CN107292315A - 基于多尺度ltp特征的隐写分析方法和隐写分析装置 - Google Patents
基于多尺度ltp特征的隐写分析方法和隐写分析装置 Download PDFInfo
- Publication number
- CN107292315A CN107292315A CN201610222066.4A CN201610222066A CN107292315A CN 107292315 A CN107292315 A CN 107292315A CN 201610222066 A CN201610222066 A CN 201610222066A CN 107292315 A CN107292315 A CN 107292315A
- Authority
- CN
- China
- Prior art keywords
- ltp
- mrow
- multiple dimensioned
- image
- parameter
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000004458 analytical method Methods 0.000 title claims abstract description 17
- 238000012706 support-vector machine Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 51
- 230000006835 compression Effects 0.000 claims description 13
- 238000007906 compression Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 241000208340 Araliaceae Species 0.000 claims description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 2
- 235000008434 ginseng Nutrition 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 14
- 230000006870 function Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 241000196324 Embryophyta Species 0.000 description 2
- 230000009471 action Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000003042 antagnostic effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000003780 insertion Methods 0.000 description 1
- 230000037431 insertion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 101150060102 metA gene Proteins 0.000 description 1
- 101150086633 metAA gene Proteins 0.000 description 1
- 101150091110 metAS gene Proteins 0.000 description 1
- 101150043924 metXA gene Proteins 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于多尺度LTP特征的隐写分析方法和隐写分析装置，其中，隐写分析方法包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。本发明提出了更加适用于隐写分析技术的多尺度LTP特征，提高了对载体图像的检测准确率。
Description
技术领域
本发明涉及信息技术领域，具体而言，涉及一种基于多尺度LTP特征的隐写分析方法和一种基于多尺度LTP特征的隐写分析装置。
背景技术
信息隐藏技术是一项利用多媒体数据载体进行数字隐藏的信息处理方法，广泛应用于军事、政治、商业等领域中。图像隐写是信息隐藏技术的主要分支之一，其目的是发出者利用特定嵌入方法和密钥在一个数字图像中嵌入一段秘密信息，使得只有知晓其对应嵌入方法和密钥的接收者才能够准确地得到嵌入的信息，而其他人即使获取到载体图像也无法知晓其隐藏的秘密信息。
图像隐写包括隐写术(Steganography)与隐写分析(Steganalysis)两大分支。隐写术实现把秘密信息嵌入到载体图像中，而隐写分析是一种与隐写术相对抗的逆向分析技术，目的是判断截获的数字载体是否存在隐藏信息。因而，隐写术和隐写分析存在着矛和盾的对立关系，但同时也存在着相辅相成的依存关系，一些强大的隐写分析技术成为了检测新的隐写算法可靠性与安全性的基准。
目前，大多数通用的隐写分析方法是建立在机器学习框架下，包括特征提取和分类器设计两个步骤。特征提取是指根据图像像素值和坐标关系获取反映图像统计特性的信息；分类器是指利用图像特征判断该图像属于自然图像还是属于含秘密信息的隐秘图像。在隐写分析技术中，分类器常选择经典的线性SVM(Support Vector Machine，支持向量机)，而特征提取是目前研究的热点也是隐写分析中至关重要的环节，它的好坏将直接影响到检测率的高低。
局部二值模式(Local Binary Pattern，LBP)是一个简单而有效的局部特征，其利用图像中邻域像素点的大小关系描述图像局部统计特性，具有计算简单、识别率高、抗噪性强等优点，并且实验表明了LBP特征在隐写分析领域具有一定的潜力。基于此，相关技术中提出了基于双线性差值算法的隐写分析技术，但是由于好的隐写术会尽可能降低隐秘图像和原始图像的差异性，一般隐秘图像的像素值较原始图像至多增加或者减少1，在这样的情况下，通过双线性差值算法从隐秘图像和原始图像计算出的双线性差值可能并没有差别。因而，双线性差值的方法使得LBP特征模糊化了被篡改的隐写信息，加大了隐写分析的难度，即双线性差值的方法并不适用于隐写分析技术。
因此，如何提出适用于隐写分析技术的方案，以提高对载体图像(即隐秘图像)的检测准确率成为亟待解决的技术问题。
发明内容
本发明正是基于上述技术问题至少之一，提出了一种新的基于多尺度LTP特征的隐写分析方案，能够在LBP特征的基础上，提出更加适用于隐写分析技术的多尺度LTP特征，同时能够确保选择的特征参数在维度和识别力中取得更好的平衡，提高了对载体图像的检测准确率。
