CN106548445A - 基于内容的空域图像通用隐写分析方法 - Google Patents

Abstract

本发明属于信息安全技术领域，为通过对图像内容复杂度的合理描述以及隐写检测特征的有效改进，在保证低运算量的前提下显著提高了空域隐写分析的准确性。本发明，基于内容的空域图像通用隐写分析方法：步骤1，获取图像内容分类的特征向量；步骤2，使用K均值聚类算法将训练样本集划分为若干个互不相交的类别；步骤3，分别计算对应垂直方向的二阶联合概率密度矩阵作为隐写检测的特征向量；步骤4，得到不同类别的分类器模型；步骤5，给定待测图像，按照步骤1计算分类特征向量，并根据其与各聚类中心的欧氏距离将待测图像划分至相应类别，然后按照步骤3提取隐写检测特征；步骤6，判断其是否含有隐藏信息。本发明主要应用于图像处理。

Description

基于内容的空域图像通用隐写分析方法

技术领域

本发明属于信息安全技术领域，尤其涉及一种基于内容的空域图像通用隐写分析方法。

背景技术

隐写分析的目的在于检测多媒体数据中隐藏信息的存在性。数字图像由于冗余度高、易于获取且存储便利，成为了隐写术的主要载体之一，相应的隐写分析也成为研究热点。与专用隐写分析相比，通用隐写分析不需要有关隐写算法细节的先验知识，并且随着提取特征的有效性和分类器性能的提升，其检测精度逐步提高，甚至对一些未知的隐写算法也可取得较好的检测效果，因此通用隐写分析更加符合实际要求，使用范围更广泛，也更具有研究价值和意义。

通用隐写分析主要采用“特征提取-分类器训练-决策”的模式，它把隐藏信息检测看作一个二分类问题，关键在于寻找能有效区分载体和载密图像的特征。目前，有代表性的空域检测特征包括图像质量度量(Image quality metrics,IQM)、小波各子带系数及预测误差系数的概率密度函数(Probability density function,PDF)矩、小波系数直方图的特征函数(Characteristic function,CF)矩、差分像素邻接矩阵(Subtractive pixeladjacency matrix,SPAM)以及多域融合特征(Cross Domain Features,CDF)。近几年来，研究者们又提出一系列包含丰富像素分布模型的高维特征集，对多种隐写算法都取得了较好的检测效果。

随着隐写分析算法性能的提升，其特征维数和运算复杂度也越来越高。此外，传统算法对所有图像采用相同的处理过程，忽略了图像内容对隐写分析结果的影响。事实上，由于图像在灰度等级、颜色空间、形状、纹理等方面存在的明显差异，决定隐写分析准确性的因素除了秘密信息的嵌入机制，还包括图像自身的统计特性。Amirkhani提出一种基于预分类的隐写分析框架，有效提高了对多种算法的检测性能，但其假设载体和载密图像的复杂度一致并不符合实际情况，这是因为在秘密信息嵌入后，相邻像素相关性的改变使得图像内容的复杂程度也发生了变化；此外该方法仅仅利用边缘像素所占的比例来描述图像复杂度，不能充分反映其内容的多样性。

发明内容

为克服现有技术的不足，本发明旨在针对传统隐写分析方法未考虑图像自身统计特性，特征维数较高、运算量较大等问题，提出一种基于内容的空域图像通用隐写分析方法，通过对图像内容复杂度的合理描述以及隐写检测特征的有效改进，在保证低运算量的前提下显著提高了空域隐写分析的准确性。本发明采用的技术方案是，基于内容的空域图像通用隐写分析方法，步骤如下：

步骤1，对于输入的数字图像，首先计算相邻像素在水平、竖直、对角和反对角等多个方向的差分矩阵，阈值化处理后分别计算对应垂直方向的一阶联合概率密度矩阵；然后根据符号对称性将各联合概率密度矩阵中的元素进行合并以及水平和竖直矩阵、对角和反对角矩阵的分别合并，二者组合作为图像内容分类的特征向量；

步骤2，依次提取训练样本集中全体图像的分类特征向量，使用K均值聚类算法将训练样本集划分为若干个互不相交的类别；

步骤3，对每一类子图像库，首先计算图像像素在水平、竖直、对角和反对角等多个方向的差分矩阵并进行阈值化处理，在此基础上分别计算对应垂直方向的二阶联合概率密度矩阵作为隐写检测的特征向量；

