CN112132735B - 一种规避预处理的载体选择方法 - Google Patents

Abstract

本发明涉及一种规避预处理的载体选择方法，包括括预处理失真计算阶段、嵌入失真计算阶段，以及失真融合及载体选择阶段，通过训练预分类器给出图像经过预处理的可能性，可能性越高表示预处理失真越大，对于嵌入失真，则利用当下的失真最小化框架计算。最后将两类失真融合，选择总失真最小的图像作为载体。本发明涉及的一种规避预处理的载体选择方法，通过规避预处理图像来避免选择预处理图像作为载体，提高了多载体隐写安全性。

Description

一种规避预处理的载体选择方法

技术领域

本发明涉及秘密数据技术领域，具体是指一种规避预处理的载体选择方法。

背景技术

隐写是一种通过公开信道传递秘密信息的技术。数字图像由于应用广泛成为了隐写中最常用的载体。为实现隐写，通常通过轻微修改载体内容来嵌入秘密信息。目前隐写主要通过最小化图像失真来保证安全性。另一方面，隐写分析旨在通过分析在公共信道上传送的图像来揭示秘密信息的存在性。目前隐写分析主要基于有监督学习，通过提取图像特征来训练隐写分析分类器，再用于判决可疑图像。近期基于深度学习的隐写分析将特征提取与分类过程融为一体，取得了较高的检测准确率。

当隐写者拥有大量可用图像时，可选择最合适的载体图像用于隐写。大多数载体选择方法经验性地选择图像。如先寻找可修改的DCT系数，再选择可修改系数数量多的图像作为载体。也有学者考虑图像内容，选择纹理复杂度高的图像作为载体。上述方法效果均不尽如人意。有学者提出了一种衡量图像负载能力的通用方法。首先将图像建模成高斯混合模型，之后计算图像的Fisher信息矩阵，将其映射为实数后用于评价图像负载能力。但此模型同样不能精确地描述自然图像。也有学者证明了图像隐写失真的一阶导数单调递增。之后又推导出了选择的图像的隐写失真的一阶导数应该相等。再根据这两个结论选出最优的载体图像并产生对应的含密图像。

现实场景下，隐写者持有的图像可能已经过某种预处理，如用来改善图像质量的对比度增强、图像去噪等操作。经过处理图像的统计特性与原始图像已然不同。具体来说，用于改善图像质量的操作通常增强图像内容而抑制纹理细节，而纹理复杂区域有利于掩盖隐写修改痕迹。纹理细节被削弱后修改痕迹会很容易被隐写分析检测到，并且含密图像中除嵌入失真外还包含了预处理失真。因此经过预处理的图像不适合作为载体。然而现有的载体选择方法仅关注于嵌入失真而忽略了预处理失真。

本发明提出了一种同时考虑嵌入失真与预处理失真的载体选择方法。其中预处理失真通过图像经过预处理的可能性来度量，可能性越高表示预处理失真越大。而嵌入失真则利用当下的失真最小化框架来计算。最后融合两类失真，选择总失真最小的图像作为载体。

发明内容

基础上述技术问题，本发明提供一种规避预处理的载体选择方法，对于预处理失真，通过训练预分类器给出图像经过预处理的可能性，可能性越高表示预处理失真越大。对于嵌入失真，则利用当下的失真最小化框架计算。最后将两类失真融合，选择总失真最小的图像作为载体。

本发明提供的技术方案为：

一种规避预处理的载体选择方法，包括预处理失真计算阶段、嵌入失真计算阶段，以及失真融合及载体选择阶段，对n幅备选图像{X1，X2，...，Xn}，具体步骤如下：

1)首先训练一个图像处理分类器用于判定一幅给定的图像是否经过预处理，设隐写者持有r幅原始图像{I₁，I₂，...，I_r}，对{I₁，I₂，...，I_r}分别执行w种图像处理操作，得到r×w幅图像{I′₁，I′₂，...，I′_rw}，之后分别提取{I₁，I₂，...，I_r}与{I′₁，I′₂，...，I′_rw}的特征，用于训练图像处理分类器，再结合集成分类器得到最终的图像处理分类器，集成分类器包含多个FLD子分类器，每个子分类器均可独立作出判决，因此得到的图像处理分类器中也包含多个子分类器，每个子分类器均对给定图像是否经过处理进行判定，设图像处理分类器中子分类器数量为S，有L_i个子分类器认为一幅给定的图像X_i经过处理，i∈{1，2，…，n}，L_i∈{1，2，…，S}，则X_i的预处理失真

可表示为认为X_i经过处理的子分类器比例，即经过处理的概率，如式(1)所示：

至此预处理失真计算完毕；

2)对一幅包含t个元素的图像X_i＝{x_i(1),x_i(2),…,x_i(t)}，采用现有的STC编码框架为x_i(j)分配加一或减一的代价分别为ρ⁺(j)与ρ^-(j),j∈{1,2,…,t}，则在m比特嵌入量下含密图像的理论最小加性失真d_i为：

其中

分别为对x_i(j)进行加一或减一的概率，参数λ>0用于使修改概率的三元信息熵与嵌入量m相等，如式(4)所示：

因此，X_i的嵌入失真

可直接用d_i度量，即/>

至此嵌入失真计算完毕；

3)采用乘法连接预处理失真与嵌入失真，此外，由式(2)可知，预处理失真的取值范围为0到1之间，当预处理失真为零时，代表预处理失真不存在，但此时嵌入失真仍然存在，为避免预处理失真为零总失真也为零，X_i的总失真D_i如式(5)所示：