有鉴于此，根据本发明的第一方面，提出了一种基于多尺度LTP特征的隐写分析方法，包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
在该技术方案中，通过根据多组参数集合，计算得到多组多尺度LTP(LocalTernary Pattern，局部三值模式)图像特征，以生成载体图像的图像特征，进而通过支持向量机算法(即SVM)对载体图像的图像特征进行分析，使得能够在LBP特征的基础上，提出更加适用于隐写分析技术的LTP特征，以提高对载体图像的检测准确率。而通过采用贪心算法选择用于计算多尺度LTP图像特征的特征参数，使得选择的特征参数能够在维度和识别力中取得更好的平衡，从而提高对载体图像的检测准确率。
在上述技术方案中，优选地，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数的步骤，具体包括：初始化所述参数集合和训练集全局预估正确率；对于所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
在该技术方案中，具体来说，当参数集合中没有加入特征参数时，训练集全局预估正确率可以为0.5，在参数集合中每加入一组特征参数，就会根据参数集合中的特征参数得到对应的训练集预估最优正确率，进而对训练集全局预估正确率进行更新。
在上述任一技术方案中，优选地，还包括：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
在上述任一技术方案中，优选地，根据所述每组特征参数，计算得到一组多尺度LTP图像特征的步骤，具体包括：根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
在该技术方案中，通过使用旋转不变模式对所有像素点的多尺度LTP编码值的维度进行压缩，可以降低像素点的多尺度LTP编码值的维度，进而便于得到与多尺度LTP编码值相对应的图像分布直方图。
在上述任一技术方案中，优选地，计算所述载体图像中的任一像素点的多尺度LTP编码值的步骤，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
在该技术方案中，由于基于任一像素点的路径上的任一元素，有且仅有一个以该任一像素点为中心的正方形，使得该任一元素位于正方形的边上，并且在旋转初始路径时，是以该任一像素点为中心，并沿着对应的正方形的边进行旋转的，因此计算出的多尺度LTP编码值是基于方形旋转的隐写分析特征，相比于相关技术中采用圆周旋转路径的方案，可以避免路径上的元素位于非像素中心点的问题，从而能够避免双线性差值算法引起的隐写信息模糊化的问题。
在上述任一技术方案中，优选地，通过以下公式计算所述任一像素点的多尺度LTP编码值：
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，…，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且O≤p≤P-1；函数s′(x,t)满足以下关系：
在该技术方案中，作为一个优选实施例，参数P可以设置为8，t可以为0或1。
根据本发明的第二方面，还提出了一种基于多尺度LTP特征的隐写分析装置，包括：选择单元，用于基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；计算单元，用于根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征；生成单元，用于将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；第一处理单元，用于通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
在该技术方案中，通过根据多组参数集合，计算得到多组多尺度LTP图像特征，以生成载体图像的图像特征，进而通过支持向量机算法对载体图像的图像特征进行分析，使得能够在LBP特征的基础上，提出更加适用于隐写分析技术的LTP特征，以提高对载体图像的检测准确率。而通过采用贪心算法选择用于计算多尺度LTP图像特征的特征参数，使得选择的特征参数能够在维度和识别力中取得更好的平衡，从而提高对载体图像的检测准确率。
在上述技术方案中，优选地，所述选择单元包括：初始化单元，用于初始化所述参数集合和训练集全局预估正确率；第二处理单元，用于针对所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
在该技术方案中，具体来说，当参数集合中没有加入特征参数时，训练集全局预估正确率可以为0.5，在参数集合中每加入一组特征参数，就会根据参数集合中的特征参数得到对应的训练集预估最优正确率，进而对训练集全局预估正确率进行更新。
在上述任一技术方案中，优选地，所述第二处理单元还用于：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
在上述任一技术方案中，优选地，所述计算单元包括：执行单元，用于根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；压缩单元，用于通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；第三处理单元，用于生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
在该技术方案中，通过使用旋转不变模式对所有像素点的多尺度LTP编码值的维度进行压缩，可以降低像素点的多尺度LTP编码值的维度，进而便于得到与多尺度LTP编码值相对应的图像分布直方图。
在上述任一技术方案中，优选地，所述执行单元计算所述载体图像中的任一像素点的多尺度LTP编码值的操作，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
在该技术方案中，由于基于任一像素点的路径上的任一元素，有且仅有一个以该任一像素点为中心的正方形，使得该任一元素位于正方形的边上，并且在旋转初始路径时，是以该任一像素点为中心，并沿着对应的正方形的边进行旋转的，因此计算出的多尺度LTP编码值是基于方形旋转的隐写分析特征，相比于相关技术中采用圆周旋转路径的方案，可以避免路径上的元素位于非像素中心点的问题，从而能够避免双线性差值算法引起的隐写信息模糊化的问题。
在上述任一技术方案中，优选地，所述执行单元具体用于，通过以下公式计算所述任一像素点的多尺度LTP编码值：
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，…，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且O≤p≤P-1；函数s′(x,t)满足以下关系：
