噪的具体应用。

令X＝{x₁,x₂,…,x_N}为N维的数字图像输入样本向量，CS 2D-SSA降噪处理的目的是通过轨迹矩阵P产生K维-稀疏信号矩阵Ψ，K<<N。轨迹矩阵P形式为：

这里L为图像分块处理的窗口大小，L∈[1,N]，c_K＝[p_k,p_k+1,…,p_k+L-1]^T∈R^K，K＝N-L+1。c_k表示矩阵的稀疏系数列向量，R为c_k的实数域集合。这时，稀疏信号矩阵Ψ＝P^T×X×P。

在图3中，当图像特征信号不能在轨迹矩阵P上表示时，可以将其扩展到CS过完备字典上进行稀疏表示。这时，稀疏信号矩阵Ψ变成了过完备字典Ψ，Ψ的字典原子为c₁,c₂,…,c_K，字典维数为：

$M\&GreaterEqual;CK{\log }_2\frac{N}{K}---\left(2\right)$

其中，C为[0，1]之间的固定常数。

(2)在特征感知层，对于含密图像数据，通过CS结构性测量矩阵实现纹理特征、边缘特征和平滑特征的数据提取，并实现特征之间、特征内部的冗余性与互补性的统计关系。

在特征感知处理时，对于分块Hankel矩阵，2D HbH的CS测量矩阵形式为：

这里，X^2D为输入数字信号X的二维表示，H_Nx为2D HbH测量矩阵的元素，N_x代表测量矩阵在x方向的维数，L_x为被测量子块在x方向的窗口大小。

上面(3)式中子测量矩阵是Hankel类型矩阵，具体为：

这里，r为Hankel矩阵的列矢量变化值，N_y代表测量矩阵在y方向的维数，L_y为被测量子块在y方向的窗口大小。

基于公式(3)-(4)CS稀疏表示矩阵的实现基础，图4为特征层采用的CS结构性测量矩阵HbH实现特征感知的过程，特征层是特征数据的集合，特征感知层是测量矩阵在特征层对数据的感知处理，图4所示实现特征感知的过程的具体包括如下步骤：

2.1)在变换域下，通过CS感知技术测量图像数据的统计分布，寻找特征之间、特征内部的冗余与互补关系，实现高维信号的过完备字典特征集设计问题。

2.2)利用CS过完备字典的原子维数与原子个数对稀疏表示性能的关系，实现特征信号时空冗余度与稀疏表示数据之间的关联影射。

2.3)结合CS通过层进式模型训练与优化，设计结构性测量矩阵及其对特征数据的深度感知，进而最大程度地实现层次化的特征选取。

(3)设计SVM分类器、隐写分析CS盲检测器的过程。

基于图4的特征提取原理，根据不同层次的特征参数设立不同权重和变换方法，图5为本发明方法中采用的CS分类与盲检测器实现框图。

在图4中，CS特征数据是在多层次化训练方式下实现的。这是因为，不同层次的特征提取采用不同的稀疏基及其使用不同的分块Hankel感知测量矩阵。也就是说，根据不同层次的数字内容表示特征，调整CS测量矩阵的感知稀疏度的大小，可以改变CS技术估计秘密信息的大小(即实现可变信息嵌入率下的观测)。因而，CS通用隐写分析的数据量取决于不同层次特征表示的稀疏性及其结构测量性而非图像信号的带宽。

在图5中，对于特征数1至n,第n次迭代时图像特征信息融合的隐含层J与感知输出层P之间的权值向量关系为：

$W_{JP}\left(n\right)=\left[\begin{array}{cccc}{w}_{11}\left(n\right)& w_{12}\left(n\right)& ...& w_{1P}\left(n\right)\\ w_{21}\left(n\right)& w_{22}\left(n\right)& ...& w_{2P}\left(n\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ w_{J1}\left(n\right)& w_{J2}\left(n\right)& ...& w_{JP}\left(n\right)\end{array}\right]---\left(5\right)$

数字图像特征感知的融合结果为：

$Y=Y_1+Y_2+...+Y_{\mathrm{JP}}=w_{11}{H}_1{c}_1+w_{12}{H}_2{c}_2+...+w_{\mathrm{jp}}{H}_{N_x}{c}_K---\left(6\right)$

其中，Y表示特征感知结果，W_JP(n)为不同层次特征训练的权重大小，表示维数为N_x的Hankel矩阵，c_k为图像不同层次的稀疏表示系数。

如图5所示，使用不同层次特征信息融合的结果作为分类证据并按照完备特征集的约束条件进行分类检测而加以实现。其中，信息融合的分类判断利用了隐写数据的训练结果Y与含密图像特征感知之间的均方误差函数其中Y为训练图像的结果，为含密图像的感知结果。准则定义为：

