CN106203492A - 一种图像隐写分析的系统及方法 - Google Patents

Abstract

本发明提出一种图像隐写分析的系统及方法，涉及网络传输、信息安全、数字图像处理、机器学习等领域，该方法包括建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。本发明可以选择不同的隐写方法对图像进行隐写；对图像集进行提取特征，转化为向量数据，同时可以采用不同的特征提取方法。

Description

一种图像隐写分析的系统及方法

技术领域

本发明涉及网络传输、信息安全、数字图像处理、机器学习等领域，特别涉及一种图像隐写分析的系统及方法。

背景技术

隐写术是关于信息隐藏，即不让计划的接收者之外的任何人知道信息的传递事件(而不只是信息的内容)的一门技巧与科学，这样可以有效保证网络上进行信息传递时的安全性，隐写分析是指在已知或未知嵌入算法的情况下，从观察到的数据检测判断其中是否存在秘密信息，分析数据量的大小和数据嵌入的位置，并最终破解嵌入内容的过程。

近几年来,隐写术领域已经成为了信息安全的焦点，因为每个Web站点都依赖多媒体,如音频、视频和图像，隐写术这项技术可以将秘密信息嵌入到数字媒介中而不损坏它的载体的质量，第三方既觉察不到秘密信息的存在,也不知道存在秘密信息，因此密钥、数字签名和私密信息都可以在开放的环境(如Internet,或者内联网)中安全的传送。

隐写分析是一种与隐写术相对抗的逆向分析技术，其目的是根据载体的统计特性判断其中是否存在隐蔽信息，进而可以估计嵌入的秘密信息量、估计密钥、识别所用的隐写工具、破坏或截获隐蔽信息等，由于各类数字载体来源多样、数量巨大，隐写方法千变万化，因此很难从中搜寻出隐蔽信息，所以，隐写分析是一个探索性强、理论与实践难度大的研究领域。

针对图像的隐写通用盲检测方法一般先提取图像特征，然后根据提取的特征，选择分类器对图像进行分类，目前，通用盲检测算法的研究主要集中在特征的提取和分类器的选取等方面，其中，所提取的特征主要包括图像质量评价量(IQM)、高阶概率密度函数矩(PDF Moments)、高阶特征函数矩(CF Moments)和特征函数的质心，以及基于多种特征的联合等；现有通用盲检测算法采用的分类器主要包括：FLD(Fisher线性分类器)、Bayes分类器、SVM(支持向量机)及神经网络分类器等。

几乎所有基于图像小波系数提取的统计特征对F5和JPHide隐写图像的可分性都不是太好，这至少表明基于小波分解的图像统计特征不适合单独地用于这两类隐藏方法的检测，之后有人提出用基于图像8x8分块DCT交流系数的均值和方差作为特征，并采用SVM分类器进行分类，提高了检测正确率。

上述信息隐藏通用盲检测方法都并非真正意义上的盲检测，而是在一定条件下的“半盲”(Half blind)检测，这里的“一定条件”是指分析者了解待检测图像中可能使用了某些隐藏算法中的一种，然而，在实际检测中，分析者在检测图像时，客观情况往往无法满足这个条件。

总之，尽管现有的检测方法对一些隐藏方法具有较好的检测性能，但是仍然存在一些关键问题值得探索，如：低嵌入率的检测问题、图像源不匹配问题、隐写图像检测算法适用的检测范围问题、隐写分析方法的适用性问题等。

通过对国内外相关技术研究进展分析可以看出，尽管当前在隐写图像的检测方面取得了较大进展，但还存在一定的问题。

现有的通用隐写分析方法训练每一类隐写分析算法的过程中，独立地训练分类器，而忽略了任务之间的相关性，而事实上，不同任务之间彼此相关，多任务同时学习就可以捕获多个任务之间固有的相关性，这样的话，可以训练针对不同隐写算法的分类器共享某一特征，本发明会涉及图像隐写盲检测算法及其关键理论研究，可以实现多个分类器的融合，采用多任务学习实现任务之间的特征共享，以此提高分类器的分类效果。

