CN114627340A - 基于三重度量的图像隐写检测特征自适应选取方法 - Google Patents
基于三重度量的图像隐写检测特征自适应选取方法 Download PDFInfo
- Publication number
- CN114627340A CN114627340A CN202210273676.2A CN202210273676A CN114627340A CN 114627340 A CN114627340 A CN 114627340A CN 202210273676 A CN202210273676 A CN 202210273676A CN 114627340 A CN114627340 A CN 114627340A
- Authority
- CN
- China
- Prior art keywords
- feature
- value
- component
- characteristic
- features
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 50
- 238000010187 selection method Methods 0.000 title claims abstract description 25
- 238000005259 measurement Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 claims abstract description 39
- 230000003044 adaptive effect Effects 0.000 claims abstract description 34
- 230000007935 neutral effect Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 8
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 231100000656 threshold model Toxicity 0.000 claims description 25
- 230000008569 process Effects 0.000 claims description 15
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000000605 extraction Methods 0.000 claims description 5
- 239000004576 sand Substances 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 230000035945 sensitivity Effects 0.000 abstract description 2
- 238000005516 engineering process Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 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 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007500 overflow downdraw method Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 239000002904 solvent Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
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
- G06F18/211—Selection of the most significant subset of features
- G06F18/2113—Selection of the most significant subset of features by ranking or filtering the set of features, e.g. using a measure of variance or of feature cross-correlation
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及隐写检测技术领域，特别涉及一种基于三重度量的图像隐写检测特征自适应选取方法。首次提出并构建了特征选取体系，并根据特征的特点将其划分为不同类别。特别地，着重考虑了必要特征、无用特征以及中立有用特征，并为此分别设计了三种不同的度量准则，有针对性地度量了这三种类别的特征。此外，为降低计算成本，利用准则的度量结果，设计了两种自适应参数调整模型，较好地确定了参数阈值，降低特征选取方法对参数的敏感性，避免了因主观经验设置参数对结果的干扰，并去除了无用特征的干扰，实现了在不依赖分类器的结果下快速有效地选取分类效果较好的特征的目的。利用本方法对隐写特征进行选取后，可明显缩短分类器处理的时间。
