CN109523452B - 一种基于通道差分残差的彩色图像隐写检测方法 - Google Patents
一种基于通道差分残差的彩色图像隐写检测方法 Download PDFInfo
- Publication number
- CN109523452B CN109523452B CN201811276883.3A CN201811276883A CN109523452B CN 109523452 B CN109523452 B CN 109523452B CN 201811276883 A CN201811276883 A CN 201811276883A CN 109523452 B CN109523452 B CN 109523452B
- Authority
- CN
- China
- Prior art keywords
- image
- steganography
- residual
- detection
- channel
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 175
- 238000000034 method Methods 0.000 claims abstract description 54
- 238000000605 extraction Methods 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims description 58
- 239000011159 matrix material Substances 0.000 claims description 57
- 238000001914 filtration Methods 0.000 claims description 17
- 238000000682 scanning probe acoustic microscopy Methods 0.000 claims description 16
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000007636 ensemble learning method Methods 0.000 claims description 4
- 230000007704 transition Effects 0.000 claims description 4
- 239000000284 extract Substances 0.000 abstract description 8
- 230000009467 reduction Effects 0.000 abstract description 3
- 238000004422 calculation algorithm Methods 0.000 description 31
- 230000008859 change Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 8
- 239000003086 colorant Substances 0.000 description 5
- 230000003044 adaptive effect Effects 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 239000000969 carrier Substances 0.000 description 3
- 230000006872 improvement Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006555 catalytic reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color image
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于通道差分残差的彩色图像隐写检测方法。该方法包括：步骤1、计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；步骤2、根据所述差分平面DRG、DRB和DGB，得到基于通道间差分的DF特征；步骤3、根据DF特征，利用训练好的隐写检测器确定所述待检测彩色图像是否为隐密图像。本发明首先认识到从通道间差分中提取特征应能够对彩色图像隐写进行更有效的检测，接着对基于通道间差分残差的隐写检测特征进行提取，并基于此对现有的特征提取方法进行改进。实验结果表明：针对WOW和S‑UNIWARD隐写，本发明提出的隐写检测方法的平均检测错误率明显低于已有隐写检测方法，尤其在嵌入率小于0.2时，检测错误率降低的最大幅度甚至超过5％。
Description
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于通道差分残差的彩色图像隐写检测方法。
背景技术
隐写术是指将秘密信息隐藏在不被怀疑的数字媒体中，以实现隐蔽通信。隐写检测主要用于检测数字媒体是否经过隐写操作。在以文本、图像、视频等为载体的诸多隐写载体中，图像隐写引起了隐写检测研究者们的广泛关注。
针对LSB替换、LSB匹配、OutGuess、F5、MB等经典的图像隐写算法，研究者们已经提出了很多有效的隐写检测算法，取得了较好的检测效果，甚至在部分情况下可对隐写信息进行定位或者提取。针对近年来兴起的HUGO(Highly Undetectable steGO)算法、WOW(Wavelet Obtained Weights)算法、S-UNIWARD(Spatial UNIversalWAvelet RelativeDistortion)算法、SI-UNIWARD(SideInformedUNIversalWAvelet Relative Distortion)算法和J-UNIWARD(JPEGUNIversalWAvelet Relative Distortion)算法等新型的自适应隐写算法，研究者们通过对图像的高维统计特征进行建模，提出了用于空域图像的RichModel、PSRM(ProjectionSpatial Rich Model)和maxSRM，以及用于JPEG图像的CC-JRM(Cartesian-Calibrated JPEG Rich Model)和PHARM(PHase-Aware ProjectionFeatures)特征等高维隐写检测特征，获得了较好的检测性能，并从中筛选出更为有效的特征。
然而，目前的图像隐写检测主要以灰度图像为检测对象。实际上，彩色图像在我们的日常工作和生活中应用更为广泛。取证者可以利用现有的灰度图像隐写检测算法对彩色图像各个颜色通道分别实施检测，然后根据各个颜色通道的检测结果判断其是否含有隐写信息。但是这种简单的扩展未能将各个颜色通道作为一个整体进行考虑，各个颜色通道的检测结果相互干扰。而且当嵌入同等长度的秘密信息时，若将信息随机散布在各个颜色通道中会降低嵌入率。这些都将增加隐写检测的困难性，增大检测错误率。因此，研究彩色图像隐写的可靠检测对于隐写检测技术的实用化具有重要意义。
