CN107203958A - 一种基于多特征联合的隐写图像分析方法 - Google Patents

Abstract

本发明提供一种基于多特征联合的隐写图像分析方法，具体步骤包括：用户输入目标图像（隐写图像）；针对输入的目标对象，提取多特征，建立特征集合；针对提取的特征集合进行互补、融合和冗余处理；再进行降维处理；最后是解码分析以及对分析后的结果处理。该方法具有很强的通用性，实用性，最后按照实施例的算法搭配进行的实验验证了本发明的方法具有高精确性和抗干扰能力，为隐写图像的精确检测和分析提供了一种有效的方法。

Description

一种基于多特征联合的隐写图像分析方法

技术领域

本发明涉及计算机技术领域，尤其涉及一种基于多特征联合的隐写图像分析方法。

背景技术

随着数字图像处理技术的快速发展，以数字图像为载体的图像隐写技术成为信息安全领域的研究热点，如何对隐写图像进行精确的检测和分析也成为研究人员广泛关注的焦点。常用的隐写图像分析方法主要包括SRM（Spatial Rich Model）和PSRM（projectionspatial rich model）。但是这两类算法为低维度通用检测算法，无法实现高维度特征的分析。为了改善对隐写图像高维度特征的分析，采用maxSRM(max Spatial Rich Model)方法提取图像共生矩阵的嵌入概率，并利用概率最大值替代原有矩阵中的单元维数，有效提升了高维特征的分析精度，但是该方法概率极值的提取噪声敏感性太强；作者周杰，张敏情在文献《基于双重特征选择降维的图像隐写分析》（计算机工程与设计，2016,37（11）：2917-2922）采用图像子块分割的方法，提出了一种双重特征分析方法，通过取加权融合的结果进行检测分析，有效克服了图像噪声敏感性问题，但是，该方法主要是针对隐写图像统计特性的变化来提取分析特征，在特征提取过程中采用同步的方法，忽略了图像自身内容的统计属性，导致这类算法的检测性能严重依赖于隐写所采用的图像以及实现隐写的方法。

发明内容

本发明为了解决现有技术存在的缺陷，依据实际的隐写图像相邻系数之间存在较强的相关性且不同内容图像具有明显的统计差异，提供一种基于多特征联合的隐写图像分析方法。

本发明公开了一种基于多特征联合的隐写图像分析方法，包括：

S1.用户输入目标图像（隐写图像）；

S2.针对输入的目标对象，提取多特征，建立特征集合；

S3. 针对S2提取的特征集合进行互补、融合和冗余处理；

S4.针对S3处理后的特征集合，进行降维处理；

S5.针对S4处理后的特征集合进行解码分析；

S6.对分析后的结果进行发送等处理。

在本发明所述的一种基于多特征联合的隐写图像分析方法中，在步骤S3内可分解成以下步骤：

S31. 针对S2提取的特征集合进行特征互补处理。

S32. 针对S31处理得到的结果进行特征融合处理。

S33. 针对S32处理得到的结果进行特征冗余处理。

本发明的有益效果是：

通过本发明一种基于多特征联合的隐写图像分析方法，提供了一种通用的隐写图像分析方法，具有很强的实用性和可操作性，能有效的提高隐写图像的精确性和抗干扰能力。

附图说明

图1是本发明一种基于多特征联合的隐写图像分析方法流程图；

图2是稀疏表示矩阵；

图3是范数对向量的表示效果；

图4 是nsF5隐写算法下不同方法的检测误差曲线（嵌入率为0.4bpnz）；

图5 是三种隐写算法情况下本文方法检测误差曲线（嵌入率为0.4bpnz）；

图6不同嵌入率下本文方法的检测误差曲线（nsF5隐写算法）。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本发明详细描述。

实施例：本实施例的一种基于多特征联合的隐写图像分析方法，如图 1所示，该方法针对输入的隐写图像提取多特征值，分析了不同特征产生的互补特性和冗余特性，通过稀疏重构实现在主成分分析方法的框架内的特征融合，构建鲁棒的检测分析特征，避免了传统简单级联融合的数据维数较高的问题。通过湿纸码的编码形式实现特征集合的稀疏求解。最后，基于BOWS2隐写图像函数库对本文算法的性能进行了详细的分析。其步骤分解为：

