CN1818925A - 基于三层架构的智能图像隐写分析系统 - Google Patents
基于三层架构的智能图像隐写分析系统 Download PDFInfo
- Publication number
- CN1818925A CN1818925A CN 200610018494 CN200610018494A CN1818925A CN 1818925 A CN1818925 A CN 1818925A CN 200610018494 CN200610018494 CN 200610018494 CN 200610018494 A CN200610018494 A CN 200610018494A CN 1818925 A CN1818925 A CN 1818925A
- Authority
- CN
- China
- Prior art keywords
- steganalysis
- module
- image
- eigenvector
- algorithm
- 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
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于三层架构的智能图像隐写分析系统,包括综合数据库、图像库、综合数据库管理模块、图像库管理模块、特征矢量预提取模块、隐写分析总控模块和攻击模块,以及用于针对隐写算法已公布且有对应的专用隐写分析算法的专用隐写分析模块、针对隐写算法已公布尚无对应的专用隐写分析算法的分类训练的通用隐写分析模块和针对隐写算法未公布的广义通用隐写分析模块。本发明采用三层架构,针对隐写算法所属类型构建专门的隐写分析子系统,具有准确性和适用性;利用专家系统将现有的专用隐写分析方法建成模型库和规则库,并通过人机交互不断更新隐写分析规则库,具有智能性;采用主元素特征提取与样本图像库分类训练相结合,提高计算效率和准确性。
Description
技术领域
本发明属于计算机安全领域,具体涉及一种基于三层架构的智能图像隐写分析系统。
背景技术
目前,实现隐秘通信的主要技术是隐写术,隐写术是信息隐藏的重要分支。隐写术研究如何将要传送的信息以不可感知的方式隐藏于各种载体中(如:文本、图像、音频、视频等)。近年来,随着网络技术和多媒体技术的发展,隐写术获得了长足的进步,已被军事机构、政府部门、金融机构等涉及国计民生的重要部门采用,更被恐怖分子用来在互连网上互通消息。隐写术的滥用给国家和社会带来了潜在的严重危害,如何有效监督隐写术的使用、防止隐写术的非法应用,成为国家安全等部门关切的问题。因而,产生了一种与隐写术相对抗的技术-隐写分析。隐写分析是对隐写术的攻击,目的是为了检测秘密消息的存在以至破坏隐秘通信,隐写分析是解决非法使用隐写术问题的关键技术。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。
图像隐写分析的基本工作原理是,首先对检测图像进行特征提取,根据图像的特征是否被改变以及改变的程度来判别图像是否隐藏图像。根据特征提取与隐写算法的关系,图像隐写分析可以分成两类:一类是针对某种具体的隐写方法提取其专有特征,根据这些专有特征进行判别,可称为专用隐写分析(如:Fridrich J.,Goljan M.,Du R..″Reliable detection ofLSB steganography in color and grayscale images″.Proceedings of ACMMultimedia Workshops-Multimedia and Security,2001,27-30和Dumitrescu S.,Xiaolin Wu,Zhe Wang.″Detection of LSB steganographyvia sample pair analysis″.IEEE Transactions on SignalProcessing,2003,Vol.51(7),1995-2007等);另一类是寻找独立于具体的隐写方法之外的特征,根据这些特征进行判别,可称为通用隐写分析技术(如:Avcibas Ismail,Memon Nasir,Sankur Bulent.″Steganalysis usingimage quality metrics″.IEEE Transactions on ImageProcessing,2003,Vol.12(2),221-229和Hany Farid.″Detectingsteganographic messages in digital images″.DartmouthCollege,Technology Report:TR20012412,2000等)。专用隐写分析技术可以准确检测隐藏图像采用某种隐写方法,准确性高但适用性低。通用隐写分析技术在整体上准确性不如专用隐写分析技术,但适用性高。因此,要使隐写分析走向实际应用,单凭某一种或某一类隐写分析算法还是远远不够的。
发明内容
本发明的目的在于提供一种基于三层架构的智能图像隐写分析系统,该系统具有较高的可用性和准确性,并具有较低响应时间。
