CN110930287A - 一种图像隐写检测方法、装置及计算机设备、存储介质 - Google Patents

一种图像隐写检测方法、装置及计算机设备、存储介质 Download PDF

Info

Publication number
CN110930287A
CN110930287A CN201910982092.0A CN201910982092A CN110930287A CN 110930287 A CN110930287 A CN 110930287A CN 201910982092 A CN201910982092 A CN 201910982092A CN 110930287 A CN110930287 A CN 110930287A
Authority
CN
China
Prior art keywords
image file
image
target image
file
preset
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
Application number
CN201910982092.0A
Other languages
English (en)
Other versions
CN110930287B (zh
Inventor
敖琦
唐炳武
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.)
Ping An Property and Casualty Insurance Company of China Ltd
Original Assignee
Ping An Property and Casualty Insurance Company of China Ltd
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 Ping An Property and Casualty Insurance Company of China Ltd filed Critical Ping An Property and Casualty Insurance Company of China Ltd
Priority to CN201910982092.0A priority Critical patent/CN110930287B/zh
Publication of CN110930287A publication Critical patent/CN110930287A/zh
Application granted granted Critical
Publication of CN110930287B publication Critical patent/CN110930287B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00General purpose image data processing
    • G06T1/0021Image watermarking
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2201/00General purpose image data processing
    • G06T2201/005Image watermarking
    • G06T2201/0065Extraction of an embedded watermark; Reliable detection

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明属于信息安全技术领域,涉及一种图像隐写检测方法、装置及计算机设备、存储介质。所述方法包括:接收待检测的目标图像文件,分析所述目标图像文件的图像类型;根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。本发明提供的方案可在隐写算法未知的情况下对图像进行隐写检测,具有较好的通用盲检性能,且在隐写信息嵌入率较低时能够获得较高的准确率。