Description
技术领域
本发明涉及隐写检测技术领域，尤其涉及一种基于三重度量的图像隐写检测特征自适应选取方法。
背景技术
隐写分析技术是指利用某种方法区分原始图像和隐写图像，进而更好地检测“危险性”隐写图像，保障网络和信息安全。尽管隐写分析技术已得到了一定发展，取得了一定效果。但随着图像隐写技术的迭代进步，特征与特征以及特征与类别间的关系也愈发复杂，为更好地挖掘图像中的重要区域，进而提高检测精度，隐写分析者们需要从不同尺度和方向提取特征，导致特征维数愈发增高，造成了庞大的计算和存储开销。为更有效且高效地区分原始图像和隐写图像，研究者们提出了特征选取方法，通过选取“优势隐写检测特征”(对区分原始图像和隐写图像贡献度较大的特征)，达到在保持甚至提高检测正确率的同时尽可能多地降低特征维数，从而减少计算和存储开销。尽管特征选取已经取得了一定效果，但仍存在一些挑战：1)基于分类器的特征选取方法时间开销较大。2)快速特征选取方法的通用性不强，只针对某个或某种隐写检测特征的选取效果较好。3)特征选取方法的阈值设置依赖研究者的主观经验，缺乏理论依据。以上问题限制了现有部分特征选取方法在实际中的应用。
发明内容
为了解决如何在保持图像隐写检测特征检测正确率相当的条件下对其自适应地进行大幅度降维的问题，本发明提供一种基于三重度量的图像隐写检测特征自适应选取方法。
本发明提供的一种基于三重度量的图像隐写检测特征自适应选取方法，包括：
步骤1：利用归一化公式处理Fi c和Fi s，使特征值在[0,1]之间，并将此时的特征记作f＝[f1,f2,…,fN]；其中，Fi c和Fi s表示载体特征类和载密特征类；
步骤2：分别计算特征分量fi在载体图像类和载密图像类中的均值μ(fi)c和μ(fi)s，以及标准差σ(fi)c和σ(fi)s，i＝1,2,…,N；从f中删除σ(fi)c和σ(fi)s均为0的特征分量，并将删除k个特征分量后的剩余特征记作f′＝[f1′,f2′,…,fN-k′]；
步骤3：根据f′中的每个特征分量的均值和标准差计算f′中的每个特征分量的重要度值，并根据重要度值对各个特征分量进行降序排列；
步骤4：根据重要度值的降序排列结果，利用自适应阈值模型从f′中选择必要特征组成必要特征子集
将剩余的特征记作
步骤5：根据RFS中的每个特征分量的均值和标准差计算RFS中的每个特征分量的无用性值，并根据无用性值对各个特征分量进行降序排列；
步骤6：根据无用性值的降序排列结果，利用自适应阈值模型从RFS中选择无用特征组成无用特征子集
将剩余的特征记作中立特征
步骤7：计算NeFS中的每个特征分量的格贴近度值，并根据格贴近度值对各个特征分量进行升序排列；
步骤8：根据格贴近度值的升序排列结果，利用自适应阈值模型从NeFS中选择有用特征组成中立有用特征子集
步骤9：合并NFS与NuFS以作为最终的隐写检测用特征
进一步地，步骤1中，按照公式(1)所示的归一化公式处理Fi c和Fi s：
其中，Fi,j表示第i个特征分量的值，
表示第i个特征分量在第j幅载体图像中的值，
表示第i个特征分量在第j幅载密图像中的值。
进一步地，步骤3中，特征分量的重要度值的计算过程包括：
步骤A1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤A2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤A3：根据特征分量的类间距离和属性可分性值按照公式(4)计算特征分量的重要度值：
EASM(fi)1＝ASM(fi)+|lnDB(fi)| (4)
其中，EASM(fi)1表示特征分量fi的重要度值，ASM(fi)表示特征分量fi的属性可分性值，DB(fi)表示特征分量fi的类间距离。
进一步地，步骤5中，特征分量的无用性值的计算过程包括：
步骤B1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤B2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤B3：根据特征分量的类内距离和属性可分性值按照公式(5)计算特征分量的无用性值：
EASM(fi)2＝ASM(fi)-|lnDI(fi)| (5)
其中，EASM(fi)2表示特征分量的无用性值，ASM(fi)表示特征分量fi的属性可分性值，DI(fi)表示特征分量fi的类内距离。
进一步地，按照公式(6)和公式(7)计算特征分量的类间距离和类内距离：
DB(fi)＝|μ(fi)c-μ(fi)s| (6)
DI(fi)＝σ(fi)c+σ(fi)s (7)
其中，μ(fi)c和μ(fi)s分别表示特征分量fi在Fi c和Fi s中的均值，σ(fi)c和σ(fi)s分别表示特征分量fi在Fi c和Fi s中的标准差。
进一步地，按照公式(8)计算特征分量的属性可分性值：
其中，DB(fi)表示特征分量fi的类间距离，DI(fi)表示特征分量fi的类内距离。
进一步地，步骤7中，按照公式(9)计算特征分量的格贴近度值：
其中，ImN(fi)表示特征分量fi的格贴近度值，
表示·的上模，·表示·的下模，