在彩色图像的隐写检测方面，已有的研究成果主要包括：基于颜色数量变化的检测算法、基于不同通道特征合并的检测算法(Abdulrahman H,Chaumont M,Montesinos P,et al.Color image Steganalysis based on Steerable Gaussian filters bank[C]//Proceedings of the 4th ACM Workshop on Information Hiding and MultimediaSecurity.ACM,2016:109-114.中的方法，下称对比方法一)、基于通道间纹理一致性的检测算法、基于通道间共生矩阵的检测算法和基于通道间预测误差的检测算法等。其中，基于颜色数量变化的检测算法主要利用隐写将会增加彩色图像颜色或相近颜色对数量的特点，对彩色图像隐写进行检测。如：Fridrich等将提取出的颜色对中相近颜色对的比例作为特征，Su等在待检测图像中嵌入一定比例的随机信息，然后提取嵌入后图像不同颜色与相近颜色对增加的数量作为特征，分别实现了彩色图像LSB隐写的检测。基于不同通道特征合并的检测算法分别在彩色图像的三个颜色通道提取相同的特征，将其合并得到隐写检测特征。如Abdulrahman等利用可控的高斯滤波器构造每个通道的梯度幅值及其导数，然后计算各自的共生矩阵作为特征，训练分类器实现隐写检测。基于通道间纹理一致性的检测算法主要利用不同通道的纹理变化具有较强一致性的特点，提取可反映该一致性的统计特征，进行彩色图像隐写检测。如：Abdulrahman等在SCRMQ1的基础上，利用通道梯度间夹角的余弦与正弦值刻画不同通道纹理方向的一致性，提取它们的共生矩阵，然后将其与SCRMQ1(Spatio–Color Rich Model with quantization stepq＝1)联合，提高了对彩色图像隐写的检测正确率。基于通道间共生矩阵的检测算法主要通过提取彩色图像三通道残差间的共生矩阵来捕获不同通道间的相关性，进而实施隐写检测。如：Goljan等(Goljan M,FridrichJ,Cogranne R.Rich model for steganalysis of color images[C]//InformationForensics and Security(WIFS),2014IEEE International Workshop on.IEEE,2014:185-190.下称对比方法二)分别提取了三个通道残差间的共生矩阵和各个通道的RichModel特征，将其合并为彩色图像隐写检测特征—SCRMQ1；Goljan等则考虑照相机的成像原理，根据CFA的特点对图像像素分块，再计算每个块中不同通道内像素残差间的共生矩阵，并将它们进行合并，作为最后的特征集进行隐写检测；Liao等等利用交集操作得到各个通道纹理都较复杂的区域，利用并集操作得到任一通道纹理较为复杂的区域，然后在两种区域内分别计算各通道残差间的共生矩阵，将其合并作为隐写检测特征，提高了对WOW(HolubV,Fridrich J.Designing steganographic distortion using directional filters[C]//IEEE International Workshop on Information Forensics and Security.IEEE,2012:234-239.)和S-UNIWARD(Fridrich J.Digital image steganography usinguniversal distortion[C]//ACM Workshop on Information Hiding and MultimediaSecurity.ACM,2013:59-68.)等新型自适应隐写的检测准确性。基于通道间预测误差的检测算法在计算图像元素(如像素或者小波系数)预测误差或者预测误差统计特征时考虑了通道间的相关性，然后将其与其它特征联合对彩色图像隐写进行检测。如：Lyu等利用不同颜色通道不同尺度垂直、水平和对角方向小波子带系数间的相关性计算对数预测误差，提取对数预测误差的均值、方差、倾斜度、峭度等统计特征，采用单类SVM实现了彩色图像隐写的纯盲检测；Liu等分别度量了不同颜色通道LSB平面间的相关系数和各个通道预测误差间的相关系数，然后将其与反映各个通道内部相关性的特征联合，有效提高了对彩色图像LSB匹配隐写的检测性能；Li等利用差分的方法计算Y通道对其他通道的预测误差，然后提取预测误差的Markov特征、PEV特征、共生矩阵特征以及它们的校准特征，再将其与Y通道内统计特征联合，有效提高了对彩色JPEG图像隐写的检测性能。
与单纯地将灰度图像的隐写检测算法应用于三个通道中再综合判断相比，上述算法提高了对彩色图像隐写的检测正确率，其中后面三类算法由于考虑了不同颜色通道间相关性，性能提高的幅度更大。但它们都只利用了颜色通道间个别模式的相关性，如相邻位置像素值之间或者不同通道相同位置像素值之间的线性相关性。由于彩色图像中各个颜色通道间存在着很多不同模式的相关性，若仅考虑个别模式的相关性，在一定程度上正确率相对较低。若能够充分利用这些相关性则将进一步提高彩色图像隐写检测正确率。鉴于此，本发明提出了基于通道间差分残差的彩色图像隐写检测算法。
发明内容
为解决现有技术中存在的隐写检测正确率较低的问题，本发明提供一种基于通道差分残差的彩色图像隐写检测方法。首先计算不同颜色通道间的差分，再计算通道间差分的残差，从图像中提取具有更好的隐写检测性能的隐写检测特征，从而提高隐写检测正确率。
本发明提供一种基于通道差分残差的彩色图像隐写检测方法，该方法包括：
步骤1、计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；
步骤2、根据所述差分平面DRG、DRB和DGB，得到基于通道间差分的DF特征；
步骤3、根据DF特征，利用训练好的隐写检测器确定所述待检测彩色图像是否为隐密图像。
进一步地，所述步骤2具体包括：
步骤21、采用n个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，得到红绿、红蓝和绿蓝通道间差分的残差图像集合dRG、dRB和dGB；
步骤22、将残差图像集合dRG、dRB和dGB中的每幅残差图像作为特征提取源，分别从中提取共生矩阵或马尔科夫转移概率矩阵作为子特征集fRG、fRB和fGB；
步骤23、将子特征集fRG、fRB和fGB中的特征进行合并，得到基于通道间差分的隐写检测特征DF，所述隐写检测特征DF包括：DSRMQ1特征和DSGF特征。
进一步地，若所述隐写检测特征DF为DSRMQ1特征，所述步骤21具体为：
采用SRMQ1特征提取时的55个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，将大于截断阈值T的滤波结果截断为T，将小于-T的滤波结果截断为-T，得到以步长1量化截断后的残差图像；
所述步骤22具体为：
针对每幅残差图像dV,t，以(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))为四元组计算水平方向的共生矩阵
以(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))为四元组计算竖直方向的共生矩阵
其中，V∈{RG,RB,GB}，1≤t≤55，pk∈{-T,...,T}，Zh为dV,t中所有四元组(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))的数量；Zv为dV,t中所有四元组(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))的数量；
