CN1329874C - 一种通用的数字图像隐形信息检测方法 - Google Patents

Abstract

本发明公开的一种通用的数字图像隐形信息检测方法，不含隐形信息的原始图像与含有隐形信息的含秘图像经“量化攻击”前、后的小波分解系数的统计量的变化程度是不同的，以原始图像经“量化攻击”前、后的小波分解系数的统计量为训练样本，用一类支持向量机做分类器，能可靠的识别多种由不同隐写算法生成含秘图像。该方法可对多种隐写算法进行检测，属于通用的隐形信息检测方法。

Description

一种通用的数字图像隐形信息检测方法

技术领域

本发明涉及一种隐形信息识别方法，更具体地说，涉及一种用一类支持向量机做分类器的一种通用的数字图像隐形信息检测方法。

背景技术

信息隐藏技术是将隐秘信息隐藏在其他媒体中，通过媒体的传输，实现隐秘信息的传递。它的最大特点在于藏有隐秘信息的载体在外观上与普通载体是一样的，没有表明重要信息的存在，因此，被隐藏的隐秘信息也称为“隐形信息”。信息隐藏技术包括隐写术(Steganography)和数字水印(Digital Watermarking)技术。数字水印技术主要用于防伪和版权保护，而隐写术可用于秘密通信，属于信息安全的范畴。

隐写技术也可被不法分子利用，从事非法活动，有报道称，恐怖分子利用隐写技术通过互联网传递秘密信息、组织恐怖袭击等。针对这种情况，各国安全机构展开了隐形信息分析技术(Steganalysis)的研究，它的核心内容就是隐形信息的检测和提取。

隐写分析技术近几年来受到了较多的关注，获得了较大的发展，但还没有形成成熟的、系统化的理论体系。隐写分析技术的提高有利于防止隐写术的非法应用，可以起到防止机密资料流失、揭示非法信息、打击恐怖主义、预防灾难发生的作用，从而保证国家的安全和社会的稳定。

目前，隐写分析研究方法大致分为两大类：专用隐写分析方法和通用隐写分析方法。专用隐写分析可分为空域隐写分析和变换域隐写分析。空域隐写分析的攻击对象主要是空域LSB隐写术，包括EzStego，S-Tools，Stash，Steghide，Gifshuffle，Stagano，BPCS等。

在1999年出版的“Springer Verlag”中的“Attacks on steganograplucsystems[C].Proc.3rd Int’l Workshop in Information Hiding”采用Chi-squ，统计量统计调色板图像嵌入秘密消息前后出现近似颜色对概率比，可以可靠检测连续嵌人秘密消息的调色板图像，但对随机嵌入的真彩色图像检测无效。

在2001年出版的“Ottawa CA”中的“Reliable detection of LSBsteganography in grayscale and color images.Pro ACM”，“Special Sessionon Multimedia Security and Watermarking”提出的RS检测法(regulargroupsand singular groups)把图像像素分成规则类、异常类和不可使用类，根据待测图像LSB(least significant bit)置换操作前后每类像素组的变化曲线可以可靠检测灰度和真彩色图像并估计嵌入量，但算法的检测结果直接受载体图像随机性、噪声和秘密信息嵌入位置影响。

在2004年第15期软件学报中张涛等人的“基于差分直方图实现LSB信息伪装的可靠检测[J]”定义差分直方图的转移系数作为LSB平面与图像其余比特平面之间的弱相关性度量，并在此基础上构造载体图像与隐藏图像的分类器。在2003年出版的“IEEE Processing”中的“Steganalysis using image qualityunetrics”提出的IQM’s(image quality metrics)方法，采用变量分析技术来分析和选取可用于区分载体图像和隐藏图像的质量度量，根据选取的图像质量特征采用多元回归对图像进行分类。该方法对多种隐写术的检测有效，但是需要对分类器进行训练，性能一般。

在2004年出版的“San Jose CA”中的“Steganalysis using color waveletstatistics and one-class support vector machines”，“SPIE Symposium onElectronic Imaging”采用QFM分析图像小波域系数及其预测误差的高阶统计量，再分别采用Fisher线性判别式、线性与非线性支持矢量机来判别和归类的方法，对DCT域隐写术和以自然图像为载体的隐写术效果较好。该方法需要对分类器进行训练，对嵌入量低的空域隐写术和Outguess的检测无效。

