CN108460715A - 一种基于局部纹理模式的二值图像隐写分析方法 - Google Patents

Abstract

本发明涉及多媒体信息安全以及图像信息隐写技术领域，更具体地，涉及一种基于局部纹理模式的二值图像隐写分析方法。包括以下步骤：S1.构建十三宫格像素点块模板；S2.利用块模板扫描图像得到二值图像局部纹理模式；S3.统计每个二值图像局部纹理模式出现的频率；S4.将局部纹理模式出现的频率级联形成特征向量，利用集成分类器进行学习分类。本发明利用集成分类器进行学习分类，所提取的二值图像分析特征具有较高的特征维度，并且能够很好地描述图像的纹理，集成分类器能够很好地利用所提取的高维特征进行学习分类，能够很好地检测出待检测图像是否包含隐秘信息，具有较强可靠性。

Description

一种基于局部纹理模式的二值图像隐写分析方法

技术领域

本发明涉及多媒体信息安全以及图像信息隐写技术领域，更具体地，涉及一种基于局部纹理模式的二值图像隐写分析方法。

背景技术

随着信息时代的到来，带来通信便利的同时，也给信息安全提出新的挑战。无论政府与个人，在通信过程中总有一些重要的敏感信息不希望被第三方发现、截获；流传网络的图像、视频等多媒体数据需要版权保护；新兴电子商务数据如何确认真实等。但同时一些犯罪分子利用信息加密技术传播消息，一旦这些消息不被发现，可能会造成严重的后果。

隐写术是一种典型的实现隐秘通信的技术。它利用某些公开的信息进行秘密信息隐藏，使得第三方不会察觉到秘密信息的存在。现代信息隐藏技术的基本特点有：不可察觉性、鲁棒性、更大的隐藏容量。隐写术在信息安全保障体系的诸多方面发挥着重要的作用，主要有：数据保密通信、身份认证、数字作品版权保护与盗版鉴定以及完整性、真实性鉴定与内容回复等。然而当一些犯罪分子利用隐写术进行信息传播，以此达到犯罪目的，那么将带来严重的后果。因此隐写术是一把双刃剑。对于隐写术的攻击方，隐写分析技术对隐写术的检测具有重要意义。此外一个好的隐写分析方法对于评估隐写方案的安全性也非常重要。由于这些原因，具有可靠检测性的隐写分析方法是很有必要的。

在二值图像中，最典型的隐写分析方法是能够找到很好地描述图像内容的隐写分析特征，并利用具有良好特性的训练器进行学习得到良好的检测分类模型，以此区分待检测的图像是否为包含隐秘信息的图像或者是不包含秘密信息的图像。对于现有二值图像隐写分析技术，最简单方法是利用灰度游程矩阵以及灰度共生矩阵提取特征。对于二值图像，只包含两种灰度级，分别为黑和白，因此二值图像纹理特征相对突出并且受噪声影响较大。而利用二值图像的灰度游程矩阵以及共生矩阵，所提取的特征往往比较简单并不能很好地描述二值图像的纹理分布，因此它们的检测性能并不可靠。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于局部纹理模式的二值图像隐写分析方法，够很好地检测出待检测图像是否包含隐秘信息，具有较强可靠性。

为解决上述问题，本发明提供的技术方案为：一种基于局部纹理模式的二值图像隐写分析方法，其中，包括以下步骤：

S1.构建十三宫格像素点块模板；

S2.利用块模板扫描图像得到二值图像局部纹理模式；

S3.统计每个二值图像局部纹理模式出现的频率；

S4.将局部纹理模式出现的频率级联形成特征向量，利用集成分类器进行学习分类。

进一步地，所述的S1步骤为：构造一个5×5大小的十三宫格像素点块模板，其中每一宫格是一个小的正方形，表示一个像素，十三个宫格构成一个二值图像扫描窗口，其中包含3×3大小的九宫格，其余四个宫格分别位于九宫格的正上方，正下方，正左方和正右方；对扫描窗口中的十三宫格按照一定的顺序进行编号：0，1，2……12，其中标号为0的宫格位于扫描窗口的中心位置。

进一步地，选用BIVC图像库，实验所需的二值图像库为BIVC图像库，图像库内包含5000张二值图像，其中包括卡通图，纹理图，手写体等多种二值图像。因为该专利是针对二值图像的隐写分析，需要各种二值图像进行实验，保证结果可靠性。

进一步地，所述的S2步骤包括以下步骤：

S21.用BCPC，Connpre，GIM，EAG，DPDC，PPCM和SHUFFLE七种隐写方法分别对BIVC图像库中的二值图像嵌入隐秘信息分别构造不同隐写方案对应的数据集，每种隐写方案对应的训练集也包含5000张二值图像，七种隐写方法对应七个数据集以及原来无隐秘信息的BIVC数据集工八种数据集。例如利用本专利方法攻击某种二值图像隐写方法(比如BCPC或者Connpre或者GIM或者EAG等)，使用被攻击的某种二值图像隐写方法对应的数据库作为正样本和无隐秘信息的BIVC数据集作为负样本供给学习器进行学习分类。利用多种隐写方案目的在于验证本专利方法攻击任何隐写方案所得出的分类检测效果都可靠。

