CN110619594B - 一种半色调图像隐写分析方法 - Google Patents

一种半色调图像隐写分析方法 Download PDF

Info

Publication number
CN110619594B
CN110619594B CN201910872451.7A CN201910872451A CN110619594B CN 110619594 B CN110619594 B CN 110619594B CN 201910872451 A CN201910872451 A CN 201910872451A CN 110619594 B CN110619594 B CN 110619594B
Authority
CN
China
Prior art keywords
image
data set
features
steganographic
histogram
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
Application number
CN201910872451.7A
Other languages
English (en)
Other versions
CN110619594A (zh
Inventor
卢伟
曾令雯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201910872451.7A priority Critical patent/CN110619594B/zh
Publication of CN110619594A publication Critical patent/CN110619594A/zh
Application granted granted Critical
Publication of CN110619594B publication Critical patent/CN110619594B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component 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
    • 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
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)

Abstract

本发明提供的一种半色调图像隐写分析方法，包括：构造隐写图片，得到模拟的隐写图像数据集；确定模式块大小，统计模拟的隐写图像数据集中每张图片的模式块的直方图特征；根据模式块的直方图特征空间，对所有图像特征进行降维并构造变换矩阵；从数据集构造训练集和测试集，提取训练集、测试集图像模式块的直方图特征，利用变换矩阵计算训练集特征向量，输入SVM中进行分析模型的训练；将测试集特征向量输入到训练好的分析模型中，完成对图像隐写的分析。本发明提供的图像隐写分析方法，在选择大小合适的模式块的同时，采用PCA进行降维，对隐写的主要特征成分进行提取，降低特征维度，保持了更多的有效特征从而提高检测的准确率。