发明内容

针对现有技术的不足，本发明提出一种图像隐写分析的系统及方法。

本发明还提出一种图像隐写分析的方法，包括：

步骤1，建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；

步骤2，对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。

所述步骤1中采用matlab编程，将图像转换为jpeg格式，获得压缩质量为指定值的jpeg图像建立原始图像库。

步骤1还包括：

通过不同的特征提取算法，将所述原始图像库与所述隐写图像库中的图像向数值数据进行转化；

建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一。

所述步骤2中通过SVM单任务训练分类器对所述样本空间进行样本训练，生成分类器。

所述步骤2包括将用户上传的图像进行特征提取，通过比较算法，将用户上传的图像各个特征与通过所述新分类器进行分类的图像进行特征比对；

根据比对的相似度，识别出用户上传的图像的类别，并进一步分析出其中的隐写信息。

本发明还提出一种图像隐写分析的系统，包括：

生成样本空间模块，用于建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；

隐写分析模块，用于对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。

所述生成样本空间模块中采用matlab编程，将图像转换为jpeg格式，获得压缩质量为指定值的jpeg图像建立原始图像库。

生成样本空间模块还包括：

通过不同的特征提取算法，将所述原始图像库与所述隐写图像库中的图像向数值数据进行转化；

建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一。

所述隐写分析模块中通过SVM单任务训练分类器对所述样本空间进行样本训练，生成分类器。

所述隐写分析模块包括将用户上传的图像进行特征提取，通过比较算法，将用户上传的图像各个特征与通过所述新分类器进行分类的图像进行特征比对；

根据比对的相似度，识别出用户上传的图像的类别，并进一步分析出其中的隐写信息。

由以上方案可知，本发明的优点在于：

(1)：对于给定的图片可以进行隐写，并且可以自己设定隐写率，比如10％、20％、30％和40％等；

(2)：可以选择不同的隐写方法对图像进行隐写；

(3)：对图像集进行提取特征，转化为向量数据，同时可以采用不同的特征提取方法；

(4)：对图像进项标记，利用SVM进行图像的分类；

(5)：利用SVM作为“弱分类器”，实现多任务多标签分类器设计，并测试数据；

(6)：进行PCA降维操作，加快SVM训练速度；

(7)：在现有特征提取算法的基础上，利用SVM作为“弱分类器”，结合AdaBoost集成学习的思想，提出比现有SVM分类效果更好的分类器。

附图说明

图1为本发明系统流程图；

图2为机器学习算法流程图。

具体实施方式

本发明提出了一种图像隐写分析的系统及方法，首先需要获得来自用户的数据集，经过相应调整，才能够对给定的图像进行隐写，并且可以测试在不同隐写情况下的分析效果，用户可以根据自己的需求得到不同隐写率的图像，经过机器学习得到分类器之后，可以对任意图片进行隐写分析，得到其中的隐写信息，机器学习中使用的数据大多不是图片，而是矩阵数据，因此必须将图片数据化，数据化其实就是特征提取的一部分，特征提取是图像处理中的一个概念，它指通过一定的手段将图像信息化，信息化后的图像在高维空间是一个点，然后再对不同的点(图像)赋予不同的标签，通过对不同的点归于不同的子集，实现分类。

以下为本发明的实施例，如下所示：

本发明提出了图像隐写分析的系统及方法，用户可以输入图像和想要隐写的信息，系统经过相应调整，得到格式和压缩质量符合要求的图像后，可以利用不同的隐写算法在图像中嵌入一定比例的隐写信息，并且可以测试在不同隐写情况下的分析效果，用户可以根据自己的需求得到不同隐写率的图像，本系统还可以利用来自用户的数据集通过机器学习实现精确分类器，其原理是利用通过集合多个特征的优势，将特征优势互补，AdaBoost集成学习的思想，实现了多特征的集成学习，本发明在SVM的基础上，将SVM融合进AdaBoost算法，利用SVM作为“弱分类器”，组合实现了一个强分类器，在系统训练完成之后，还可以对任意包含隐写信息的图像进行特征比对，实现精确分类，并分析出其中包含的隐写信息。