S1.用户输入目标图像（隐写图像）；

S2.针对输入的目标对象，提取多特征，建立特征集合；

这一步是根据目标图像是否能够线性可分，可以将特征提取方法分为两种：一种是线性特征提取方法，另一种是非线性的特征提取方法。针对线性可分的特征提取方法主要有：主分量分析(Principle ComponentAnalysis, PCA)，独立分量分析(IndependentComponent Analysis, ICA)，因素分析(Factor Analysis, FA)，局部保持投影(LocalityPreserving Projections, LPP)，线性判别分析(Linear Discriminate Analysis, LDA)，局部特征分析(Local FeatureAnalysis, LFA)，多维尺度分析(MultidimensionalScaling, MDS)等。

针对非线性特征提取方法主要有：核主成分分析(Kernel Principle ComponentAnalysis, KPCA)，核独立分量分析(KernelIndependent ComponentAnalysis, KICA)等。

S3. 针对S2提取的特征集合进行互补、融合和冗余处理；

步骤S3内可分解成以下步骤：

S31. 针对S2提取的特征集合进行特征互补处理。

在进行局部特征和整体特征互补选择的时候，需要考虑局部特征与整体特征的统计差别，一般情况下，局部特征是为了描述局部图像变化，采用的样本点较少，具有不稳定的缺陷，而整体特征需要全局分析，样本统计信息较大，稳定性好，但是区别性大。本实施例考虑到MPB特征是通过差值计算TPM的方法，该局部特征具有稳定强，难以修复的优点，因此，采用了MPB作为本文的局部特征信息，增强局部特征的稳定性和描述能力，其计算为（参看论文：Chakraborty S，Jalal A S． Secret image sharing using grayscale payloaddecomposition and irreversible image steganography [J]. Journal ofInformation Security and Application，2013，18(4) : 180- 192．）

（1）

式中，，为数字图像在像素坐标处的量化值。

S32. 针对S31处理得到的结果进行特征融合处理。

不同的分布模型具有不同的隐写构建特征，常用的隐写方法就是通过图像隐写扰动相加的方法实现位置编码，但是扰动较小的情况会降低特征的关联性，扰动较大又容易增强对原始图像的干扰，增加后续分析检测的困难，因此，选择图像特征分布模型的时候需要兼顾扰动范围与图像质量的互补与融合。通过多特征融合的方法，可以有效的增强扰动信息在特征维度上的扩展，很好地折中了这种矛盾。本发明实施例选择的POMM特征与PEV特征组合，很好的扩展了这一特性，其中POMM特征主要是通过系数差值的构建进行TPM的计算，计算过程可以表示为（参看论文：Cho S G, Cha B H, Gawecki M, et al. Block-based image steganalysis: algorithm and performance evaluation[J]. Journal ofVisual Communication and Image Representation, 2013, 24(7): 846-856.）

（2）

S33. 针对S32处理得到的结果进行特征冗余处理。

本发明实施例中，在步骤S32获取TPM值以后，利用PEV构建7种特征分布（参看论文：Wang R, Xu M K, Ping X J, et al. Steganalysis of JPEG images by blocktexture based segmentation[J]. Multimedia Tools and Applications, 2015, 74(15): 5725-5746.），并进行不同层次的裁剪和压缩，既可以获取重构符合要求的特征集合，但是这种重构存在较大的冗余特性，为了消除这种冗余特性，本实施例针对重构的PEV特征集合进行PCA压缩处理，对相关性较低的特征集合进行删减。

S4.针对S3处理后的特征集合，进行降维处理；

本发明实施例中采用的降维处理方法是稀疏重构。稀疏重构可以在保证特征集合完备性的同时，最大限度的降低数据的维数（参看论文：Roy R， Sarkar A， Changder S． Chaosbased edge adaptive image steganography[J]. Procedia Technology，2013，10( 8) :138- 146．）。如图1所示为常用的稀疏模型，图中，,为具有n子集的超完备字典集合，在给定任意特征信号原本集合的情况下，可以对y进行稀疏重构，重构系数可以计算为（3）所示，稀疏表示模型如图2所示。

（3）

由于该式是一个NP问题，传统的计算中普遍采用范数的形式进行计算，即将向量计算为

（4）

说明书附图图3为采用范数对信号的表达情况描述形式，从图3中可以看出，图中和两个向量具有相同的数值，因此也具有相同的范数信息，因此，范数特征能够很好的描述向量特性。