$MSE(Y,\stackrel{\&OverBar;}{Y})=\frac{1}{n}\left|\right|\stackrel{\&OverBar;}{Y}-Y|{|}_2^2=\frac{1}{n}|\left|e\right|{|}_2^2\&ap;\frac{1}{N_x}\left|\right|X^{2D}\&CenterDot;e|{|}_2^2---\left(7\right)$

其中，表示图像之间的像素差，X^2D为公式(2)中CS二维测量矩阵，N_x代表了X^2D的最高维数，并满足：

$N_x\&GreaterEqual;CK{\log }_2\frac{n}{K}---\left(8\right)$

上面(8)式中C为C>0的固定常数，K＝N-L+1代表图像稀疏测量度。

根据大小不同，本发明最后应用常用的SVM(Support VectorMachine，支持矢量机)实现方法数据分类。其中，SVM的输入训练值为 训练输出为N_x、X^2D和特征权重W_JP(n)。最后，分析者根据SVM输出值不同，得到最终的分类检测结果。

本发明经过实验、模拟，具体实现过程如下：

(1)实验条件和参数

为排除不同编码器差异和双重JPEG压缩等因素对分析准确率的统计影响，本发明实验选取的图像源为BOSS v0.92图像库(10088幅中随机选取4 000幅)和UCID图像库(1938幅)。实验制备的阳性集为F5Release11,MME3(在F5的基础上改进)和PQ等隐写工具在不同嵌入率下得到的JPEG隐写图像；对应阴性集为原始格式使用上述隐写工具所用编码器在相同JPEG质量因子下转换得到的JPEG图像。其中,BOSS图库训练样本5000对,测试样本3000对；UCID图库训练样本1670对,测试样本1668对。为了更好地说明各种实验条件情况下CS特征降维的效果，实验选择的嵌入率为0.05bpac-0.20bpac,JPEG质量因子为90(PQ首次压缩质量因子为80,二次压缩时为75)。

在特征数据Y和训练和分类过程,本发明使用径向基函数(radialbasis function,简称RBF)支持向量分类(C-SVC)的LibSVM。其中,缩放因子和代价因子等实验参数通过对训练集采用交叉验证下图6的方法确定。

(2)CS特征融合隐写分析性能的设计稳定性实验。

CS特征融合为分类器和检测器提供了更多的信息。其对分类结果的影响表现在融合发挥了特征间的互补作用,有助于区分不同的类,因而准确率提升。本发明用分析准确率来研究融合前后分类效果的变化情况,如图7所示。图中特征都经过了CS变换,横轴表示选取不同层次特征数据的维度，纵轴表示选取指定长度的特征数据下分类的准确率,每幅图的每个样点由UCID图像库统计获得。

从图中可以看出:(1)融合一组互补性较强的CS特征可以大大提高准确率。如图7(a)所示,对UCID图库及其F5 0.10bpac隐写图提取PEV548的轨迹矩阵特征(Cooc)部分和MPB特征并融合后,融合特征(fusion)的分类效果有很大提高；(2)即使融合一组分类互补性差的CS特征,准确率也会有所提升。如图7(b)所示，同等的隐写条件下,

融合后的特征(fusion)相较于融合前的PEV274特征和POMM特征，其准确率都有一定的提高。

从图7还可以看出,去掉带有较少信息的坐标轴,可以达到数据降维的目的。例如,PEV274特征经CS变换后的特征准确率随维度变化符合上述趋势,如图7(b)所示。起初,准确率随着特征维度的增加而显著上升；到一定程度后(如图7(a)和图7(b)中的拐点所示),准确率的上升速度将变慢。这是因为,在拐点之前的特征数据对该组特征的分类效果起到决定性的作用,而拐点之后的特征数据对分类效果帮助不大,甚至起干扰作用。CS融合后的特征综合了参与的各层次特征的性能,优势互补而显得稳定,在拐点之后,准确率一般趋于平稳,变化不大。如图7(c)所示,方差也有类似的变化趋势。一般地,当特征上的方差占所有特征方差的70％以上时,准确率已经基本稳定。

(3)CS特征融合准确率的效果对比实验。

本发明方法融合了PEV274,PEV548,POMM和MPB等特征,对比处理前后的分析准确率变化,其结果见表1。其中,“融合后”记录了CS特征参数融合后在不降维情况下的准确率,“融合降维”记录了CS特征参数融合并降维至原特征维度约1/2处时的准确率,单个特征最高准确率用粗体表示。图8表示CS融合效果对照实验的ROC曲线。从表1中可以看出,无论训练样本较少的UCID图库还是训练样本较多的BOSS图库,融合降维后比融合前的单个最高准确率有1％-4％的提升,而且比较稳定。