步骤4，基于各类子库的隐写检测特征，根据图像是否含有隐藏信息的属性分别进行分类器的训练，从而得到不同类别的分类器模型；

步骤5，给定待测图像，按照步骤1计算分类特征向量，并根据其与各聚类中心的欧氏距离将待测图像划分至相应类别，然后按照步骤3提取隐写检测特征；

步骤6，将待测图像的隐写检测特征输入对应类别的分类器中进行测试，进而判断其是否含有隐藏信息。

本发明的一个实例中具体步骤是：

设一幅图像I的尺寸为m行n列，定义水平方向从左至右的差分矩阵分别为：

式中，(i,j)表示离散坐标，且满足1≤i≤m,1≤j≤n-1，同理可得水平方向从右至左、竖直方向从上至下、竖直方向从下至上、对角方向从左上至右下、对角方向从右下至左上、反对角方向从右上至左下和反对角方向从左下至右上的差分矩阵分别为 按照以下公式定义的阈值函数Trunc_T(x)对其进行处理：

式中，x表示差分矩阵中的元素值，T为截断阈值且满足T＞0。

提取SPJM特征作为图像的分类特征向量并用于隐写检测，具体是，对应按照以下方式计算分类特征向量：

式中，(u,v)表示差分矩阵中的元素值，且满足-T≤u,v≤T；

同理可得由于各个方向上的像素差分直方图关于原点对称，因此得到的联合概率密度矩阵满足符号对称性，即：

式中，由此，合并元素得到：

此外，为进一步降低运算复杂度，将水平和竖直矩阵合并、对角和反对角矩阵合并，得分类特征向量为：

通常取阈值T＝4，因此分类特征向量共(2T+1)²+1＝82维。

对应计算隐写检测特征时，提取竖直方向从上至下的二阶联合概率密度矩阵：

式中，(u,v,w)表示差分矩阵中的元素值，且满足-T≤u,v,w≤T。同理可得 则隐写检测特征最终定义为：

式中，矩阵维数k＝(2T+1)³。通常取T＝3，则特征共计686维。

本发明的特点及有益效果是：

1、考虑了图像内容对隐写分析造成的影响，通过预分类将特性相似的图像分至同一类别中，使每一类子库的隐写检测特征更加聚合且载体和载密特征之间具有更佳的可区分性。

2、提取图像在不同方向的联合概率密度矩阵作为分类特征向量，充分反映和刻画了图像内容的复杂程度。

3、针对SPAM特征的不足，提取与差分运算相垂直方向的联合概率密度矩阵(Subtractive pixel joint probability density matrix,SPJM)作为隐写检测特征，以此来描述更多更近邻像素的相关性。

4、在不明显增加特征维数和运算复杂度的前提下，本发明对典型空域图像隐写算法的检测性能优于现有的通用隐写分析方法。

为了验证本发明方法的有效性，分别对不同分类方法、不同检测特征、不同隐写分析方法这三种情况下的检测性能进行实验对比。

附图说明：

图1是本发明提出的通用隐写分析方法的基本框架，图中，(a)训练阶段，(b)测试阶段。

图2是不同隐写算法在不同分类方法下的检测错误率，图中：

(a)LSBM，嵌入率＝0.3bpp (b)WOW，嵌入率＝1.0bpp

(c)S_UNIWARD，嵌入率＝1.0bpp

具体实施方式

本发明采取的技术方案是：

步骤1，对于输入的数字图像，首先计算相邻像素在水平、竖直、对角和反对角等多个方向的差分矩阵，阈值化处理后分别计算对应垂直方向的一阶联合概率密度矩阵；然后根据符号对称性将各联合概率密度矩阵中的元素进行合并以及水平和竖直矩阵、对角和反对角矩阵的分别合并，二者组合作为图像内容分类的特征向量；

步骤2，依次提取训练样本集中全体图像的分类特征向量，使用K均值聚类算法将训练样本集划分为若干个互不相交的类别；

步骤3，对每一类子图像库，首先计算图像像素在水平、竖直、对角和反对角等多个方向的差分矩阵并进行阈值化处理，在此基础上分别计算对应垂直方向的二阶联合概率密度矩阵作为隐写检测的特征向量；