将由无方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
相加，得到一个共生矩阵；对由有方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
则不进行合并；
对每幅通道差分的SPAM类残差图像，按照式(21)和式(22)进行共生矩阵合并：
对每幅通道差分的minmax类残差图像，按照式(23)和式(24)进行共生矩阵合并：
其中，
和
分别是由同一组滤波器计算得到的min残差图像和max残差图像的共生矩阵；
所述步骤23具体为：
将从彩色图像的三个颜色通道差分DRG,DRB,DGB中提取的同种特征相加，得到隐写检测特征DSRMQ1。
进一步地，若所述隐写检测特征DF为DSGF特征，所述步骤21具体为：
根据式(25)计算高斯函数的一阶导数作为基本导数，根据式(26)通过基本导数旋转的线性组合得到方向角度为θ的一阶高斯导数Gσ,θ(x,y,σ)：
其中，σ为高斯函数标准差，θ∈[0°,180°]，x,y∈[-W,W]，且x,y∈Z；
确定t个高斯核的核角度θ＝{θk＝(k-1)△|k＝1,2,...,t}，对于确定的每个核角度θk，根据式(28)计算得到高斯核：
其中，△为核角度步长参数；
将t个不同核角度的高斯核分别与三个差分平面DRG、DRB和DGB进行卷积，得到三组差分卷积图像
和
并根据式(29)、式(30)和式(31)构建三幅差分梯度幅值图像
和
将每两个颜色通道差分的每个位置的差分梯度对应的核角度根据式(32)、式(33)和式(34)构成差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)：
针对所述差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)中的每个核角度θm，计算与核角度θm正交的梯度角θ′m，并将每两个颜色通道差分的每个位置分别与相应梯度角θ′m的高斯核进行卷积，得到三幅差分导数图像；
采用SPAM特征提取方法中的滤波器分别对三幅差分梯度幅值图像和三幅差分导数图像计算残差图像，并对残差值进行截断，将大于截断阈值T的残差赋值为T，将小于-T的残差赋值为-T，得到截断后的残差图像dRG,dRB,dGB；
所述步骤22具体为：
采用SPAM特征提取方法分别从dRG,dRB,dGB中提取统计特征；所述SPAM特征提取方法具体为：
对于三幅差分梯度幅值图像的残差图像，当T＝2和T＝3时，分别得到3×(2×53)维特征和3×(2×73)维特征；
对于三幅差分导数图像的残差图像，当T＝1、T＝2和T＝3时，分别得到3×(2×33)维特征、3×(2×53)维特征和686维特征；
所述步骤23具体为：
合并步骤22中的所有特征，得到隐写检测特征DSGF。
进一步地，该方法还包括：
在用于训练隐写检测器的训练彩色图像中提取隐写检测特征，所述隐写检测特征包括CRMQ1特征、SRMQ1特征、SGF特征和DF特征，所述训练彩色图像包括载体训练图像和对应的隐密训练图像；
将所述CRMQ1特征、SRMQ1特征、SGF特征和DF特征进行合并，得到总的隐写检测特征；
针对每幅训练彩色图像，若所述训练彩色图像为载体训练图像，赋予第一标签值；若所述训练彩色图像为隐密训练图像，赋予第二标签值；
将每副训练彩色图像的隐写检测特征与标签值作为一个训练样本，采用集成学习的方法进行训练，得到隐写检测器。
本发明的有益效果：
本发明提供的一种基于通道差分残差的彩色图像隐写检测方法，通过对影响彩色图像隐写检测正确率的原因进行充分研究，认识到：隐写对通道差分分布的影响比对单个通道的影响更为剧烈。在此基础上，首先计算不同颜色通道间的差分，再计算通道间差分的残差，进而从图像中提取到具有更好的隐写检测性能的隐写检测特征，提高隐写检测正确率。进一步地，考虑到相邻线性和非线性残差间多种模式相关性的特点，对现有彩色图像隐写检测中SRMQ1和SGF两类典型的富模型特征进行改进，得到基于通道间差分残差的SRMQ1特征DSRMQ1和基于通道间差分残差的SGF特征DSGF。并且，实验结果表明，当使用WOW和S-UNIWARD等新型自适应隐写在彩色图像的R、G、B三个颜色通道中嵌入信息时，通过本发明提出的基于通道间差分残差的隐写检测方法所提取到改进特征较原有特征显著降低了检测错误率，相较于现有隐写检测方法，在检测错误率上有明显的降低，尤其在低嵌入率下优势显著，最大降幅达到5％。
附图说明
图1为本发明实施例提供的一种基于通道差分残差的彩色图像隐写检测方法的流程示意图；
图2为本发明实施例提供的一种基于通道间差分残差的特征提取示意图；
图3中：(a)为三种隐写检测方法在嵌入率为0.05时对WOW隐写检测的ROC曲线；(b)为三种隐写检测方法在嵌入率为0.1时对WOW隐写检测的ROC曲线；(c)为三种隐写检测方法在嵌入率为0.3时对WOW隐写检测的ROC曲线；
图4中：(a)为三种隐写检测方法在嵌入率为0.05时对S-UNIWARD隐写检测的ROC曲线；(b)为三种隐写检测方法在嵌入率为0.1时对S-UNIWARD隐写检测的ROC曲线；(c)为三种隐写检测方法在嵌入率为0.3时对S-UNIWARD隐写检测的ROC曲线；
图5中：(a)为彩色Lena图像；(b)为R通道下的Lena图像；(c)为G通道下的Lena图像；(b)为B通道下的Lena图像；
图6中：(a)为以R和G通道间相关系数与方差为参数的函数res的值；(b)为以R和B通道间相关系数与方差为参数的函数res的值；(c)为以G和B通道间相关系数与方差为参数的函数res的值；
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。
本发明在提出基于通道差分残差的彩色图像隐写检测方法之前，通过对影响彩色图像隐写检测正确率的原因进行充分研究，认识到：隐写对通道差分分布的影响比对单个通道的影响更为剧烈，即若先计算不同颜色通道间的差分，再计算通道间差分的残差，则从图像中提取的隐写检测特征则具有更好的隐写检测性能，从而进一步提高隐写检测正确率。
本发明对影响彩色图像隐写检测正确率的原因的研究过程如下：
令X和Y分别为代表通道I和通道II内相同位置像素值的随机变量，NX和NY分别为代表通道I和通道II内相同位置隐写信号的随机变量。X和Y的均值分别为μX和μY，X和Y的方差分别为
和
且它们间的相关系数为r。NX和NY的均值分别为
和
NX和NY的方差分别为
和
由于嵌入信息的随机性，叠加的噪声与像素值相互独立，因此，隐写后通道I和通道II内相同位置像素X和Y的方差变化如下：
则通道I和通道II内相同位置像素X和Y的方差变化率分别为：
若对载体图像通道I和通道II相同位置像素进行差分，则差分的方差如下：
若对隐密图像通道I和通道II相同位置像素进行差分，则差分的方差如下：
可得，隐写后通道I和通道II相同位置像素差分的方差变化率为：
将通道I和通道II差分的方差变化率减去通道I的方差变化率，可得
因为通道I和通道II相同位置像素间的相关系数-1≤r≤1，所以式(8)的分母恒为正。因此，当载体图像通道I和通道II相同位置像素间的相关系数满足式(9)所示关系时，式(8)大于零，即隐写后通道I和通道II相同位置像素差分的方差变化率大于通道I的方差变化率。