Description

一种图像隐写检测方法、装置及计算机设备、存储介质
技术领域
本发明实施例属于信息安全技术领域,尤其涉及一种图像隐写检测方法、装置及计算机设备、存储介质。
背景技术
图像空域和频域的冗余,给不法分子提供了契机。图像被作为载体,在空域或者频域嵌入秘密信息,用以不法交易,给政府、企业甚至国家造成无法估量的损失,隐写和隐写检测已经成为信息安全领域重要的研究方向。
针对空域隐写或频域隐写,至今都各有大量的检测算法。
对于图像空域隐写的检测算法,例如卡方检测算法适用于检测LSB(最低有效位)的顺序嵌入的图像,若隐写信息未完全填充整个图像的像素点,则该方法不适用;又例如RS检测算法适用于随机嵌入的图像,但对于低嵌入率的图像,其检测准确度不佳。
对于图像频域隐写的检测算法,例如JSteg算法实现对JPEG文件的DCT(离散余弦变换)系数进行LSB隐写,针对该隐写方法,卡方检测算法具有较好的检测性能,但是,卡方检测只适用于检测顺序嵌入秘密信息的图像。针对F5隐写算法所隐写的内容的检测,由于受到“铁格效应”的图像的影响,该方法也会产生较大的误差。
上述专用检测方法,针对特定的隐写算法具有较高的识别准确率,但实际应用中,一个待检测图像文件无法事先预知其隐写算法,若使用现有的专用检测方法逐一检测,耗费的时间成本高,且无法保证隐写识别的准确率;另外,新的隐写算法不断出现,现有的专用检测方法无法对通过新的隐写算法所隐写的图像进行检测。
发明内容
有鉴于此,本发明实施例提供一种图像隐写检测方法、装置及计算机设备、存储介质,以解决现有的图像隐写检测方法只能针对特定的隐写算法所隐写的图像进行检测,通用性差的问题。
第一方面,本发明实施例提供一种图像隐写检测方法,包括:
接收待检测的目标图像文件,分析所述目标图像文件的图像类型;
根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;
根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;
将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
作为本发明可实施的方式,在所述接收待检测的目标图像文件之前,所述方法还包括对所述预设的二分类模型分类器进行训练,其中,所述预设的二分类模型分类器的训练过程包括:
获取样本集,所述样本集包括若干样本图像文件,分析各所述样本图像文件的类型;
根据各所述样本图像文件的类型分别获取各所述样本图像文件的图像通道数;
根据各所述样本图像文件的图像通道数分别提取各所述样本图像文件在空域以及频域的共生矩阵,并分别提取所述空域及所述频域的各个预设方向上所述共生矩阵的特征向量;
将每个所述样本图像文件的所述空域及所述频域的所述共生矩阵的特征向量联合作为二分类模型分类器的输入,对所述二分类模型分类器进行训练,得到所述预设的二分类模型分类器。
作为本发明可实施的方式,所述分析所述目标图像文件的图像类型包括:
获取所述目标图像文件的后缀;
根据所述目标图像文件的后缀获取所述目标图像文件的文件开始字节;
根据所述目标图像文件的文件开始字节确定所述目标图像文件的实际类型。
作为本发明可实施的方式,根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵包括:
判断所述目标图像文件在空域中的图像通道数是否等于预设图像通道数;
若判断为等于,则按照预设方向分别提取所述目标图像文件在空域中的第一共生矩阵,将所述第一共生矩阵作为所述目标图像文件在空域的共生矩阵。
进一步地,根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵还包括:
若判断所述目标图像文件在空域中的图像通道数不等于预设图像通道数,则将所述目标图像文件进行颜色空间转换,得到第一预设图像文件,所述第一预设图像文件为YUV图像;
提取所述第一预设图像文件的亮度通道,按照所述预设方向分别提取所述亮度通道在空域上的第二共生矩阵,将所述第二共生矩阵作为所述目标图像文件在空域的共生矩阵。
作为本发明可实施的方式,根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵包括:
判断所述目标图像文件在频域中的图像通道数是否等于预设图像通道数;
若判断为等于,则将所述目标图像文件进行图像分块处理,并对每个图像分块进行离散余弦变化,得到各图像分块的第一离散余弦变换系数;
基于各图像分块的所述第一离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第三共生矩阵,将所述第三共生矩阵作为所述目标图像文件在频域上的共生矩阵。
进一步地,根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵还包括:
若判断所述目标图像文件在频域中的图像通道数大于预设图像通道数,则将所述目标图像文件转换为第二预设图像文件,所述第二预设图像文件为YUV图像;
对所述第二预设图像文件进行图像分块处理,并对每个图像分块的亮度通道进行离散余弦变化,得到各图像分块的第二离散余弦变换系数;
基于各图像分块的所述第二离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第四共生矩阵,将所述第四共生矩阵作为所述目标图像文件在频域上的共生矩阵。
第二方面,本发明实施例提供一种图像隐写检测装置,包括:
图像类型识别模块,用于接收待检测的目标图像文件,分析所述目标图像文件的图像类型;
图像通道数获取模块,用于根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;
特征提取模块,用于根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;
隐写检测模块,用于将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
第三方面,本发明实施例提供一种计算机设备,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使得所述至少一个处理器能够执行如上所述的图像隐写检测方法的步骤。
第四方面,本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被至少一个处理器执行时实现如上所述的图像隐写检测方法的步骤。
根据本发明实施例提供的图像隐写检测方法、装置及计算机设备、存储介质,通过将图像在空域和频域中的共生矩阵的特征向量进行联合作为预设的二分类模型分类器模型的输入向量,并输出分类结果,由于结合了空域和时域的图像特征,能够在隐写算法未知的情况下对图像进行隐写检测,具有较好的通用盲检测性能,而且在隐写信息嵌入率较低时,能够获得较高的正确率。
附图说明
为了更清楚地说明本发明的方案,下面将对实施例描述中所需要使用的附图作一个简单介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像隐写检测方法的流程图;
图2为本发明实施例提供的提取目标图像文件在空域的共生矩阵的流程图;
图3为本发明实施例多个方向的位置算子示意图;
图4为本发明实施例提供的提取目标图像文件在频域的共生矩阵的流程图;
图5a为本发明实施例提供的图像隐写检测装置的结构框图;
图5b为本发明实施例提供的图像隐写检测装置的另一结构框图;
图6为本发明实施例提供的计算机设备的结构框图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案,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、完整地描述。除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
在说明书中的各个位置出现的“实施例”该短语并不一定均是指相同的实施例,也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是,本文所描述的实施例可以与其它实施例相结合。
本发明实施例提供一种图像隐写检测方法,如图1所示,所述图像隐写检测方法包括:
S1、接收待检测的目标图像文件,分析所述目标图像文件的图像类型;
S2、根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;
S3、根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;
S4、将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
下面对上述步骤进行详细说明。
对于步骤S1,所述分析所述目标图像文件的图像类型具体可包括:获取所述目标图像文件的后缀,根据所述目标图像文件的后缀获取所述目标图像文件的文件开始字节,根据所述目标图像文件的文件开始字节确定所述目标图像文件的实际类型。本发明实施例中图像类型主要有三种:未压缩图像类型、无损压缩图像类型或有损压缩图像类型,其中,未压缩图像类型比如BMP文件,无损压缩图像类型比如PNG文件,有损压缩图像类型比如JPG文件,因此获取目标图像文件的后缀,对于这几类而言,相对应的获取未压缩图像类型后缀为.BMP,获取无损压缩图像类型为.PNG,获取有损压缩图像类型为.JPG,每种图像类型的文件开始字节不同,因此,根据处理图像文件的后缀获取待处理图像文件的文件开始字节,以二进制方式打开目标图像文件,读取开头几个字节来判断目标图像文件的实际类型;比如JPG文件开始字节FF D8 FF(255 216 255),GIF文件开始字节47 49 46 38(71 73 70 56),BMP文件开始字节42 4D(66 77),在具体的实施方式中,判断是否目标图像文件是否为JPG文件具体是判断文件开始字节是否为FF D8 FF(255 216 255),判断是否目标图像文件是否为GIF文件具体是判断文件开始字节是否为47 49 46 38(71 73 70 56),判断是否目标图像文件是否为BMP文件具体是判断文件开始字节是否为42 4D(66 77),若上述判断是,则可以确定目标图像文件的实际图像类型。
对于步骤S2,通过区分目标图像文件的图像类型,可以更好的判断图像正常的通道数。其中,未压缩图像类型(典型代表:BMP文件),彩色图像为三通道,灰度图像为三通道;无损压缩图像类型(典型代表:PNG文件),彩色图像为四通道,灰度图像为四通道;有损压缩图像类型(典型代表:JPG文件),彩色图像为三通道,灰度图像为三通道。在具体实施例中,可采用python扩展程序库numpy的Shape函数返回所述目标图像文件的矩阵维度,所述矩阵维度包括所述目标图像文件的高度、宽度以及图像通道数(channel_num),具体的,Shape函数返回(height,width,图像通道数)/(height,width),图像的矩阵维度由Shape函数返回值判断,若返回(height,width),表示图像通道数为1,表示为单通道图像,若返回(height,width,图像通道数),则根据返回值确定图像通道数,其中,当channel_num=1即代表目标图像文件为灰度图像且为单通道图像;当channel_num=2则代表目标图像文件为RGB彩色图像且为3通道图像,当channel_num=3代表目标图像文件为带Alph通道的RGB图像且为4通道图像。
对于步骤S3,对于一个给定的具有N级灰度水平的图像Ix,y,共生矩阵的阶数与图像的灰度级别数相等,因此图像Ix,y对应有N×N的共生矩阵Gr,θ(i,j),可以用下式来表示:
Figure BDA0002235519000000071
其中,x2=x1+rcosθ,y2=y1+rcosθ;(x1,y1)代表图像中的任意一点,(x2,y2)代表偏离(x1,y1)的另一点,r代表两点之间的距离,θ代表两者与坐标横轴的夹角,Ix,y表示图像在(x,y)处的像素值。基于式(1)可以获得目标图像文件在空域和频域的共生矩阵。
作为本发明可实施的方式,如图2所示,根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵包括:
S21、判断所述目标图像文件在空域中的图像通道数是否等于预设图像通道数,若判断为等于则执行步骤S22,否则执行步骤S23;