由附图1所示流程图可见，本发明所述系统实现流程如下：

步骤S1，原始图像库的建立，具体步骤如下：

S1.1，找到足够量的图片，满足样本数量的要求；

S1.2，采用matlab编程，将图像都转换为jpeg格式；

S1.3，执行程序后，得到压缩质量为指定值的jpeg图像。

步骤S2，建立隐写图像库，目前有很多用于图像隐写的算法，本发明所述系统建议采用nsF5隐写算法和Perturbed Quantization。

nsF5算法是从F5算法而来的，F5算法通过减少DCT系数的绝对值以及混合嵌入矩阵从而生成一个新的编码方案，此方法降低变化数量来达到提高隐写安全的目的，F5仅仅将数据嵌入到非零系数，如果某一系数在嵌入后变化为0，则在下一个系数中嵌入相同值，若某些自然图像的DCT系数中含有大量的’+1’和’-1’，这无疑降低了嵌入效率。

nsF5算法在2007年以F5的增强版被提出，减缓wet paper codes(WPC)因收缩为产生的负面影响，nsF5理论嵌入效率为：

$e=\frac{\mathrm{\α}}{H^{-1}\left(\mathrm{\α}\right)}$

其中α代表的是与DCT交流系数中非零项有关的值。非零项的系数越多，α越大,H^-1表示二进制熵函数的相反数。

PQ算法的提出是为了解决JSteg的高可检测性的，也就是为了降低泄密的几率。“最小失真嵌入”是隐写的一个方向，每一个系数被分配了一个标量值，来表示此系数的变化对嵌入的影响。如果发送方可以掌握未压缩的图像， 而不是压缩后的JPEG图像，那么发送者就可以利用未量化的DCT系数来共同使得整体失真最小。这就是PQ算法。它的核心就是通过最小的失真达到更高的安全性。

本发明认为，在写入隐写信息时使用这两种算法可以有效得提高嵌入效率，降低隐写信息的可检测性，使信息隐藏更加安全，其具体步骤如下：

S2.1，找到S1中得到的原始图像库备用；

S2.2，选取适当的算法，如nsF5隐写算法和Perturbed Quantization，对图像库隐藏一定的信息；

S2.3，执行相应算法的程序，实现了读取整个文件夹中信息，并以给定的参数嵌入不同比例的信息；

S2.4，用不同算法嵌入了不同比例的信息，构建多个样本集。

步骤S3，提取图像特征，建立样本空间。建立好图像样本库后，下一步的工作就是通过采用不同的特征提取算法，实现图像数据向数值数据的转化，特征提取是图像处理中的一个概念，它指通过一定的手段将图像信息话，信息化后的图像在高维空间是一个点，然后再对不同的点(图像)赋予不同的标签。通过对不同的点归于不同的子集，实现法分类。具体步骤如下：

S3.1，将S1中得到的原始图像数据库和S2中得到的隐写图像库作为样本集；

S3.2，通过采用不同的特征提取算法，实现图像数据向数值数据的转化；

S3.3，执行相应的特征提取算法，提取隐写和不隐写图像的特征，实现图像数据向数值数据的转化；

S3.4，建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一，例如采用10000幅图片，因此隐写图像和不隐写图像总共有20000个数据，因此选取5000个正样本数据和5000个负样本数据加在一起作为训练数据，2500正样本数据加上2500负样本作为验证集，剩余5000作为测试集。

步骤S4，采用SVM单任务训练分类器进行样本训练，系统从这一步开始进行机器学习，附图2为机器学习过程的流程图。支持向量机(Support Vector Machine，简称SVM)是Vapnik等于1995年首先提出的，它在解决小样本、非线性及高维模式识别中表现出许多特有的优势，并能够推广应用到函数拟合等 其他机器学习问题中，支持向量机方法是建立在统计学习理论的VC维理论和结构风险最小原理基础上的，根据有限的样本信息在模型的复杂性(即对特定训练样本的学习精度)和学习能力(即无错误地识别任意样本的能力)之间寻求最佳折衷，以期获得最好的推广能力。