在该技术方案中，作为一个优选实施例，参数P可以设置为8，t可以为0或1。
通过以上技术方案，能够在LBP特征的基础上，提出更加适用于隐写分析技术的基于方形旋转的多尺度LTP特征，同时能够确保选择的特征参数在维度和识别力中取得更好的平衡，提高了对载体图像的检测准确率。
附图说明
图1示出了根据本发明的实施例的基于多尺度LTP特征的隐写分析方法的示意流程图；
图2示出了根据本发明的实施例的基于多尺度LTP特征的隐写分析装置的示意框图；
图3示出了根据本发明的实施例的基于圆周旋转的多尺度LBP示意图；
图4示出了根据本发明的实施例的基于方形旋转的多尺度LBP示意图；
图5示出了根据本发明的实施例的选取的高通滤波器的参数示意图；
图6示出了根据本发明的实施例的选取的部分候选路径示意图；
图7示出了根据本发明的实施例的基于pi-LTP特征的编码样例示意图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点，下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是，在不冲突的情况下，本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是，本发明还可以采用其他不同于在此描述的其他方式来实施，因此，本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了根据本发明的实施例的基于多尺度LTP特征的隐写分析方法的示意流程图。
如图1所示，根据本发明的实施例的基于多尺度LTP特征的隐写分析方法，包括：
步骤102，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；
步骤104，根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；
步骤106，通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
在该技术方案中，通过根据多组参数集合，计算得到多组多尺度LTP图像特征，以生成载体图像的图像特征，进而通过支持向量机算法(即SVM)对载体图像的图像特征进行分析，使得能够在LBP特征的基础上，提出更加适用于隐写分析技术的LTP特征，以提高对载体图像的检测准确率。而通过采用贪心算法选择用于计算多尺度LTP图像特征的特征参数，使得选择的特征参数能够在维度和识别力中取得更好的平衡，从而提高对载体图像的检测准确率。
在上述技术方案中，优选地，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数的步骤，具体包括：初始化所述参数集合和训练集全局预估正确率；对于所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
在该技术方案中，具体来说，当参数集合中没有加入特征参数时，训练集全局预估正确率可以为0.5，在参数集合中每加入一组特征参数，就会根据参数集合中的特征参数得到对应的训练集预估最优正确率，进而对训练集全局预估正确率进行更新。
在上述任一技术方案中，优选地，还包括：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
在上述任一技术方案中，优选地，根据所述每组特征参数，计算得到一组多尺度LTP图像特征的步骤，具体包括：根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
在该技术方案中，通过使用旋转不变模式对所有像素点的多尺度LTP编码值的维度进行压缩，可以降低像素点的多尺度LTP编码值的维度，进而便于得到与多尺度LTP编码值相对应的图像分布直方图。
在上述任一技术方案中，优选地，计算所述载体图像中的任一像素点的多尺度LTP编码值的步骤，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
在该技术方案中，由于基于任一像素点的路径上的任一元素，有且仅有一个以该任一像素点为中心的正方形，使得该任一元素位于正方形的边上，并且在旋转初始路径时，是以该任一像素点为中心，并沿着对应的正方形的边进行旋转的，因此计算出的多尺度LTP编码值是基于方形旋转的隐写分析特征，相比于相关技术中采用圆周旋转路径的方案，可以避免路径上的元素位于非像素中心点的问题，从而能够避免双线性差值算法引起的隐写信息模糊化的问题。
在上述任一技术方案中，优选地，通过以下公式计算所述任一像素点的多尺度LTP编码值：
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，…，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且O≤p≤P-1；函数s′(x,t)满足以下关系：
在该技术方案中，作为一个优选实施例，参数P可以设置为8，t可以为0或1。
图2示出了根据本发明的实施例的基于多尺度LTP特征的隐写分析装置的示意框图。
如图2所示，根据本发明的实施例的基于多尺度LTP特征的隐写分析装置200，包括：选择单元202、计算单元204、生成单元206和第一处理单元208。
其中，选择单元202，用于基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；计算单元204，用于根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征；生成单元206，用于将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；第一处理单元208，用于通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
在该技术方案中，通过根据多组参数集合，计算得到多组多尺度LTP图像特征，以生成载体图像的图像特征，进而通过支持向量机算法对载体图像的图像特征进行分析，使得能够在LBP特征的基础上，提出更加适用于隐写分析技术的LTP特征，以提高对载体图像的检测准确率。而通过采用贪心算法选择用于计算多尺度LTP图像特征的特征参数，使得选择的特征参数能够在维度和识别力中取得更好的平衡，从而提高对载体图像的检测准确率。
在上述技术方案中，优选地，所述选择单元202包括：初始化单元2022，用于初始化所述参数集合和训练集全局预估正确率；第二处理单元2024，用于针对所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
在该技术方案中，具体来说，当参数集合中没有加入特征参数时，训练集全局预估正确率可以为0.5，在参数集合中每加入一组特征参数，就会根据参数集合中的特征参数得到对应的训练集预估最优正确率，进而对训练集全局预估正确率进行更新。