表示二者的内积，Fi c⊙Fi s表示二者的外积，(S+⊙S-)c表示(S+⊙S-)的余集。
进一步地，步骤7中，按照公式(10)和(11)计算上模和下模：
进一步地，步骤7中，按照公式(12)和(13)计算内积和外积：
其中，∧表示合取，∨表示析取，M表示图片个数。
进一步地，步骤4和步骤8中，采用的自适应阈值模型均为MCA+IAA；步骤6中，采用的自适应阈值模型为IAA；其中，MCA为最大相关阈值模型，IAA为迭代逼近法自适应模型。
本发明的有益效果：
本发明提供的基于三重度量的图像隐写检测特征自适应选取方法，首先，首次提出并构建了特征选取体系，并根据特征的特点将其划分为不同类别，并着重考虑了必要特征、无用特征以及中立有用特征，为此分别设计了三种不同的度量准则，有针对性地度量了这三种类别的特征，为快速选取优势特征提供了直接理论依据。此外，利用准则的度量结果，设计了两种自适应阈值模型，以降低特征选取方法对参数的敏感性，避免了因主观经验设置参数对结果的干扰。利用本发明方法对隐写特征进行选取后，特征子集的势(集合元素的个数)往往显著低于原始特征的维数，从而减少提取特征所需的时间，而且低维数的特征相比高维特征能明显减轻分类器的压力，缩短分类器处理的时间，故基于约简的特征进行隐写检测能够显著提高检测效率。并且本发明方法不需要依赖具体的提取算法，还具有实现简单和时间复杂度低等优点，因而适用于图像隐写检测特征的选取，有助于在内存占用有严格限制和对效率要求高的现实应用中的使用。
附图说明
图1为本发明实施例提供的基于三重度量的图像隐写检测特征自适应选取方法的流程示意图；
图2为本发明实施例提供的隐写检测特征的特征分类图；
图3为本发明实施例提供的三重度量准则的框架图。
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。
如图1所示，本发明实施例提供一种基于三重度量的图像隐写检测特征自适应选取方法，包含以下步骤：
S101：利用归一化公式处理Fi c和Fi s，使特征值在[0,1]之间，并将此时的特征记作f＝[f1,f2,…,fN]；其中，Fi c和Fi s表示载体特征类和载密特征类；
作为一种可实施方式，步骤1中，按照公式(1)所示的归一化公式处理Fi c和Fi s：
公式(1)中，Fi,j表示第i个特征分量的值，
表示第i个特征分量在第j幅载体图像中的值，
表示第i个特征分量在第j幅载密图像中的值。
S102：分别计算特征分量fi在载体图像类和载密图像类中的均值μ(fi)c和μ(fi)s，以及标准差σ(fi)c和σ(fi)s，i＝1,2,…,N；从f中删除σ(fi)c和σ(fi)s均为0的特征分量，并将删除k个特征分量后的剩余特征记作f′＝[f1′,f2′,…,fN-k′]；
具体地，按照公式(2)和公式(3)计算特征分量的均值和标准差：
其中，μ(fi)c和μ(fi)s分别表示fi在Fi c和Fi s中的均值，σ(fi)c和σ(fi)s分别表示fi在Fi c和Fi s中的标准差。
S103：根据f′中的每个特征分量的均值和标准差计算f′中的每个特征分量的重要度值，并根据重要度值对各个特征分量进行降序排列；
具体地，特征分量的重要度值的计算过程包括：
步骤A1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤A2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤A3：根据特征分量的类间距离和属性可分性值按照公式(4)计算特征分量的重要度值：
EASM(fi)1＝ASM(fi)+|lnDB(fi)| (4)
其中，EASM(fi)1表示特征分量fi的重要度值，ASM(fi)表示特征分量fi的属性可分性值，DB(fi)表示特征分量fi的类间距离。
S104：根据重要度值的降序排列结果，利用自适应阈值模型从f′中选择必要特征组成必要特征子集
将剩余的特征记作
具体地，调用最大相关自适应阈值模型MCA(Maximum Correlation Adaptivemodel)，获得此种情况下的循环次数n；调用迭代逼近法自适应阈值模型IAA(IterativeApproximation Adaptive model)，得到必要特征子集
采用的最大相关自适应阈值模型MCA的具体过程如下：
首先，以皮尔逊系数为指导，将具有较大重要性值的前n个特征视为参考，并利用前向遍历顺序依次度量两个特征之间的相关性。然后，标记并更新与当前特征相对应的最大相关特征。最后，通过n次循环来区分无关特征和最大相关特征，以此来更好地确定阈值。
采用的迭代逼近自适应阈值模型IAA的具体过程如下：
首先，初始化阈值θ，而后迭代i值，每次都将特征分为U1和U2两类；然后计算U1和U2的标准差，并将此作为新的阈值θ′。接着，通过判断i以及θ和θ′的大小，确定后续操作。最终，经过多次迭代，将得到恰当的阈值。
S105：根据RFS中的每个特征分量的均值和标准差计算RFS中的每个特征分量的无用性值，并根据无用性值对各个特征分量进行降序排列；
具体地，特征分量的无用性值的计算过程包括：