发明内容

本发明所要解决的技术问题是为了解决现有隐形信息检测技术的检测效果较低或受限或无效的缺点；提供一种通用的数字图像隐形信息检测方法，该方法可对数字图像中利用多种隐写算法进行隐藏的隐形信息进行检测。

本发明解决的技术问题可以通过以下技术方案来实现。

一种通用的数字图像隐形信息检测方法，包含以下步骤：

1、利用量化攻击方法对原始图像进行量化去噪攻击，获得原始图像的去噪图像；

2、对原始图像和原始图像的去噪图像进行多层小波变换，获得小波分解系数的统计量；

3、以原始图像经量化攻击前、后的小波分解系数的统计量为训练对照样本，用一类支持向量机做分类器，对含秘图像进行量化去噪攻击，获得含秘图像的去噪图像；

4、对含秘图像和含秘图像的去噪图像进行多层小波变换，获得小波分解系数；

5、用分类器对原始图像的去噪图像和含秘图像的去噪图像的小波分解系数进行分类比较，从而对含秘图像进行隐形信息识别。

本发明采用的图像“去噪攻击”的基本原理是：

虽然隐写算法层出不穷，如果按嵌入方法对其分类，可将隐写算法分为三大类：1)基于扩频技术的；2)基于量化调制的；3)基于LSB的嵌入方法。它们都可表示为一个信号加到原始图像中。设c是原始图像，s＝c+w是含秘图像，w是被嵌入的隐秘信息。通过去噪攻击可使隐形信息从含秘图像中消去，按上述加性模型隐藏信息，对图像的去噪实际上是对原始图像的MAP(Maximum aPosteriori)估计：

$\hat{x}=\arg \max \{\ln P_w\left(y\right|\hat{x})+\ln P_w\left(\hat{x}\right)\}$

$\hat{x}\∈R^N$

(1)

假设图像为

隐密信息为w～N(0，σ_w ²I)，用Wiener滤波器可得到x_j的MAP估计：

$\hat{x}=\hat{y}+\frac{{\stackrel{\‾}{U}}_x^2}{{\mathrm{\σ}}_w^2+{\hat{U}}_x^2}(y-\hat{y})$

(2)

如果假设图像为广义高斯(General Gauss，GG)分布x的MAP估计问题是软萎缩法(soft-shrinkage)：

$\hat{x}=\stackrel{\‾}{y}+\max (0,|y-\stackrel{\‾}{y}|-T)\mathrm{sign}(y-\hat{y})$

(3)

式中 $T=\frac{{\mathrm{\σ}}_w^2}{{\mathrm{\σ}}_x}\sqrt{2,},$ 如用硬萎缩法(hard-shrinage)：

$\hat{x}=\stackrel{\‾}{y}+(y-\stackrel{\‾}{y})\mathrm{\λ}\left(\right|y-\stackrel{\‾}{y}|>T)$

(4)

式中λ{·}表示门限函数，如果它的值大于T，保持输入值不变，否则设置为0，式(3～4)去噪的主要思想是将图像分解为低频 和高频

两部分，这两部分被分别处理。

部分中的小幅值表示图像的平坦区域(小波系数也具有相同的性质)。高幅值部分属于图像的边缘和纹理。从式(3～4)可以看出去噪主要是对图像平坦区域噪声的抑制。

本发明所述的量化与去噪攻击的关系是：

一个典型的信号(如图像)是结构相关的，好的编码器利用结构相关性对数据进行压缩，而且噪声没有结构冗余信息，不容易被压缩。因此，一个好的数据压缩方法(量化方法)可提供一个适当的模型来识别信号和噪声。量化与消噪之间的联系为，对于门限去噪法，当系数的幅值小于门限时被置零，而大于门限的系数保持不变。对于量化去噪，当系数的幅值小于量化步长时被置为零，而大于门限的系数被进一步量化。量化是数据压缩的关键步骤，只要量化步长合适，不会引起图像的显著失真。也就是说对小波系数(其他变换域也成立)量化也同时具有消噪功能。本发明采用的方法就是基于量化的“去噪攻击”。

本发明采用的量化攻击方法是：

本发明采用的量化攻击方法与JPEG压缩采用的量化方法类似，首先把图像划分成8×8的像素块，对每个像素块进行离散余弦变换(DCT)，得到64个DCT系数。变换公式如下：