Description

一种半色调图像隐写分析方法
技术领域
本发明涉及多媒体信息安全技术领域，更具体的，涉及一种半色调图像隐写分析方法。
背景技术
网络技术的迅速发展，网络上传输各种各样的图片，图像隐写可以对图像进行轻微的修改，嵌入信息，来进行隐蔽通信。不法分子可能利用这种手段进行隐蔽通信，在网络上传输不良信息，如果不对图片的传输进行一定的监管，这会是一个巨大的安全漏洞。对于不同类型的图像，其隐写的方法也会不一样，相应地隐写分析的方法也会不一样，而网络上依然还是可能会使用半色调图像进行通讯，因此从安全角度方面考虑，针对半色调图像的隐写分析依然非常有必要，对网络空间安全也具有一定意义。
半色调图像，对于其色调由浅到深或由淡到浓的变化，是靠网点面积大小或网点覆盖率来表现。二值半色调图像中像素值只有2种状态，黑或者白，因此对半色调的图像隐写，也是通过翻转像素点的方式来嵌入信息。对像素点进行翻转后，必然会引起某些模式块的增多，或者某些模式块的减少，半色调图像隐写分析，就是需要提取出有效的特征，更能反应出原图和隐写图片的差异，然后根据训练集训练一个分类器，根据这个训练后的分类器，再将其用于检测图像是否被隐写过。
针对半色调图像隐写分析，目前主要还是从模式块的特征出发，对于特征的提取时涉及到两个难点，如果选取模式块的大小太小，就无法够足够多的有效特征，使得分类器更难区分隐写和原图之间的差异；如果选取的模式块大小足够大，则会造成一个维度爆炸，因为模式块特征空间是和模式块的大小成指数关系，对于一个4*4大小的模式块，一共有65536种模式块，那么如果不对特征进行一定的筛选，它将构成65536维的特征。因此现有的半色调图像隐写分析存在难以选择包含更多有效特征并且特征维度低的模式块的技术缺陷。
发明内容
本发明为克服现有的现有的半色调图像隐写分析存在难以选择包含更多有效特征并且特征维度低的模式块的技术缺陷，提供一种半色调图像隐写分析方法。
为解决上述技术问题，本发明的技术方案如下：
一种半色调图像隐写分析方法，包括以下步骤：
S1：使用模拟嵌入的方法来构造M张隐写图片，得到一个模拟的隐写图像数据集，其中包含2M张图片；
S2：确定模式块大小，统计模拟的隐写图像数据集中每张图片的模式块的直方图特征，得到模式块的直方图特征空间；
S3：根据模式块的直方图特征空间，对所有图像特征进行降维并构造变换矩阵；
S4：从数据集构造训练集，提取训练集图像模式块的直方图特征，利用变换矩阵计算训练集特征向量，输入SVM中进行分析模型的训练；
S5：从数据集构造测试集，提取测试集图像模式块的直方图特征，利用变换矩阵计算测试集特征向量，将测试集特征向量输入到训练好的分析模型中，完成对图像隐写的分析。
其中，在所述步骤S1中，所述的模拟嵌入是通过设置一个翻转概率p，遍历图像中的每一个像素点，随机选取一个值q，若q≥p，则不翻转该像素点，反之则翻转该像素点。最终能够得到一个模拟的隐写图像数据集D，一共包含2M张图片。
其中，所述步骤S2具体包括以下步骤：
S21：选取一个4*4的模式块大小，计算图像4*4模式块直方图特征，在半色调图像中，4*4模式块共有216种模式，对不同模式进行编号，某个4*4大小的模式块编号就等于该模式块内像素值矩阵和一个4*4的卷积核对图像进行卷积计算得到的值，卷积核W具体定义为：
Figure BDA0002203238500000021
因此对于整幅图像X，使用卷积核W进行卷积运算，卷积计算移动步长为1，不对边界进行扩展，得到图像X中所有4*4模式块的编号矩阵M1，具体表达式为：
M1＝X*W
S22：对于一张图片初始化一个65536维的向量F，遍历图片对应编号矩阵M1中的每个元素，第i个元素值为v，则在向量F中第v个位置的值加一，最终得到一张图像65536维直方图特征F＝(x1,x2,x3,....,x65536)；对模拟的隐写图像数据集D中每一张图片都提取这样一个直方图特征。
其中，在所述步骤S3中采用PCA降维方法对图像特征进行降维。
其中，所述的使用PCA对特征进行降维过程具体为：
对模拟嵌入的隐写图像数据集D中的特征进行归一化处理，数据集D中一共有2*M张图片的每一个维度特征进行归一化处理
Figure BDA0002203238500000031
数据集D中整体样本特征空间可以表示成F＝(F1,F2,...,F2*M)，计算该样本空间的协方差矩阵C:
Figure BDA0002203238500000032
计算协方差矩阵C的特征值以及它对应的特征向量，将它的特征向量根据特征值的从大到小的排列，选取前k行构造一个变换矩阵P；对于每一张图片提取的特征均可以通过变换矩阵P进行变换得到新特征F'，其中F'＝PF，F'为筛选后的特征。
其中，所述变换矩阵P的维度为k*65536。
与现有技术相比，本发明技术方案的有益效果是：
本发明提供的一种半色调图像隐写分析方法，在选择大小合适的模式块的同时，采用PCA进行降维，对图像特征进行压缩，从而对隐写的主要特征成分进行提取，降低特征维度，保持了更多的有效特征从而提高检测的准确率。
附图说明
图1为发明所述方法的流程示意图；
图2为实施例2在PFDM隐写方法下不同参数的检测平均准确率，参数选择msgl512,msgl768,msgl1024,msgl1280,msgl1536,msgl2048。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
为了更好说明本实施例，附图某些部件会有省略、放大或缩小，并不代表实际产品的尺寸；
对于本领域技术人员来说，附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示，一种半色调图像隐写分析方法，包括以下步骤：
S1：使用模拟嵌入的方法来构造M张隐写图片，得到一个模拟的隐写图像数据集，其中包含2M张图片；
S2：确定模式块大小，统计模拟的隐写图像数据集中每张图片的模式块的直方图特征，得到模式块的直方图特征空间，一共65536维；
S3：根据模式块的直方图特征空间，对所有图像特征进行降维并构造变换矩阵；