类似地，将通道I和通道II相同位置像素差分的方差变化率减去通道II的方差变化率，可得当载体图像通道I和通道II相同位置像素间的相关系数满足式(10)所示关系时，隐写后通道I和通道II相同位置像素差分的方差变化率大于通道II的方差变化率。
综合式(9)和(10)可知：当以加性噪声的方式在彩色图像中嵌入随机信息时，若通道I和通道II中相同位置的隐写信号方差相等，即
且通道I和通道II中相同位置像素值间的相关系数和它们的方差满足下列关系：
则隐写后通道I和通道II相同位置像素差分的方差变化率△D(X-Y)要大于通道I和通道II中任一通道相应位置像素的方差变化率△D(X)或△D(Y)。
由上述内容可知，得到“隐写后通道I和通道II相同位置像素差分的方差变化率△D(X-Y)要大于通道I和通道II中任一通道相应位置像素的方差变化率△D(X)或△D(Y)”(即隐写对通道差分分布的影响比对单个通道的影响更为剧烈)这个结论的前提是通道I和通道II相同位置的隐写信号方差满足公式(11)，以及通道I和通道II相同位置像素间的相关系数和它们的方差满足公式(12)。
本发明对公式(11)和公式(12)的合理性进行了充分验证。二者的验证过程如下：如图5所示，分别将彩色Lena图像的三个颜色通道(R、G、B)看作三幅灰度图像，可以看到不同通道的纹理大致相同。采用相同的自适应隐写算法在两个通道中嵌入信息时，两个通道相同位置相似的纹理复杂度使得对应的两个像素被更改后的失真非常接近。由于自适应隐写时对每个像素的更改概率由失真函数和嵌入的信息长度决定，因此在两个通道中嵌入同等比率的随机信息时，相同位置的两个像素被更改的概率近似相等。这也使得相同位置中隐写信号的方差近似相等，即
因此公式(11)是合理的。
令通道I和通道II分别表示R通道和G通道，分别在10000幅图像(例如，下载自常用的图像数据库网站的10000幅彩色BOSSbase图像)中计算公式(12)左右两端的值并将其相减，即：
若图像中R通道和G通道间的相关系数和它们的方差使式(14)大于零，则说明该幅图像满足式(12)条件。图6中：从(a)所示的统计结果看出，在10000幅彩色BOSSbase图像中，R通道和G通道间相关系数和它们的方差满足公式(12)的有9992幅。类似地，统计得到R通道和B通道间的相关系数和它们的方差满足公式(12)的有9887幅，G通道和B通道间的相关系数和它们的方差满足公式(12)的有9927幅，如图(b)和(c)所示。可看出，超过98％的图像不同颜色通道间相关系数和它们的方差满足公式(12)，这表明公式(12)是合理的。
由上述内容可知：对大部分彩色图像，隐写后不同通道相同位置像素差分的方差变化率应大于其中任一通道相应位置像素的方差变化率。当隐写信号NX和NY的均值为0时，隐写后像素的均值变化率为0，不同通道相同位置像素差分的均值变化率也为0。因此，隐写对通道差分分布的影响比对单个通道的影响更为剧烈，从通道间差分中提取特征应能够对彩色图像隐写进行更有效的检测。因此，本发明在发现该原因的基础上，提出了一种基于通道差分残差的彩色图像隐写检测方法。
结合图1和图2所示，该方法包括以下步骤：
S101、计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；
具体地，计算彩色空域图像的R、G和B三个颜色通道中任意两个颜色通道间的差分，如下式所示：
其中DRG、DRB和DGB分别为红绿、红蓝、绿蓝通道间的差分。
S102、根据所述差分平面DRG、DRB和DGB，得到基于通道间差分的DF特征；
具体包括：步骤S1021、采用n个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，得到红绿、红蓝和绿蓝通道间差分的残差图像集合dRG、dRB和dGB；
具体地，采用n个高通滤波器对三个差分平面DRG,DRB,DGB分别进行滤波，分别得到红绿、红蓝、绿蓝通道间差分的残差图像集合dRG,dRB和dGB：
步骤S1022、将残差图像集合dRG、dRB和dGB中的每幅残差图像作为特征提取源，分别从中提取共生矩阵或马尔科夫转移概率矩阵作为子特征集fRG、fRB和fGB；
具体地，将残差图像集合dRG,dRB和dGB中的每一幅残差图像作为特征提取源，分别从中提取共生矩阵或Markov转移概率矩阵等统计特征作为子特征集fRG,fRB和fGB：
步骤S1023、将子特征集fRG、fRB和fGB中的特征进行合并，得到基于通道间差分的隐写检测特征DF，所述隐写检测特征DF包括：DSRMQ1特征和DSGF特征。
S103、根据DF特征，利用训练好的隐写检测器确定所述待检测彩色图像是否为隐密图像。
本发明实施例提供的方法，通过对影响彩色图像隐写检测正确率的原因进行充分研究，认识到：隐写对通道差分分布的影响比对单个通道的影响更为剧烈。在此基础上，首先计算不同颜色通道间的差分，再计算通道间差分的残差，进而从图像中提取到具有更好的隐写检测性能的隐写检测特征，提高隐写检测正确率。
在上述实施例的基础上，DSRMQ1特征为基于通道间差分残差的SRMQ1特征。SRMQ1特征提取是指首先对每个颜色通道采用55个高通滤波器计算得到55幅残差图像；然后对残差进行量化和截断，并分别计算三个通道的各个残差图像的水平和垂直四维共生矩阵；再根据对称性将每个颜色通道的共生矩阵合并为12753维的隐写检测特征；最后将三个颜色通道中对应的特征相加，得到12753维的彩色图像富模型检测特征。本发明对所述SRMQ1特征提取方法进行改进，即：若所述隐写检测特征DF为DSRMQ1特征，本发明提供的基于通道差分残差的彩色图像隐写检测方法包括以下流程：
S201、根据式(15)计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；
S202、采用SRMQ1特征提取时的55个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，将大于截断阈值T的滤波结果截断为T，将小于-T的滤波结果截断为-T，得到以步长1量化截断后的残差图像；
具体地，将SRMQ1特征提取时采用的55个高通滤波器应用于任意两个颜色通道间的差分，对每个滤波结果取整，并将大于截断阈值T的滤波结果截断为T，将小于-T的滤波结果截断为-T，得到以步长1量化截断后的残差图像：
S203、针对每幅残差图像dV,t，以(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))为四元组计算水平方向的共生矩阵
以(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))为四元组计算竖直方向的共生矩阵
其中，V∈{RG,RB,GB}，1≤t≤55，pk∈{-T,...,T}，Z为dV,t中所有四元组(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))的数量；Zh为dV,t中所有四元组(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))的数量；Zv为dV,t中所有四元组(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))的数量；
S204、将由无方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