$F(\mathrm{\μ},\mathrm{\υ})$ $\frac{1}{4}C\left(\mathrm{\μ}\right)C\left(\mathrm{\υ}\right)[\underset{x=0}{\overset{7}{\mathrm{\Σ}}}\underset{y=0}{\overset{7}{\mathrm{\Σ}}}f(x,y)*$

$\cos \frac{(2x+1)\mathrm{\μ\π}}{16}\cos$ $\frac{(2y+1)\mathrm{\υ\π}}{16}]$

DCT系数的量化方法如下：

$Q^s(\mathrm{\μ},\mathrm{\υ})=\frac{1}{q}Q(\mathrm{\μ},\mathrm{\υ})$

式中Q是JPEG标准量化表，q是控制量化步长的系数，当q＝2时，可获得有效的量化攻击效果。再对F^Q(μ，υ)进行反离散余弦变换(IDCT)，就可得到量化攻击后的图像。

本发明的一类支持向量机工作原理是：

假设目标数据被一超球体用一最小的体积包围起来，通过最小化特征空间的体积。相当于最小化超球体半径R，使接受异常数据的可能性最小化。因此，模拟支持向量分类器定义如下结构误差。

ε_struct(R，α)＝R²

(5)

α是超球体的中心，方程(5)在下面约束条件下被最小化：

|x_i-α|²≤R²，    i

(6)

为了允许训练样本中有异常数据的可能，定义一松弛变量ξ，最小化下面误差函数：

$\mathrm{\ϵ}(R,a,\mathrm{\ξ})=R^2+c\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i$

(7)

式中c是对数据描述的体积与由此对目标数据所产生的误差之间进行平衡。假设所有对象都在超球体内：

|x_i-α|²≤R+ξ    ξ≤0，i

(8)

引入Lagrange乘子α，γ，根据约束条件(6)和方程(5)可得到Lagrange函数：

$L(R,a,\mathrm{\ξ},\mathrm{\β},\mathrm{\γ})=R^2+C\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i(R^2+{\mathrm{\ξ}}_i-(x_i\·x_i-2a\·x_i+a\·a))-\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i{\mathrm{\ξ}}_i---\left(9\right)$

对每个对象x_i，存在相应的α_i和γ_i，且α_i≥0，γ_i≥0。

对应的Karush-Kuhn-Tucker条件为：

$\frac{\∂L}{\∂a}=0:$ $a=\frac{{\mathrm{\Σ}}_i{\mathrm{\α}}_i{x}_i}{{\mathrm{\Σ}}_i{\mathrm{\α}}_i}=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{x}_i$

(10)

$\frac{\∂L}{\∂{\mathrm{\ξ}}_i}=0:$ γ_i＝c-α_i    _i

(11)

由方程(11)可得α_i＝c-γ_i，考虑到γ_i≥0与γ_i＝c-α_i，针对α_i的新的约束定义为：

0≤α_i≤c    _i

(12)

根据以上约束条件，方程(9)可重写为：

$L(R,a,\mathrm{\ξ},\mathrm{\α},\mathrm{\γ})=R^2-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{R}^2+c\underset{i}{\mathrm{\Σ}}{\mathrm{\ξ}}_i-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\ξ}}_i-\underset{i}{\mathrm{\Σ}}{\mathrm{\γ}}_i{\mathrm{\ξ}}_i+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·x_i\·x_i$

$-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·a\·x_i+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·a\·a$

$=0+0+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·x_i\·x_i-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·x_i\·x_i+1\·\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i\·{\mathrm{\α}}_j\·x_i\·x_j$

$=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\·x_i\·x_i+\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i\·{\mathrm{\α}}_j\·x_i\·x_j$

(13)

最小化误差函数(13)是二次规化问题，有标准解法。对于一类分类问题，决策边界方程为：

$f(z,\mathrm{\α},R)=I({(z-a)}^2\≤R^2)$

$=I((z\·z)-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i(z\·x_i)+\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_j(x_i\·x_j)\≤R^2)$

(14)

式中z是一新的测试对象，函数I定义为：

(15)