在上述任一技术方案中，优选地，所述第二处理单元2024还用于：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
在上述任一技术方案中，优选地，所述计算单元204包括：执行单元2042，用于根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；压缩单元2044，用于通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；第三处理单元2046，用于生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
在该技术方案中，通过使用旋转不变模式对所有像素点的多尺度LTP编码值的维度进行压缩，可以降低像素点的多尺度LTP编码值的维度，进而便于得到与多尺度LTP编码值相对应的图像分布直方图。
在上述任一技术方案中，优选地，所述执行单元2042计算所述载体图像中的任一像素点的多尺度LTP编码值的操作，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
在该技术方案中，由于基于任一像素点的路径上的任一元素，有且仅有一个以该任一像素点为中心的正方形，使得该任一元素位于正方形的边上，并且在旋转初始路径时，是以该任一像素点为中心，并沿着对应的正方形的边进行旋转的，因此计算出的多尺度LTP编码值是基于方形旋转的隐写分析特征，相比于相关技术中采用圆周旋转路径的方案，可以避免路径上的元素位于非像素中心点的问题，从而能够避免双线性差值算法引起的隐写信息模糊化的问题。
在上述任一技术方案中，优选地，所述执行单元2042具体用于，通过以下公式计算所述任一像素点的多尺度LTP编码值：
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，…，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且O≤p≤P-1；函数s′(x,t)满足以下关系：
在该技术方案中，作为一个优选实施例，参数P可以设置为8，t可以为0或1。
以下结合图3至图7对本发明的技术方案作进一步的描述。
本发明的技术方案主要是基于多尺度LBP特征，设计了更加适应于隐写分析技术的基于方形旋转的多尺度LTP特征。在详细说明基于方形旋转的多尺度LTP特征之前，以下介绍基于圆周旋转的多尺度LBP特征的提取方法：
其中，多尺度LBP采用基于路径积分的编码策略，即为LBP based on pathintegral，以下简称为pi-LBP。假设GO＝(g0，i，…，g0，k)是起始于中心像素点c的一条路径，那么向量G0中的每个元素{gO，1，…，gO，k}均是位于载体图像上的像素点，并且g0，1＝c。以中心像素点c为圆心，将路径G0逆时针旋转(2pπ)/P度，将得到一条新路径Gp＝(gp，1，…，gp，k)，换言之，如图3所示，对于每个i和p，向量是通过逆时针旋转向量度获取得到的。通过这样的方式，可以得到以c为交点的P条路径{G0,...,GP}接着，将这些路径Gp依次通过一个高通滤波器f＝(f(1)，…，f(k))，可分别获取一个滤波值表示为再按滤波值的符号二值化并依此串联起来，可得到一个长度为P的二进制串，那么它的十进制形式即为中心像素点c的pi-LBP编码值。综上所述，该方法定义的pi-LBP可形式化定义为：
其中，函数S(x)表示x值的符号，如果x≥0那么s(x)＝1，反之x＜0，则s(x)＝0。另外，为了保证特征的灰度不变性，高通滤波器f应满足如上述公式所示，pi-LBP值依赖于三个参数：常数P、路径G0和滤波器f，尽可能多地组合在不同参数(P,G0,f)下生成的pi-LBP特征可形成具有多样化差异的富模型，可以有效地提高隐写分析的检测性能。
由于pi-LBP在圆周旋转路径可能会出现路径上的元素位于非像素中心点的问题，因此可在此基础上提出基于方形旋转的pi-LBP特征，具体实现方法如下：
与基于圆周旋转的多尺度LBP特征的提取方案类似，向量G0＝(g0,1，...，g0,k)是起始于像素点c的一条路径，需要指出的是在这里向量G0中的每个元素{g0,1，...，g0,k}都是完全落在像素中心点上。对于G0中的每个元素g0，i，则有且仅存在一个正方形Si使得元素g0，i恰好位于该正方形的边缘并且像素点c位于该正方形的中心，这里假设正方形Si的四条边长度为li。然后，如图4中(a)图所示，元素g0，i沿着方形边移动(4lip)/P像素长度可得到路径Gp的元素gp，i，换言之，路径Gp可通过逐个移动G0的元素获得，如图4中(b)图所示。因为这些元素移动的轨迹恰好为正方形边，故称该特征为基于方形旋转的pi-LBP特征。需指出的是，因为G0的元素是完全落在像素中心点上，那么经过方形旋转得到的其他路径元素也同样落于像素中心点上。
在空域隐写术中，秘密信息会被转换成+1和-1序列来修改载体图像中特定像素点，好的隐写算法会保证噪声中+1和-1的比例各占一半以提高秘密信息的隐蔽性。可以说，在隐秘图像中的嵌入噪声具有对称性。然而，一般的LBP纹理特征并不具备严格的对称性，因为x＝0时的符号函数s(x)被随意地分为正数类别。因此，为了让LBP特征更加适用于隐写分析技术，本发明将局部三值模式应用于隐写分析。具体地，在LTP方法中，为s(x)函数的定义设置了一个宽度为±t的中间带，具体而言，如果位于中间带±t内，s(x)值为0；若x高于中间带区域，s(x)被编码为1；反之，x低于中间带区域，s(x)被编码为-1。总的来说，函数s(x)在该方法中被替换为
其中，t表示为三值模式里中间带的宽度大小。这样，原始的2P种LBP值被扩展为3P种LTP值，特征维度被显著增大。因此为了简单起见，三值模式将被拆分为一个正数二值模式和一个负数二值模式。举个简答的例子：一个三值模式为0011(-1)(-1)00，被拆分成正数二值模式00110000和负数二值模式00001100。
如上所述，本发明将三值模式应用于所提出的基于方形旋转的pi-LBP(即LBPbased on path integral)特征中，命名为基于方形旋转的pi-LTP特征，其形式化定义可表示为：
由上述公式可知：pi-LTP值依赖于四个参数：常数P，路径G0，滤波器f，中间带宽度t。其中，作为本发明的一个实施例，可以设置P＝8，t＝0或者t＝1，那么还剩余两个参数(G0,f)仍需商榷。为了选择参数(G0,f),本发明使用基于贪心增量的参数选择算法，使得选择的特征能够在维度和识别力中取得更好的平衡，该算法会在下文步骤中详细介绍。
基于上述分析，本发明提出了一种基于pi-LTP特征的隐写分析方法，主要包括以下三个步骤：
步骤1：参数选择。利用贪心增量算法选择最优的特征参数(G0,f),该步骤执行完毕之后，可以得到一组参数集合为：prm＝{(G0 1，f1)，···，(G0 h，fh)}。