相加，得到一个共生矩阵；对由有方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
则不进行合并；
具体地，根据残差图像是否有方向残差，可将该残差图像分为无方向残差的残差图像和有方向残差的残差图像。对每种无方向残差，将由其计算得到的水平和竖直方向的两个共生矩阵相加，使其合并为一个共生矩阵，由有方向残差计算得到的不进行此合并，共得到78个共生矩阵。
S205、对每幅通道差分的SPAM类残差图像，按照式(21)和式(22)进行共生矩阵合并：
S206、对每幅通道差分的minmax类残差图像，按照式(23)和式(24)进行共生矩阵合并：
其中，
和
分别是由同一组滤波器计算得到的min残差图像和max残差图像的共生矩阵；
具体地，根据所采用的滤波器是否是线性滤波器，可将残差图像分为SPAM类残差图像和minmax类残差图像。若滤波器是线性的，则该残差图像为SPAM类残差图像；若滤波器是非线性的，则该残差图像为minmax类残差图像。对于每幅通道差分的SPAM类残差图像(共3×12幅)，当T＝2时，合并后每个共生矩阵中的元素数量将从原来的625个约简至169。对每两个通道差分的12幅SPAM类残差图像，将得到12×169维的SPAM类残差共生矩阵特征。对于每幅通道差分的minmax类残差图像(共3×66幅)，当T＝2时，合并后一对min和max残差图像的共生矩阵中的元素数量将从原来的2×625个约简至325个。对每两个通道差分的66幅minmax类残差图像，将得到33×325维的minmax类残差共生矩阵特征。
S207、将从彩色图像的三个颜色通道差分DRG,DRB,DGB中提取的同种特征相加，得到隐写检测特征DSRMQ1。
具体地，将从彩色图像的三个颜色通道差分DRG,DRB,DGB中提取的同种特征相加，得到12753维的彩色图像隐写检测特征DSRMQ1。
S208、根据DSRMQ1特征，利用训练好的隐写检测器确定所述待检测彩色图像是否为隐密图像。
在上述各实施例的基础上，DSGF特征指基于通道间差分残差的SGF特征。SGF特征提取是指首先将彩色图像各个颜色通道分别与多个不同角度的高斯核进行卷积运算；然后根据卷积运算结果，为三个颜色通道构造三幅梯度幅值图像，并得到每个颜色通道每个位置的核角度θm；再计算与每个核角度正交的梯度角θ′m，利用角度为θ′m的高斯核为三个颜色通道构造三幅导数图像；最后，采用SPAM特征提取方法分别从三幅梯度幅值图像与三幅导数图像中提取共生矩阵，合并得到4406维特征。本发明对所述SGF特征提取方法进行改进，即：若所述隐写检测特征DF为DSGF特征，本发明提供的基于通道差分残差的彩色图像隐写检测方法包括以下流程：
S301、根据式(15)计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；
S302、根据式(25)计算高斯函数的一阶导数作为基本导数，根据式(26)通过基本导数旋转的线性组合得到方向角度为θ的一阶高斯导数Gσ,θ(x,y,σ)：
其中，σ为高斯函数标准差，θ∈[0°,180°]，x,y∈[-W,W]，且x,y∈Z；
S303、确定t个高斯核的核角度θ＝{θk＝(k-1)△|k＝1,2,...,t}，对于确定的每个核角度θk，根据式(28)计算得到高斯核：
其中，△为核角度步长参数；
S304、将t个不同核角度的高斯核分别与三个差分平面DRG、DRB和DGB进行卷积，得到三组差分卷积图像
和
并根据式(29)、式(30)和式(31)构建三幅差分梯度幅值图像
和
S305、将每两个颜色通道差分的每个位置的差分梯度对应的核角度根据式(32)、式(33)和式(34)构成差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)：
S306、针对所述差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)中的每个核角度θm，计算与核角度θm正交的梯度角θ′m，并将每两个颜色通道差分的每个位置分别与相应梯度角θ′m的高斯核进行卷积，得到三幅差分导数图像；
S307、采用SPAM特征提取方法中的滤波器分别对三幅差分梯度幅值图像和三幅差分导数图像计算残差图像，并对残差值进行截断，将大于截断阈值T的残差赋值为T，将小于-T的残差赋值为-T，得到截断后的残差图像dRG,dRB,dGB；
S308、采用SPAM特征提取方法分别从dRG,dRB,dGB中提取统计特征；所述SPAM特征提取方法具体为：
S3081、对于三幅差分梯度幅值图像的残差图像，当T＝2和T＝3时，分别得到3×(2×53)维特征和3×(2×73)维特征；
S3082、对于三幅差分导数图像的残差图像，当T＝1、T＝2和T＝3时，分别得到3×(2×33)维特征、3×(2×53)维特征和686维特征；
S309、合并步骤S308中的所有特征，得到隐写检测特征DSGF。
具体地，合并所有子特征，共得到4406维的彩色图像隐写检测特征DSGF。
S310、根据DSGF特征，利用训练好的隐写检测器确定所述待检测彩色图像是否为隐密图像。
在上述各实施例的基础上，该方法还包括：
在用于训练隐写检测器的训练彩色图像中提取隐写检测特征，所述隐写检测特征包括CRMQ1特征、SRMQ1特征、SGF特征和DF特征，所述训练彩色图像包括载体训练图像和对应的隐密训练图像；
将所述CRMQ1特征、SRMQ1特征、SGF特征和DF特征进行合并，得到总的隐写检测特征；
针对每幅训练彩色图像，若所述训练彩色图像为载体训练图像，赋予第一标签值；若所述训练彩色图像为隐密训练图像，赋予第二标签值；
将每副训练彩色图像的隐写检测特征与标签值作为一个训练样本，采用集成学习的方法进行训练，得到隐写检测器。
在上述各实施例的基础上，本发明提供又一实施例，该实施例主要包括：隐写检测器训练和彩色图像隐写检测两个部分，其具体流程如下：
S401、基于通道间差分残差的彩色图像隐写检测器训练。
输入：彩色图像训练集，含载体训练图像和对应的隐密训练图像。
输出：训练好的隐写检测器。
S4011、隐写检测特征提取。对于每幅训练图像，如下提取39722维的隐写检测特征：
I.CRMQ1、SRMQ1和SGF特征提取。采用对比方法一分别在彩色图像中提取22563维的CRMQ1、SRMQ1和SGF特征；
II.通道间差分。将两两颜色通道相同位置像素值相减得到通道间差分DRG,DRB和DGB；
III.DSRMQ1特征提取。利用步骤S202至步骤S207从通道间差分DRG,DRB和DGB中提取12753维的DSRMQ1特征，其中滤波结果的截断阈值T＝2；
IV.DSGF特征提取。利用步骤S302至步骤S309从通道间差分DRG,DRB和DGB中提取4406维的DSGF特征，其中核角度步长参数△＝10°，差分梯度幅值图像的残差截断值T取2和3，差分导数图像的残差截断值T取1、2和3；
V.特征合并。合并I、III和IV所提特征，共得到39722维的彩色图像隐写检测特征。
S4012、集成分类器训练。对于每幅训练图像，若其为载体训练图像，赋予标签值-1；若其为隐密训练图像，赋予标签值+1，将其对应的隐写检测特征与标签值作为一个训练样本，采用集成学习的方法进行训练，得到隐写检测器。
S402、基于通道间差分残差的彩色图像隐写检测
输入：待检测彩色图像，训练好的隐写检测器。
输出：待检测图像是否是载密图像。