步骤4，基于各类子库的隐写检测特征，根据图像是否含有隐藏信息的属性分别进行分类器的训练，从而得到不同类别的分类器模型；

步骤5，给定待测图像，按照步骤1计算分类特征向量，并根据其与各聚类中心的欧氏距离将待测图像划分至相应类别，然后按照步骤3提取隐写检测特征；

步骤6，将待测图像的隐写检测特征输入对应类别的分类器中进行测试，进而判断其是否含有隐藏信息。

本发明方法的整体框架示意图如图1所示，主要包括训练阶段和测试阶段两部分。在训练阶段，首先提取图像在不同方向的联合概率密度矩阵作为分类特征向量，在此基础上采用K均值聚类算法将训练样本库划分为不同类别，由于秘密信息的嵌入可能改变图像内容的复杂程度，因此不限定载体和相应的载密图像必须在同一类中；然后对每一类子库分别提取改进的隐写检测特征以及训练各自的分类器模型。在测试阶段，首先计算待测图像的分类特征向量及其与各聚类中心的欧氏距离，按照最小距离原则对待测图像进行预分类，提取隐写检测特征并使用对应的分类器进行测试，进而得到最终的判决结果。

提取分类特征向量和隐写检测特征的过程详述如下：

设一幅图像I的尺寸为m行n列，定义水平方向从左至右的差分矩阵分别为：

式中，(i,j)表示离散坐标，且满足1≤i≤m,1≤j≤n-1。同理可得水平方向从右至左、竖直方向从上至下、竖直方向从下至上、对角方向从左上至右下、对角方向从右下至左上、反对角方向从右上至左下和反对角方向从左下至右上的差分矩阵分别为

按照以下公式定义的阈值函数Trunc_T(x)对其进行处理：

式中，x表示差分矩阵中的元素值，T为截断阈值且满足T＞0。

提取SPJM特征作为图像的分类特征向量并用于隐写检测，具体是，对应按照以下方式计算分类特征向量：

式中，(u,v)表示差分矩阵中的元素值，且满足-T≤u,v≤T；

同理可得由于各个方向上的像素差分直方图关于原点对称，因此得到的联合概率密度矩阵满足符号对称性，即：

式中，由此，可合并元素得到：

此外，为进一步降低运算复杂度，将水平和竖直矩阵合并、对角和反对角矩阵合并，得分类特征向量为：

通常取阈值T＝4，因此分类特征向量共(2T+1)²+1＝82维。

对应计算隐写检测特征时，提取竖直方向从上至下的二阶联合概率密度矩阵：

式中，(u,v,w)表示差分矩阵中的元素值，且满足-T≤u,v,w≤T。同理可得 则隐写检测特征最终定义为：

式中，矩阵维数k＝(2T+1)³。通常取T＝3，则特征共计686维。

实验1、不同分类方法的性能比较

方法(1)：将图像库随机地平均分为若干类；

方法(2)：采用Canny算子对图像进行边缘检测，以图像的边缘像素与总像素数量的比值作为内容复杂度衡量准则，并据此对图像库进行平均分类；

方法(3)：本发明提出的图像库分类方法。

实验结果如图2所示，可以看出，本发明提出的分类方法能有效提高对多种隐写算法的检测准确性，并且当图像库分为3～5类时检测性能较稳定；综合考虑运算复杂度和隐写检测性能的均衡，将分类数目设为4。

实验2、不同检测特征的性能比较

为了验证SPJM特征的有效性，分别在不同实验方法下将其与SPAM特征的检测性能进行对比，结果如表1所示。可以看出，相较于SPAM特征，SPJM特征显著降低了隐写检测的错误率，充分说明了其在隐写分析应用中的有效性。

表1不同特征的检测错误率比较(％)

实验3、不同隐写分析方法的性能比较

为了验证本发明方法对不同隐写算法的检测性能，分别将其与CF、SPAM、CDF的检测错误率进行对比，结果如表2所示。

表2不同隐写分析方法的检测错误率比较(％)

从表中数据可以看出，对于三种不同的空域隐写算法，本发明的检测错误率下降了1％～14％，相比其它方法的检测性能有了较为明显的提高。

Claims (4)

1.一种基于内容的空域图像通用隐写分析方法，其特征是，步骤如下：

步骤1，对于输入的数字图像，首先计算相邻像素在水平、竖直、对角和反对角等多个方向的差分矩阵，阈值化处理后分别计算对应垂直方向的一阶联合概率密度矩阵；然后根据符号对称性将各联合概率密度矩阵中的元素进行合并以及水平和竖直矩阵、对角和反对角矩阵的分别合并，二者组合作为图像内容分类的特征向量；