表1

此外,实验对比的隐写分析算法和训练器都相同,只有特征优选方法不同；耗时为在Intel Xeon E7420 2.13GHz和8GB内存硬件环境下统计得到的运行时间基本相同。结果显示,本文方法优于其他方法,并且优势较稳定。

本发明的实施方式不限于此，在本发明上述基本技术思想前提下，按照本领域的普通技术知识和惯用手段对本发明内容所做出其它多种形式的修改、替换或变更，均落在本发明权利保护范围之内。

Claims (4)

1.一种数字图像特征感知的通用隐写分析方法，其特征在于包括如下内容：

(1)在数据采样层，对于含密图像的多维信号，通过CS实现图像局部数据和全局数据，并用层次化进程求解稀疏优化问题；

首先通过时-空变换和单值谱分析技术中的数据折叠与嵌入，提取可能隐藏的结构化特征，进而分析在单值谱分析技术SSA系数上的分布特性，在保留结构化特征基础上实现数据的有效降噪及增强，从而提高稀疏表示及后续特征提取与分类的有效性；

(2)在特征感知层，对于含密图像数据，通过CS结构性测量矩阵实现纹理特征、边缘特征和平滑特征的数据提取，并实现特征之间、特征内部的冗余性与互补性的统计关系；

(3)设计SVM分类器、隐写分析CS盲检测器的过程。

2.根据权利要求1所述的方法，其特征在于：所述步骤(1)过程中还包括降噪处理：首先对输入的图像进行2D分解，SSA处理；然后，进行局部和全部数据特性的统计；最后，根据轨迹矩阵和分块Hankel矩阵进行数据降噪的具体应用。

3.根据权利要求1所述的方法，其特征在于：所述步骤(2)具体包括如下处理过程：

2.1)在变换域下，通过CS感知技术测量图像数据的统计分布，寻找特征之间、特征内部的冗余与互补关系，实现高维信号的过完备字典特征集设计问题；

2.2)利用CS过完备字典的原子维数与原子个数对稀疏表示性能的关系，实现特征信号时空冗余度与稀疏表示数据之间的关联影射；

2.3)结合CS通过层进式模型训练与优化，设计结构性测量矩阵及其对特征数据的深度感知，实现层次化的特征选取。

4.根据权利要求1所述的方法，其特征在于：所述步骤(3)中的CS分类与盲检测器采用如下方式实现：

对于特征数1至n,第n次迭代时图像特征信息融合的隐含层J与感知输出层P之间的权值向量关系为：

$W_{JP}\left(n\right)=\left[\begin{array}{cccc}{w}_{11}\left(n\right)& w_{12}\left(n\right)& ...& w_{1P}\left(n\right)\\ w_{21}\left(n\right)& w_{22}\left(n\right)& ...& w_{2P}\left(n\right)\\ \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}& \begin{array}{c}.\\ .\\ .\end{array}\\ w_{J1}\left(n\right)& w_{J2}\left(n\right)& ...& w_{JP}\left(n\right)\end{array}\right]---\left(5\right)$

数字图像特征感知的融合结果为：

$Y=Y_1+Y_2+...+Y_{JP}=w_{11}{H}_1{c}_1+w_{12}{H}_2{c}_2+...+w_{jp}{H}_{N_x}{c}_K---\left(6\right)$

其中，Y表示特征感知结果，W_JP(n)为不同层次特征训练的权重大小，表示维数为N_x的Hankel矩阵，c_k为图像不同层次的稀疏表示系数；

使用不同层次特征信息融合的结果作为分类证据并按照完备特征集的约束条件进行分类检测而加以实现；其中，信息融合的分类判断利用了隐写数据的训练结果Y与含密图像特征感知之间的均方误差函数其中Y为训练图像的结果，为含密图像的感知结果；准则定义为：

$MSE(Y,\stackrel{\&OverBar;}{Y})=\frac{1}{n}\left|\right|\stackrel{\&OverBar;}{Y}-Y|{|}_2^2=\frac{1}{n}|\left|e\right|{|}_2^2\&ap;\frac{1}{N_x}\left|\right|X^{2D}\&CenterDot;e|{|}_2^2---\left(7\right)$

其中，表示图像之间的像素差，X^2D为CS二维测量矩阵，N_x代表了X^2D的最高维数，并满足：

$N_x\&GreaterEqual;CK{\log }_2\frac{n}{K}---\left(8\right)$

上面(8)式中C为C>0的固定常数，K＝N-L+1代表图像稀疏测量度；

根据大小不同，最后应用常用的支持矢量机SVM实现方法数据分类；其中，SVM的输入训练值为训练输出为N_x、X^2D和特征权重W_JP(n)；最后，分析者根据SVM输出值不同，得到最终的分类检测结果。