S22.利用集成分类器进行学习分类，利用S21得到的一种隐写方法对BIVC进行信息嵌入的数据集D1和原无载密信息的BIVC数据集D2，在训练过程中，从D1、D2中随机选取一定数量的二值图像，作为训练集，剩下的二值图像作为测试集，使用集成分类器对训练集进行学习训练，训练得出模型利用测试集进行测试以验证结果的可靠性；举个例子，当需要验证本专利方法检测BCPC的效果时，首先利用S21得到的用BCPC隐写方法对BIVC进行信息嵌入的数据集D1共5000张二值图像以及原无载密信息的BIVC数据集D2共5000张。训练过程中，在D1和D2分别随机选取2500张二值图像，共5000张二值图像作为训练集，其中从D1选取的二值图像作为正样本，D2中选取的二值图像作为负样本。使用集成分类器对训练集进行学习训练。训练得出模型利用测试集进行测试以验证结果的可靠性。其中测试集包括D1中剩下的2500张二值图像以及D2中剩下的2500张二值图像，以此作为正负样本测试训练得出模型的好坏，以验证本专利方法的可靠性。当攻击其他六种隐写方案的大致过程也如此。

S23.对于训练集中的任一图像H，利用扫描窗口依次从左往右，从上到下扫描图像H，其中扫描步长设置为1；得到由十三宫格像素块扫描得出的二值图像局部纹理模式。

进一步地，所述的S3步骤具体包括：根据S2步骤的方法和S1步骤的十三宫格编号方法，统计出在二值图像中局部纹理模式的分布情况以及计算出每个二值纹理模式块的出现频率，每个二值图像只有黑色和白色两种像素级别，分别用“1”和“0”表示，因此在十三宫格像素块中，每个宫格像素只有“1”和“0”两种情况，每个宫格任意组合可以得到8192种局部纹理模式，根据每个局部纹理模式出现的频率得出局部纹理模式直方图。

进一步地，所述的S4步骤具体包括：

S41.根据局部纹理模式频率直方图，形成二值图像隐写分析的特征向量，将形成的特征向量交给集成分类器进行学习；

S42.经过集成分类器学习后得到二值图像隐写分析模型，利用该模型区分出待检测的图像是载密图像还是载体图像。

进一步地，所述的S41步骤包括：

S411.对于待检测的二值图像，利用十三宫格像素扫描块对其进行扫描，得到每个二值图像的局部纹理分布情况以及每个模式块出现频率；

S412.将每个模式块的出现频率级联形成特征向量，用训练得出的二值图像隐写分析分类模型对特征向量进行分类；

S413.如果分类模型对待检测的二值图像分类为载密图像，那么该图像包含秘密信息；如果对待检测的二值图像分类为载体图像，那么该二值图像不包含秘密信息。

与现有技术相比，有益效果是：本发明提供的一种基于局部纹理模式的二值图像隐写分析方法，选取十三宫格像素点模板扫描待检测的二值图像，得到二值图像的纹理分布，将每个模式块的出现频率级联形成特征向量，利用集成分类器进行学习分类，所提取的二值图像分析特征具有较高的特征维度，并且能够很好地描述图像的纹理，集成分类器能够很好地利用所提取的高维特征进行学习分类，因此本发明能够很好地检测出待检测图像是否包含隐秘信息，具有较强可靠性。

附图说明

图1为本发明的方法流程图、

图2为本发明中使用的十三宫格像素扫描块示意图。

图3为本发明中使用的测试图像包括载体图像a和载密图像b。

图4为本发明中分类器检测结果。

图5位本发明基于局部纹理模式的二值图像隐写分析的实验效果。

具体实施方式

如图1所示，一种基于局部纹理模式的二值图像隐写分析方法，其中，包括以下步骤：

步骤1.构建十三宫格像素点块模板；构造一个5×5大小的十三宫格像素点块模板，其中每一宫格是一个小的正方形，表示一个像素，十三个宫格构成一个二值图像扫描窗口，其中包含3×3大小的九宫格，其余四个宫格分别位于九宫格的正上方，正下方，正左方和正右方；对扫描窗口中的十三宫格按照一定的顺序进行编号：0，1，2……12，其中标号为0的宫格位于扫描窗口的中心位置。

步骤2.利用块模板扫描图像得到二值图像局部纹理模式；选用BIVC图像库，实验所需的二值图像库为BIVC图像库，图像库内包含5000张二值图像，其中包括卡通图，纹理图，手写体等多种二值图像。因为该专利是针对二值图像的隐写分析，需要各种二值图像进行实验，保证结果可靠性。

用多种隐写分析方案对图片嵌入隐秘信息分别构造不同隐写方案对应的训练集，每种隐写方案对应的训练集也包含至少5000张二值图像；在训练过程中，训练集中2500张载体图像和2500张载密图像用于训练模型，剩下的为测试集；对于训练集中的任一图像H，如图3a或图3b，利用扫描窗口依次从左往右，从上到下扫描图像H，其中扫描步长设置为1；最后取得由5×5大小的十三宫格像素块扫描得出的二值图像局部纹理模式。

步骤3.统计每个二值图像局部纹理模式出现的频率；根据S2步骤的方法和S1步骤的十三宫格编号方法，统计出在二值图像中局部纹理模式的分布情况以及计算出每个二值纹理模式块的出现频率，每个二值图像只有黑色和白色两种像素级别，分别用“1”和“0”表示，因此在十三宫格像素块中，每个宫格像素只有“1”和“0”两种情况，每个宫格任意组合可以得到2¹³＝8192种局部纹理模式，一些局部纹理模式如图4所示，根据每个局部纹理模式出现的频率得出局部纹理模式直方图。

步骤4.根据局部纹理模式频率直方图，形成二值图像隐写分析的特征向量，将形成的特征向量交给集成分类器进行学习；对于待检测的二值图像，利用十三宫格像素扫描块对其进行扫描，得到每个二值图像的局部纹理分布情况以及每个模式块出现频率；将每个模式块的出现频率级联形成特征向量，用训练得出的二值图像隐写分析分类模型对特征向量进行分类；如果分类模型对待检测的二值图像分类为载密图像，那么该图像包含秘密信息；如果对待检测的二值图像分类为载体图像，那么该二值图像不包含秘密信息。

通过验证批量二值图像的检测效果来说明本发明的可靠性。如图5所示，该基于局部纹理模式的二值图像隐写分析的实验效果。图3(a)为数据集中载体图像其中一个例子，图3b为数据集中载密图像的例子，从图5中可以明显地看出隐写分析取得可靠的检测性能。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (7)

1.一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，包括以下步骤：

S1.构建十三宫格像素点块模板；

S2.利用块模板扫描图像得到二值图像局部纹理模式；

S3.统计每个二值图像局部纹理模式出现的频率；

S4.将局部纹理模式出现的频率级联形成特征向量，利用集成分类器进行学习分类。

2.根据权利要求1所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，所述的S1步骤为：构造一个5×5大小的十三宫格像素点块模板，其中每一宫格是一个小的正方形，表示一个像素，十三个宫格构成一个二值图像扫描窗口，其中包含3×3大小的九宫格，其余四个宫格分别位于九宫格的正上方，正下方，正左方和正右方；对扫描窗口中的十三宫格按照一定的顺序进行编号：0，1，2……12，其中标号为0的宫格位于扫描窗口的中心位置。

3.根据权利要求2所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，选用BIVC图像库作为图像库。

4.根据权利要求3所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，所述的S2步骤包括以下步骤：

S21.用BCPC，Connpre，GIM，EAG，DPDC，PPCM和SHUFFLE七种隐写方法分别对BIVC图像库中的二值图像嵌入隐秘信息分别构造不同隐写方案对应的数据集，每种隐写方案对应的训练集也包含5000张二值图像，共有八个数据集；

S22.利用集成分类器进行学习分类，利用S21得到的一种隐写方法对BIVC进行信息嵌入的数据集D1和原无载密信息的BIVC数据集D2，在训练过程中，从D1、D2中随机选取一定数量的二值图像，作为训练集，剩下的二值图像作为测试集，使用集成分类器对训练集进行学习训练，训练得出模型利用测试集进行测试以验证结果的可靠性；

S23.对于训练集中的任一图像H，利用扫描窗口依次从左往右，从上到下扫描图像H，其中扫描步长设置为1；得到由十三宫格像素块扫描得出的二值图像局部纹理模式。

5.根据权利要求4所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，所述的S3步骤具体包括：根据S2步骤的方法和S1步骤的十三宫格编号方法，统计出在二值图像中局部纹理模式的分布情况以及计算出每个二值纹理模式块的出现频率，每个二值图像只有黑色和白色两种像素级别，在十三宫格像素块中，每个宫格只有两种像素情况，每个宫格任意组合可以得到8192种局部纹理模式，根据每个局部纹理模式出现的频率得出局部纹理模式直方图。

6.根据权利要求5所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，所述的S4步骤具体包括：

S41.根据局部纹理模式频率直方图，形成二值图像隐写分析的特征向量，将形成的特征向量交给集成分类器进行学习；

S42.经过集成分类器学习后得到二值图像隐写分析模型，利用该模型区分出待检测的图像是载密图像还是载体图像。

7.根据权利要求6所述的一种基于局部纹理模式的二值图像隐写分析方法，其特征在于，所述的S41步骤包括：

S411.对于待检测的二值图像，利用十三宫格像素扫描块对其进行扫描，得到每个二值图像的局部纹理分布情况以及每个模式块出现频率；

S412.将每个模式块的出现频率级联形成特征向量，将特征向量输入到二值图像隐写分析模型中，得出分类结果；

S413.如果分类模型对待检测的二值图像分类为载密图像，那么该图像包含秘密信息；如果对待检测的二值图像分类为载体图像，那么该二值图像不包含秘密信息。