本发明提供的基于三层架构的智能图像隐写分析系统,其特征在于:该系统包括综合数据库、图像库、综合数据库管理模块、图像库管理模块、特征矢量预提取模块、隐写分析总控模块、专用隐写分析模块、分类训练的通用隐写分析模块、广义通用隐写分析模块和攻击模块。其中:
综合数据库用于存储支持本系统运行的数据;
图像库用于存储原始图像和隐藏消息后的图像;
综合数据库管理模块用于对综合数据库中的数据进行维护;图像库管理模块用于对图像库进行维护,并在综合数据库中对图像简要信息进行记录;
特征矢量预提取模块用于预先提取图像库中图像的特征矢量信息,提取的特征矢量信息存入综合数据库中;
隐写分析总控模块用于调度专用隐写分析模块、分类训练的通用隐写分析模块、广义通用隐写分析模块和攻击模块,实现对检测图像的隐写分析;
专用隐写分析模块在隐写分析总控模块的控制下,依据推理机的推理结果,从模型库中选择合适的专用隐写分析算法,对检测图像进行隐写分析,如果分析结果有隐藏消息,则把检测图像传送给攻击模块,否则把检测图像传送给分类训练的通用隐写分析模块,并把隐写分析结果写入综合数据库;
分类训练的通用隐写分析模块在隐写分析总控模块的控制下,针对检测图像所使用的隐写算法已公布且目前还没有对应的专用隐写分析算法的情况,依据综合数据库中的图像简要信息表和图像特征矢量表构造训练子集集合,从专用隐写分析模块传送来的图像中提取特征矢量集合,把特征矢量集合中的矢量分别投射到对应训练子集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像传送给攻击模块,否则把检测图像传送给广义通用隐写分析模块,并把隐写分析结果写入综合数据库;
广义通用隐写分析模块在隐写分析总控模块的控制下,针对检测图像所使用的隐写算法未公布的情况,依据综合数据库中的图像简要信息表和图像特征矢量表构造训练集,从分类训练的通用隐写分析模块传送来的图像中提取特征矢量,把特征矢量投射到训练集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像传送给攻击模块,否则不对检测图像作任何处理,直接传出检测图像;
攻击模块在隐写分析总控模块的控制下,对从专用隐写分析模块、分类训练的通用隐写分析模块或广义通用隐写分析模块传送来的检测图像进行攻击,传出攻击后的图像。
本发明的基于三层架构的智能图像隐写分析系统具有以下优点及效果:
(1)三层过滤,协同工作
本系统包含三个串行的隐写分析子系统:专用隐写分析子系统;分类训练的通用隐写分析子系统;广义的通用的隐写分析子系统。实现了专用隐写分析方法和通用隐写分析方法的紧密耦合,充分发挥专用隐写分析算法的准确性和通用隐写分析算法的可用性的优点,同时还实现了两种隐写分析方法的劣势互补,使得隐写分析系统可以达到实际使用要求。
(2)高可用性和准确性
本系统在实施时,瞄准确性和可用性两大性能指标,在系统构建时采取了一些新颖策略,如:针对专用隐写分析算法构建基于专家系统技术的专用隐写分析子系统,发挥专用隐写分析算法群体优势,提高可用性;针对通用隐写算法,分别构建分类训练的通用隐写分析子系统和广义通用隐写分析子系统,特别是在分类训练的通用隐写分析子系统中,训练子集是针对特定隐写算法构造的精简敏感集合,可以满足通用隐写分析算法可用性同时,提高其准确性。
(3)较低响应时间
为了降低响应时间,采取措施有:①针对两个通用隐写分析模块,采取了特征矢量预提取技术,把图像库中提取的特征矢量存入综合数据库的特征矢量表中,这样避免每次隐写分析都需要进行特征矢量提取,可以缩短响应时间;②在分类训练的通用隐写分析系统中,特征矢量的元素更少,可以降低计算复杂性,进而可以缩短响应时间。
(4)智能性
本系统中,采用了人工智能领域的专家系统和模式识别技术,使得隐写分析过程智能化,通过人机交互,提高隐写分析的各项性能。
附图说明
图1为本发明系统的结构示意图;
图2为本发明系统的隐写分析流程图;
图3知识库中规则的树型表示示意图;
图4隐写分析综合决策模块流程图;
图5为专用隐写分析模块的结构示意图;
图6为分类训练的通用隐写分析模块结构示意图;
图7为广义通用隐写分析模块的结构示意图。
具体实施方式
根据隐秘通信可能采用的隐写算法及该隐写算法是否有对应的专用隐写分析算法等因素,将隐写算法划分为三类:①隐写算法已公布,并有对应的专用隐写分析算法;②隐写算法已公布,目前还没有对应的专用隐写分析算法;③隐写算法未公布。本发明针对三类隐写算法,构建一个三层架构的智能图像隐写分析系统,三层架构分别为:一、专用隐写分析子系统(适用于隐秘通信所采用的隐写算法属于情况①);二、分类训练的通用隐写分析子系统(适用于隐秘通信所采用的隐写算法属于情况②);三、广义通用隐写分析子系统(适用于隐秘通信所采用的隐写算法属于情况③)。
下面结合附图和具体实施方式对本发明做进一步说明。
如图1所示,本发明系统包括十大部分:综合数据库104、图像库105、综合数据库管理模块2、图像库管理模块3、特征矢量预提取模块4、隐写分析总控模块5、专用隐写分析模块6、分类训练的通用隐写分析模块7、广义通用隐写分析模块8和攻击模块9。