在本发明实施例中,预设通道数可以为1,若目标图像文件在空域中的图像通道数等于预设图像通道数,即表示目标图像文件为单通道灰度图,此时执行步骤S22直接提取共生矩阵,无需考虑额外操作。若目标图像文件在空域中的图像通道数大于1,即表示目标图像文件为多通道图像,每个图像通道数都存在数据,此时执行步骤S23,在提取共生矩阵之前还需对目标图像文件进行额外操作。
S22、按照预设方向分别提取所述目标图像文件在空域中的第一共生矩阵,将所述第一共生矩阵作为所述目标图像文件在空域的共生矩阵;参阅图3所示的多个方向的位置算子示意图,图中的各个方向即为所述预设方向,定义位置算子,δ0、δ1、δ2、δ3分别为0°、45°、90°和135°表示方向的位置算子,Δx1、Δx2分别表示步长,若预设通道数为1,表示目标图像文件为单通道灰度图,直接按照图3所示的按0°、45°、90°和135°方向分别提取共生矩阵,具体的,分别记数符合位置算子的像素组合的数目得到频数矩阵,再将其归一化,即除以相应位置算子所得到的频度总数就可得到共生矩阵。
S23、将所述目标图像文件进行颜色空间转换,得到第一预设图像文件,并进一步执行步骤S24,所述第一预设图像文件为YUV图像;具体的,进行颜色控件转换是将RGB颜色空间转换成YCrCb颜色空间,在YCrCb颜色空间中,Y代表亮度,Cb、Cr则代表饱和度和色度(Cb,Cr两者统称为色度),三者通常以Y,U,V来表示,即用U代表Cb,用V代表Cr。其中,RGB颜色空间和YCrCb颜色空间之间的转换关系如下所示:
Y=0.299R+0.587G+0.114B;
Cb=-0.1687R-0.3313G+0.5B+128;
Cr=0.5R=0.418G-0.0813B+128;
一般来说,Cb、Cr是一个有符号的数字,在本发明实施例中,通过加上128,使其变为8位的无符号整数,从而方便数据的存储和计算。
S24、提取所述第一预设图像文件的亮度通道,按照所述预设方向分别提取所述亮度通道在空域上的第二共生矩阵,将所述第二共生矩阵作为所述目标图像文件在空域的共生矩阵。当图像通道数大于1,表示目标图像文件为多通道图像,此时每个图像通道都存在数据,在本发明实施例中,对于多通道图像,将其转换为YUV图像后,针对亮度通道Y可结合图3提取预设方向的共生矩阵。
作为本发明可实施的方式,如图4所示,根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵包括:
S41、判断所述目标图像文件在频域中的图像通道数是否等于预设图像通道数,若判断为等于则执行步骤S42,否者执行步骤S44;
在本发明实施例中,与空域中的预设图像通道数相同,预设通道数可以为1,若目标图像文件在频域中的图像通道数等于预设图像通道数,即表示目标图像文件为单通道灰度图,此时执行步骤S42直接提取共生矩阵,无需考虑额外操作。若目标图像文件在频域中的图像通道数大于1,即表示目标图像文件为多通道图像,每个图像通道数都存在数据,此时执行步骤S43,在提取共生矩阵之前还需对目标图像文件进行额外操作。
S42、将所述目标图像文件进行图像分块处理,并对每个图像分块进行离散余弦变化,得到各图像分块的第一离散余弦变换系数,并继续执行步骤S43;具体的,可以按照不同的划分方式对所述待处理图像文件进行分块处理,例如可以将目标图像文件按照8×8进行图像分块处理,对分块后的所述待处理图像文件分别进行离散余弦变换以得到所述第一离散余弦变换系数,需要说明的是,此处以8×8进行图像分块处理仅用于示例性说明,不对本发明的具体实施的方案构成绝对限定。
S43、基于各图像分块的所述第一离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第三共生矩阵,将所述第三共生矩阵作为所述目标图像文件在频域上的共生矩阵;
具体的,取预设通道数为1,此时获取各图像分块的共生矩阵的过程包括,对每个经离散余弦变换后的图像分块以之字形遍历(ZigZag)的顺序遍历,构成一维向量Vi(0,1,2,3,…,63),其中,舍弃高频系数(AC系数),保留低频信息(DC系数),截取各图像分块的低频部分Vi(1,2,3,…,20),并提取各个图像分块的共生矩阵Gi,具体地,将高频系数的范围设定为[-9,9],共生矩阵大小为19×19,则可以得到目标图像文件的第三共生矩阵
Figure BDA0002235519000000101
n为图像分块的数量。
S44、判断所述目标图像文件在频域中的图像通道数是否大于预设图像通道数,若大于则执行步骤S45;
S45、将所述目标图像文件转换为第二预设图像文件,并继续执行步骤S46,所述第二预设图像文件为YUV图像;具体的,转换过程可以参见上述步骤S23中的相关描述,此处不再赘述。
S46、对所述第二预设图像文件进行图像分块处理,并对每个图像分块的亮度通道进行离散余弦变化,得到各图像分块的第二离散余弦变换系数,并继续执行步骤S47;具体的,分块处理过程可以参见上述步骤S42中的相关描述,此处不再赘述。
S47、基于各图像分块的所述第二离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第四共生矩阵,将所述第四共生矩阵作为所述目标图像文件在频域上的共生矩阵。具体的,取预设通道数为1,第四共生矩阵和所述第三共生矩阵的获取方式相同,可以参见上述步骤S43中的相关描述,此处不再赘述。
对于步骤S4,由于共生矩阵维数过大,不便处理,因此通过共生矩阵来构建特征向量作为分类的特征,其中共生矩阵的特征向量包括能量、熵和反差分矩阵。
其中,能量、熵和反差分矩阵定义如下:
能量:
Figure BDA0002235519000000111
熵:
Figure BDA0002235519000000112
反差分矩阵:
Figure BDA0002235519000000113
其中P(i,j)表示像素在图像中的坐标。具体的,根据上述式(2)至(4)对空域的4个方向的共生矩阵分别计算能量、熵和反差分矩阵,并取各个特征向量的均值作为分类特征向量的分量;对于频域的共生矩阵同样基于式(2)至(4)计算其能量、熵和反差分矩阵,同样的将计算结果作为分类特征向量的分量,所述分类特征向量后续将成为二分类模型分类器的输入。
上述对共生矩阵提取特征向量也分两种情况,即图像通道数大于1和等于1两种情况。举例来说,假设检测到的图像通道数为等于1,则表示该图像为单通道图像,直接获取其空域和频移的共生矩阵,然后分别提取空域及频域共生矩阵的特征向量,同理对于图像通道数为大于1的情况类似,此处不做展开说明。
作为本发明可实施的方式,在所述接收待检测的目标图像文件之前,所述方法还包括对所述预设的二分类模型分类器进行训练,其中,所述预设的二分类模型分类器的训练过程包括:
获取样本集,所述样本集包括若干样本图像文件,分析各所述样本图像文件的类型;根据各所述样本图像文件的类型分别获取各所述样本图像文件的图像通道数;根据各所述样本图像文件的图像通道数分别提取各所述样本图像文件在空域以及频域的共生矩阵,并分别提取所述空域及所述频域的各个预设方向上所述共生矩阵的特征向量;将每个所述样本图像文件的所述空域及所述频域的所述共生矩阵的特征向量联合作为二分类模型分类器的输入,对所述二分类模型分类器进行训练,得到所述预设的二分类模型分类器。
具体的,上述对样本集中的样本图像文件的共生矩阵的生成和特征向量的提取,空域和频域的共生矩阵的特征向量的联合,以及二分类模型分类器的输入输出处理的过程,均可参阅上述实施例中相关内容,此处不作展开。
本申请使用RBF(Radial Basis Function径向基函数)作为核函数进行二分类模型分类器的训练,给定一个特征空间的训练数据集,该训练数据集即为上述每个所述样本图像文件的所述空域及所述频域的所述共生矩阵的特征向量的联合,令训练数据集为T={(x1,y1),(x2,y2),…,(xN,yN)},其中实例xi∈x=Rn,yi∈y={-1,+1},i=1,2,…,N,(xi,yi)代表目标图像文件中的任意一点,寻找一个面将正负例分开。
通过高斯径向基函数
Figure BDA0002235519000000121
将原特征空间的样本映射至新的空间,在新空间寻找到一个平面w*x+b*=0,其中,w*和b*为特定参数,在新空间用线性学习方法进行二分类模型分类器的训练,训练过程中采用的目标函数为:
Figure BDA0002235519000000122
约束条件为:
yi(w*xi+b*)≥1-εi,i=1,2,…,N;
εi≥0,i=1,2,…,N,其中,C为惩罚因子,εi为松弛变量。
训练过程中采用的决策函数为:
Figure BDA0002235519000000123
其中αi=(α12,…,αN)T是拉格朗日乘子向量。
对于上述训练过程所采用的公式,训练的目的在于寻求参数C和γ的最优解,其中,γ参数定义了单个训练样本对分类结果的影响,γ值越大,影响越小,γ值越小,影响越大,C参数用以平衡误分类样本与分界面简单性,其值越大,模型可以选择更多的支持向量保证样本被正确分类,其值越小,其分界面越平滑,在本实施例中,经过训练后,参数C=1024,γ=0.5。
根据本发明实施例提供的图像隐写检测方法,通过将图像在空域和频域中的共生矩阵的特征向量进行联合作为预设的二分类模型分类器模型的输入向量,并输出分类结果,由于结合了空域和时域的图像特征,能够在隐写算法未知的情况下对图像进行隐写检测,具有较好的通用盲检测性能,而且在隐写信息嵌入率较低时,能够获得较高的正确率。
作为对上述方法的实现,本发明实施例提供一种图像隐写检测装置,该装置具体可以应用于各种电子设备中,如图5a所示,所述装置包括图像类型识别模块51、图像通道数获取模块52、特征提取模块53和隐写检测模块54,其中:图像类型识别模块51用于接收待检测的目标图像文件,分析所述目标图像文件的图像类型;图像通道数获取模块52用于根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;特征提取模块53用于根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;隐写检测模块54用于将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
在本发明一些实施例中,如图5b所示,所述装置还包括训练模块55,所述训练模块55用于在所述接收待检测的目标图像文件之前,对所述预设的二分类模型分类器进行训练,其中,所述训练模块55训练预设的二分类模型分类器时具体用于:获取样本集,所述样本集包括若干样本图像文件,分析各所述样本图像文件的类型;根据各所述样本图像文件的类型分别获取各所述样本图像文件的图像通道数;根据各所述样本图像文件的图像通道数分别提取各所述样本图像文件在空域以及频域的共生矩阵,并分别提取所述空域及所述频域的各个预设方向上所述共生矩阵的特征向量;将每个所述样本图像文件的所述空域及所述频域的所述共生矩阵的特征向量联合作为二分类模型分类器的输入,对所述二分类模型分类器进行训练,得到所述预设的二分类模型分类器。
在本发明一些实施例中,所述图像类型识别模块51分析所述目标图像文件的图像类型时具体用于:获取所述目标图像文件的后缀;根据所述目标图像文件的后缀获取所述目标图像文件的文件开始字节;根据所述目标图像文件的文件开始字节确定所述目标图像文件的实际类型。
在本发明一些实施例中,所述特征提取模块53根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵时具体用于:判断所述目标图像文件在空域中的图像通道数是否等于预设图像通道数;若判断为等于,则按照预设方向分别提取所述目标图像文件在空域中的第一共生矩阵,将所述第一共生矩阵作为所述目标图像文件在空域的共生矩阵。
进一步地,所述特征提取模块53根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵时还具体用于:若判断所述目标图像文件在空域中的图像通道数不等于预设图像通道数,则将所述目标图像文件进行颜色空间转换,得到第一预设图像文件,所述第一预设图像文件为YUV图像;提取所述第一预设图像文件的亮度通道,按照所述预设方向分别提取所述亮度通道在空域上的第二共生矩阵,将所述第二共生矩阵作为所述目标图像文件在空域的共生矩阵。
在本发明一些实施例中,所述特征提取模块53根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵时具体用于:判断所述目标图像文件在频域中的图像通道数是否等于预设图像通道数;若判断为等于,则将所述目标图像文件进行图像分块处理,并对每个图像分块进行离散余弦变化,得到各图像分块的第一离散余弦变换系数;基于各图像分块的所述第一离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第三共生矩阵,将所述第三共生矩阵作为所述目标图像文件在频域上的共生矩阵。
进一步地,所述特征提取模块53根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵时还具体用于:若判断所述目标图像文件在频域中的图像通道数大于预设图像通道数,则将所述目标图像文件转换为第二预设图像文件,所述第二预设图像文件为YUV图像;对所述第二预设图像文件进行图像分块处理,并对每个图像分块的亮度通道进行离散余弦变化,得到各图像分块的第二离散余弦变换系数;基于各图像分块的所述第二离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第四共生矩阵,将所述第四共生矩阵作为所述目标图像文件在频域上的共生矩阵。
本发明实施例所述装置所包含的各模块的功能,可以参阅上述实施例中的相关内容,在此不作展开。
根据本发明实施例提供的图像隐写检测装置,通过将图像在空域和频域中的共生矩阵的特征向量进行联合作为预设的二分类模型分类器模型的输入向量,并输出分类结果,由于结合了空域和时域的图像特征,能够在隐写算法未知的情况下对图像进行隐写检测,具有较好的通用盲检测性能,而且在隐写信息嵌入率较低时,能够获得较高的正确率。
本发明实施例还提供一种计算机设备,如图6所示,所述计算机设备包括至少一个处理器61,以及与所述至少一个处理器61通信连接的存储器62,图6中示出一个处理器61,所述存储器62存储有可被所述至少一个处理器61执行的指令,所述指令被所述至少一个处理器61执行,以使所述至少一个处理器61能够执行如上所述的图像隐写检测方法的步骤。
具体的,本发明实施例中的存储器62为非易失性计算机可读存储介质,可用于存储非易失性软件程序、非易失性计算机可执行程序以及模块,如本申请上述实施例中的图像隐写检测方法对应的程序指令/模块;所述处理器61通过运行存储在存储器62中的非易失性软件程序、指令以及模块,从而执行各种功能应用以及进行数据处理,即实现上述方法实施例中所述的图像隐写检测方法。
在一些实施例中,所述存储器62可以包括程序存储区和数据存储区,其中,程序存储区可存储操作系统、至少一个功能所需要的应用程序;数据存储区可存储图像隐写检测方法的处理过程中所创建的数据等。此外,存储器62可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件;
在一些实施例中,存储器62可选包括相对于处理器61远程设置的远程存储器,这些远程存储器可以通过网络连接至执行域名过滤处理的计算机设备,前述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
在本发明实施例中,执行图像隐写检测方法的计算机设备还可以包括输入装置63和输出装置64;其中,输入装置63可获取用户在计算机设备上的操作信息,输出装置64可包括显示屏等显示设备。在本发明实施例中,所述处理器61、存储器62、输入装置63和输出装置64可以通过总线或者其他方式连接,图6中以通过总线连接为例。
根据本发明实施例提供的计算机设备,通过处理器61执行存储器62中的代码时能够执行上述实施例中图像隐写检测方法的步骤,且具有上述方法实施例的技术效果,未在本实施例中详尽描述的技术细节,可参见本申请方法实施例中所提供的技术内容。
本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被至少一个处理器执行时,能够实现如上所述的图像隐写检测方法的步骤,当执行所述方法的步骤时,具有上述方法实施例的技术效果,未在本实施例中详尽描述的技术细节,可参见本申请方法实施例中所提供的技术内容。
本发明实施例还提供一种计算机程序产品,所述产品可执行本申请方法实施例中所提供的图像隐写检测方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本申请方法实施例中所提供的技术内容。
需要说明的是,在本发明上述实施例中的各功能模块可以集成在一个处理单元中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
上述以软件功能单元的形式实现的集成的单元,可以存储在一个计算机可读取存储介质中。上述软件功能单元存储在一个存储介质中,包括若干指令用以使得一台计算机装置(可以是个人计算机,服务器,或者网络装置等)或智能终端设备或处理器(Processor)执行本发明各个实施例所述方法的部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(Read-Only Memory,ROM)、随机存取存储器(Random Access Memory,RAM)、磁碟或者光盘等各种可以存储程序代码的介质。
在本发明所提供的上述实施例中,应该理解到,所揭露的装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如,至少两个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到至少两个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
显然,以上所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例,附图中给出了本发明的较佳实施例,但并不限制本发明的专利范围。本发明可以以许多不同的形式来实现,相反地,提供这些实施例的目的是使对本发明的公开内容的理解更加透彻全面。尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来而言,其依然可以对前述各具体实施方式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效替换。凡是利用本发明说明书及附图内容所做的等效结构,直接或间接运用在其他相关的技术领域,均同理在本发明专利保护范围之内。

Claims (10)

1.一种图像隐写检测方法,其特征在于,包括:
接收待检测的目标图像文件,分析所述目标图像文件的图像类型;
根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;
根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;
将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
2.根据权利要求1所述的图像隐写检测方法,其特征在于,在所述接收待检测的目标图像文件之前,所述方法还包括对所述预设的二分类模型分类器进行训练,其中,所述预设的二分类模型分类器的训练过程包括:
获取样本集,所述样本集包括若干样本图像文件,分析各所述样本图像文件的类型;
根据各所述样本图像文件的类型分别获取各所述样本图像文件的图像通道数;
根据各所述样本图像文件的图像通道数分别提取各所述样本图像文件在空域以及频域的共生矩阵,并分别提取所述空域及所述频域的各个预设方向上所述共生矩阵的特征向量;
将每个所述样本图像文件的所述空域及所述频域的所述共生矩阵的特征向量联合作为二分类模型分类器的输入,对所述二分类模型分类器进行训练,得到所述预设的二分类模型分类器。
3.根据权利要求1或2所述的图像隐写检测方法,其特征在于,所述分析所述目标图像文件的图像类型包括:
获取所述目标图像文件的后缀;
根据所述目标图像文件的后缀获取所述目标图像文件的文件开始字节;
根据所述目标图像文件的文件开始字节确定所述目标图像文件的实际类型。
4.根据权利要求1或2所述的图像隐写检测方法,其特征在于,根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵包括:
判断所述目标图像文件在空域中的图像通道数是否等于预设图像通道数;
若判断为等于,则按照预设方向分别提取所述目标图像文件在空域中的第一共生矩阵,将所述第一共生矩阵作为所述目标图像文件在空域的共生矩阵。
5.根据权利要求4所述的图像隐写检测方法,其特征在于,根据所述目标图像文件的图像通道数提取所述目标图像文件在空域的共生矩阵还包括:
若判断所述目标图像文件在空域中的图像通道数不等于预设图像通道数,则将所述目标图像文件进行颜色空间转换,得到第一预设图像文件,所述第一预设图像文件为YUV图像;
提取所述第一预设图像文件的亮度通道,按照所述预设方向分别提取所述亮度通道在空域上的第二共生矩阵,将所述第二共生矩阵作为所述目标图像文件在空域的共生矩阵。
6.根据权利要求1或2所述的图像隐写检测方法,其特征在于,根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵包括:
判断所述目标图像文件在频域中的图像通道数是否等于预设图像通道数;
若判断为等于,则将所述目标图像文件进行图像分块处理,并对每个图像分块进行离散余弦变化,得到各图像分块的第一离散余弦变换系数;
基于各图像分块的所述第一离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第三共生矩阵,将所述第三共生矩阵作为所述目标图像文件在频域上的共生矩阵。
7.根据权利要求6所述的图像隐写检测方法,其特征在于,根据所述目标图像文件的图像通道数提取所述目标图像文件在频域的共生矩阵还包括:
若判断所述目标图像文件在频域中的图像通道数大于预设图像通道数,则将所述目标图像文件转换为第二预设图像文件,所述第二预设图像文件为YUV图像;
对所述第二预设图像文件进行图像分块处理,并对每个图像分块的亮度通道进行离散余弦变化,得到各图像分块的第二离散余弦变换系数;
基于各图像分块的所述第二离散余弦变换系数,分别获取各图像分块的共生矩阵,并根据各图像分块的共生矩阵生成第四共生矩阵,将所述第四共生矩阵作为所述目标图像文件在频域上的共生矩阵。
8.一种图像隐写检测装置,其特征在于,包括:
图像类型识别模块,用于接收待检测的目标图像文件,分析所述目标图像文件的图像类型;
图像通道数获取模块,用于根据所述目标图像文件的图像类型获取所述目标图像文件的图像通道数;
特征提取模块,用于根据所述目标图像文件的图像通道数分别提取所述目标图像文件在空域和频域的共生矩阵,并分别提取所述空域和所述频域的共生矩阵的特征向量;
隐写检测模块,用于将所述空域及所述频域的共生矩阵的特征向量联合作为预设的二分类模型分类器的输入,输出所述目标图像文件的图像隐写检测结果。
9.一种计算机设备,其特征在于,包括:
至少一个处理器;以及,
与所述至少一个处理器通信连接的存储器;其中,
所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行时,使得所述至少一个处理器执行如权利要求1至7中任一项所述的图像隐写检测方法的步骤。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机可读指令,所述计算机可读指令被至少一个处理器执行时实现如权利要求1至7中任一项权利要求所述的图像隐写检测方法的步骤。
CN201910982092.0A 2019-10-16 2019-10-16 一种图像隐写检测方法、装置及计算机设备、存储介质 Active CN110930287B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910982092.0A CN110930287B (zh) 2019-10-16 2019-10-16 一种图像隐写检测方法、装置及计算机设备、存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910982092.0A CN110930287B (zh) 2019-10-16 2019-10-16 一种图像隐写检测方法、装置及计算机设备、存储介质

Publications (2)

Publication Number Publication Date
CN110930287A true CN110930287A (zh) 2020-03-27
CN110930287B CN110930287B (zh) 2024-04-02

Family

ID=69849011

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910982092.0A Active CN110930287B (zh) 2019-10-16 2019-10-16 一种图像隐写检测方法、装置及计算机设备、存储介质

Country Status (1)

Country Link
CN (1) CN110930287B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034337A (zh) * 2021-04-29 2021-06-25 百度在线网络技术(北京)有限公司 图像检测方法、相关装置及计算机程序产品
CN117671302A (zh) * 2024-02-01 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种图像隐写分析方法、装置及存储介质

Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2000063647A2 (en) * 1999-04-16 2000-10-26 Universita' Degli Studi Di Firenze Method of detecting a watermark in digital images
JP2005051793A (ja) * 1995-05-08 2005-02-24 Digimarc Corp ステガノグラフィシステム
CN101021942A (zh) * 2007-03-26 2007-08-22 浙江大学 隐写分析系统中基于主元特征的隐写分析算法
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN105158735A (zh) * 2015-06-03 2015-12-16 西安电子科技大学 基于压缩采样阵列的空频二维谱估计方法
WO2016016040A1 (en) * 2014-07-31 2016-02-04 Innovation Ulster Limited Digital image watermarking system and method
CN106327413A (zh) * 2016-08-10 2017-01-11 深圳大学 一种基于频域分析的图像隐写方法及系统
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
US20170154396A1 (en) * 2015-12-01 2017-06-01 Unisys Corporation Method and system for protecting data using steganography
CN109118419A (zh) * 2018-07-20 2019-01-01 上海电力学院 基于局部空域和频域的图像拷贝检测方法

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005051793A (ja) * 1995-05-08 2005-02-24 Digimarc Corp ステガノグラフィシステム
WO2000063647A2 (en) * 1999-04-16 2000-10-26 Universita' Degli Studi Di Firenze Method of detecting a watermark in digital images
CN101021942A (zh) * 2007-03-26 2007-08-22 浙江大学 隐写分析系统中基于主元特征的隐写分析算法
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
WO2016016040A1 (en) * 2014-07-31 2016-02-04 Innovation Ulster Limited Digital image watermarking system and method
CN105158735A (zh) * 2015-06-03 2015-12-16 西安电子科技大学 基于压缩采样阵列的空频二维谱估计方法
US20170154396A1 (en) * 2015-12-01 2017-06-01 Unisys Corporation Method and system for protecting data using steganography
CN106327413A (zh) * 2016-08-10 2017-01-11 深圳大学 一种基于频域分析的图像隐写方法及系统
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
CN109118419A (zh) * 2018-07-20 2019-01-01 上海电力学院 基于局部空域和频域的图像拷贝检测方法

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113034337A (zh) * 2021-04-29 2021-06-25 百度在线网络技术(北京)有限公司 图像检测方法、相关装置及计算机程序产品
CN113034337B (zh) * 2021-04-29 2023-09-01 百度在线网络技术(北京)有限公司 图像检测方法及相关装置
CN117671302A (zh) * 2024-02-01 2024-03-08 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种图像隐写分析方法、装置及存储介质
CN117671302B (zh) * 2024-02-01 2024-05-28 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) 一种图像隐写分析方法、装置及存储介质

Also Published As

Publication number Publication date
CN110930287B (zh) 2024-04-02

Similar Documents

Publication Publication Date Title
JP4732660B2 (ja) ビジュアルアテンションシステム
WO2016082277A1 (zh) 一种视频认证方法及装置
TWI426774B (zh) 用於針對jpeg壓縮歷史紀錄分類為壓縮影像的方法、及用於針對影像是否已經過jpeg壓縮而分類影像的設備及影像分類方法
Kang et al. Identifying tampered regions using singular value decomposition in digital image forensics
US10275677B2 (en) Image processing apparatus, image processing method and program
CN103238159A (zh) 用于图像认证的系统和方法
US8260067B2 (en) Detection technique for digitally altered images
EP2605186B1 (en) Method and apparatus for recognizing a character based on a photographed image
Kumar et al. Near lossless image compression using parallel fractal texture identification
CN104661037B (zh) 压缩图像量化表篡改的检测方法和系统
CN110930287B (zh) 一种图像隐写检测方法、装置及计算机设备、存储介质
JP4831255B2 (ja) 画像識別子抽出装置
CN117974414B (zh) 基于融合新闻素材的数字水印签名校验方法、装置和设备
CN104778689B (zh) 一种基于均值二次图像和局部保持投影的图像摘要方法
Chhikara et al. A review on digital image steganalysis techniques categorised by features extracted
Singh et al. Forensics for partially double compressed doctored JPEG images
Hammami et al. Blind Semi-fragile Hybrid Domain-Based Dual Watermarking System for Video Authentication and Tampering Localization
Zhang et al. In-camera JPEG compression detection for doubly compressed images
CA2992930A1 (en) Method for choosing a compression algorithm depending on the image type
Fu Color image quality measures and retrieval
Cattaneo et al. Improving the experimental analysis of tampered image detection algorithms for biometric systems
EP2725553A1 (en) DCT based black frame detection using varying blocksize
US9367923B2 (en) Image processing apparatus with improved compression of image data of character images and background images using respective different compressing methods
Afshin et al. A dictionary based approach to JPEG anti-forensics
KR101484531B1 (ko) 영상 조각 기반 희소 표현을 활용한 번호판 영역 검출 방법 및 시스템

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