步骤2：特征提取。对于步骤1中得到的每个参数(GO i，fi)获取一组pi-LTP图像特征，再将由prm集合里所有参数求得的h组pi-LTP特征组合起来作为最终的图像特性。
步骤3：分类。本发明利用经典的线性SVM算法。其中，线性SVM分类器包括训练和测试两个部分，利用已知数据集训练所对应SVM训练器，当输入待检测的载体图像特征时，该SVM训练器可判断出该载体图像是否含有隐藏的秘密信息。
其中，步骤1中的基于贪心增量算法选择最优特征参数具体实施步骤如下：
1.1、初始化参数集合prm←{}，以及当前训练集全局预估正确率globalA＝0.5。
1.2、枚举所有的可能的参数组合(G0,f),选择一个最优的参数(GO *，f*)，使得prm*←{prm，(G0 *，f*)}能获取训练集预估最优正确率，记做localA。
1.3、如果localA>globalA,则更新prm←prm*，同时基于更新后的参数集合对训练集全局预估正确率globalA进行更新，并再次执行步骤2；反之，执行步骤4。
1.4、结束程序，返回参数集合prm。
在步骤1.2中，本发明中首先枚举常见的高通滤波器f，接着按照一定规则筛选出候选路径G0，最后将含有相同元素个数的滤波器f和路径G0组合成(G0,f)。具体地说，候选滤波器f可以选择如图5列出的10(＝1+4+5)种高通滤波器，且满足候选路径G0可以通过设定的规则筛选得到，筛选规则包括：g0，1为路径的中心点，g0，i和g0，i+1像素间的欧拉距离不超过2，g0，1与g0，1之间的距离应小于等于g0，i+1与g0，1之间的距离等，这样可筛选得到共51(＝5+16+46)种不同的路径G0。因此，组合起来可得到299(＝1×5+4×16+5×30)组参数(G0,f)。
其中，步骤2中的根据已知参数(G0 i，fi)求pi-LTP图像特征的具体实施步骤如下：
2.1、求得每个像素点的pi-LTP编码。当参数设定为(8，G0 i，fi，0)和(8，G0 i，fi，1)时，每个像素点都可以得到两个编码值和
2.2、利用旋转不变(Rotation Invariant，缩写为“ri”)模式降低特征维数。其中，LBP的旋转不变模式具体定义为：
其中，上标“ri”表示旋转不变模式，ROR(x,i)函数表示旋转右移i次二进制比特序列x的操作(如ROR(00111100,3)＝＝10000111)。也就是说，旋转不变模式将那些通过二进制旋转变换后相同的编码值归纳为一类，这样，当P＝8时，原始256个不同的编码值将被压缩为36个编码值。上文提到过，一个pi-LTP值将对应正数部分编码和负数部分编码，正、负编码同样可经过“ri”模式分别获得36种编码值，也就是说，固定参数下的包含72种不同的编码值。
2.3、对每个pi-LTP编码分别统计出图像分布直方图，该直方图分布即为参数(G0 i，fi)求pi-LTP图像特征。也就是说，对可以得到72维特征，也得到72维特征，即每对参数(G0 i，fi)对应144维特征。这样，把prm中所有的h组参数获取的特征组合起来共有144h维。
基于本发明提出的上述技术方案，以下列举本发明的一个具体实施例，在本发明的一个具体实施例中，基于pi-LTP特征的隐写分析方法，包括：
第一步：参数选择。
具体地，利用贪心增量算法选择最优的特征参数(G0,f)。具体如图5所示在本发明中选用的10种高通滤波器f，图6中示出了通过规则选择的部分候选路径G0，将含有相同元素个数的滤波器f和路径G0组合成(G0,f),例如图6中路径2c)可以与滤波器(-3，2，1)、(-2，1，1)、(1，-2，1)或者(1，1，-2)组合在一起，路径3d)可以与滤波器(-4，2，1，1)、(-3，1，1，1)、(1，-1，-1，1)、(1，-1，1，-1)或者(1，1，-1，-1)组合在一起。假设在本实施例中，通过贪心增量算法得到的参数集合为prm＝{(1a，(-1，1))，(2d，(1，1，-2))}。
第二步，特征提取。
2.1、对于第一步中得到的两个参数，可分别对图像中每个像素点进行pi-LTP编码，例如，第二个参数可得到两个编码值和其中具体编码样例如图7所示。
2.2、通过旋转不变模式降低特征维度。原始256个不同的编码值将被压缩为36种。
2.3、求得图像特征直方图。对于prm中的两组参数最终将生成特征维度为288维的直方图特征。
第三步，分类。
具体地，利用经典的SVM算法，把数据集分成训练集和测试集，利用训练集中的数据训练本发明的模型，用测试集求得本发明的隐写分析模型对该数据集的检测率。
综上，本发明主要是提出了一种基于LBP特征的隐写分析方案。为了达到这个目的，本发明主要借鉴了纹理分类中的pi-LBP特征，设计出一种适应于隐写分析方法的基于方形旋转的pi-LTP特征，除此之外，为了该特征能够在识别力和维度之间获得更好的平衡，本发明还提出了一种基于贪心增量的参数选择算法，为基于多尺度LTP特征的隐写分析方法提供了更好的支持。
以上结合附图详细说明了本发明的技术方案，本发明提出了一种新的基于多尺度LTP特征的隐写分析方案，能够在LBP特征的基础上，提出更加适用于隐写分析技术的基于方形旋转的多尺度LTP特征，同时能够确保选择的特征参数在维度和识别力中取得更好的平衡，提高了对载体图像的检测准确率。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (12)
1.一种基于多尺度LTP特征的隐写分析方法，其特征在于，包括：
基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；
根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；
通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
2.根据权利要求1所述的基于多尺度LTP特征的隐写分析方法，其特征在于，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数的步骤，具体包括：
初始化所述参数集合和训练集全局预估正确率；
对于所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
3.根据权利要求2所述的基于多尺度LTP特征的隐写分析方法，其特征在于，还包括：
将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
4.根据权利要求1至3中任一项所述的基于多尺度LTP特征的隐写分析方法，其特征在于，根据所述每组特征参数，计算得到一组多尺度LTP图像特征的步骤，具体包括：
根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；
通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；