当对象x_i在超球体内部时，‖x_i-α‖²≤R成立，对应的Lagrange乘子变为0：α_i＝0；当对象x_i在超球体的边界上时，‖x_i-α‖²＝R²成立，Lagrange乘子变为正：α_i＞0，而当α_i的值达到上限c时，对应的对象x_i被划分到超球体的外部。对于0＜α_i＜c所对应的对象被称为支持向量。

超球体是对数据边界的刚性描述，它不能很好地适应数据的分布特征，如果将数据映射到新的空间，可使超球体边界更好地适应实际数据的边界形状，假定数据的映射函数为Ф：

x^*＝Ф(x)

(16)

将这一映射函数应用到(13)和(14)可以得到：

$L=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_i\right)-\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)$

(17)

和

$f(z;\mathrm{\α},R)=$

$I(\mathrm{\Φ}\left(z\right)\·\mathrm{\Φ}\left(z\right)-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i\mathrm{\Φ}\left(z\right)\·\mathrm{\Φ}\left(x_i\right)+\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_j\mathrm{\Φ}\left(x_i\right)\·\mathrm{\Φ}\left(x_j\right)\≤R^2)$

(18)

上面两式映射Ф(x)以内积的形式出现，定义一个新函数，称为核函数：

K(x_i，x_j)＝Ф(x_i)·Ф(x_j)

(19)

由于这个核函数可以写成两个函数的内积形式，可以称它为Mercer核。用这个核函数替换Ф(x_i)·Ф(x_j)，式(17)和(18)可重新写为：

$L=\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_{i}K(x_i,x_i)-\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)$

(20)

$f(z;\mathrm{\α},R)=I(K(z,z)-2\underset{i}{\mathrm{\Σ}}{\mathrm{\α}}_{i}K(z,x_i)+\underset{i,j}{\mathrm{\Σ}}{\mathrm{\α}}_i{\mathrm{\α}}_{j}K(x_i,x_j)\≤R^2)$

(21)

式中映射Ф不用显式定义，它仅用核K来定义，一个好的核函数可把目标数据映射到球形区域内(在新的特征空间)，而异常数据在这个区域外面，这个超球体边界可以更好地拟合数据，获得更好的分类结果。

因为分类边界是一个包围原始图像特征向量的超球体，检测时，如有特征向量落在超球体的外面，则认为它是含秘图像的特征点，而不用理会含秘图像是哪种隐写工具生成的。

本发明的有益效果是：只需对原始图像的特征向量训练统计即可，无需训练含秘图像的特征向量；检测时判断方式比较简单；这种检测方法通用性强，检测隐形信息种类多，检测效果可靠性强。

附图说明

图1a是关于Wiener滤波器的数值表示示意图；

图1b是关于soft-shrinkage法萎缩方法示意图；

图1c是关于hard-shrinkage法萎缩方法示意图；

图2a是门限去噪原理图；

图2b是量化去噪原理图；

图3是基于量化攻击的隐写分析原理图；

图4是图像的三层小波分解图；

图5是6种隐写算法的小波系数均方误差三维分布图；

图6是M2不同容量的小波系数均方误差三维分布图；

图7是M4不同容量的小波系数均方误差三维分布图。

具体实施方式

下面结合附图和具体实施方式进一步说明本发明的技术方案。

如图1所示，Wiener滤波器的数值表示如附图1a所示，软硬门限的萎缩方法分别由图1b和1c表示。对图像的去噪实际上是对原始图像的MAP估计：

$\hat{x}=\arg \max \{\ln P_w\left(y\right|\hat{x})+\ln P_w\left(\hat{x}\right)\}$

$\hat{x}\∈R^N$

(1)

假设图像为

隐密信息为w～N(0，σ_w ²I)，用Wiener滤波器可得到x_j的MAP估计：

$\hat{x}=\hat{y}+\frac{{\stackrel{\‾}{U}}_x^2}{{\mathrm{\σ}}_w^2+{\hat{U}}_x^2}(y-\hat{y})$

(2)

如果假设图像为广义高斯(General Gauss，GG)分布

x的MAP估计问题是软萎缩法(soft-shrinkage)：

$\hat{x}=\stackrel{\‾}{y}+\max (0,|y-\stackrel{\‾}{y}|-T)\mathrm{sign}(y-\hat{y})$

(3)

式中 $T=\frac{{\mathrm{\σ}}_w^2}{{\mathrm{\σ}}_x}\sqrt{2},,$ 如用硬萎缩法(hard-shrinage)：