4)将所有备选图像的失真{D₁,D₂,...,D_n}按升序排列，设排序后为{D_f(1),D_f(2),...,D_f(n)}，则选择对应于最小失真D_f(1)的图像X_f(1)作为载体，若需选择k幅图像(1≤k≤n)，则选择对应于k个最小失真{D_f(1),D_f(2),...,D_f(k)}的图像{X_f(1),X_f(2),...,X_f(k)}，至此，载体选择完毕。

采用以上结构后，本发明具有如下优点：

本发明通过规避预处理图像来避免选择预处理图像作为载体，提高了多载体隐写安全性。预处理失真通过图像经过预处理的可能性来度量，可能性越高表示预处理失真越大。而嵌入失真则利用当下的失真最小化框架来计算，最后融合两类失真，选择总失真最小的图像作为载体。

附图说明

图1是本发明专利名称的流程示意图。

具体实施方式

下面结合附图对本发明做进一步的详细说明。

结合附图1，一种规避预处理的载体选择方法，包括预处理失真计算阶段、嵌入失真计算阶段，以及失真融合及载体选择阶段。本示例中采用BOSSbass ver.1.01图像库来构造隐写者的备选图像集，包括10000幅的大小为512×512的灰度图像。将所有图像随机分为10个子集，每个子集1000幅图像。再任选7个子集作分别执行7种图像处理操作：直方图均衡、锐化、膨胀、腐蚀、维纳滤波、中值滤波、均值滤波。其余3个子集不作修改。处理后将所有10000幅作为备选图像{X₁,X₂,...,X₁₀₀₀₀}。则备选图像中有70％经过预处理。此外，将UCID图像库中的1338幅图像用于训练图像处理分类器(r＝1338)。具体步骤如下：

1)将UCID图像库中的1338幅图像均分别执行直方图均衡、锐化、膨胀，以及腐蚀4种图像处理操作(w＝4)，再分别提取处理后5352幅图像与原始1338幅图像的SPAM特征来训练图像处理分类器。对备选图像集中的10000幅图像{X₁,X₂,...,X₁₀₀₀₀}分别采用式(1)计算预处理失真

2)对{X₁,X₂,...,X₁₀₀₀₀}分别采用式(2)计算嵌入失真

3)采用式(5)融合预处理失真与嵌入失真，得到总失真D_i。

4)将所有备选图像的失真{D₁,D₂,...,D₁₀₀₀₀}按升序排列，设排序后为{D_f(1),D_f(2),...,D_f(10000)}。则选择对应于最小失真D_f(1)的图像X_f(1)作为载体。若需选择k幅图像(1≤k≤n)，则选择对应于k个最小失真{D_f(1),D_f(2),...,D_f(k)}的图像{X_f(1),X_f(2),...,X_f(k)}。

以上对本发明及其实施方式进行了描述，这种描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (1)

1.一种规避预处理的载体选择方法，其特征在于，包括预处理失真计算阶段、嵌入失真计算阶段，以及失真融合及载体选择阶段，对n幅备选图像{X1，X2，...，Xn}，具体步骤如下：

1)首先训练一个图像处理分类器用于判定一幅给定的图像是否经过预处理，设隐写者持有r幅原始图像{I₁，I₂，...，I_r}，对{I₁，I₂，...，I_r}分别执行w种图像处理操作，得到r×w幅图像{I′₁，I′₂，...，I′_rw}，之后分别提取{I₁，I₂，...，I_r}与{I′₁，I′₂，...，I′_rw}的特征，用于训练图像处理分类器，再结合集成分类器得到最终的图像处理分类器，集成分类器包含多个FLD子分类器，每个子分类器均可独立作出判决，因此得到的图像处理分类器中也包含多个子分类器，每个子分类器均对给定图像是否经过处理进行判定，设图像处理分类器中子分类器数量为S，有L_i个子分类器认为一幅给定的图像X_i经过处理，i∈{1，2，…，n}，L_i∈{1，2，…，S}，则X_i的预处理失真

可表示为认为X_i经过处理的子分类器比例，即经过处理的概率，如式(1)所示：

2)对一幅包含t个元素的图像X_i＝{x_i(1),x_i(2),…,x_i(t)}，采用现有的STC编码框架为x_i(j)分配加一或减一的代价分别为ρ⁺(j)与ρ^-(j),j∈{1,2,…,t}，则在m比特嵌入量下含密图像的理论最小加性失真d_i为：

其中

分别为对x_i(j)进行加一或减一的概率，参数λ>0用于使修改概率的三元信息熵与嵌入量m相等，如式(4)所示：

因此，X_i的嵌入失真

可直接用d_i度量，即/>

至此嵌入失真计算完毕；

3)采用乘法连接预处理失真与嵌入失真，此外，由式(2)可知，预处理失真的取值范围为0到1之间，当预处理失真为零时，代表预处理失真不存在，但此时嵌入失真仍然存在，为避免预处理失真为零总失真也为零，X_i的总失真D_i如式(5)所示：

4)将所有备选图像的失真{D₁,D₂,...,D_n}按升序排列，设排序后为{D_f(1),D_f(2),...,D_f(n)}，则选择对应于最小失真D_f(1)的图像X_f(1)作为载体，若需选择k幅图像(1≤k≤n)，则选择对应于k个最小失真{D_f(1),D_f(2),...,D_f(k)}的图像{X_f(1),X_f(2),...,X_f(k)}，至此，载体选择完毕。

Images