S4021、隐写检测特征提取。采用与步骤S4011相同的方法和参数从待检测彩色图像中提取39722维的隐写检测特征；
S4022、载体图像与隐密图像判别。将从待检测彩色图像中提取的隐写检测特征作为输入，利用步骤S401训练好的隐写检测器进行判别，若判别为隐密图像，输出+1；若判别为载体图像，输出-1。
为了验证本发明提出的一种基于通道差分残差的彩色图像隐写检测方法的有效性，下面提供具体的实验过程。
(一)实验设置：以10000幅彩色BOSSbase图像为素材，将其缩小为512×512的tiff格式彩色图像，作为载体图像库，对提出的DSRMQ1和DSGF特征以及基于通道间差分残差的彩色图像隐写检测方法进行实验测试。采用两种典型的自适应隐写算法WOW和S-UNIWARD，分别以0.05,0.1,0.2,0.3,0.4的嵌入率在载体图像的R、G和B三个颜色通道中嵌入伪随机信息，得到2×5＝10组，共100,000幅彩色隐密图像。然后从每幅载体和隐密图像中分别提取SRMQ1、SGF、DSRMQ1、DSGF和CRMQ1特征。
(二)实验过程：每次从10000幅载体图像中随机选取5000幅图像作为训练载体图像，从10000幅隐密图像中选取对应的5000幅图像作为训练隐密图像，分别将剩下的5000幅载体图像和5000幅隐密图像作为测试载体和隐密图像。然后，从训练载体和隐密图像中提取隐写检测特征，利用集成学习方法训练隐写检测器。最后，从测试载体和隐密图像中提取隐写检测特征，利用训练得到的隐写检测器进行检测，并计算等先验概率下的最小全局平均错误率：
其中，PFA为虚警率，即将载体图像判断为隐密图像的概率，PMD为漏检率，即将隐密图像判断为载体图像的概率。对于每组实验，重复执行上述过程10次，并将10次实验的最小全局平均错误率中值作为检测性能的衡量标准，其值越小则说明隐写检测的性能越好。
(三)特征对比实验结果：分别采用上述实验过程测试对比方法一中的SRMQ1和SGF特征、本发明方法提出的DSRMQ1和DSGF特征，以及改进前后特征联合DSRMQ1+SRMQ1和DSGF+SGF的隐写检测性能。表1和表2给出了上述6组特征对WOW和S-UNIWARD两种隐写的平均检测错误率。表1和表2中括号内为降低的平均检测错误率。可以看到，针对两种不同的隐写算法，从通道间差分残差中提取的特征DSRMQ1和DSGF的检测效果均明显优于从单个颜色通道残差中提取的特征SRMQ1和SGF。其中DSRMQ1特征对WOW和S-UNIWARD隐写的平均检测错误率较原有SRMQ1特征的降低幅度甚至分别达到了12.19％和13.43％，DSGF特征对WOW和S-UNIWARD隐写的平均检测错误率较原有SGF特征的降低幅度甚至分别达到了16.30％和17.17％。若将DSRMQ1和DSGF特征分别与SRMQ1和SGF特征，则结合后的特征DSRMQ1+SRMQ1和DSGF+SGF拥有更好的检测性能。DSRMQ1+SRMQ1特征对WOW和S-UNIWARD隐写的平均检测错误率较原有SRMQ1特征的降低幅度甚至分别达到了13.76％和14.96％，DSGF+SGF特征对WOW和S-UNIWARD隐写的平均检测错误率较原有SGF特征的降低幅度甚至分别达到了17.01％和18.09％。
上述实验结果表明与从各个通道残差中独立提取特征然后合并相比，从通道间差分残差中提取的特征具有更好的性能。
表1 SRMQ1、DSRMQ1和DSRMQ1+SRMQ1特征的隐写检测性能比较
表2 SGF、DSGF和DSGF+SGF特征的隐写检测性能比较
(四)方法对比实验结果：以“(一)实验设置”生成的10,000幅载体图像和100,000幅隐密图像为样本测试本发明方法与对比方法一和对比方法二的性能。表3和表4给出了三种隐写检测方法在不同嵌入率下对WOW和S-UNIWARD隐写的平均检测错误率，图3和图4给出了三种隐写检测方法在0.05,0.1,0.3三种嵌入率下对WOW和S-UNIWARD隐写检测的ROC曲线。可以看到，针对WOW和S-UNIWARD隐写，本发明方法在不同嵌入率下的检测性能均优于对比方法一和对比方法二。在低嵌入率下本发明方法的优势尤为明显，在不同虚警率下正确检测率均明显高于对比方法一和对比方法二，平均检测错误率的最大降幅达到4％至5％。即使针对大于等于0.2的嵌入率，本发明方法在不同虚警率下的正确检测率也高于对比方法一和对比方法二，平均检测错误率降低了接近2％。本发明方法的优异性能归功于其增加了从通道间差分残差提取的特征，利用通道间相关性进一步剔除了残差中的图像内容成分，增强了隐写信号信噪比。另外，随着嵌入率的提高，由于对比方法一和对比方法二已经可以取得很好的检测效果，提升空间较小，因此在高嵌入率下本发明方法的优势没有低嵌入率时的突出。
表3不同隐写检测算法对WOW隐写的平均检测错误率
| 嵌入率 | 0.05 | 0.1 | 0.2 | 0.3 | 0.4 |
| CRMQ1+SRMQ1+SGF[24] | 0.3872 | 0.2759 | 0.1606 | 0.1036 | 0.0701 |
| SCRMQ1(CRMQ1+SRMQ1)[27] | 0.3743 | 0.2686 | 0.1562 | 0.1010 | 0.0693 |
| CRMQ1+SRMQ1+SGF+DSRM+DSGF | 0.3344 | 0.2429 | 0.1441 | 0.0867 | 0.0597 |
表4不同隐写检测算法对S-UNIWARD隐写的平均检测错误率
| 嵌入率 | 0.05 | 0.1 | 0.2 | 0.3 | 0.4 |
| CRMQ1+SRMQ1+SGF[24] | 0.3786 | 0.2666 | 0.1559 | 0.0968 | 0.0642 |
| SCRMQ1(CRMQ1+SRMQ1)[27] | 0.3698 | 0.2689 | 0.1560 | 0.0955 | 0.0636 |
| CRMQ1+SRMQ1+SGF+DSRM+DSGF | 0.3334 | 0.2372 | 0.1344 | 0.0835 | 0.0546 |
(五)总结：现有隐写检测方面的研究主要关注于灰度图像隐写检测，针对实际工作和生活中应用更为广泛的彩色图像，现有隐写检测算法较少，而且未能充分利用不同颜色通道间各种模式相关性。针对该问题，本发明从方差变化率的角度分析指出隐写对通道差分分布的影响比对单个通道的影响更为剧烈，从通道间差分中提取特征应能够对彩色图像隐写进行更有效的检测。基于此，本发明对两类典型的彩色图像高维隐写检测特征进行改进，通过联合改进的特征和现有的彩色图像隐写检测特征，提出了基于通道间差分残差的彩色图像隐写检测算法。实验结果表明，针对WOW和S-UNIWARD隐写，改进的隐写检测特征显著降低了已有特征的平均检测错误率，利用其改进的彩色图像隐写检测算法的平均检测错误率明显低于已有彩色图像隐写检测算法。
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 (4)
1.一种基于通道差分残差的彩色图像隐写检测方法，其特征在于，包括：
步骤1、计算待检测彩色图像的R、G和B三个颜色通道中任意两个颜色通道间的差分平面DRG、DRB和DGB；
步骤2、根据所述差分平面DRG、DRB和DGB，得到基于通道间差分的DF特征；具体包括：
步骤21、采用n个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，得到红绿、红蓝和绿蓝通道间差分的残差图像集合dRG、dRB和dGB；