其中隐写分析总控模块5用于调度专用隐写分析模块6、分类训练的通用隐写分析模块7、广义通用隐写分析模块8和攻击模块9,实现对检测图像的隐写分析。在隐写分析总控模块5的控制下,专用隐写分析模块6依据推理机的推理结果,从模型库中选择合适的专用隐写分析算法,对检测图像101进行隐写分析,如果分析结果有隐藏消息,则把检测图像101传送给攻击模块9,否则把检测图像101传送给分类训练的通用隐写分析模块7,并把隐写分析结果写入综合数据库104;在隐写分析总控模块5的控制下,针对检测图像所使用的隐写算法为已公布,目前还没有对应的专用隐写分析算法的情况,分类训练的通用隐写分析模块7依据综合数据库104中的图像简要信息表和图像特征矢量表构造训练子集集合,从专用隐写分析模块6传送来的图像中提取特征矢量集合,把特征矢量集合分别投射到对应训练子集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像101传送给攻击模块9,否则把检测图像101传送给广义通用隐写分析模块8,并把隐写分析结果写入综合数据库104;在隐写分析总控模块5的控制下,针对检测图像所使用的隐写算法未公布的情况,广义通用隐写分析模块8依据综合数据库104中的图像简要信息表和图像特征矢量表构造训练集,从分类训练的通用隐写分析模块7传送来的图像中提取特征矢量,把特征矢量投射到训练集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像101传送给攻击模块9,否则不对检测图像101作任何处理,直接传出检测图像。在隐写分析总控模块5的控制下,攻击模块9对从专用隐写分析模块6、分类训练的通用隐写分析模块7或广义通用隐写分析模块8传送来的检测图像101进行攻击,传出攻击后的图像102。
图像库管理模块3负责对通用隐写分析所使用的图像库105进行维护,并在综合数据库104中对图像简要信息进行记录;特征矢量预提取模块4提取预先提取图像库105中图像的特征矢量信息,提取的特征矢量信息存入综合数据库104中。
下面分别对各部分作具体的说明。
(1)综合数据库104
综合数据库104用于存储支持本系统运行的相关数据,综合数据库中数据表包括:图像简要信息表(见表1)、图像特征矢量表(见表2)、检测图像初始参数表(见表3)、专用隐写结果表(见表4)和分类训练的通用隐写分析结果表(见表5)。
表1图像简要信息表
文件名 | 隐写算法 | 隐写算法类型 |
plane.jpg | NULL | 0 |
children.bmp | STEG1 | 1 |
Lena.jpg | STEG2 | 2 |
各字段说明如下:
文件名:图像的文件名称;
隐写算法:对于原始图像该字段值为NULL,否则为隐写算法的名称;
隐写算法类型:若该图像为原始图像,该字段值为0;若为隐藏消息后的图像,该字段取值为1表明隐藏图像的隐写算法有对应的专用隐写分析算法,字段为取值2表明还没有对应的专用隐写分析算法。
表2图像特征矢量表
编号 | 隐写算法 | 隐写算法类型 | 元素名称 | 元素值 |
001000001 | STEG1 | 0 | u | 80 |
001000001 | STEG2 | 0 | σ | 3000 |
各字段的说明如下:
编号:特征矢量唯一编号;
隐写算法:同表1;
隐写算法类型:同表1;
元素名称:组成特征矢量的元素名称,如均值-u,方差-σ;
元素值:特征提取的元素值。
表3检测图像初始参数表
任务号 | 文件名 | 尺寸 | 文件格式 |
200512260001 | plane.jpg | 256×256 | JPEG |
200512260002 | children.bmp | 512×512 | BMP |
各字段的说明如下:
任务号:执行隐写分析任务编号,能唯一标识隐写分析任务,其编号自动产生;
文件名:检测图像文件名;
尺寸:检测图像的尺寸;
文件格式:检测图像的文件格式。
表4专用隐写分析结果表
任务号 | 隐写分析算法 | 检测结果 |
200512260001 | RS | 1 |
200512260002 | Chi-square | 0 |
各字段解释如下:
任务号:执行隐写分析任务编号,能唯一标识隐写分析任务,其编号自动产生;
隐写分析算法:所采用的专用隐写分析算法的名称;
检测结果:存储隐写分析的结果,有隐藏消息是1,否则为0。
表5分类训练的通用隐写分析中间结果表
任务号 | 训练集对应的隐写算法 | 检测值 |
200512260001 | Ai | 0.8 |
200512260001 | Aj | 0.9 |
各字段的说明如下:
任务号:执行隐写分析任务编号,能唯一标示一次隐写分析任务,其编号自动产生;
训练集:训练集所对应的隐写算法名称;
检测值:通用隐写算法对该训练集训练的结果。
(2)图像库105
图像库105包括原始图像库(没有隐藏消息的图像集合)和隐藏消息后的图像库(隐藏消息后的图像集合)。在本系统中,图像库以文件的格式存放在计算机硬盘上,并在综合数据库的图像简要信息表(见表1)中记录图象文件简要信息。
(3)综合数据库管理模块2
本模块用于对综合数据库104中的数据实现维护(添加、删除、修改、查询、备份等)。
(4)图像库管理模块3
本模块用于对图像库105中的图像文件和综合数据库中图像简要信息表进行维护(添加、删除、修改、查询)。
(5)特征矢量预提取模块4
分类训练的通用隐写分析模块7和广义通用隐写分析模块8进行隐写分析时需要提取图像库105中图像的特征矢量。为了缩短隐写分析的响应时间,避免每一次隐写分析都要进行图像特征矢量提取,特征矢量预提取模块4从图像库105中预先提取图像的特征矢量并存入综合数据库104的图像特征矢量表(见表2),这样在隐写分析时可以直接使用图像特征矢量表构造特征矢量训练集,图像的特征矢量在特征矢量表中以特征矢量元素为基本单位进行存储,即每一元素为一条记录。
(6)隐写分析总控模块5
如图2所示,对于一幅待检测的图像,隐写分析总控模块5首先调度专用隐写分析模块6进行隐写分析,如果分析结果表明有隐藏消息,则启动攻击模块9对该图像进行攻击并输出攻击后的图像;否则,启动分类训练的通用隐写分析模块7进行隐写分析;紧接着,如果通用隐写分析模块7隐写分析表明检测图像没有隐藏消息,则启动广义通用隐写分析模块8进行隐写分析;否则启动攻击模块9对该图像进行攻击并输出攻击后的图像;最后,如果广义通用对隐写分析模块8隐写分析表明检测图像没有隐写消息,则不作任何处理;否则启动攻击模块9对该图像进行攻击并输出攻击后的图像。不难看出,本发明实现了专用隐写分析技术和通用隐写分析技术的紧密耦合,充分发挥各自的优点,同时还实现彼此劣势互补,大大提高了隐写分析系统的准确性和可用性。
(7)专用隐写分析模块6
专用隐写分析模块6针对专用隐写分析算法构建专家系统,该专家系统是利用隐写分析领域知识和推理,来解决图像隐写分析问题的智能软件系统。由于专家系统具有持久性、可靠性、稳定性以及决策可理解性等优点,为隐写分析人员提供科学、准确、高效的决策支持。同时为了弥补专家系统计算能力较弱缺点,加入隐写分析模型库,增强系统的决策支持能力。
根据专用隐写分析领域知识的描述,建立面向专用隐写分析算法的专用隐写分析模块的结构如图5所示,从功能上看,该模块包括以下部分:知识库110、模型库111、知识库管理模块61、图像参数信息获取模块62、模型库管理模块63、推理机64、隐写分析综合决策模块65和人机交互模块66。上述各个部分的具体功能描述如下:
●知识库110:又称规则库,规则用产生式(IF P THEN Q,表示如果事实P成立,则执行行为Q)表示。通过收集专用图像隐写分析知识和经验,筛选出目前典型的一些专用隐写分析算法,并依据专用隐写分析算法针对的图像类型(调色板图像、真彩色图像、JPEG图像等)、隐写算法类型(LSB隐写算法、QIM隐写算法等)以及隐写分析算法有效性,建立规则库。为了对规则库的构建有更好理解,下面以示例形式介绍,图3是一个三层规则库的树形表示示例,该规则树中事实P和行为Q所涉及的变量定义如下:①变量Rsspesial表示专用隐写分析结果,如果其值为真则表示当前图像中隐藏有水印,否则没有水印信息,该变量初始值为假;②变量IDcur_scheme表示当前选择的隐写分析算法的编号;③变量IDpre_scheme表示前一次选择的隐写分析算法的编号,第一层中,该变量值为0;④变量Endmark表示结束标志,如果为真则表示准备结束,否则为假,初始值为假;⑤变量Iclass表示当前隐写分析的图像类型的标识号(例如,调色板图像Iclass=1、真彩色图像Iclass=2、JPEG图像Iclass=3等)。图3中的路径n所涉及的规则可具体表示如下:
if P1n then Q1n;
if P2n then Q2n;
if P3n then Q3n;
其中
P1n:(IDpre_scheme=0)∧(Endmark==false)∧(Iclass=n)∧(Rsspecial==false);
Q1n:IDcur_scheme:=A1n;
P2n:(IDpre_scheme==A1n)∧(Endmark==false)∧(Iclass=n)∧(Rsspecial==false);
Q2n:IDcur_scheme:=A2n;
P3n:(IDpre_scheme==A2n)∧(Endmark==false)∧(Iclass=n)∧(Rsspecial==false);
Q3n:Endmark:=true
从规则表达式中,不难发现,推理机64依据此规则进行推理的结果只能有两种结果:①将要选择的的隐写分析算法编号;②专用隐写分析结束标志。隐写分析综合决策模块65正是根据此结果,确定是调用模型库当前选择隐写分析算法还是结束专用隐写分析。
●模型库111:通过收集专用图像隐写分析知识和经验,筛选出目前典型的一些专用隐写分析算法,并用程序代码实现算法的功能,隐写算法功能的实现也称为数学模型,这些数学模型存储在模型库111中;
●知识库管理模块61:对知识库110规则进行维护(增加、删除、修改、查询);
●图像参数信息获取模块62:获取检测图像的简单参数,并写入综合数据库104的检测图像初始参数表,见表3;
●模型库管理模块63:本模块负责对模型库111中的隐写分析算法模型进行维护(增加、删除、修改、查询);
●推理机64:推理机64工作原理接收从隐写分析综合决策模块65传来的事实,直接在知识库中匹配规则,并执行匹配的规则,最终获得推理结果,该推理结果传送到隐写分析综合决策模块65和人机交互模块66。
●隐写分析综合决策模块65:该模块工作流程图如图4所示,具体步骤步骤为:
①构造事实P:对知识库中规则所涉及的变量Rsspesial、IDcur_scheme、IDpre_scheme、Endmark、Iclass赋值,如果第一次进入该模块,则IDcur_scheme:=0、IDpre_scheme=0、Endmark=false、Rsspesial:=false、Iclass为检测图像的类型值;否则进行IDpre_scheme:=IDcur_scheme赋值操作;
②调用推理机:把事实P传给推理机,并获得推理结果,如果推理结果中Endmark为真,则转向步骤④;
③调用隐写算法模型:根据变量IDcur_scheme的值,从模型库中选择隐写分析算法对检测图像进行隐写分析,如果隐写分析结果有隐藏图像,则对变量Rsspesial赋值为true跳到步骤④,否则进入步骤①重复执行;
④隐写分析结果处理:如果Rsspesial==true,则向人机交互模块66提示有隐藏消息,否则提示没有隐藏消息,并将隐写分析结果写入综合数据库104的专用隐写分析结果表,见表4。
●人机交互模块66:人机交互的接口,负责接收隐写分析人员给出的指令,同时把推理或隐写分析综合决策模块处理结果返回给隐写分析人员。(8)分类训练的通用隐写分析模块7
如图6所示,分类训练的通用隐写分析模块包括:主元素特征矢量子集构造模块71、主元素特征矢量提取模块72、通用隐写分析模块73和隐写分析决策模块74。其中,主元素特征矢量子集构造模块71根据综合数据库104中图像简要信息表,筛选出表中隐写算法类型字段取值为2的隐写算法集A={Ai|1≤i≤n},并针对每一种隐写算法Ai,依据图像特征矢量表构造主元素特征矢量子集Ωi,其中Ωi=I0UIi,I0表示由原始图像库提取的特征矢量构造的主元素特征矢量子集,Ii表示隐写算法Ai隐写后的图像库构造的主元素特征矢量子集。所谓主元素特征矢量是通用隐写分析算法在该训练集上进行隐写分析时比较敏感的元素组成的矢量,因而,每一特征矢量子集的特征矢量元素由对应的隐写算法决定。
主元素特征矢量提取模块72负责针对每一隐写算法Ai,参照对应的主元素特征矢量子集Ωi,从检测图像提取主元素特征矢量Vi,其中特征矢量Vi的元素和特征矢量集Ωi中的矢量元素相同。
通用隐写分析模块73具有训练功能,它针对每一隐写算法Ai,把对应的主元素特征矢量Vi投射到特征矢量集Ωi上进行训练,获得训练结果Dti,并把该结果作为隐写分析中间结果,写入综合数据库104的分类训练的通用隐写分析中间结果表,见表5,并传送给隐写分析决策模块74。
隐写分析决策模块74首先根据训练结果集Dt={Dt1,Dt2,......,Dtn},计算出集合Dt的最大值Dtmax,即Dtmax=max{Dt1,Dt2,......,Dtn}。然后把Dtmax和综合数据库104中的检测阈值T进行比较,如果Dtmax≥T则提示有隐藏消息,否则提示没有隐藏消息。
从以上隐写分析原理不难发现,针对精简的高敏感子集隐写分析,一方面可以提高隐写分析的准确性,同时可以降低算法的复杂性。
(9)广义通用隐写分析模块8
如图7所示,广义通用隐写分析模块8包括特征矢量集构造模块81、特征矢量提取模块82和具有训练功能的通用隐写分析模块83。其中,特征矢量集构造模块81根据综合数据库104中图像简要信息表106与图像特征矢量表107构造特征矢量集Ω,其中Ω=I0UIsteg,I0表示由原始图像库提取的特征矢量构造的特征矢量子集,Isteg表示所有隐写算法隐写后的图像库构造的特征矢量子集。
特征矢量提取模块82从检测图像提取特征矢量v,其中特征矢量v的元素和特征矢量集Ω中的矢量元素相同。
通用隐写分析模块83具有训练功能,把特征矢量投射v到特征矢量集Ω上进行训练,获得训练结果Dt,然后把Dt和综合数据库104中的检测阈值T进行比较,如果Dt≥T则提示有隐藏消息,否则提示没有隐藏消息。
从结构图中,似乎广义通用隐写分析模块8和基于主元素特征通用隐写分析模块7隐写分析基本类同,如均采用相同的隐写分析方法。然而,同基于主元素特征通用隐写分析模块7相比,广义通用隐写分析模块在训练集的构造和特征矢量提取等方面有自己的特色,具体表现在:①特征矢量集构造模块81构造的特征矢量集Ω中,隐藏图像的特征矢量集所对应的隐写算法更为广泛,是所有已公布的隐写算法;②特征矢量集Ω中的特征矢量是由对所有隐写算法均敏感的元素组成。
由于特征矢量集的特征矢量元素的选取和图像库的选取很好的平衡隐写分析算法对所有隐写算法的敏感性,因而适用性广,可以有效弥补前两个隐写分析模块在该性能指标中的不足。
(10)攻击模块9
对检测图像进行攻击,目标是使得攻击后的检测图像中不能正确提取隐秘消息,即破坏隐秘通信的进行,同时力图破解隐秘消息。
Claims (5)
1、一种基于三层架构的智能图像隐写分析系统,其特征在于:该系统包括综合数据库(104)、图像库(105)、综合数据库管理模块(2)、图像库管理模块(3)、特征矢量预提取模块(4)、隐写分析总控模块(5)、专用隐写分析模块(6)、分类训练的通用隐写分析模块(7)、广义通用隐写分析模块(8)和攻击模块(9);其中:
综合数据库(104)用于存储支持本系统运行的数据;
图像库(105)用于存储原始图像和隐藏消息后的图像;
综合数据库管理模块(2)用于对综合数据库(104)中的数据进行维护;
图像库管理模块(3)用于对图像库(105)进行维护,并在综合数据库(104)中对图像简要信息进行记录;
特征矢量预提取模块(4)用于提取预先提取图像库(105)中图像的特征矢量信息,提取的特征矢量信息存入综合数据库(104)中;
隐写分析总控模块(5)用于调度专用隐写分析模块(6)、分类训练的通用隐写分析模块(7)、广义通用隐写分析模块(8)和攻击模块(9),实现对检测图像的隐写分析;
专用隐写分析模块(6)在隐写分析总控模块(5)的控制下,依据推理机的推理结果,从模型库中选择合适的专用隐写分析算法,对检测图像进行隐写分析,如果分析结果有隐藏消息,则把检测图像传送给攻击模块(9),否则把检测图像传送给分类训练的通用隐写分析模块(7),并把隐写分析结果写入综合数据库(104);
分类训练的通用隐写分析模块(7)在隐写分析总控模块5的控制下,针对检测图像所使用的隐写算法已公布且目前还没有对应的专用隐写分析算法的情况,依据综合数据库(104)中的图像简要信息表和图像特征矢量表构造训练子集集合,从专用隐写分析模块(6)传送来的图像中提取特征矢量集合,把特征矢量集合中的矢量分别投射到对应训练子集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像传送给攻击模块(9),否则把检测图像传送给广义通用隐写分析模块(8),并把隐写分析结果写入综合数据库(104);
广义通用隐写分析模块(8)在隐写分析总控模块(5)的控制下,针对检测图像所使用的隐写算法未公布的情况,依据综合数据库(104)中的图像简要信息表和图像特征矢量表构造训练集,从分类训练的通用隐写分析模块(7)传送来的图像中提取特征矢量,把特征矢量投射到训练集上进行训练并获得隐写分析结果,如果分析结果有隐藏消息,则把检测图像传送给攻击模块(9),否则不对检测图像作任何处理,直接传出检测图像;
攻击模块(9)在隐写分析总控模块(5)的控制下,对从专用隐写分析模块(6)、分类训练的通用隐写分析模块(7)或广义通用隐写分析模块(8)传送来的检测图像进行攻击,传出攻击后的图像。
2、根据权利要求1所述的系统,其特征在于:所述综合数据库(104)包括图像简要信息表、图像特征矢量表、检测图像初始参数表、专用隐写结果表和分类训练的通用隐写分析结果表。
3、根据权利要求1或2所述的系统,其特征在于:所述专用隐写分析模块(6)包括知识库(110)、模型库(111)、知识库管理模块(61)、图像参数信息获取模块(62)、模型库管理模块(63)、推理机(64)、隐写分析综合决策模块(65)和人机交互模块(66);
模型库(111)用于存储现有已公布的专用隐写分析算法的数学模型;
知识库(110)用于存储隐写分析规则;
模型库管理模块(63)负责对模型库(111)中的隐写分析算法模型进行维护;
知识库管理模块(61)用于对知识库规则进行维护;
图像参数信息获取模块(62)用于获取检测图像的简单参数,并写入综合数据库(104)中;
推理机(64)依据隐写分析综合决策模块(65)传来的事实,按匹配规则从知识库(110)中的匹配规则,并执行该规则获得推理结果,并将推理结果传送到隐写分析综合决策模块(65)和人机交互模块(66);
隐写分析综合决策模块(65)首先构造事实P,并把事实P作为参数,传给推理机(64)模块进行推理,如果推理结果中结束标志Endnark为假,则根据当前选择的隐写分析算法的编号IDcur_scheme值,从模型库(111)中选择对应的隐写分析算法模型,使用该模型对检测图像进行隐写分析;如果推理结果中变量结束标志Endmark为真,则转至隐写分析结果处理;如果选择的隐写分析算法确定检测图像没有隐藏消息,则重新执行上述过程,否则转至隐写分析结果处理;隐写分析结果处理根据专用隐写分析结果Rspesial值,形成隐写分析结果,将隐写分析结果写入综合数据库(104)中,并将其输出至人机界面,提供给隐写分析人员;
人机交互模块(66)用于接收隐写分析人员给出的指令,同时把推理机(64)和隐写分析综合决策模块(65)处理结果返回给隐写分析人员。
4、根据权利要求3所述的系统,其特征在于:所述分类训练的通用隐写分析模块(7)包括主元素特征矢量子集构造模块(71)、主元素特征矢量提取模块(72)、通用隐写分析模块(73)和隐写分析决策模块(74);其中,
主元素特征矢量子集构造模块(71)根据综合数据库(104)中图像简要信息表,筛选出表中隐写算法类型字段取值为2的隐写算法集A={Ai|1≤i≤n},并针对每一种隐写算法Ai,依据图像特征矢量表构造主元素特征矢量子集Ωi,其中Ωi=I0UIi,I0表示由原始图像库提取的特征矢量构造的主元素特征矢量子集,Ii表示隐写算法Ai隐写后的图像库构造的主元素特征矢量子集;
主元素特征矢量提取模块(72)针对每一隐写算法Ai,参照对应的主元素特征矢量子集Ωi,从检测图像提取主元素特征矢量Vi,其中特征矢量Vi的元素和特征矢量集Ωi中的矢量元素相同;
通用隐写分析模块(73)针对每一隐写算法Ai,把对应的主元素特征矢量Vi投射到特征矢量集Ωi上进行训练,获得训练结果Dti,并把该结果作为隐写分析中间结果,写入综合数据库(104)的分类训练的通用隐写分析中间结果表,并传送给隐写分析决策模块(74);
隐写分析决策模块(74)首先根据训练结果集Dt={Dt1,Dt2,......,Dtn},计算出集合Dt的最大值Dtmax,即Dtmax=max{Dt1,Dt2,......,Dtn};然后把Dtmax和综合数据库(104)中的检测阈值T进行比较,如果Dtmax≥T则提示有隐藏消息,否则提示没有隐藏消息。
5、根据权利要求4所述的系统,其特征在于:所述广义通用隐写分析模块(8)包括特征矢量集构造模块(81)、特征矢量提取模块(82)和具有训练功能的通用隐写分析模块(83);其中,
特征矢量集构造模块(81)根据综合数据库(104)中图像简要信息表与图像特征矢量表构造特征矢量集Ω;
特征矢量提取模块(82)用于从检测图像提取特征矢量V,其中特征矢量V的元素和特征矢量集Ω中的矢量元素相同;
通用隐写分析模块(83)用于将特征矢量投射V到特征矢量集Ω上进行训练,获得训练结果Dt,然后把Dt和综合数据库(104)中的检测阈值T进行比较,如果Dt≥T则提示有隐藏消息,否则提示没有隐藏消息。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100184941A CN100367295C (zh) | 2006-03-07 | 2006-03-07 | 基于三层架构的智能图像隐写分析系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2006100184941A CN100367295C (zh) | 2006-03-07 | 2006-03-07 | 基于三层架构的智能图像隐写分析系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1818925A true CN1818925A (zh) | 2006-08-16 |
CN100367295C CN100367295C (zh) | 2008-02-06 |
Family
ID=36918933
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2006100184941A Expired - Fee Related CN100367295C (zh) | 2006-03-07 | 2006-03-07 | 基于三层架构的智能图像隐写分析系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN100367295C (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102594619A (zh) * | 2012-02-15 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种网络隐信道检测方法 |
CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
WO2013020325A1 (en) * | 2011-08-10 | 2013-02-14 | Easy Printing Network Limited | A method for retrieving associated information using an image |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6332030B1 (en) * | 1998-01-15 | 2001-12-18 | The Regents Of The University Of California | Method for embedding and extracting digital data in images and video |
US6556689B1 (en) * | 1998-05-29 | 2003-04-29 | University Of Delaware | Watermarking methods for digital images and videos |
US7039215B2 (en) * | 2001-07-18 | 2006-05-02 | Oki Electric Industry Co., Ltd. | Watermark information embedment device and watermark information detection device |
CN1329874C (zh) * | 2005-08-29 | 2007-08-01 | 上海师范大学 | 一种通用的数字图像隐形信息检测方法 |
-
2006
- 2006-03-07 CN CNB2006100184941A patent/CN100367295C/zh not_active Expired - Fee Related
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013020325A1 (en) * | 2011-08-10 | 2013-02-14 | Easy Printing Network Limited | A method for retrieving associated information using an image |
CN102594619A (zh) * | 2012-02-15 | 2012-07-18 | 南京理工大学常熟研究院有限公司 | 一种网络隐信道检测方法 |
CN102930495A (zh) * | 2012-10-16 | 2013-02-13 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
CN102930495B (zh) * | 2012-10-16 | 2015-01-21 | 中国科学院信息工程研究所 | 一种基于隐写测评的隐写分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN100367295C (zh) | 2008-02-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Jeong et al. | Image preprocessing for efficient training of YOLO deep learning networks | |
Qin et al. | Coverless image steganography: a survey | |
Sattler et al. | Hyperpoints and fine vocabularies for large-scale location recognition | |
Zhu et al. | Attacks and design of image recognition CAPTCHAs | |
CN1195280C (zh) | 在文档中嵌入信息及检测和防止抽取嵌入信息的方法和系统 | |
CN1920877A (zh) | 一种基于统计检测和结构检测的隐写分析系统 | |
CN1700238A (zh) | 在彩色数字图像和视频中分割出人体皮肤区域的方法 | |
CN101038661A (zh) | 基于回归支持向量机的盲水印嵌入和抽取方法 | |
Kil et al. | Discovering the unknown knowns: Turning implicit knowledge in the dataset into explicit training examples for visual question answering | |
Miao et al. | Learning forgery region-aware and ID-independent features for face manipulation detection | |
CN108628993A (zh) | 电子地图自适应分类方法、装置、设备及存储介质 | |
CN1495646A (zh) | 信息存储和检索 | |
Xue et al. | Active intellectual property protection for deep neural networks through stealthy backdoor and users’ identities authentication | |
Zheng et al. | Steganographer detection via deep residual network | |
CN114065150B (zh) | 一种图片版权保护方法 | |
CN1818925A (zh) | 基于三层架构的智能图像隐写分析系统 | |
Jiang et al. | Research progress and challenges on application-driven adversarial examples: A survey | |
Ross | Challenging metanarratives: The past lives in the present | |
Ren et al. | ESRNet: Efficient search and recognition network for image manipulation detection | |
Wang et al. | Data hiding with deep learning: a survey unifying digital watermarking and steganography | |
Acosta et al. | City safety perception model based on visual content of street images | |
Sharma et al. | A Survey of Detection and Mitigation for Fake Images on Social Media Platforms | |
CN1495647A (zh) | 信息存储和检索 | |
Li et al. | A siamese inverted residuals network image steganalysis scheme based on deep learning | |
CN116723005A (zh) | 多态隐藏下的恶意代码隐式情报追踪方法及系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20080206 Termination date: 20130307 |