CN109461112B - 一种结合伽马变换脆弱检测的隐写分析方法 - Google Patents

Abstract

本发明提供一种结合伽马变换脆弱检测的隐写分析方法。该方法包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。当待检测图像集中包含伽马变换图像时，本发明提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。

Description

一种结合伽马变换脆弱检测的隐写分析方法

技术领域

本发明涉及信息安全技术领域，尤其涉及一种结合伽马变换脆弱检测的隐写分析方法。

背景技术

隐写术是指将秘密信息嵌入到普通的媒体中，并将看似正常的载密媒体通过公开信道进行传播，进而实现信息的隐蔽通信。隐测是一种与隐写术相对抗的技术，其主要目的是判断待检测媒体中是否含有秘密写检信息。

目前，研究者已提出许多优秀的图像隐写检测工具，其中基于隐写检测特征和分类器的隐写检测算法已经成为隐写分析算法中的主流。此类算法通过分析隐写操作对图像统计分布的影响，构建隐写检测特征，如SPAM，SRM特征系列等。在实际应用时，用已知类型图像的特征来训练分类器，如SVM，集成分类器等，然后再用训练好的分类器对可疑图像实施检测。

然而，大多数的隐写检测方法假设待检测图像直接来自于自然图像，即载体图像是没有经过任何图像操作的自然图像，且隐密图像是在自然图像上进行隐写生成的。图像处理技术的快速发展使得对图像的操作变得极其简单。随处可见的图像，如网页上的图片，即时通信工具接收的图像，社交媒体中发布的图像等，大多数都经过了各种各样的操作。这些操作可能使得图像统计分布与自然图像存在明显差异，导致隐写检测时的载体源失配问题，隐写检测的结果将不再可靠。

图像操作对隐写检测性能的影响主要表现在两方面。一方面，图像操作可能更改图像的统计分布，进而使得以前构建的特征无法区分隐写操作和普通图像操作对图像的更改。如果采用传统模式下的在自然图像和隐密图像上训练得到的分类器(判决域值)对正常处理后的图像进行隐写检测，可能会将其误判为隐密图像。由于现实世界中存在正常处理的图像数量远大于隐密图像，这些被误判的正常处理后的图像将会淹没隐写检测系统，使隐写检测者的检测性能急剧下降。另一方面，在隐写前，图像可能经过了各种操作，使得隐密图像的统计特征与载体图像相似，导致隐写检测时出现大量的漏警。此外，为了避免图像训练测试集失配问题，隐写检测方法通常要求训练样本集的图像种类覆盖待检测样本种类。然而，增大训练集的数量和种类可能使得单一分类器的性能下降。再者，由于图像处理的类型繁多，使得正常处理的图像种类成千上万，因而隐写检测的训练集难以覆盖所有的图像种类，隐写检测方法难以应用于实际。

为了解决隐写检测在现实应用中所遇到的问题，研究者们尝试过一些办法来提高隐写检测的可靠性。He等利用图像及其小波子带的特征函数矩(CFMs，CharacteristicFunction Moments)将自然图像、隐密图像和其它操作图像分开。然而，这种定制方法的检测对象局限于特定的图像操作，难以扩展到其它图像操作类型，因而其应用受到限制。为了解决图像训练测试集失配问题，Barni等提出借助图像取证来提高隐写检测的性能的思想。他们利用图像取证技术将相机图像与计算机生成图像区分开，然后利用不同的检测器对两类图像进行检测，从而提高了隐写检测的精度。Li等通过图像预分类将图像进行聚类，然后针对不同的图像类训练分类器以进行隐写检测。然而，基于图像聚类的方法不能识别图像的操作类型，因而也无法结合图像操作特性来进行更深入的隐写检测。Hou等针对经过和没有经过JPEG压缩过的空域图像，采用不同的隐写检测器进行隐写检测，提高了隐写检测的性能。孙曦等分析了图像伽马变换后载体图像和隐密图像的分布的偏移情况，进而得出对变换后的图像进行隐写检测的虚警率增大，从而使平均检测错误率增大的结论。而本发明主要是针对图像隐写检测时将伽马变换图像判为隐密图像的问题，提出了结合伽马变换脆弱检测的隐写检测方法。