生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
5.根据权利要求4所述的基于多尺度LTP特征的隐写分析方法，其特征在于，计算所述载体图像中的任一像素点的多尺度LTP编码值的步骤，具体包括：
基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；
将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；
根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
6.根据权利要求5所述的基于多尺度LTP特征的隐写分析方法，其特征在于，通过以下公式计算所述任一像素点的多尺度LTP编码值：
<mrow>
<mi>p</mi>
<mi>i</mi>
<mo>-</mo>
<msub>
<mi>LTP</mi>
<mrow>
<mi>P</mi>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>f</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mn>2</mn>
<mi>p</mi>
</msup>
<mo>;</mo>
</mrow>
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，...，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且0≤p≤P-1；函数s′(x，t)满足以下关系：
<mrow>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>></mo>
<mo>+</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mo>+</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo><</mo>
<mo>-</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
7.一种基于多尺度LTP特征的隐写分析装置，其特征在于，包括：
选择单元，用于基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；
计算单元，用于根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征；
生成单元，用于将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；
第一处理单元，用于通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。
8.根据权利要求1所述的基于多尺度LTP特征的隐写分析装置，其特征在于，所述选择单元包括：
初始化单元，用于初始化所述参数集合和训练集全局预估正确率；
第二处理单元，用于针对所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。
9.根据权利要求8所述的基于多尺度LTP特征的隐写分析装置，其特征在于，所述第二处理单元还用于：
将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。
10.根据权利要求7至9中任一项所述的基于多尺度LTP特征的隐写分析装置，其特征在于，所述计算单元包括：
执行单元，用于根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；
压缩单元，用于通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；
第三处理单元，用于生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。
11.根据权利要求10所述的基于多尺度LTP特征的隐写分析装置，其特征在于，所述执行单元计算所述载体图像中的任一像素点的多尺度LTP编码值的操作，具体包括：
基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；
将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；
根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。
12.根据权利要求11所述的基于多尺度LTP特征的隐写分析装置，其特征在于，所述执行单元具体用于：
通过以下公式计算所述任一像素点的多尺度LTP编码值：
<mrow>
<mi>p</mi>
<mi>i</mi>
<mo>-</mo>
<msub>
<mi>LTP</mi>
<mrow>
<mi>P</mi>
<mo>,</mo>
<msub>
<mi>G</mi>
<mn>0</mn>
</msub>
<mo>,</mo>
<mi>f</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>p</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>P</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>k</mi>
</munderover>
<mi>f</mi>
<mo>(</mo>
<mi>i</mi>
<mo>)</mo>
<msub>
<mi>g</mi>
<mrow>
<mi>p</mi>
<mo>,</mo>
<mi>i</mi>
</mrow>
</msub>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mn>2</mn>
<mi>p</mi>
</msup>
<mo>;</mo>
</mrow>
其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，...，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且0≤p≤P-1；函数s′(x，t)满足以下关系：
<mrow>
<msup>
<mi>s</mi>
<mo>&prime;</mo>
</msup>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>></mo>
<mo>+</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>-</mo>