S5.针对S4处理后的特征集合进行解码分析；

在本实施例中，采用的是湿纸码解码检测分析。在获取步骤S4多特征的稀疏融合表示以后，采用湿纸码对融合特征进行解码分析（参看论文：张昊, 平西建. Markov 隐写检测特征的一种新设计[J]. 电子与信息学报, 2013, 35(8): 1907-1913.），假设原写隐方程为

（5）

其中，载体图像特征分布，写隐秘密信息为，v是一个的二进制向量，k为信息选择写隐通道，为的稀疏重构特征矢量，为元素构造的特征矩阵，通过湿纸码解码检测以后的输出结果可以表示为

（6）

S6.对分析后的结果进行其他操作。

最后，对本实施例进行试验测试。实验测试采用的是BOWS2数据库，该数据库是众多研究图像隐写分析数据库中研究人员采用较多的数据库，该数据库主要包含了10700幅分辨率为 512×512 的图像，内容主题丰富，包括人文建筑、动物植物、自然风景等。本实验随机抽取了500幅隐写图像进行分析，为验证本文方法对不同隐写算法的分析能力，分析过程中分别采用nsF5（参看论文：Huang F, Huang J, Shi Y Q. New channel selectionrule for JPEG steganography[J]. IEEE Transactions on Information Forensicsand Security, 2012, 7(4): 1181-1191.）、 MB1（参看论文：Chen B, Feng G R, Zhang XP, et al. Mixing high-dimensional features for JPEG steganalysis withensemble classifier[J]. Signal Image and Video Processing, 2014,8(8): 1475-1482.）和 PQt（参看论文：Cho S G, Cha B H, Gawecki M, et al. Block-based imagesteganalysis: algorithm and performance evaluation[J]. Journal of VisualCommunication and Image Representation, 2013, 24(7): 846-856.）三种算法实现图像的隐写。为对算法参量进行训练，本文采用了文献[9]提出的集成分类的方法，从选择的500幅隐写图像库中，随机的算子了250幅作为训练数据库，剩余的250幅图像作为测试对象。为对算法性能进行对比分析，定义了最小检测误差作为衡量指标，其计算如下：

（7）

式中，为隐写信息的虚警概率，为隐写信息的漏检率。该指标中值越小，检测精度越高。隐写算法的嵌入速率根据检测难度折中选择。

该部分主要针对不同的隐写算法和不同隐写速率情况下本文方法的检测分析精度，具体结果如图4、图5以及图6所示。其中图4为在nsF5隐写算法下本文方法、传统特征融合方法以及单一特征方法的检测误差曲线，其中嵌入率为0.4bpnz。可以看出，在高速嵌入率情况下，三种方法的检测误差率均较大，但是本文方法的误差率要低于其他两种方法，单一特征方法的检测精度最低。同样，可以看出，随着分类数目的增加，三种方法的检测误差均有所增加。其中，图5为本文方法在三种不同隐写算法情况下的检测误差率，其中嵌入率同样为高嵌入状态，为0.4bpnz，可以看出，本文方法对三种嵌入方法保持了基本相近的检测误差，性能相近。图6中给出了本文方法在单一隐写算法情况下，不同嵌入率的检测误差，可以看出，随着嵌入率的提升，检测误差逐渐升高，而且嵌入率越低，检测精度越高。

实验验证了本发明的方法具有高精确性和抗干扰能力，为隐写图像的精确检测和分析提供了一种有效的方法。

综上，技术人员在不脱离本发明的情况下，可以对公开的装置进行适当的调整，由此，如上描述仅用于示例而并非限制之目的，技术人员应该清楚的认识到不明显改变上述的操作情况下可以对公开的装置或者工艺进行稍作改动达到相同效果之目的，本发明由权利要求书做出限制。

Claims (2)

1.一种基于多特征联合的隐写图像分析方法，其特征在于，包括：

S1.用户输入目标图像（隐写图像）；

S2.针对输入的目标对象，提取多特征，建立特征集合；

S3. 针对S2提取的特征集合进行互补、融合和冗余处理；

S4.针对S3处理后的特征集合，进行降维处理；

S5.针对S4处理后的特征集合进行解码分析；

S6.对分析后的结果进行发送等处理。

2.如权利要求1所述的一种基于多特征联合的隐写图像分析方法，其特征在于，步骤S3内可分解成以下步骤：

S31. 针对S2提取的特征集合进行特征互补处理；

S32. 针对S31处理得到的结果进行特征融合处理；

S33. 针对S32处理得到的结果进行特征冗余处理。