步骤B1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤B2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤B3：根据特征分量的类内距离和属性可分性值按照公式(5)计算特征分量的无用性值：
EASM(fi)2＝ASM(fi)-|lnDI(fi)| (5)
其中，EASM(fi)2表示特征分量的无用性值，ASM(fi)表示特征分量fi的属性可分性值，DI(fi)表示特征分量fi的类内距离。
作为一种可实施方式，上述步骤A1或上述步骤B1中，按照公式(6)和公式(7)计算特征分量的类间距离和类内距离：
DB(fi)＝|μ(fi)c-μ(fi)s| (6)
DI(fi)＝σ(fi)c+σ(fi)s (7)
其中，μ(fi)c和μ(fi)s分别表示特征分量fi在Fi c和Fi s中的均值，σ(fi)c和σ(fi)s分别表示特征分量fi在Fi c和Fi s中的标准差。
作为一种可实施方式，上述步骤A2或上述步骤B2中，按照公式(8)计算特征分量的属性可分性值：
其中，DB(fi)表示特征分量fi的类间距离，DI(fi)表示特征分量fi的类内距离。
S106：根据无用性值的降序排列结果，利用自适应阈值模型从RFS中选择无用特征组成无用特征子集
将剩余的特征记作中立特征
具体地，调用迭代逼近法自适应阈值模型IAA，获得无用特征子集
S107：计算NeFS中的每个特征分量的格贴近度值，并根据格贴近度值对各个特征分量进行升序排列；
具体地，按照公式(9)计算特征分量的格贴近度值：
其中，ImN(fi)表示特征分量fi的格贴近度值，
表示·的上模，·表示·的下模，
表示二者的内积，Fi c⊙Fi s表示二者的外积，(S+⊙S-)c表示(S+⊙S-)的余集。
作为一种可实施方式，按照公式(10)和(11)计算上模和下模：
例如，利用公式(10)计算NeFS中每个特征分量在
和
中的最大值
和
利用公式(11)计算NeFS中每个特征分量在
和
中的最小值
和
作为一种可实施方式，按照公式(12)和(13)计算内积和外积：
其中，∧表示合取，∨表示析取，M表示图片个数。
例如，利用公式(12)和(13)计算每个特征分量的内积
和外积
S108：根据格贴近度值的升序排列结果，利用自适应阈值模型从NeFS中选择有用特征组成中立有用特征子集
具体地，分别调用最大相关自适应阈值模型MCA和迭代逼近法自适应阈值模型IAA，获得中立有用特征子集
S109：合并NFS与NuFS以作为最终的隐写检测用特征
如图2(a)所示，现有技术中的一些方法只是将隐写检测特征粗略地分为三类；然而事实上，隐写检测特征远非这三种，只粗略分为三种的结果就会导致两种误分类情况，如图2(b)所示：第一种情况为将原本的NFS特征误分类为NeFS特征(而本发明通过选取NuFS特征，可以避免该误分类情况)；第二种情况为将原本的UFS特征误分类为NeFS特征或NFS特征(而本发明通过删除RFS特征，可以避免该误分类情况)，由此可以看出，本发明方法通过将特征分为五类，可以提取出更加精确有效的隐写检测特征。
实施例2
为了验证本发明所提出的方法的有效性，本发明还提供有以下有效性分析过程。
为了确定必要特征、无用特征和中立有用特征，本发明提出了三种度量方法，简称三重度量准则，即EASM(fi)1、EASM(fi)2和NeN。但三者是分散的，它们之间的关系不容易被理解。因此，本发明在下述内容进一步介绍了三度量准则的关系及相应的处理过程。三种度量的关系及过程如图3所示。有向的箭头代表三度量的处理过程。
本实施例中，以8个特征为例，说明三度量的具体过程。
S201：对于预处理(参照实施方式中的步骤S102)后的8个特征，进行特征重要度度量EASM(fi)1，度量后通过自适应阈值模型从该8个特征中确定了3个必要特征，而剩余的5个特征处于等待状态，需要后续进一步处理。
S202：对于S201中剩余的5个特征，对其进行特征无用性度量EASM(fi)2，度量后通过自适应阈值模型从该5个特征中选取并删除了2个无用特征，此时剩余3个特征即为中立特征，且处于等待状态，需要后续处理，以选取其中的中立有用特征。
S203：对于S202中剩余的3个特征，对其进行中立有用性度量NeN，度量后通过自适应阈值模型确定了1个必要特征。
S204：合并S201和S203选取的必要特征作为最终选取的特征。
由上述过程，发明人得到最终选取的特征，实现了特征的快速和优化选取。
为了进一步验证本发明所提出的特征选取方法在隐写检测特征中的有效性，本发明基于已有的典型隐写算法和相应的隐写检测特征，进行了对比实验。具体的实验设置和实验结果如下所示。
(一)实验设置
使用Bossbase 1.01图像库验证本发明的有效性和效率。Bossbase 1.01图像库包含10000幅512×512的灰度PGM格式的图像。基于此，可以得到由不同的隐写分析算法提取的不同特征(548-D CC-PEV和17000-D GFR)，其利用流行的隐写算法(S-UNIWARD)嵌入秘密信息。
对于构建图像库和特征库，具体做如下操作：
(1)设置质量因子QF，然后将Bossbase 1.01中的PGM图像转化为一定QF的JPEG图像；
(2)设置嵌入率Payload，进而利用隐写算法向JPEG图像中嵌入秘密信息，得到指定Payload的载密图像；