步骤2，依次提取训练样本集中全体图像的分类特征向量，使用K均值聚类算法将训练样本集划分为若干个互不相交的类别；

步骤3，对每一类子图像库，首先计算图像像素在水平、竖直、对角和反对角等多个方向的差分矩阵并进行阈值化处理，在此基础上分别计算对应垂直方向的二阶联合概率密度矩阵作为隐写检测的特征向量；

步骤4，基于各类子库的隐写检测特征，根据图像是否含有隐藏信息的属性分别进行分类器的训练，从而得到不同类别的分类器模型；

步骤5，给定待测图像，按照步骤1计算分类特征向量，并根据其与各聚类中心的欧氏距离将待测图像划分至相应类别，然后按照步骤3提取隐写检测特征；

步骤6，将待测图像的隐写检测特征输入对应类别的分类器中进行测试，进而判断其是否含有隐藏信息。

2.如权利要求1所述的基于内容的空域图像通用隐写分析方法，其特征是，一个实例中具体步骤是：

设一幅图像I的尺寸为m行n列，定义水平方向从左至右的差分矩阵分别为：

$D_{i,j}^{\→}=I_{i,j}-I_{i,j+1}---\left(1\right)$

式中，(i,j)表示离散坐标，且满足1≤i≤m,1≤j≤n-1，同理可得水平方向从右至左、竖直方向从上至下、竖直方向从下至上、对角方向从左上至右下、对角方向从右下至左上、反对角方向从右上至左下和反对角方向从左下至右上的差分矩阵分别为 按照以下公式定义的阈值函数Trunc_T(x)对其进行处理：

${\mathrm{Trunc}}_T\left(x\right)=\left\{\begin{array}{c}x,-T\≤x\≤T\\ -T,x\≤-T\\ T,x\≥T\end{array}\right.---\left(2\right)$

式中，x表示差分矩阵中的元素值，T为截断阈值且满足T＞0。

3.如权利要求2所述的基于内容的空域图像通用隐写分析方法，其特征是，提取SPJM特征作为图像的分类特征向量并用于隐写检测，具体是，对应按照以下方式计算分类特征向量：

$C_{u,v}^{\↓}=\mathrm{Pr}(D_{i,j}^{\→}=u,D_{i+1,j}^{\→}=v)=\frac{{\mathrm{\Σ}}_{i=1}^{m-1}{\mathrm{\Σ}}_{j=1}^{n-1}\mathrm{\δ}(D_{i,j}^{\→}-u)\mathrm{\δ}(D_{i+1,j}^{\→}-v)}{(m-1)\×(n-1)}---\left(3\right)$

式中，(u,v)表示差分矩阵中的元素值，且满足-T≤u,v≤T； $\mathrm{\δ}(x-y)=\left\{\begin{array}{c}1,x=y\\ 0,x\≠y\end{array}\right.;$

同理可得由于各个方向上的像素差分直方图关于原点对称，因此得到的联合概率密度矩阵满足符号对称性，即：

$C_{u,v}^{*}\≈C_{-u,-v}^{*}---\left(4\right)$

式中，由此，合并元素得到：

$C_{u,v}^{*}=\frac{1}{2}(C_{u,v}^{*}+C_{-u,-v}^{*})---\left(5\right)$

此外，为进一步降低运算复杂度，将水平和竖直矩阵合并、对角和反对角矩阵合并，得分类特征向量为：

$F_1=\frac{1}{4}(C^{\→}+C^{\←}+C^{\↓}+C^{\↑})---\left(6\right)$

通常取阈值T＝4，因此分类特征向量共(2T+1)²+1＝82维。

4.如权利要求2所述的基于内容的空域图像通用隐写分析方法，其特征是，对应计算隐写检测特征时，提取竖直方向从上至下的二阶联合概率密度矩阵：

$C_{u,v,w}^{\↓}=\mathrm{Pr}(D_{i,j}^{\→}=u,D_{i+1,j}^{\→}=v,D_{i+2,j}^{\→}=w)---\left(8\right)$

式中，(u,v,w)表示差分矩阵中的元素值，且满足-T≤u,v,w≤T，同理可得 则隐写检测特征最终定义为：

$F_{1,\mathrm{...},k}=\frac{1}{4}(C^{\→}+C^{\←}+C^{\↓}+C^{\↑})---\left(9\right)$

式中，矩阵维数k＝(2T+1)³。通常取T＝3，则特征共计686维。