$\hat{x}=\stackrel{\‾}{y}+(y-\stackrel{\‾}{y})\mathrm{\λ}\left(\right|y-\stackrel{\‾}{y}|>T)$

(4)

式中λ{·}表示门限函数，如果它的值大于T，保持输入值不变，否则设置为0，式(3～4)去噪的主要思想是将图像分解为低频 和高频 两部分，这两部分被分别处理。Wiener滤波器的数值表示如附图1a所示，软硬门限的萎缩方法分别由图1b和1c表示。

部分中的小幅值表示图像的平坦区域(小波系数也具有相同的性质)。高幅值部分属于图像的边缘和纹理。从式(3～4)可以看出去噪主要是对图像平坦区域噪声的抑制。

如图2所示，对于门限去噪法，当系数的幅值小于门限时被置零，而大于门限的系数保持不变，即如图2a所示。对于量化去噪，当系数的幅值小于量化步长时被置为零，而大于门限的系数被进一步量化，即如图2b所示。量化是数据压缩的关键步骤，只要量化步长合适，不会引起图像的显著失真。也就是说对小波系数(其他变换域也成立)量化也同时具有消噪功能。

如附图3和附图4所示，首先对原始图像I_C和含秘图像I_S进行量化去噪攻击，得到两幅去噪图像I_c ^Q和I_s ^Q，再对这四幅图像(I_C，I_S，I_c ^Q和I_s ^Q)分别进行3层小波变换。设图像大小为N×N，N是2的整数次方，对图像进行二维小波分解，可得到细节子带系数HH_k，HL_k，LH_k，k＝1，2，---，J，k是分解的层数。每层小波分解系数的数量为N/2^k×N/2^k，对I_C分解得到3层共9个细节子带系数{HL_Ci，LH_Ci，HH_Ci|1≤i≤3}；对于I_c ^Q分解也同样得到3层共9个细节子带系数{HL_Cj ^Q，LH_Cj ^Q，HH_Cj ^Q|1≤j≤3}。对I_C和I_c ^Q的9个细节子带系数分别求均方误差，可求出9个均方误差值：

${\mathrm{MSE}}_{{\mathrm{HL}}_i}^C=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{HL}}_C}_i-{\mathrm{HL}}_{C_i}^Q|}^2,1\≤i\≤3$

(22)

${\mathrm{MSE}}_{{\mathrm{LH}}_i}^C=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{LH}}_C}_i-L{H}_{C_i}^Q|}^2,1\≤i\≤3$

(23)

${\mathrm{MSE}}_{{\mathrm{HH}}_i}^C=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{HH}}_C}_i-{\mathrm{HH}}_{C_i}^Q|}^2,1\≤i\≤3$

(24)

用同样的方法求I_s和I_s ^Q的9个细节子带系数的均方误差：

${\mathrm{MSE}}_{{\mathrm{HL}}_i}^S=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{HL}}_S}_i-{\mathrm{HL}}_{S_i}^Q|}^2,1\≤i\≤3$

(25)

${\mathrm{MSE}}_{{\mathrm{LH}}_i}^S=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{LH}}_S}_i-{\mathrm{LH}}_{S_i}^Q|}^2,1\≤i\≤3$

(26)

${\mathrm{MSE}}_{{\mathrm{HH}}_i}^S=\frac{2^{2i}}{N^2}\underset{i}{\mathrm{\Σ}}\underset{i}{\mathrm{\Σ}}{|{{\mathrm{HH}}_S}_i-{\mathrm{HH}}_{S_i}^Q|}^2,1\≤i\≤3$

(27)