(3)根据设置好的QF和Payload，利用隐写分析方法对载密图像提取相应隐写检测特征；
(4)经过重复执行上述步骤(1)-(3)，可以构建出一个包含30000幅载体图像和90000幅载密图像的隐写检测图像库，并得到包含3种不同隐写检测特征库。
而对于特征选取的效果评估，发明人继续沿用FLD集成分类器。此分类器通过分配多个决策者，然后根据他们的度量结果区分原始图像和载密图像。其公式如公式(14)：
公式中，DMi代表第i个决策者，Picturei代表第i个图片，
代表第i个决策者对第i个图片的判断结果，
代表提前设置的阈值，一般经常设置为L/2，L代表决策者的总数。
当所有决策者都判断完成后，通过使用未加权(大多数)投票策略，将各个决策者的结果总和作为最终的分类器输出。总的来说，FLD分类器的检测正确率
表示平均检测错误率，由公式(15)计算所得：
公式中，PFA表示虚警率(反映载体图像被误判为载密图像的数量占总图像数的比值)；PMD表示漏警率(反映漏判的载密图像数占总图像数的比值)。
在评估特征选取方法结果时，随机选取5000幅原始图像和与之对应的5000幅载密图像用做训练集，而剩余的5000幅原始图像和载密图像作为测试集，并通过十折交叉检验，将平均值作为该特征选取方法最终的结果。
(二)有效性检验
为了验证所提方法的有效性，发明人以上面的特征为例，将本发明选取的特征与原始特征以及随机选取的特征(将原始特征随机降至于本发明相同维数)对区分载密图像的效果进行了对比，实验结果如表1所示。
表1与原始特征和随机选取的特征的对比
可以发现本发明方法对于降低图像隐写检测特维数征以及提高对载密图像的检测正确率是非常有效的。例如，对于548维的CCPEV特征，本发明方法最多可降至221维(约降低了60％的维数)，同时，在原始特征的基础上还进一步提高了0.21％的检测正确率；对于17000维的GFR特征，本发明方法最多可降至6790维(约降低了60％的维数)，在原始特征的基础上最多还提高了0.36％的检测正确率，在随机选取特征的基础上进一步提高了0.80％的检测正确率。
(三)通用性检验
本发明还与RFSF(文献1：J.Qin,X.Sun,X.Xiang,and C.Niu,“Principal featureselection and fusion method for image steganalysis,”Journal of ElectronicImaging,vol.18,no.3,p.033009,2009.)，以及CGSM(文献2：Y.Wang,Y.Ma,R.Jin,P.Liu,and N.Ruan,“Comprehensive criteria-based generalized steganalysis featureselection method,”IEEE Access,vol.8,pp.154 418–154 435,2020.)进行了选取对比实验，结果如表2所示。
表2与RFSF和CGSM选取的特征的对比结果
总体而言，我们可以看到，在处理具有不同维度大小的特征选取问题时，与RFSF和CGSM相比，本发明方法大多数情况下总是第一名，且最多降低了60％的特征维数，最多在RFSF基础上提高了6.07％的检测正确率。这表明本发明方法具有良好的通用性来解决图像隐写检测特征选取问题。
(四)时间对比
本文还与Steganalysis-α(文献3：Y.Ma,X.Luo,X.Li,Z.Bao,and Y.Zhang,“Selection of rich model steganalysis features based on decision rough setα-positive region reduction,”IEEE Transactions on Circuits and Systems forVideo Technology,vol.29,no.2,pp.336–350,2018.)，以及SSFC(文献4：C.Yang,Y.Zhang,P.Wang,X.Luo,F.Liu,and J.Lu,“Steganalysis feature subspace selection based onfisher criterion,”in 2017IEEE International Conference on Data Science andAdvanced Analytics(DSAA).IEEE,2017,pp.514–521.)进行了选取对比实验，结果如表3所示。
表3与Steganalysis-α和SSFC选取的特征的时间对比
由表3可知，本发明所提出的方法显著加快了选取时间。例如，对于SI-GFR-95特征，Payload＝0.1，与SSFC方法相比，本发明所提方法将选取时间缩减了约963倍，当Payload＝0.3，与Steganalysis-α方法相比，本发明所提方法将选取时间缩减了约18倍。
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 (10)
1.基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，包括：
步骤1：利用归一化公式处理Fi c和Fi s，使特征值在[0,1]之间，并将此时的特征记作f＝[f1,f2,…,fN]；其中，Fi c和Fi s表示载体特征类和载密特征类；
步骤2：分别计算特征分量fi在载体图像类和载密图像类中的均值μ(fi)c和μ(fi)s，以及标准差σ(fi)c和σ(fi)s，i＝1,2,…,N；从f中删除σ(fi)c和σ(fi)s均为0的特征分量，并将删除k个特征分量后的剩余特征记作f′＝[f1′,f2′,…,fN-k′]；
步骤3：根据f′中的每个特征分量的均值和标准差计算f′中的每个特征分量的重要度值，并根据重要度值对各个特征分量进行降序排列；
步骤4：根据重要度值的降序排列结果，利用自适应阈值模型从f′中选择必要特征组成必要特征子集
将剩余的特征记作
步骤5：根据RFS中的每个特征分量的均值和标准差计算RFS中的每个特征分量的无用性值，并根据无用性值对各个特征分量进行降序排列；
步骤6：根据无用性值的降序排列结果，利用自适应阈值模型从RFS中选择无用特征组成无用特征子集
将剩余的特征记作中立特征
步骤7：计算NeFS中的每个特征分量的格贴近度值，并根据格贴近度值对各个特征分量进行升序排列；
步骤8：根据格贴近度值的升序排列结果，利用自适应阈值模型从NeFS中选择有用特征组成中立有用特征子集
步骤9：合并NFS与NuFS以作为最终的隐写检测用特征
2.根据权利要求1所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤1中，按照公式(1)所示的归一化公式处理Fi c和Fi s：
其中，Fi,j表示第i个特征分量的值，
表示第i个特征分量在第j幅载体图像中的值，
表示第i个特征分量在第j幅载密图像中的值。
3.根据权利要求1所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤3中，特征分量的重要度值的计算过程包括：
步骤A1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤A2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤A3：根据特征分量的类间距离和属性可分性值按照公式(4)计算特征分量的重要度值：
EASM(fi)1＝ASM(fi)+|lnDB(fi)| (4)
其中，EASM(fi)1表示特征分量fi的重要度值，ASM(fi)表示特征分量fi的属性可分性值，DB(fi)表示特征分量fi的类间距离。
4.根据权利要求1所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤5中，特征分量的无用性值的计算过程包括：
步骤B1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；
步骤B2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；
步骤B3：根据特征分量的类内距离和属性可分性值按照公式(5)计算特征分量的无用性值：
EASM(fi)2＝ASM(fi)-|ln DI(fi)| (5)
其中，EASM(fi)2表示特征分量的无用性值，ASM(fi)表示特征分量fi的属性可分性值，DI(fi)表示特征分量fi的类内距离。
5.根据权利要求3或4所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，按照公式(6)和公式(7)计算特征分量的类间距离和类内距离：
DB(fi)＝|μ(fi)c-μ(fi)s| (6)
DI(fi)＝σ(fi)c+σ(fi)s (7)
其中，μ(fi)c和μ(fi)s分别表示特征分量fi在Fi c和Fi s中的均值，σ(fi)c和σ(fi)s分别表示特征分量fi在Fi c和Fi s中的标准差。
6.根据权利要求3或4所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，按照公式(8)计算特征分量的属性可分性值：
其中，DB(fi)表示特征分量fi的类间距离，DI(fi)表示特征分量fi的类内距离。
7.根据权利要求1所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤7中，按照公式(9)计算特征分量的格贴近度值：
其中，ImN(fi)表示特征分量fi的格贴近度值，
表示·的上模，·表示·的下模，
表示二者的内积，Fi c⊙Fi s表示二者的外积，(S+⊙S-)c表示(S+⊙S-)的余集。
8.根据权利要求9所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤7中，按照公式(10)和(11)计算上模和下模：
9.根据权利要求9所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤7中，按照公式(12)和(13)计算内积和外积：
其中，∧表示合取，∨表示析取，M表示图片个数。