<mi>t</mi>
<mo>&le;</mo>
<mi>x</mi>
<mo>&le;</mo>
<mo>+</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>-</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo><</mo>
<mo>-</mo>
<mi>t</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>.</mo>
</mrow>
3
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610222066.4A CN107292315B (zh) | 2016-04-11 | 2016-04-11 | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610222066.4A CN107292315B (zh) | 2016-04-11 | 2016-04-11 | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107292315A true CN107292315A (zh) | 2017-10-24 |
| CN107292315B CN107292315B (zh) | 2021-02-05 |
Family
ID=60093632
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610222066.4A Expired - Fee Related CN107292315B (zh) | 2016-04-11 | 2016-04-11 | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107292315B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107819568A (zh) * | 2017-11-15 | 2018-03-20 | 深圳大学 | 基于星座点距离的信息检测方法、装置及接收设备 |
| CN108509775A (zh) * | 2018-02-08 | 2018-09-07 | 暨南大学 | 一种基于机器学习的恶意png图像识别方法 |
| CN108898538A (zh) * | 2018-05-08 | 2018-11-27 | 天津大学 | 一种融合lbp特征的图像空域隐写算法 |
| CN109949200A (zh) * | 2019-03-11 | 2019-06-28 | 河南工业大学 | 基于滤波器子集选择和cnn的隐写分析框架构建方法 |
| CN110738256A (zh) * | 2019-10-15 | 2020-01-31 | 四川长虹电器股份有限公司 | 基于统计学习模型的图像隐含信息挖掘方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1849124A4 (en) * | 2005-01-26 | 2008-03-19 | New Jersey Tech Inst | SYSTEM AND METHOD FOR STEGANOGRAPHIC ANALYSIS |
| CN101541030A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 基于支持向量机的数据预测方法和设备 |
| CN101763647A (zh) * | 2010-02-02 | 2010-06-30 | 浙江大学 | 一种基于关键帧的实时摄像机跟踪方法 |
| CN102722858A (zh) * | 2012-05-29 | 2012-10-10 | 中国科学院自动化研究所 | 基于对称邻域信息的盲隐写分析方法 |
| CN103678680A (zh) * | 2013-12-25 | 2014-03-26 | 吉林大学 | 基于感兴趣区域多元空间关系模型的图像分类方法 |
| CN104519361A (zh) * | 2014-12-12 | 2015-04-15 | 天津大学 | 一种基于空时域局部二值模式的视频隐写分析方法 |
| CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
-
2016
- 2016-04-11 CN CN201610222066.4A patent/CN107292315B/zh not_active Expired - Fee Related
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1849124A4 (en) * | 2005-01-26 | 2008-03-19 | New Jersey Tech Inst | SYSTEM AND METHOD FOR STEGANOGRAPHIC ANALYSIS |
| CN101541030A (zh) * | 2009-05-06 | 2009-09-23 | 华为技术有限公司 | 基于支持向量机的数据预测方法和设备 |
| CN101763647A (zh) * | 2010-02-02 | 2010-06-30 | 浙江大学 | 一种基于关键帧的实时摄像机跟踪方法 |
| CN102722858A (zh) * | 2012-05-29 | 2012-10-10 | 中国科学院自动化研究所 | 基于对称邻域信息的盲隐写分析方法 |
| CN103678680A (zh) * | 2013-12-25 | 2014-03-26 | 吉林大学 | 基于感兴趣区域多元空间关系模型的图像分类方法 |
| CN104519361A (zh) * | 2014-12-12 | 2015-04-15 | 天津大学 | 一种基于空时域局部二值模式的视频隐写分析方法 |
| CN105046276A (zh) * | 2015-07-14 | 2015-11-11 | 西安电子科技大学 | 基于低秩表示的高光谱图像波段选择方法 |
Non-Patent Citations (8)
| Title |
|---|
| PATRICIA LAFFERTY ET AL: "Texture based steganalysis: results for color images", 《THE SPIE 49TH ANNUAL MEETING》 * |
| QIUYAN LIN ET AL: "MULTI-SCALE LOCAL BINARY PATTERNS BASED ON PATH INTEGRAL FOR TEXTURE CLASSIFICATION", 《ICIP 2015》 * |