发明内容

为解决现有技术中存在的上述问题，本发明提供一种结合伽马变换脆弱检测的隐写分析方法，利用伽马变换脆弱检测技术将未载密的伽马变换图像从待隐写检测图像中分离，然后在剩下的图像中进行隐写检测，从而降低隐写检测的虚警率，提高隐写检测的可靠性。

本发明提供一种结合伽马变换脆弱检测的隐写分析方法，该方法包括：

步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；

步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；

步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。

进一步地，所述步骤1具体为：

步骤11、计算图像i的图像直方图，i∈P；

步骤12、统计所述图像直方图中的零点集合Φ；

步骤13、根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F：

步骤14、根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像。

进一步地，所述步骤13具体为：

根据公式(11)计算图像i的伽马变换脆弱检测特征F：

其中，Φ＝{x|h(x)＝0,0<x<255}，h(x)为像素x的直方图值。

进一步地，所述步骤14具体为：

若F>η，则图像i为伽马变换图像；

若F≤η，则图像i不是伽马变换图像。

进一步地，所述步骤3具体为：

步骤31、提取图像的隐写检测特征；

步骤32、根据所述隐写检测特征，利用训练好的隐写检测分类器确定所述图像是否为隐密图像。

进一步地，所述方法还包括：

构建原始图像库，并对原始图像库中所有的图像进行伽马变换得到新图像库；

分别采用n种嵌入率对新图像库中所有的图像进行隐写操作，得到n类待测试图像；

将每类所述待测试图像分为两部分，其中一部分待测试图像用于训练得到阈值η和隐写检测分类器，另一部分待测试图像用于伽马变换脆弱检测和隐写检测。

本发明的有益效果：

本发明提供的一种结合伽马变换脆弱检测的隐写分析方法，首先，利用图像伽马变换脆弱检测技术对待隐写检测图像进行过滤。将与直方图零点相邻的直方图的乘积和作为其识别特征，将伽马变换从待隐写检测图像中进行分离。然后，利用在不包含伽马变换图像的训练集上训练得到的分类器或判决策略进行隐写检测。实验结果表明，当待检测图像集中包含伽马变换图像时，本发明提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。

附图说明

图1为本发明实施例提供的一种结合伽马变换脆弱检测的隐写分析方法的流程示意图；

图2为本发明又一实施例提供的一种结合伽马变换脆弱检测的隐写分析方法的流程示意图；

图3为本发明实施例提供的伽马变换检测结果的ROC曲线；

图4为本发明实施例提供的伽马变换图像及LSB匹配隐写后的图像的特征F的分布；

图5为现有技术中传统隐写检测方法的流程示意图；

图6中：(a)为原始图像Lena对应的图像直方图；(b)为原始图像经伽马变换后的图像直方图；(c)为对原始图像进行隐写后的图像直方图；(d)为对伽马变换图像进行隐写后的图像直方图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。

为了便于理解本发明的技术方案，下面对本发明的研究思路作具体介绍。

传统隐写检测方法的误差分析：目前主流的隐写检测算法大多基于分类器和高维特征，其检测流程如图5所示。为了便于表述，在本发明中，我们将这种隐写检测称为传统隐写检测。通过载体图像和隐密图像特征库训练分类器，并用训练好的分类器对待隐写检测图像进行检测，隐写检测存在两类误差：将自然图像判为隐密图像的虚警率和将隐密图像判为自然图像的漏警率。

为了便于表述，用字母C和S分别表示载体图像和隐密图像，N表示测试图像的总数量，N_C和N_S分别为载体图像数量和隐密图像数量。隐写检测的误差为

其中，P_FA和P_MD分别为隐写检测的虚警率和漏警率，其定义如下：

其中，

为将载体图像判为隐密图像的数量，

为将隐密图像判为载体图像的数量。

当待隐写检测图像集中包含正常处理的图像，即载体图像包含多种操作类型处理过的图像，则隐写检测的虚警率可进一步细分为对各个类型图像误判率之和。假设载体图像中包含m种操作处理过的图像。我们用C₀表示自然图像，用C_i表示经过第i种操作的图像，(1≤i≤m)，则隐写检测的虚警率可改写为

为了简洁而又不失一般性，假设待隐写检测图像集中载体图像数量和隐密图像数量之比固定，因此我们只需要分析隐写检测虚警率的变化。另外，假设载体图像中只包含两类图像，即自然图像和经过一种操作的图像。此时，隐写检测虚警率为

为了对比，我们给出载体图像全为自然图像时的隐写检测虚警率

则

当

时，

即单独对C₁类图像进行隐写检测的虚警率大于对自然图像进行隐写检测的虚警率时，隐写检测总的虚警率相比于对自然图像隐写检测的虚警率要大。此外，C₁类图像在载体图像中所占的数量比越大，

的值越大。

该结论很容易扩展到m>1时的情况，即当待隐写检测图像集中包含那些隐写检测虚警率比自然图像大的图像时，隐写检测整体的虚警率也将增大。并且当

时，(1≤i≤m)，虚警率取到最大值

隐写术可以看作是对图像添加少量噪声的操作，其对图像视觉的影响较小。而许多图像处理操作的目的在于更改图像的视觉效果，因而将给图像带来大量的噪声，典型的图像操作如图像伽马变换。因此，在隐写检测时，经过图像处理操作的图像会以较大的概率被判为隐密图像。由于真实世界中存在大量经过处理的图像，在实际应用时，传统隐写检测方法的隐写检测的虚警率将较大。本发明正是认识到该技术问题，因此提出一种结合伽马变换脆弱检测的隐写分析方法。

图像伽马变换是一种图像对比度变换操作，其变换的基本形式为s＝r^γ，其中r∈[0,1]为伽马变换的输入，γ>0是变换的唯一参数，控制着变换的方向和力度。由于图像像素的值是离散的整数，图像经过伽马变换，像素的值需要取整。图像伽马变换的形式为

其中，x,y∈{n|n∈[0,255]∩Z}分别表示伽马变换前后图像的像素值，Z为整数集，round(·)是四舍五入取整操作。

有研究分析了原始图像经伽马变换后，载体图像和隐密图像的分布偏移情况，进而得出对伽马变换后的图像进行隐写检测的虚警率增大，漏警率减少，平均检测错误率增大的结论。基于该结论，他们提出了基于空域图像变换参数扰动的隐写方法，在隐写前将载体图像进行伽马变换，并扰动变换参数，从而增加待隐写检测图像的多样性，进而增大了经典隐写检测方法的检测误差。

因此，若采用传统隐写检测方法对上述这种经过伽马变换的图像进行隐写检测，平均检测错误率则比较大，基于此，本发明提出了结合伽马变换脆弱检测的隐写分析方法。

本发明为了提高隐写检测的性能，图1为本发明实施例提供的一种结合伽马变换脆弱检测的隐写分析方法的流程示意图。如图1所示，该方法包括以下步骤：

S101、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；

S102、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；

S103、对所述待隐写检测图像集P中剩下的图像进行隐写检测。

具体地，本发明借助于图像取证技术。图像操作识别是针对特定图像操作而设计的一种图像取证技术，能够识别图像经过的特定操作，并将该图像与经过其它操作的图像区分开。目前，研究者们已经提出了许多高效的图像操作识别技术，典型的有中值滤波检测、图像对比度变换检测、模糊检测、缩放检测和JPEG压缩检测等。即使图像先后经过了多种图像处理操作，大多数图像操作识别技术也能够识别在图像操作历史中的最后一种操作。然而，如果图像先后经过待识别操作和其它操作，图像操作检测则可能失败。我们称这种不能抵抗图像后处理攻击的取证方法具有脆弱性。图像的脆弱性在图像取证中可能是一种缺点，但本发明正是利用图像操作检测的这种特性来帮助隐写检测，通过将正常处理的图像与隐密图像区分开，进而提高隐写检测的检测性能。本发明涉及到的图像取证技术为伽马变换脆弱检测，目的是为了识别待隐写检测图像集中的伽马变换图像。