10.根据权利要求1所述的基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，步骤4和步骤8中，采用的自适应阈值模型均为MCA+IAA；步骤6中，采用的自适应阈值模型为IAA；其中，MCA为最大相关阈值模型，IAA为迭代逼近法自适应模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210273676.2A CN114627340B (zh) | 2022-03-19 | 2022-03-19 | 基于三重度量的图像隐写检测特征自适应选取方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210273676.2A CN114627340B (zh) | 2022-03-19 | 2022-03-19 | 基于三重度量的图像隐写检测特征自适应选取方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627340A true CN114627340A (zh) | 2022-06-14 |
| CN114627340B CN114627340B (zh) | 2024-04-30 |
Family
ID=81902048
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210273676.2A Active CN114627340B (zh) | 2022-03-19 | 2022-03-19 | 基于三重度量的图像隐写检测特征自适应选取方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627340B (zh) |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
| US20130208941A1 (en) * | 2012-02-01 | 2013-08-15 | Qingzhong Liu | Steganalysis with neighboring joint density |
| WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN108009434A (zh) * | 2017-12-13 | 2018-05-08 | 中国人民解放军战略支援部队信息工程大学 | 基于粗糙集α-正域约简的富模型隐写检测特征选取方法 |
| RU2706960C1 (ru) * | 2019-01-25 | 2019-11-22 | Самсунг Электроникс Ко., Лтд. | Вычислительно эффективное многоклассовое распознавание изображений с использованием последовательного анализа нейросетевых признаков |
| CN112950445A (zh) * | 2021-03-11 | 2021-06-11 | 河南师范大学 | 图像隐写分析中基于补偿的检测特征选择方法 |
| CN113542525A (zh) * | 2021-06-30 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 基于mmd残差的隐写检测特征选取方法 |
| CN113556439A (zh) * | 2021-06-08 | 2021-10-26 | 中国人民解放军战略支援部队信息工程大学 | 基于特征分量相关性的Rich Model隐写检测特征选取方法 |
| CN114051082A (zh) * | 2021-10-19 | 2022-02-15 | 河南师范大学 | 基于失真度和信息增益比的隐写检测特征选取方法及装置 |
-
2022
- 2022-03-19 CN CN202210273676.2A patent/CN114627340B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
| US20130208941A1 (en) * | 2012-02-01 | 2013-08-15 | Qingzhong Liu | Steganalysis with neighboring joint density |
| WO2016201648A1 (zh) * | 2015-06-17 | 2016-12-22 | 中国科学院自动化研究所 | 一种基于局部学习的信息隐藏检测方法 |
| CN108009434A (zh) * | 2017-12-13 | 2018-05-08 | 中国人民解放军战略支援部队信息工程大学 | 基于粗糙集α-正域约简的富模型隐写检测特征选取方法 |
| RU2706960C1 (ru) * | 2019-01-25 | 2019-11-22 | Самсунг Электроникс Ко., Лтд. | Вычислительно эффективное многоклассовое распознавание изображений с использованием последовательного анализа нейросетевых признаков |