步骤22、将残差图像集合dRG、dRB和dGB中的每幅残差图像作为特征提取源，分别从中提取共生矩阵或马尔科夫转移概率矩阵作为子特征集fRG、fRB和fGB；
步骤23、将子特征集fRG、fRB和fGB中的特征进行合并，得到基于通道间差分的隐写检测特征DF，所述隐写检测特征DF包括：DSRMQ1特征和DSGF特征；
步骤3、根据DF特征，利用训练好的隐写检测器确定所述待检测彩色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，若所述隐写检测特征DF为DSRMQ1特征，所述步骤21具体为：
采用SRMQ1特征提取时的55个高通滤波器对三个差分平面DRG、DRB和DGB分别进行滤波，将大于截断阈值T的滤波结果截断为T，将小于-T的滤波结果截断为-T，得到以步长1量化截断后的残差图像；
所述步骤22具体为：
针对每幅残差图像dV,t，以(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))为四元组计算水平方向的共生矩阵
以(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))为四元组计算竖直方向的共生矩阵
其中，V∈{RG,RB,GB}，1≤t≤55，pk∈{-T,...,T}，Zh为dV,t中所有四元组(dV,t(i,j),dV,t(i,j+1),dV,t(i,j+2),dV,t(i,j+3))的数量；Zv为dV,t中所有四元组(dV,t(i,j),dV,t(i+1,j),dV,t(i+2,j),dV,t(i+3,j))的数量；
将由无方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
相加，得到一个共生矩阵；对由有方向残差的残差图像计算得到的水平方向的共生矩阵
和竖直方向的共生矩阵
则不进行合并；
对每幅通道差分的SPAM类残差图像，按照式(21)和式(22)进行共生矩阵合并：
对每幅通道差分的minmax类残差图像，按照式(23)和式(24)进行共生矩阵合并：
其中，
和
分别是由同一组滤波器计算得到的min残差图像和max残差图像的共生矩阵；
所述步骤23具体为：
将从彩色图像的三个颜色通道差分DRG,DRB,DGB中提取的同种特征相加，得到隐写检测特征DSRMQ1。
3.根据权利要求1所述的方法，其特征在于，若所述隐写检测特征DF为DSGF特征，所述步骤21具体为：
根据式(25)计算高斯函数的一阶导数作为基本导数，根据式(26)通过基本导数旋转的线性组合得到方向角度为θ的一阶高斯导数Gσ,θ(x,y,σ)：
其中，σ为高斯函数标准差，θ∈[0°,180°]，x,y∈[-W,W]，且x,y∈Z；
确定t个高斯核的核角度θ＝{θk＝(k-1)△|k＝1,2,...,t}，对于确定的每个核角度θk，根据式(28)计算得到高斯核：
其中，△为核角度步长参数；
将t个不同核角度的高斯核分别与三个差分平面DRG、DRB和DGB进行卷积，得到三组差分卷积图像
和
并根据式(29)、式(30)和式(31)构建三幅差分梯度幅值图像
和
将每两个颜色通道差分的每个位置的差分梯度对应的核角度根据式(32)、式(33)和式(34)构成差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)：
针对所述差分梯度核角度矩阵θRG,σ(i,j)、θRB,σ(i,j)和θGB,σ(i,j)中的每个核角度θm，计算与核角度θm正交的梯度角θ′m，并将每两个颜色通道差分的每个位置分别与相应梯度角θ′m的高斯核进行卷积，得到三幅差分导数图像；
采用SPAM特征提取方法中的滤波器分别对三幅差分梯度幅值图像和三幅差分导数图像计算残差图像，并对残差值进行截断，将大于截断阈值T的残差赋值为T，将小于-T的残差赋值为-T，得到截断后的残差图像dRG,dRB,dGB；
所述步骤22具体为：
采用SPAM特征提取方法分别从dRG,dRB,dGB中提取统计特征；所述SPAM特征提取方法具体为：
对于三幅差分梯度幅值图像的残差图像，当T＝2和T＝3时，分别得到3×(2×53)维特征和3×(2×73)维特征；
对于三幅差分导数图像的残差图像，当T＝1、T＝2和T＝3时，分别得到3×(2×33)维特征、3×(2×53)维特征和686维特征；
所述步骤23具体为：
合并步骤22中的所有特征，得到隐写检测特征DSGF。
4.根据权利要求1所述的方法，其特征在于，还包括：
在用于训练隐写检测器的训练彩色图像中提取隐写检测特征，所述隐写检测特征包括CRMQ1特征、SRMQ1特征、SGF特征和DF特征，所述训练彩色图像包括载体训练图像和对应的隐密训练图像；
将所述CRMQ1特征、SRMQ1特征、SGF特征和DF特征进行合并，得到总的隐写检测特征；
针对每幅训练彩色图像，若所述训练彩色图像为载体训练图像，赋予第一标签值；若所述训练彩色图像为隐密训练图像，赋予第二标签值；
将每副训练彩色图像的隐写检测特征与标签值作为一个训练样本，采用集成学习的方法进行训练，得到隐写检测器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276883.3A CN109523452B (zh) | 2018-10-30 | 2018-10-30 | 一种基于通道差分残差的彩色图像隐写检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811276883.3A CN109523452B (zh) | 2018-10-30 | 2018-10-30 | 一种基于通道差分残差的彩色图像隐写检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109523452A CN109523452A (zh) | 2019-03-26 |
| CN109523452B true CN109523452B (zh) | 2022-10-11 |
Family
ID=65773241
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811276883.3A Active CN109523452B (zh) | 2018-10-30 | 2018-10-30 | 一种基于通道差分残差的彩色图像隐写检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109523452B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US11232599B2 (en) * | 2019-07-11 | 2022-01-25 | Tencent America LLC | Method and apparatus for inter-channel prediction and transform for point cloud attribute coding |
| CN111083307A (zh) * | 2019-11-25 | 2020-04-28 | 北京安信荣达科技有限公司 | 一种基于隐写术的文件检测和破解方法 |
| CN111127286B (zh) * | 2019-11-27 | 2022-10-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于差分通道权重分配的彩色图像隐写检测方法 |