SVM是机器学习中经典的分类算法，使用SVM可以解决大多数问题，其具体步骤如下：

S4.1，按照要求的格式准备数据集；

S4.2，对数据进行简单的缩放操作；

S4.3，考虑选用RBF核函数；

S4.4，采用交叉验证选择最佳参数C与g；

S4.5，采用最佳参数C与g对整个训练集进行训练获取支持向量机模型；

S4.6，利用获取的模型进行测试与预测。

我们在训练分类器时可能采用不同的数据集，因此可以训练出不同的分类器，就二分类问题而言，不同的特征可以标识同一个样本，像nsF5可以对图像提取数据，PQ也可以对图像提取数据等等，也就是说单任务学习是把nsF5与PQ提取的特征分离开来，分类训练不同的分类器，而没有考虑到他们之间的特征共享，用nsF5分错的点，可能PQ就会分对，因此要综合nsF5分类器和PQ分类器的优点，以此提高分类效果。

步骤S5，多任务集成学习，所谓多任务学习是将几个相关的任务放在一起学习，虽然目前大多数机器学习技术主要面对的是单个任务的学习场景，但在真实世界中多个相关的学习任务往往是同时出现的，本发明采用SVM作为Adaboost的弱分类器起，实现EN-SVM。

因为每次通过权重调整样本后会得到不同的样本数据，因此便可以采用SVM训练不同的分类器，再根据SVM的预测准确率来更新权重，具体步骤如下：

S5.1，按照S4的方式采用SVM训练不同的分类器；

S5.2，起初，每个点的权重都是(m为训练样本数量)，之后训练分类器，根据训练的分类器的分类结果对样本点进行估计，首先若点分对，则权重乘以e^-αt，也就是相当于将权重减小，若点分错，则相应的权重乘以e^αt，相当于权重增加，这样分错的点就会和分对的点在空间中的距离越来越远，从而使得下次分类时会更多的考虑上次分错的点，每一次会训练出来一个分类器， 每个分类器的权重不一样，用以下公式进行标记：

${\mathrm{\α}}_t=\frac{1}{2}ln\left(\frac{1-{\mathrm{\ϵ}}_t}{{\mathrm{\ϵ}}_t}\right)$

其中ε_t是本次分类器的错误率，由公式可知，α_t随着ε_t的增大而减小，当一个分类器的错误率很高时，那么相应的权重α_t变得很小，从而在分类器的融合过程中占据很小的比例，而错误率很低的分类器的权重相对很大，投票时占据很大的比重，这很符合现实。

S5.3，分错的点与分对的点的距离一致增加，最后分对的点一定会呈现聚集的态势，当分对的样本之间的距离逐渐减小时，若距离小于某个值，则SVM就不在区分这些点，而是把这些点看成是同一类。

S5.4，把分类器用投票的方式组合起来，组合分类器的效果很好，比单分类器的效果要好，相当于多个弱分类器合成了一个强分类器，实现了多任务集成学习。

S6，在通过机器学习实现了效果较好的分类器后，即可对任意图像进行隐写分析，具体步骤如下：

S6.1，系统接收用户上传的图像并对其进行处理；

S6.2，将数字化后的图像进行特征提取，利用特定的比较算法，把各个特征与已分类的图像库进行特征比对；

S6.3，按照与通过分类器进行分类的图像的相似度，识别出此图像的类别，并进一步分析出其中的隐写信息。

本发明的核心算法是把单任务AdaBoost分类器融合成为多任务分类器，它对整个系统至关重要，直接影响着最终的隐写分析结果，此方法的核心是：用不同的方法提取相同的隐写算法的样本，对不用的样本采用集成学习的方法单独训练分类器，然后根据分类效果再把不同的AdaBoost单分类器融合起来，而在融合时，每一个分类器都会有一个权重，这个权重是通过验证集上的正确率确定的，正确率越高，则权重越大。

假设单任务AdaBoost表示为h^t，包含的分类器为则根据AdaBoost的公式：

$h^t={\mathrm{\Σ}}_{k=1}^K{d}_k^t{f}_k$

根据h^t的预测准确率来计算外部的权重β^t，其中假设正确率为u^t，

$u^t=\frac{1}{m}\underset{i=1}{\overset{M}{\mathrm{\Σ}}}1\{h^t\left(x_i\right)\≠y_i^t\}$