在上述实施例的基础上，所述步骤S101具体为：

S1011、计算图像i的图像直方图，i∈P；

S1012、统计所述图像直方图中的零点集合Φ；

S1013、根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F：

S1014、根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像。

具体地，当待隐写检测图像集中含伽马变换图像时，如果能够先将未隐写的伽马变换图像从待隐写检测图像中分离出去，将提高隐写检测的性能。图像伽马变换脆弱检测在图像最后经过的操作是伽马变换时很有效。如果在伽马变换后，图像还经过其它操作，如隐写操作，那么图像伽马变换脆弱检测不能识别该图像。

有研究提出了一种基于图像直方图统计函数的伽马变换检测方法(“STAMM M C,LIU K J R.Forensic detection of image manipulation using statisticalintrinsic fingerprints[J].IEEE Transactions on Information Forensics andSecurity,2010,5(3):492–506”)，该方法利用伽马变换会增大直方图统计函数高频系数的特点，以高频系数的平均值为特征对伽马变换进行检测。然而，该方法对隐写具有一定的鲁棒性。现有技术中：有人提出了一种基于直方图谷的个数的伽马变换检测方法(方法一)。他们指出，伽马变换图像的直方图中存在大量的谷，即值为零，但其两边直方图值不为零的直方图点。还有人提出了一种基于图像直方图零点位置的伽马变换参数估计方法和伽马变换检测方法(方法二)。他们在理论上分析了伽马变换对图像直方图的影响，指出经过伽马变换后，图像直方图将新增零点，并且零点的位置与变换参数密切相关。基于此，他们通过匹配直方图点的位置来有效估计图像伽马变换的参数，并基于零点的位置和直方图统计函数构造了一个5维的特征向量来检测伽马变换。

由于在伽马变换图像上进行隐写，将可能填补直方图零点，因此这些基于直方图零点方法不能识别隐写后的伽马变换图像。因此，本发明的步骤S101旨在基于直方图零点的特征将未隐写的伽马变换图像和隐密图像区分开，而不必考虑隐密图像是否也经过了伽马变换。即经过步骤S102后，待隐写检测图像集中剩下的图像主要包括两类：经伽马变换后又经隐写的隐密图像(下称伽马变换隐密图像)和未经伽马变换而经隐写的隐密图像(下称一般隐密图像)。

接下来，本发明对伽马变换隐密图像和一般隐密图像进行了研究。不妨假设隐写对图像像素的更改为±K操作，则隐写前后图像直方图的值关系如下

其中，h_s(n)和h_c(n)分别为隐密图像和载体图像在n处的直方图，α_i,j≥0且

对于嵌入率为ρ的LSB匹配隐写，α_-1,j＝α_1,j＝0.25ρ，α_0,j＝1-0.5ρ。

因此，如果在伽马变换后的图像上进行隐写，则由伽马变换引入的直方图零点将由于其相邻的非零直方图所分享的值而被填充。图6中：图(a)为经典图像Lena对应的原始图像直方图；图(b)为经过伽马变换后的图像直方图；图(c)为原始图像经过隐写后的图像直方图；图(d)为伽马变换图像经过隐写后的图像直方图。其中，图像尺寸均为512x512，伽马变换参数为0.67，隐写算法为LSB匹配，嵌入率为0.4。对比图6中的四幅直方图，可以看出只有非隐密的伽马变换图像才存在大量孤立的零点。

然而，因为自然图像直方图中也可能存在谷(零点)，现有技术中的两种方法(方法一和方法二)容易将这些自然图像判为伽马变换图像，甚至可能将隐写图像判为伽马变换图像。而本发明经研究发现：对于自然图像，与直方图中的零点相邻的直方图的值较小，而由伽马变换引入的直方图零点的相邻直方图的值通常较大。为了缓解这一问题，本发明使用了一种基于直方图零点及其相邻直方图的特征。即统计所述图像直方图中的零点集合Φ；然后根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F；最后根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像。

在上述各实施例的基础上，本发明提供又一实施例，如图2所示，具体流程如下：

S201、构建原始图像库，并对原始图像库中所有的图像进行伽马变换得到新图像库；

S202、分别采用n种嵌入率对新图像库中所有的图像进行隐写操作，得到n类待测试图像；

S203、将每类所述待测试图像分为两部分，其中一部分待测试图像(下称训练集)用于训练得到阈值η和隐写检测分类器，另一部分待测试图像(下称测试集)用于伽马变换脆弱检测和隐写检测。

S204、计算测试集中图像i的图像直方图，i∈测试集；

S205、统计所述图像直方图中的零点集合Φ；

S206、根据公式(11)计算图像i的伽马变换脆弱检测特征F：

其中，Φ＝{x|h(x)＝0,0<x<255}，h(x)为像素x的直方图值；

S207、若F>η，则图像i为伽马变换图像；若F≤η，则图像i不是伽马变换图像，η为步骤S203训练到的阈值；

S208、将检测到的伽马变换图像从测试集中分离；

S209、对所述测试集中剩下的图像进行隐写检测，主要包括以下两个子步骤：

S2091、提取图像的隐写检测特征，例如SRM特征；

S2092、根据所述隐写检测特征，利用训练好的隐写检测分类器确定所述图像是否为隐密图像。

具体地，本步骤中所述的训练好的隐写检测分类器为步骤S203训练得到的隐写检测分类器。该隐写检测分类器判断原理为：若隐写检测分类器在图像中检测到了隐写操作，则该图像为隐密图像；若没有检测到隐写操作，则该图像为载体图像。

为了验证本发明提出的一种结合伽马变换脆弱检测的隐写分析方法在降低虚警率方面的有效性，本发明提供了以下性能测试实验。

图像数据：采用BossBase 1.01中的10,000幅图像作为原始图像对本发明所提出隐写检测框架进行性能测试。在隐写前，我们先将原始图像进行伽马变换，参数为γ＝1+△，△∈{±0.1,±0.2}。为了方便表述，我们将原始图像看作经过参数为1的伽马变换图像，即△＝0。然后，对每一幅图像进行信息的模拟嵌入。隐写方法采用LSB匹配和S-UNIWARD隐写，嵌入率ρ分别为0.1，0.2，0.3，0.4。这样，构建的图像库总共包含450,000幅图像。最后，用本发明提出的基于伽马变换识别的隐写检测方法进行隐写检测。

实验构思：首先对构建的测试图像库进行伽马变换检测。然后将判定为经过伽马变换的图像从待隐写检测测试集中分离。最后进行隐写检测。对于每一类图像，将其一半用于训练，包括判定域值η的设置和集成分类器的训练，另外一半用于测试，包括伽马变换检测和隐写检测。值得一提的是，在最后计算隐写检测错误率时，在伽马变换检测中被虚警的图像也包含在内，即如果隐密图像被判为伽马变换图像，则其被判为载体图像，因而在最后计算隐写检测错误率时，该隐密图像是被漏警的，尽管其没有经过真正的隐写检测。同时，在计算虚警率时，也是用最后被判为隐密图像的载体图像数比上所有的载体图像数，而不是比上用SRM进行隐写检测时的载体图像数。

采用5000幅自然图像和其对应的伽马变换图像来测试本发明方法(图3中的Proposed)中特征F的性能。作为对比实验，对比算法为文(“STAMM M C,LIU K JR.Forensic detection of image manipulation using statistical intrinsicfingerprints[J].IEEE Transactions on Information Forensics and Security,2010,5(3):492–506”.)提出的伽马变换检测方法(对应图3中的STM)和文(CAO G等.ContrastEnhancement-Based Forensics in Digital Images[J].IEEE Transactions onInformation Forensics and Security,2014,9(3):515–525.)中提出的伽马变换检测方法(对应图3中的CGM)。

实验结果：图3给出了在各参数下三种方法伽马变换检测结果的ROC曲线。从实验结果可以看出，本发明提出的伽马变换检测方法优于其它两种方法，在较低虚警率下具有较高的检测准确率。例如，在虚警率为0.02时，△＝-0.2,-0.1,0.1,0.2的伽马变换检测率分别为99.86％,99.77％,94.7％,94.97％。这对于隐写检测来说很重要，因为较低的伽马变换检测虚警率保证了较少的隐密图像被判为伽马变换图像，因而伽马变换检测对隐密图像的判决的影响较小。

利用特征F判定图像是否经过伽马变换时，首先要设置判定域值η。图4给出了各参数下LSB匹配隐写的隐密图像和载体图像的特征F分布的盒图，各类图像数为5000幅。其中嵌入率ρ＝0表示没有进行隐写的图像。为了区别伽马变换图像特征和其它图像特征，我们将值大于6×10^－7的区域进行压缩。从图4中可以看出，自然图像和隐密图像对应的特征F的值均小于6×10^－7，而绝大多数伽马变换图像的特征值F大于6×10^－7。这说明通过设定域值η，根据特征F的大小能够很好地将自然图像和隐密图像同伽马变换图像区别开。考虑到隐写检测的漏警率，如果隐密图像在伽马变换检测时被判为伽马变换图像，将直接被判为载体图像，从而不再经过隐写检测，这样会增加漏警率。因此，伽马变换的判定域值η的值应尽量大，从而使得所有隐写图像的特征值F小于该域值η。根据实验结果，我们取η＝10^-6。

表1给出了应用上述域值进行伽马变换检测的错误率。在实验中，所有的自然图像均被判为非伽马变换图像。对于LSB匹配隐写，隐密图像也被判为非伽马变换图像，而对于S-UNIWARD隐写，有少量的隐密图像被判为伽马变换图像。这些已经被判为经过了伽马变换的图像，将从待隐写检测图像中分离，直接被判为载体图像。因此将隐密图像判为伽马变换图像将增大最后隐写检测的漏警率。此外，本发明方法对伽马变换图像有漏警。由于伽马变换引入的直方图零点只分布在直方图的一部分区域，因此经过伽马变换后，在伽马变换图像的直方图中，除去直方图两端的零点外，也可能不会有零点产生。由于本发明方法基于直方图零点，因此这些图像被判为非伽马变换图像，并将经过隐写检测。

表1伽马变换检测误判率

对于伽马变换检测中被判为非伽马变换的图像，将进一步实施隐写检测。集成分类器的训练集为未经过伽马变换的自然图像和隐密图像，其数量分别为对应图像总数的一半。在传统隐写检测方法下，在隐写检测前不对伽马变换图像进行检测和分离，而本发明提出的隐写检测方法只对伽马变换检测判为非伽马变换的图像进行检测。实验结果为10次实验的平均值。

表2给出了本发明提出的方案和传统模式下的对LSB匹配隐写进行检测的虚警率，漏警率和平均检测错误率。对于隐写检测虚警率，传统模式下将大量伽马变换图像判为隐密图像，从而其虚警率较大。而在本发明提出的模式下，由于大量伽马变换图像在伽马变换检测阶段被分离出去了，降低了伽马变换图像被判为隐密图像的可能，因而其虚警率较小，并降低了最后的平均检测错误率。

由于在伽马变换检测时没有隐密图像被判为伽马变换图像，因而传统隐写检测方法和本发明提出方案的隐写检测漏警率相同。两种模式下实验结果中漏警率的微小差异来自于子特征空间选取的随机性。值得注意的是，△＝0时的隐写检测漏警率要高于△≠0时的漏警率。这说明在伽马变换图像上嵌入信息，其隐写的安全性比在自然图像上嵌入信息的安全性低。然而，对于传统隐写检测方法而言，当载体图像中涉及伽马变换时，由于虚警率的增加，其最后的检测结果的可靠性比单纯在自然图像上进行隐写更低。

此外，我们也可以看出，当载体图像中存在经过伽马变换的图像时，采用本发明提出的隐写检测方法，可以有效地提高对LSB匹配隐写的检测的可靠性。一方面，通过将经过伽马变换的图像从待隐写图像中分离，从而降低虚警率。另一方面，在经过伽马变换的图像上进行隐写本身可能使隐密图像更易于被检测出来。从这一点来说，当应用于本发明提出的方法进行隐写检测，并且图像操作脆弱检测方法的准确性较高时，在经过伽马变换的图像上进行隐写的安全性不如直接在自然图像上进行隐写的安全性高。

表2针对LSB matching隐写的检测结果

表3给出了针对S-UNIWARD隐写的检测的虚警率，漏警率和平均检测错误率。从实验结果中可以看出本发明提出的方案能够大幅度地降低隐写检测的虚警率。然而，由于在进行伽马变换时，部分隐密图像被判为伽马变换图像，因此本发明提出的方案增加了隐写检测的漏警率。即使这样，与传统隐写检测方法相比，本发明提出的方案的平均检测错误率与降低不少。

此外，值得一提的是△＝-0.2时的隐写检测结果(如表中加黑字体所示)，其虚警率相比于△＝0时没有其它伽马变换参数下增加的大，甚至可能更小，如ρ＝0.3。另外，其漏警率均比△＝0时大，而其它伽马变换参数下的漏警率均比△＝0时的小。这说明与△＝0相比，当△＝-0.2，在伽马变换图像上进行S-UNIWARD隐写后，隐密图像的SRM特征与自然图像的SRM特征更相似。在这种情况下，本发明提出的方案不能解决漏警率增大的问题。针对这个问题，一种可能的解决方法是：识别出隐写检测前图像是否经过了伽马变换，然后采用对应图像类上训练得到的分类器进行隐写检测来降低隐写检测的漏警率。这已经超过本发明的讨论范围，故不再赘述。

表3针对S-UNIWARD隐写的检测结果

针对隐写检测在实际应用中可能将伽马变换图像判为隐密图像的问题，本发明提出了结合伽马变换脆弱检测的隐写分析方法。首先，利用图像伽马变换脆弱检测技术对待隐写检测图像进行过滤。我们将与直方图零点相邻的直方图的乘积和作为其识别特征，将伽马变换从待隐写检测图像中进行分离。然后，利用在不包含伽马变换图像的训练集上训练得到的分类器或判决策略进行隐写检测。实验结果表明，当待检测图像集中包含伽马变换图像时，本发明提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。

最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。

Claims (3)

1.一种结合伽马变换脆弱检测的隐写分析方法，其特征在于，包括：

步骤1、构建原始图像库，并对原始图像库中所有的图像进行伽马变换得到新图像库；分别采用n种嵌入率对新图像库中所有的图像进行隐写操作，得到n类待测试图像；将每类所述待测试图像分为两部分，其中一部分待测试图像用于训练得到阈值η和隐写检测分类器，另一部分待测试图像用于伽马变换脆弱检测和隐写检测；

步骤2、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；具体包括：

步骤21、计算图像i的图像直方图，i∈P；

步骤22、统计所述图像直方图中的零点集合Φ；

步骤23、根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F；

步骤24、根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像；

步骤3、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；

步骤4、对所述待隐写检测图像集P中剩下的图像进行隐写检测；具体包括：

步骤41、提取图像的隐写检测特征；

步骤42、根据所述隐写检测特征，利用训练好的隐写检测分类器确定所述图像是否为隐密图像。

2.根据权利要求1所述的方法，其特征在于，所述步骤13具体为：

根据公式(11)计算图像i的伽马变换脆弱检测特征F：

其中，Φ＝{x|h(x)＝0,0<x<255}，h(x)为像素x的直方图值。

3.根据权利要求1所述的方法，其特征在于，所述步骤14具体为：

若F>η，则图像i为伽马变换图像；

若F≤η，则图像i不是伽马变换图像。

Images