| CN112950445A (zh) * | 2021-03-11 | 2021-06-11 | 河南师范大学 | 图像隐写分析中基于补偿的检测特征选择方法 |
| CN113556439A (zh) * | 2021-06-08 | 2021-10-26 | 中国人民解放军战略支援部队信息工程大学 | 基于特征分量相关性的Rich Model隐写检测特征选取方法 |
| CN113542525A (zh) * | 2021-06-30 | 2021-10-22 | 中国人民解放军战略支援部队信息工程大学 | 基于mmd残差的隐写检测特征选取方法 |
| CN114051082A (zh) * | 2021-10-19 | 2022-02-15 | 河南师范大学 | 基于失真度和信息增益比的隐写检测特征选取方法及装置 |
Non-Patent Citations (2)
| Title |
|---|
| 刘格;黄方军;李中华;: "针对自适应隐写的通用隐写分析研究", 应用科学学报, no. 05, 30 September 2016 (2016-09-30) * |
| 汪然;薛小燕;平西建;牛少彰;张涛;: "分类与分割相结合的JPEG图像隐写分析", 中国图象图形学报, no. 10, 16 October 2018 (2018-10-16) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627340B (zh) | 2024-04-30 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112435221B (zh) | 一种基于生成式对抗网络模型的图像异常检测方法 | |
| CN111832608B (zh) | 一种基于单阶段检测模型yolov3的铁谱图像多磨粒识别方法 | |
| CN108846826A (zh) | 物体检测方法、装置、图像处理设备及存储介质 | |
| JP4098021B2 (ja) | シーン識別方法および装置ならびにプログラム | |
| CN112950445B (zh) | 图像隐写分析中基于补偿的检测特征选择方法 | |
| CN110457996B (zh) | 基于vgg-11卷积神经网络的视频运动对象篡改取证方法 | |
| CN111681182A (zh) | 图片修复方法、装置、终端设备以及存储介质 | |
| CN111915595A (zh) | 图像质量评价方法、图像质量评价模型的训练方法和装置 | |
| CN108830829B (zh) | 联合多种边缘检测算子的无参考质量评价算法 | |
| Nizami et al. | No-reference image quality assessment using bag-of-features with feature selection | |
| CN114782410A (zh) | 一种基于轻量化模型的绝缘子缺陷检测方法及其系统 | |
| CN107770813B (zh) | 基于pca与二维偏度特征的lte上行干扰分类方法 | |
| CN113673465A (zh) | 图像检测方法、装置、设备及可读存储介质 | |
| CN113379685A (zh) | 一种基于双通道特征比对模型的pcb板缺陷检测方法及装置 | |
| US20040252890A1 (en) | Device and method for detecting blurring of an image | |
| CN114627340A (zh) | 基于三重度量的图像隐写检测特征自适应选取方法 | |
| CN112766419A (zh) | 一种基于多任务学习的图像质量评估方法及装置 | |
| CN111931757A (zh) | 基于mdlbp分块直方图和pca降维的指静脉快速排序方法及装置 | |
| CN113807319A (zh) | 人脸识别优化方法、装置、设备和介质 | |
| Zhang et al. | Optimization of rich model based on Fisher criterion for image steganalysis | |
| CN113887600A (zh) | 一种基于改进的lda-gsvd织物图像瑕疵分类方法及系统 | |
| CN116029957A (zh) | 基于马尔科夫链蒙特卡罗的绝缘子图像污秽识别方法 | |
| Montazeri | Memetic algorithm image enhancement for preserving mean brightness without losing image features | |
| CN110717490A (zh) | 一种输电线路杆塔鸟巢识别方法及其系统、存储介质 | |
| CN111524098A (zh) | 一种基于自组织聚类的神经网络输出层裁剪及模板框尺寸确定方法 |
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 |