原始图像经量化攻击后发生的变化与含秘图像经量化攻击后发生的变化是不同的。而小波分解系数可以非常准确地反映原始图像与含秘图像之间的差异信息。

如图5所示，原始图像经量化攻击前、后之间有9个小波子带系数的均方误差值(MSE_HLi ^C，MSE_LHi ^C，MSE_HHi ^C，1≤i≤3)，而含秘图像经量化攻击前、后也有9个小波子带系数均方误差值(MSE_HLi ^S，MSE_LHi ^S，MSE_HHi ^S，1≤i≤3)。三层小波分解，每层有三个均方误差值。为了比较原始图像与含秘图像之间的差异，我们把MSE_HLi ^C，MSE_LHi ^C，MSE_HHi ^C和MSE_HLi ^S，MSE_LHi ^S，MSE_HHi ^S画在同一个三维坐标上。由于1≤i≤3，因此，对每幅原始图像及对应的含秘图像都可画出三个三维小波系数均方误差分布图。我们对表1介绍的六种隐写算法进行实验，显示效果如附图5。其中”o”-对应原始图像；”+”-对应M1；”*”-对应M2；”·”-对应M3；”x”-对应M4；”Δ”-对应M5；”□”-对应M6。三幅图像分别对应三层小波分解系数的均方误差值。从三维图形上可以很容易地看出，隐写算法M3、M4及M5对应的点与原始图像对应的点距离较近，并有少量的点重合，用分类器识别它们时会发生误判。隐写算法M1、M2及M6对应的点与原始图像对应的点距离较远，用分类器很容易识别它们。

表1六种隐写算法及编号

编号	算法开发者	鲁棒性
			M1	A.Brown[6]	No
M2	J.Fridrich和M.Goljan[7]	No
			M3	N.F.Johnson et al[8]	No
M4	J.cox.et al[9]	Yes
			M5	J.R.Hernanden[10]	Yes
M6	G.Langelaar.et al[11]	Yes

如图6所示，为了检验隐写分析算法对不同嵌入量的检测能力，我们进行如下实验，用JFridrich的隐写算法M₂对原始图像嵌入不同的信息量。嵌入量分别为：256bits，512bits，1024bits，2048bits。将它们对应的小波均方误差值画在同一个三维坐标上，显示效果如附图6。其中”+”-对应256bits；”·”-对应512bits；”*”-对应1024bits；”□”-对应2048bits；”o”-对应原始图像。从图中可以清楚地看出，检测正确率与嵌入容量成正比。即嵌入容量越大，其对应的点离原始图像对应的点越远，嵌入容量越小，其对应的点离原始图像对应的点越近。

如图7所示，对Cox的隐写算法M₄做同样的实验，嵌入量分别为：256bits，512bits，1024bits，2048bits。将它们对应的小波均方误差值画在同一个三维坐标上，显示效果如附图7。其中”+”-对应256bits；”·”-对应512bits；”*”-对应1024bits；”□”-对应2048bits；”o”-对应原始图像。从图中可以清楚地看出，检测正确率与嵌入容量关系不大。为什么会有这种现象呢？Cox的隐写算法M₄无论嵌入什么容量的信息，都是挑选最大的DCT系数嵌入数据，而大的DCT系数对图像的影响程度也大，因此，小嵌入量与大嵌入量对图像影响的差别不是很大。

我们将原始图像受量化攻击前、后的图像做三层小波分解，以两幅图像对应每个子带小波系数的均方误差值做为一类分类器的训练样本，在嵌入量均为1024bits的情况下对M₁～M₆六种隐写算法进行隐写检测。以500幅原始图像做为训练样本，测试样本是另外500幅原始图像及对应的含秘图像共500×6＝3000幅。检测结果如表2所示。表中原始图像的含义是：针对原始图像的检测正确率；表中含秘图像是指针对含秘图像的检测正确率。

表2一类分类器对6个隐写算法的检测结果

	6个隐藏算法
							M1	M2	M3	M4	M5	M6
	原始图像	96.81	96.81	96.81	96.81	96.81							96.81
含秘图像							92.34	94.21	85.78	82.16	83.56	91.38

从实验结果可以看出，本发明提出的方法在检测正确率方面均超过了现有技术的方法。

Claims (1)

1、一种通用的数字图像隐形信息检测方法，其特征在于：包含以下步骤：

[1]利用量化攻击方法对原始图像进行量化去噪攻击，获得原始图像的去噪图像；

[2]、对原始图像和原始图像的去噪图像进行三层小波变换，获得小波分解系数的统计量；

[3]、以原始图像经量化攻击前、后的小波分解系数的统计量为训练对照样本，用一类支持向量机做分类器，对含秘图像进行量化去噪攻击，获得含秘图像的去噪图像；

[4]、对含秘图像和含秘图像的去噪图像进行多层小波变换，获得小波分解系数；

[5]、用分类器对原始图像的去噪图像和含秘图像的去噪图像的小波分解系数进行分类比较，从而对含秘图像进行隐形信息识别。

Images