| CN114245116B (zh) * | 2021-11-29 | 2023-07-04 | 中山大学 | 一种基于边缘增强和通道相关性算法的彩色图像隐写方法 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
| CN106548445A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 基于内容的空域图像通用隐写分析方法 |
| CN108280480A (zh) * | 2018-01-25 | 2018-07-13 | 武汉大学 | 一种基于残差共生概率的隐写图像载体安全性评价方法 |
-
2018
- 2018-10-30 CN CN201811276883.3A patent/CN109523452B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
| CN106548445A (zh) * | 2016-10-20 | 2017-03-29 | 天津大学 | 基于内容的空域图像通用隐写分析方法 |
| CN108280480A (zh) * | 2018-01-25 | 2018-07-13 | 武汉大学 | 一种基于残差共生概率的隐写图像载体安全性评价方法 |
Non-Patent Citations (2)
| Title |
|---|
| 基于邻域像素差分矩阵的彩色空域图像隐写分析特征;韩涛等;《通信学报》;20160225(第02期);全文 * |
| 深度学习空域隐写分析的预处理层;史晓裕等;《应用科学学报》;20180330(第02期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109523452A (zh) | 2019-03-26 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109523452B (zh) | 一种基于通道差分残差的彩色图像隐写检测方法 | |
| Bravo-Solorio et al. | Automated detection and localisation of duplicated regions affected by reflection, rotation and scaling in image forensics | |
| Kang et al. | Robust median filtering forensics using an autoregressive model | |
| Kang et al. | Identifying tampered regions using singular value decomposition in digital image forensics | |
| Zimba et al. | DWT-PCA (EVD) based copy-move image forgery detection | |
| Chen et al. | Blind detection of median filtering in digital images: A difference domain based approach | |
| CN109300078B (zh) | 一种具有自适应嵌入强度的图像扩频水印嵌入方法 | |
| Wu et al. | Steganalysis via deep residual network | |
| CN102722858B (zh) | 基于对称邻域信息的盲隐写分析方法 | |
| CN104217388B (zh) | 一种基于fssvm的图像水印嵌入、提取的方法与装置 | |
| Kang et al. | Color Image Steganalysis Based on Residuals of Channel Differences. | |
| Ulutas et al. | A new copy move forgery detection method resistant to object removal with uniform background forgery | |
| Hou et al. | Detection of hue modification using photo response nonuniformity | |
| CN102693522A (zh) | 一种彩色图像区域复制篡改检测方法 | |
| Wu et al. | Dual tree complex wavelet transform approach to copy-rotate-move forgery detection | |
| Zhang et al. | Distinguishing photographic images and photorealistic computer graphics using visual vocabulary on local image edges | |
| Chen et al. | Image splicing localization using residual image and residual-based fully convolutional network | |
| Sari et al. | The effect of error level analysis on the image forgery detection using deep learning | |
| Wang et al. | A posterior evaluation algorithm of steganalysis accuracy inspired by residual co-occurrence probability | |
| Davarzani et al. | Image authentication using LBP-based perceptual image hashing | |
| Guan et al. | An effective image steganalysis method based on neighborhood information of pixels | |
| CN102592151B (zh) | 一种数字图像中值滤波的盲检测方法 | |
| CN108305207B (zh) | 一种空域图像隐写分析可信度评估方法 | |
| Chen et al. | Identification of image global processing operator chain based on feature decoupling | |
| Qu et al. | A framework for identifying shifted double JPEG compression artifacts with application to non-intrusive digital image forensics |
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 |