${\mathrm{\β}}^t=\frac{1}{2}ln\frac{1-u^t}{u^t}$

最终分类器可以表示为：

$H\left(x_i\right)=sign({\mathrm{\Σ}}_{t=1}^T{\mathrm{\β}}^t\·({\mathrm{\Σ}}_{k=1}^K{a}_k^t{f}_k^t\left(x_i\right)\left)\right)$

其中，x_i表示第i个样本，t表示第t个AdaBoost单分类器，T表示总共的AdaBoost单分类器个数，k表示第k个简单分类器，K表示每个Adaboost单分类器中简单分类器的个数。

本发明还提出一种图像隐写分析的系统，包括：

生成样本空间模块，用于建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；

隐写分析模块，用于对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。

所述生成样本空间模块中采用matlab编程，将图像转换为jpeg格式，获得压缩质量为指定值的jpeg图像建立原始图像库。

生成样本空间模块还包括：

通过不同的特征提取算法，将所述原始图像库与所述隐写图像库中的图像向数值数据进行转化；

建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一。

所述隐写分析模块中通过SVM单任务训练分类器对所述样本空间进行样本训练，生成分类器。

所述隐写分析模块包括将用户上传的图像进行特征提取，通过比较算法，将用户上传的图像各个特征与通过所述新分类器进行分类的图像进行特征比对；

根据比对的相似度，识别出用户上传的图像的类别，并进一步分析出其中的隐写信息。

Claims (10)

1.一种图像隐写分析的方法，其特征在于，包括：

步骤1，建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；

步骤2，对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。

2.如权利要求1所述的图像隐写分析的方法，其特征在于，所述步骤1中采用matlab编程，将图像转换为jpeg格式，获得压缩质量为指定值的jpeg图像建立原始图像库。

3.如权利要求1所述的图像隐写分析的方法，其特征在于，步骤1还包括：

通过不同的特征提取算法，将所述原始图像库与所述隐写图像库中的图像向数值数据进行转化；

建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一。

4.如权利要求1所述的图像隐写分析的方法，其特征在于，所述步骤2中通过SVM单任务训练分类器对所述样本空间进行样本训练，生成分类器。

5.如权利要求1所述的图像隐写分析的方法，其特征在于，所述步骤2包括将用户上传的图像进行特征提取，通过比较算法，将用户上传的图像各个特征与通过所述新分类器进行分类的图像进行特征比对；

根据比对的相似度，识别出用户上传的图像的类别，并进一步分析出其中的隐写信息。

6.一种图像隐写分析的系统，其特征在于，包括：

生成样本空间模块，用于建立原始图像库，并对所述原始图像库中的图片隐藏信息，生成隐写图像库，提取所述原始图像库与所述隐写图像中图片的特征，生成多个样本空间；

隐写分析模块，用于对多个样本空间进行样本训练，生成多个分类器，通过投票的方式，将多个分类器进行组合，生成新分类器，通过所述新分类器，将用户上传的图像进行隐写分析。

7.如权利要求6所述的图像隐写分析的系统，其特征在于，所述生成样本空间模块中采用matlab编程，将图像转换为jpeg格式，获得压缩质量为指定值的jpeg图像建立原始图像库。

8.如权利要求6所述的图像隐写分析的系统，其特征在于，生成样本空间模块还包括：

通过不同的特征提取算法，将所述原始图像库与所述隐写图像库中的图像向数值数据进行转化；

建立训练集数据，验证集数据以及测试集数据，一般训练集占一半，验证集和测试集各占四分之一。

9.如权利要求6所述的图像隐写分析的系统，其特征在于，所述隐写分析模块中通过SVM单任务训练分类器对所述样本空间进行样本训练，生成分类器。

10.如权利要求6所述的图像隐写分析的系统，其特征在于，所述隐写分析模块包括将用户上传的图像进行特征提取，通过比较算法，将用户上传的图像各个特征与通过所述新分类器进行分类的图像进行特征比对；

根据比对的相似度，识别出用户上传的图像的类别，并进一步分析出其中的隐写信息。