S4：从数据集构造训练集，提取训练集图像模式块的直方图特征，利用变换矩阵计算训练集特征向量，输入SVM中进行分析模型的训练；
S5：从数据集构造测试集，提取测试集图像模式块的直方图特征，利用变换矩阵计算测试集特征向量，将测试集特征向量输入到训练好的分析模型中，完成对图像隐写的分析。
在具体实施过程中，首先选择一个4*4大小的模式块，统计针对该模式块一个直方图特征一共65536维。由于维度特征空间太高，需要对特征进行压缩筛选，本方法先使用模拟嵌入的方法来构造隐写图片，构造一个模拟的数据集，利用PCA(Principal componentsanalysis)来对特征进行降维操作，提取出有效的特征，训练SVM分类器，并将训练好的SVM分类器来对图像进行隐写分析，检测出图像是否被隐写过。选择更大的模式块来构造它初始的特征空间，能够包含更多有效的特征，利于分类的效果，并使用PCA降维获得有效特征，能够更加准确的进行分类，提高图像检测的准确率。
实施例2
更具体的，在实施例1的基础上，在所述步骤S1中，所述的模拟嵌入是通过设置一个翻转概率p，遍历图像中的每一个像素点，随机选取一个值q(0≤q≤1)，若q≥p，则不翻转该像素点，反之则翻转该像素点。最终能够得到一个模拟的隐写图像数据集D，一共包含2M张图片。
在具体实施过程中，图像的数据来源与BOSSBase 1.01数据集，它包含有10000张灰度图，使用误差扩散的方式将其转换成半色调图像，从中随机选择M张图片来构造模拟嵌入的数据集，M取5000，q＝1/32。
更具体的，所述步骤S2具体包括以下步骤：
S21：选取一个4*4的模式块大小，计算图像4*4模式块直方图特征，在半色调图像中，4*4模式块共有216种模式，对不同模式进行编号，某个4*4大小的模式块编号就等于该模式块内像素值矩阵和一个4*4的卷积核对图像进行卷积计算得到的值，卷积核W具体定义为：
Figure BDA0002203238500000051
因此对于整幅图像X，使用卷积核W进行卷积运算，卷积计算移动步长为1，不对边界进行扩展，得到图像X中所有4*4模式块的编号矩阵M1，具体表达式为：
M1＝X*W
S22：对于一张图片初始化一个65536维的向量F，遍历图片对应编号矩阵M1中的每个元素，第i个元素值为v，则在向量F中第v个位置的值加一，最终得到一张图像65536维直方图特征F＝(x1,x2,x3,....,x65536)；对模拟的隐写图像数据集D中每一张图片都提取这样一个直方图特征。
更具体的，在所述步骤S3中采用PCA降维方法对图像特征进行降维。
更具体的，所述的使用PCA对特征进行降维过程具体为：
对模拟嵌入的隐写图像数据集D中的特征进行归一化处理，数据集D中一共有2*M张图片的每一个维度特征进行归一化处理
Figure BDA0002203238500000052
数据集D中整体样本特征空间可以表示成F＝(F1,F2,...,F2*M)，计算该样本空间的协方差矩阵C:
Figure BDA0002203238500000053
计算协方差矩阵C的特征值以及它对应的特征向量，将它的特征向量根据特征值的从大到小的排列，选取前k行构造一个变换矩阵P；对于每一张图片提取的特征均可以通过变换矩阵P进行变换得到新特征F'，其中F'＝PF，F'为筛选后的特征；其中k＝500。
更具体的，所述变换矩阵P的维度为k*65536。
在具体实施过程中，在所述步骤S4中，从数据集中选取N1张图片构造训练集，提取训练集图像4*4模式块的直方图特征，利用变换矩阵得到最终的特征向量F′＝PF，特征维度为k维，输入SVM中进行训练。对于训练集，有隐写图片和原图构成，原图是由10000张来自BOSSBase数据集灰度图，使用误差扩散的方式将它转换成半色调图像，对于隐写图像，使用论文《Secure Binary Image Steganography with Distortion Measurement Based onPrediction》中的隐写方法PDM，来构造隐写图像也是有10000张，从这20000张图片中选取N1＝10000张图片来构成训练集，其中包含有5000张原图和5000张对应的隐写图像
在具体实施过程中，在所述步骤S5中，从数据集中选取N2张图片构造测试集，对于要检测图片首先提取图像4*4模式块的直方图特征，利用变换矩阵得到最终的特征向量F′＝PF，将其输入到训练好的SVM分类器中，可以得到该检测图像是否被隐写过。测试集是从S4中选取的图片，一共有N2＝10000张，测试集不包含训练集中的图片。用训练好的分类器对测试集中图片进行检测，计算它检测的准确率。
在具体实施过程中，如图2所示，使用训练好的SVM分类器在测试集上检测图片的平均准确率，横坐标表PFDM隐写方法下不同的有效载荷Payload，单位是bpp，bit perpixel，有效载荷＝(嵌入信息长度)/图像总的像素点数。
在具体实施过程中，在PFDM隐写方法下不同参数的检测平均准确率，参数选择msgl512,msgl768,msgl1024,msgl1280,msgl1536,msgl2048，分别表示嵌入信息长度为512bit,768bit，1024bit,1280bit,1536bit,2048bit。横轴表示有效载荷，有效载荷＝(嵌入信息长度)/图像像素点个数，单位是bpp(bit per pixel)，图像的像素点个数65536。
在具体实施过程中，图2中在有效载荷为0.0078125时，准确率72.17％。有效载荷为0.01171875时，准确率为78.11％，有效载荷为0.015625时，准确率为82.20％，有效载荷为0.01953125时，准确率为85.44％，有效载荷为0.0234375时，准确率为87.53％。有效载荷为0.03125时，准确率为90.3％。
在具体实施过程中，本发明提供的一种半色调图像隐写分析方法，在选择大小合适的模式块的同时，采用PCA进行降维，对图像特征进行压缩，从而对隐写的主要特征成分进行提取，降低特征维度，保持了更多的有效特征从而提高检测的准确率。
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 (3)

1.一种半色调图像隐写分析方法，其特征在于，包括以下步骤：
S1：使用模拟嵌入的方法来构造M张隐写图片，得到一个模拟的隐写图像数据集，其中包含2M张图片；
S2：确定模式块大小，统计模拟的隐写图像数据集中每张图片的模式块的直方图特征，得到模式块的直方图特征空间；具体包括以下步骤：
S21：选取一个4*4的模式块大小，计算图像4*4模式块直方图特征，在半色调图像中，4*4模式块共有216种模式，对不同模式进行编号，某个4*4大小的模式块编号就等于该模式块内像素值矩阵和一个4*4的卷积核对图像进行卷积计算得到的值，卷积核W具体定义为：
Figure FDA0003982502110000011
因此对于整幅图像X，使用卷积核W进行卷积运算，卷积计算移动步长为1，不对边界进行扩展，得到图像X中所有4*4模式块的编号矩阵M1，具体表达式为：
M1＝X*W
S22：对于一张图片初始化一个65536维的向量F，遍历图片对应编号矩阵M1中的每个元素，第i个元素值为v，则在向量F中第v个位置的值加一，最终得到一张图像65536维直方图特征F＝(x1,x2,x3,…,x65536)；对模拟的隐写图像数据集D中每一张图片都提取这样一个直方图特征；
S3：根据模式块的直方图特征空间，采用PCA降维方法对所有图像特征进行降维并构造变换矩阵；使用PCA对特征进行降维过程具体为：
对模拟嵌入的隐写图像数据集D中的特征进行归一化处理，数据集D中一共有2*M张图片的每一个维度特征进行归一化处理：
Figure FDA0003982502110000012
数据集D中整体样本特征空间可以表示成F＝(F1,F2,...,F2*M)，计算该样本特征空间的协方差矩阵C:
Figure FDA0003982502110000021
计算协方差矩阵C的特征值以及它对应的特征向量，将它的特征向量根据特征值的从大到小的排列，选取前k行构造一个变换矩阵P；对于每一张图片提取的特征均可以通过变换矩阵P进行变换得到新特征F'，其中F'＝PF，F'为筛选后的特征；
S4：从数据集构造训练集，提取训练集图像模式块的直方图特征，利用变换矩阵计算训练集特征向量，输入SVM中进行分析模型的训练；
S5：从数据集构造测试集，提取测试集图像模式块的直方图特征，利用变换矩阵计算测试集特征向量，将测试集特征向量输入到训练好的分析模型中，完成对图像隐写的分析。
2.根据权利要求1所述的一种半色调图像隐写分析方法，其特征在于，在所述步骤S1中，所述的模拟嵌入是通过设置一个翻转概率p，遍历图像中的每一个像素点，随机选取一个值q，若q≥p，则不翻转该像素点，反之则翻转该像素点；最终能够得到一个模拟的隐写图像数据集D，一共包含2M张图片。
3.根据权利要求1所述的一种半色调图像隐写分析方法，其特征在于，所述变换矩阵P的维度为k*65536。
CN201910872451.7A 2019-09-16 2019-09-16 一种半色调图像隐写分析方法 Active CN110619594B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910872451.7A CN110619594B (zh) 2019-09-16 2019-09-16 一种半色调图像隐写分析方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910872451.7A CN110619594B (zh) 2019-09-16 2019-09-16 一种半色调图像隐写分析方法

Publications (2)

Publication Number Publication Date
CN110619594A CN110619594A (zh) 2019-12-27
CN110619594B true CN110619594B (zh) 2023-02-03

Family

ID=68923332

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910872451.7A Active CN110619594B (zh) 2019-09-16 2019-09-16 一种半色调图像隐写分析方法

Country Status (1)

Country Link
CN (1) CN110619594B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112001429B (zh) * 2020-08-06 2023-07-11 中山大学 一种基于纹理特征的深度伪造视频检测方法
CN112001832B (zh) * 2020-08-06 2023-09-05 中山大学 一种半色调图像隐写方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB0211488D0 (en) * 2002-05-18 2002-06-26 Univ Aston Information embedding method
CN106203492A (zh) * 2016-06-30 2016-12-07 中国科学院计算技术研究所 一种图像隐写分析的系统及方法
CN108921764B (zh) * 2018-03-15 2022-10-25 中山大学 一种基于生成对抗网络的图像隐写方法及系统
CN108596821A (zh) * 2018-04-16 2018-09-28 广东技术师范学院 一种图像空间域通用隐写分析的压缩感知实现方法
CN109859091B (zh) * 2018-12-24 2023-05-16 中国人民解放军国防科技大学 基于Gabor滤波和卷积神经网络的图像隐写检测方法

Also Published As

Publication number Publication date
CN110619594A (zh) 2019-12-27

Similar Documents

Publication Publication Date Title
US11625805B2 (en) Learning systems and methods
Athar et al. A comprehensive performance evaluation of image quality assessment algorithms
CN109492416B (zh) 一种基于安全区域的大数据图像保护方法和系统
CN110717450B (zh) 自动识别原始文档的翻拍图像的训练方法和检测方法
Holub et al. Random projections of residuals for digital image steganalysis
CN109325550B (zh) 基于图像熵的无参考图像质量评价方法
Ye et al. Real-time no-reference image quality assessment based on filter learning
CN111209858B (zh) 一种基于深度卷积神经网络的实时车牌检测方法
CN108280480B (zh) 一种基于残差共生概率的隐写图像载体安全性评价方法
CN113283356B (zh) 多级注意力尺度感知人群计数方法
CN110619594B (zh) 一种半色调图像隐写分析方法
Li et al. Detecting double JPEG compression and its related anti-forensic operations with CNN
CN104519361A (zh) 一种基于空时域局部二值模式的视频隐写分析方法
Anjum et al. Recapture detection technique based on edge-types by analysing high-frequency components in digital images acquired through LCD screens
CN104463922B (zh) 一种基于集成学习的图像特征编码及识别方法
CN115527072A (zh) 一种基于稀疏空间感知与元学习的芯片表面缺陷检测方法
CN115393698A (zh) 一种基于改进dpn网络的数字图像篡改检测方法
CN111950457A (zh) 油田安全生产图像识别方法及系统
CN111310690A (zh) 基于cn和三通道胶囊网络的森林火灾识别方法及装置
CN111291712B (zh) 基于插值的cn和胶囊网络的森林火灾识别方法及装置
Das et al. Image splicing detection with principal component analysis generated low-dimensional homogeneous feature set based on local binary pattern and support vector machine
Huang et al. Image steganography using texture features and GANs
Ng et al. Blind steganalysis with high generalization capability for different image databases using L-GEM
Lu et al. An Efficient Detection Approach of Content Aware Image Resizing.
Rani et al. Quality assessment model for handwritten photo document images

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