| 刘代志等: "《地球物理应用前沿》", 30 September 2015 * |
| 刘芳等: "基于局部二值模型的视频隐写分析", 《信息技术》 * |
| 栗风永: "数字图像高维特征隐写分析及安全隐写", 《中国博士学位论文全文数据库 信息科技辑》 * |
| 蒋斌等: "二值文本图像隐写分析算法", 《计算机工程与应用》 * |
| 金自翔等: "一种基于贪婪算法的KNN参数选择策略", 《广西师范大学学报: 自然科学版》 * |
| 陈国栋: "基于代理模型的多目标优化方法及其在车身设计中的应用", 《中国博士学位论文全文数据库 信息科技辑》 * |
Cited By (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107819568A (zh) * | 2017-11-15 | 2018-03-20 | 深圳大学 | 基于星座点距离的信息检测方法、装置及接收设备 |
| CN107819568B (zh) * | 2017-11-15 | 2020-11-03 | 深圳大学 | 基于星座点距离的信息检测方法、装置及接收设备 |
| CN108509775A (zh) * | 2018-02-08 | 2018-09-07 | 暨南大学 | 一种基于机器学习的恶意png图像识别方法 |
| CN108509775B (zh) * | 2018-02-08 | 2020-11-13 | 暨南大学 | 一种基于机器学习的恶意png图像识别方法 |
| CN108898538A (zh) * | 2018-05-08 | 2018-11-27 | 天津大学 | 一种融合lbp特征的图像空域隐写算法 |
| CN109949200A (zh) * | 2019-03-11 | 2019-06-28 | 河南工业大学 | 基于滤波器子集选择和cnn的隐写分析框架构建方法 |
| CN109949200B (zh) * | 2019-03-11 | 2022-10-11 | 河南工业大学 | 基于滤波器子集选择和cnn的隐写分析框架构建方法 |
| CN110738256A (zh) * | 2019-10-15 | 2020-01-31 | 四川长虹电器股份有限公司 | 基于统计学习模型的图像隐含信息挖掘方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107292315B (zh) | 2021-02-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107292315A (zh) | 基于多尺度ltp特征的隐写分析方法和隐写分析装置 | |
| CN111047516B (zh) | 图像处理方法、装置、计算机设备和存储介质 | |
| CN113658115B (zh) | 一种基于深度卷积生成对抗网络的图像异常检测方法 | |
| CN112396607B (zh) | 一种可变形卷积融合增强的街景图像语义分割方法 | |
| CN103247036B (zh) | 多曝光图像融合方法和装置 | |
| CN106462771A (zh) | 一种3d图像的显著性检测方法 | |
| CN103955922B (zh) | 基于Gabor滤波器的印花织物疵点检测方法 | |
| CN110070091A (zh) | 用于街景理解的基于动态插值重建的语义分割方法及系统 | |
| CN108510504A (zh) | 图像分割方法和装置 | |
| CN109948593A (zh) | 基于结合全局密度特征的mcnn人群计数方法 | |
| CN107944437B (zh) | 一种基于神经网络和积分图像的人脸定位方法 | |
| CN110163213A (zh) | 基于视差图和多尺度深度网络模型的遥感图像分割方法 | |
| CN109859091A (zh) | 基于Gabor滤波和卷积神经网络的图像隐写检测方法 | |
| CN108564120A (zh) | 基于深度神经网络的特征点提取方法 | |
| CN108681689B (zh) | 基于生成对抗网络的帧率增强步态识别方法及装置 | |
| CN106022355A (zh) | 基于3dcnn的高光谱图像空谱联合分类方法 | |
| CN108053396A (zh) | 一种多失真图像质量的无参考评价方法 | |
| CN107403160A (zh) | 一种智能驾驶场景中图像检测方法、设备及其存储设备 | |
| CN103984963A (zh) | 一种高分辨率遥感图像场景分类方法 | |
| CN100369047C (zh) | 一种基于Gabor相位模式的图像识别方法 | |
| CN106056523A (zh) | 数字图像拼接篡改盲检测方法 | |
| CN111275070B (zh) | 一种基于局部特征匹配的签名验证方法及设备 | |
| CN109671055A (zh) | 肺结节检测方法及装置 | |
| CN111222583B (zh) | 一种基于对抗训练与关键路径提取的图像隐写分析方法 | |
| CN109344860A (zh) | 一种基于lbp的无参考图像质量评价方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230609 Address after: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee after: Peking University Patentee after: New founder holdings development Co.,Ltd. Patentee after: BEIJING FOUNDER ELECTRONICS Co.,Ltd. Address before: 100871 No. 5, the Summer Palace Road, Beijing, Haidian District Patentee before: Peking University Patentee before: PEKING UNIVERSITY FOUNDER GROUP Co.,Ltd. Patentee before: BEIJING FOUNDER ELECTRONICS Co.,Ltd. |
|
| TR01 | Transfer of patent right | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210205 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |