專利名稱：隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。
背景技術(shù)：
近年來，隱秘術(shù)和數(shù)字水印(與隱秘術(shù)對應(yīng)，特指不可見數(shù)字水印)技術(shù)的研究得到較大發(fā)展。許多隱秘術(shù)和數(shù)字水印軟件能夠從網(wǎng)上直接下載，使普通人利用這些技術(shù)實現(xiàn)“隱蔽”通訊成為可能。這種現(xiàn)象客觀上要求隱寫分析技術(shù)的進步，以便檢測和阻止不法信息隱藏在看似無異的普通媒體(圖像、音頻和視頻等)中傳遞。
隱秘術(shù)以隱藏信息的“存在性”和不為人類感知為目的。隱寫分析則突破人類感官的局限性，通過計算機檢測、分析甚至抽取出隱藏的信息或者隱秘術(shù)的算法細(xì)節(jié)。隱寫分析的實現(xiàn)思想基于這樣的認(rèn)識圖像在嵌入信息前后存在差別并且這樣的差別能被檢測?！氨粍印彪[寫分析算法只檢測媒體中是否含有隱藏的信息；“主動”隱寫分析則要進一步獲取隱藏信息的長度、隱藏算法的名稱或技術(shù)細(xì)節(jié)，甚至抽取出隱藏的信息。隱寫分析還分為“盲”和“非盲”兩種“非盲”隱寫分析針對特定的隱秘術(shù)而設(shè)計，而“盲”隱寫分析算法可處理多種隱秘術(shù)。本發(fā)明涉及的隱寫分析屬于“被動”的“盲”隱寫分析，即檢測圖像中是否存在使用多種隱秘術(shù)隱藏的信息。高效隱寫分析算法應(yīng)在盡可能降低誤檢率的前提下，提高對“隱秘”圖像的檢測率。誤檢率指檢測過程中將“干凈”圖像錯分為“隱秘”圖像的概率。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。
隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法包括如下步驟1)將高階微分運算引入隱寫分析領(lǐng)域微分運算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導(dǎo)致的不自然變化；2)計算所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖計算圖像中每個像素位置對應(yīng)的一階全微分和二階全微分；一階全微分可看作當(dāng)前位置像素的右方和下方兩個像素的顏色值和同當(dāng)前位置像素顏色值的2倍之差；二階全微分可看作當(dāng)前位置像素的右方和下方兩個像素的一階全微分和同當(dāng)前位置像素一階全微分的2倍之差；將所有的像素亮度按照數(shù)字大小統(tǒng)計不同像素的顏色值的個數(shù)，就得到像素亮度的直方圖 公式(1)用于計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時，[s，t]＝1，否則[s，t]＝0；所有亮度的頻度組成像素亮度的直方圖；類似的，可得到一階全微分和二階全微分的直方圖；計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍；計算二階全微分直方圖的公式可類似得到；3)計算高階偏微分的直方圖計算圖像中每個像素位置對應(yīng)的高階偏微分。高階偏微分目前對應(yīng)著一階、二階和三階偏微分；一階偏微分可看作當(dāng)前位置像素的右方像素顏色值同當(dāng)前位置像素顏色值之差，或者其下方像素的顏色值同當(dāng)前位置像素顏色值之差；將所有像素位置的一階偏微分按照數(shù)字大小統(tǒng)計不同像素位置處的一階偏微分的個數(shù)，就得到一階偏微分的直方圖 公式(2)用于計算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖；計算二階偏微分和三階偏微分直方圖的公式類似；類似的，可分別得到二階和三階偏微分的直方圖；二階偏微分可看作當(dāng)前像素位置的右方像素的一階全微分同當(dāng)前像素位置的一階全微分之差，或者其下方像素的一階全微分同當(dāng)前像素位置的一階全微分之差；三階偏微分的計算與此類似；4)計算相鄰像素位置6個高階偏微分對象的共生矩陣按照3)中方法可計算得到“行”和“列”兩個方向共6個高階偏微分對象；統(tǒng)計“行”方向上位置相鄰的兩個像素處高階微分的數(shù)值同時出現(xiàn)的個數(shù)；所有成對一階偏微分的個數(shù)組成一階偏微分的共生矩陣；類似的，可得到其他對象的共生矩陣；5)計算兩個顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個顏色信道，計算出每個顏色信道中所有像素位置的高階偏微分后，統(tǒng)計兩個不同信道中相同坐標(biāo)位置處一階偏微分同時出現(xiàn)的個數(shù)，就得到一階偏微分共生矩陣；類似的，可得到其他的偏微分共生矩陣；
6)計算梯度共生矩陣為將r、g和b三個顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強技術(shù)；簡單地說，一個像素位置處的梯度是三個顏色信道中該像素位置處一階偏微分的絕對值和。梯度被分為“行”方向的“行梯度”和“列”方向的“列梯度”；統(tǒng)計位置相鄰的兩個梯度值同時出現(xiàn)的狀態(tài)，就得到梯度共生矩陣；7)使用直方圖特征函數(shù)計算如上統(tǒng)計量的統(tǒng)計矩作為初始特征對一個直方圖做一維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計矩公式計算得到該直方圖對應(yīng)的一個特征；對一個共生矩陣做二維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計矩公式計算得到該共生矩陣對應(yīng)的兩個特征；從所有統(tǒng)計量按照如上方式計算，可從一幅彩色圖像得到初始的136維特征向量；8)使用主元分析法將初始的136維特征向量降維為18維最終特征向量的方法使用“主元分析法”降維，將每幅圖像看作一“行”，一幅圖像對應(yīng)的136維特征看作136“列”，就得到一個矩陣；使用線性代數(shù)中求特征值和特征向量的方法，選取最大的幾個特征值及其對應(yīng)的特征向量，并將其他特征值對應(yīng)的特征向量置為0，就得到降維特征向量；通過原始特征向量同降維特征向量之間的運算，得到最終降維為18維的特征向量過程中，使用了最大的18個特征值對應(yīng)的18個特征向量組成降維特征矩陣。
所述的微分運算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導(dǎo)致的不自然變化用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置第m行、第n列處的亮度，則該處的一階偏微分定義為Pα(1,C)(m,n)=bα(m,n+1)-bα(m,n)]]>和pα(1,R)(m,n)=bα(m+1,n)-bα(m,n);]]>因而，此處的一階全微分和二階全微分可分別定義為公式(3)和(4)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(3)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(4)]]>于是得到“列”與“行”兩個方向的二階與三階偏微分分別定義如下(5～8所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(5)]]>
pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(6)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(7)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(8)]]>為將r、g和b三個顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強技術(shù)；GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(9)]]>GC(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(10).]]>所述的相鄰像素位置6個高階偏微分對象的共生矩陣為 公式(11)計算兩個在“列”方向上相鄰的像素亮度同時出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”；其它5個共生矩陣公式類似；“行”方向上相鄰兩像素位置處的上述6個對象的“共生矩陣”同樣可計算得到。
所述的兩個顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對應(yīng)兩個顏色信道；公式(12)用于計算α和β兩個顏色信道中同一像素位置第i行、第j列處兩個亮度值s和t同時出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣；類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個方向的一階偏微分這四個對象的共生矩陣公式。
所述的梯度共生矩陣的計算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個顏色信道中“列”方向和“行”方向的一階偏微分的絕對值和，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變；基于“梯度”的共生矩陣對嵌入信息更敏感；按照梯度分為“列”方向的梯度GC(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時出現(xiàn)”，可分為如上四個公式。
所述的使用直方圖特征函數(shù)計算公式為(17)和(18)M1l=Σk=0r/2-1kl·c(k)Σk=0r/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對應(yīng)的振幅；γ是頻率最大值；公式(17)對一個直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計算其一階統(tǒng)計矩和二階統(tǒng)計矩；M2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>對一個共生矩陣做二維離散傅里葉變換并求其幅值，得到對應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|后，使用公式(18)計算特征函數(shù)在k1和k2兩個方向的一階統(tǒng)計矩和二階統(tǒng)計矩，得到4個特征；使用如上公式，可從一幅彩色圖像得到初始的136維特征向量。
本發(fā)明是一種基于微分統(tǒng)計矩特征向量，采用支持向量機為分類算法的“盲”檢測算法。計算數(shù)字圖像中微分統(tǒng)計矩函數(shù)，并使用“主元分析法”消除特征之間的依賴性，從而更好地表達(dá)圖像因為嵌入信息而引起的差異性。
本發(fā)明具有檢測的高效性(誤檢率低、檢測率高)和對多種來源圖像的性能穩(wěn)健性，；算法復(fù)雜性低、計算開銷小。(1、對Cox和Piva兩種擴頻隱秘術(shù)的實驗結(jié)果表明，誤檢率為0％的情況下，該算法檢測率均達(dá)到100％。2、在CorelDraw和Washington兩種圖像庫上的性能揭示了算法的普適性和穩(wěn)健性。)


圖1(a)是采用Cox(α＝0.05)和Piva(α＝0.1)兩種擴頻隱秘術(shù)在1096幅CorelDraw“干凈”圖像中嵌入信息的“隱密”圖像，以及對應(yīng)“干凈”圖像的“特征云圖；分別對應(yīng)圖中的Cox(α＝0.05)、Piva(α＝0.1)和cover。
圖1(b)是采用Cox(α＝0.05)和Piva(α＝0.1)兩種擴頻隱秘術(shù)在1324幅Washington“干凈”圖像中嵌入信息的“隱密”圖像，以及對應(yīng)“干凈”圖像的“特征云圖。
圖1(c)是采用Cox(α＝0.1)和Piva(α＝0.2)兩種擴頻隱秘術(shù)在1096幅CorelDraw“干凈”圖像中嵌入信息的“隱密”圖像，以及對應(yīng)“干凈”圖像的“特征云圖。
圖1(d)是采用Cox(α＝0.1)和Piva(α＝0.2)兩種擴頻隱秘術(shù)在1324幅Washington“干凈”圖像中嵌入信息的“隱密”圖像，以及對應(yīng)“干凈”圖像的“特征云圖。
具體實施例方式
隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法是將微分運算引入圖像隱寫分析領(lǐng)域，構(gòu)造初始多維特征。按照步驟(一)到(八)從每幅彩色BMP圖像中抽取136維特征向量，降維到18維；然后使用支持向量機訓(xùn)練；使用訓(xùn)練階段的降維特征矩陣對由測試圖像所得的136維特征向量降維，最后用訓(xùn)練模板實現(xiàn)分類，得到(九)中的實驗結(jié)果(一)將高階微分運算引入隱寫分析領(lǐng)域用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置(m，n)處的亮度，則該處的一階偏微分定義為pα(1,C)(m,n)=bα(m,n+1)-bα(m,n)]]>和pα(1,R)(m,n)=bα(m+1,n)-bα(m,n).]]>因而，此處的一階全微分和二階全微分可分別定義為公式(1)和(2)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(1)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(2)]]>于是得到“列”與“行”兩個方向的二階與三階偏微分分別定義如下(3～6所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(3)]]>pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(4)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(5)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(6)]]>為將r、g和b三個顏色信道的亮度綜合考慮，引入了梯度的概念。梯度在圖像處理中被看作基于一階偏微分的圖像增強技術(shù)。
GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(7)]]>GR(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(8)]]>(二)統(tǒng)計所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖 公式(9)用于計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度。其中，s＝t時，[s，t]＝1；否則[s，t]＝0。所有亮度的頻度組成像素亮度的直方圖。計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍。計算二階全微分直方圖的公式可類似得到。
(三)高階偏微分的直方圖 公式(10)用于計算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖。計算二階偏微分和三階偏微分直方圖的公式類似。
(四)相鄰像素位置6個對象的共生矩陣 統(tǒng)計“列”方向上相鄰兩像素位置處的像素亮度、一階偏微分、二階偏微分、三階偏微分、一階全微分和二階全微分6個對象的共生矩陣，表示每個對象對應(yīng)的兩個數(shù)值同時出現(xiàn)的統(tǒng)計分布狀態(tài)。公式(11)計算兩個在“列”方向上相鄰的像素亮度同時出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”。
其它5個共生矩陣公式類似?！靶小狈较蛏舷噜弮上袼匚恢锰幍纳鲜?個對象的“共生矩陣”同樣可計算得到。
(五)兩個顏色信道之間的共生矩陣 式中，αβ∈{rg，gb，br}，對應(yīng)兩個顏色信道。公式(12)用于計算α和β兩個顏色信道中同一像素位置(i，j)處兩個亮度值s和t同時出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣。類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個方向的一階偏微分這四個對象的共生矩陣公式。
(六)梯度共生矩陣RGB彩色圖像的梯度GC(m，n)和GR(m，n)是三個顏色信道中一階偏微分的組合，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變?；凇疤荻取钡墓采仃噷η度胄畔⒏舾小０凑仗荻确譃椤傲小狈较虻奶荻菺C(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時出現(xiàn)”，可得到四個共生矩陣(公式13～16所示



(七)使用直方圖特征函數(shù)計算如上統(tǒng)計量的統(tǒng)計矩作為初始特征對一個直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計算其一階統(tǒng)計矩和二階統(tǒng)計矩。
M1l=Σk=0r/2-1kl·c(k)Σk=0r/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對應(yīng)的振幅；γ是頻率最大值。
對一個共生矩陣做二維離散傅里葉變換并求其幅值，得到對應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|，使用公式(18)計算特征函數(shù)在k1和k2兩個方向的一階統(tǒng)計矩和二階統(tǒng)計矩，得到4個特征。
m2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>(八)使用主元分析法將初始的136維特征向量降維為18維最終特征向量首先使用“主元分析法”將若干訓(xùn)練樣本的136維特征向量降維到18維，并保存對訓(xùn)練“樣本對”降維時的“主元特征矩陣”，然后將它用于“測試樣本集”中的136維特征降到18維的過程。
表1.圖像庫中100幅圖像為訓(xùn)練樣本，其它為測試樣本時的檢測性能

(九)應(yīng)用實例使用Cox算法和Piva算法在彩色RGB圖像中嵌入信息時，首先將圖像轉(zhuǎn)化為YIQ的表示形式，然后將數(shù)據(jù)嵌入在其中的Y部分，最后再將YIQ圖像轉(zhuǎn)換為RGB圖像。對如上三種“干凈”圖像庫中每一幅圖像，使用Cox算法嵌入1000個隨機數(shù)，產(chǎn)生“Cox隱秘圖像庫”；使用Piva算法嵌入16000個隨機數(shù)得到“Piva隱秘圖像庫”。原始Cox算法中，嵌入強度α＝0.1，為了測試嵌入強度對檢測性能的影響，我們測試了α＝0.05的情況。對Piva算法，分別測試了α＝0.1和α＝0.2的情況。
1)在兩個圖像庫上的訓(xùn)練和檢測結(jié)果從一個“干凈”圖像庫中取100幅圖像，從“隱秘”圖像庫中取出相應(yīng)的“隱密”圖像，二者組成“訓(xùn)練樣本對”庫。剩下的“干凈”圖像及其“隱秘”版本作為“開放”測試集。為使算法具有實用性，保存用于訓(xùn)練的100對“樣本對”降維時的“主元特征矩陣”，并用它將“測試樣本集”中的136維特征降到18維。為增加實驗的對比度，我們在同樣的圖像庫上(同樣取100對樣本訓(xùn)練，其它樣本用于測試)測試了第一節(jié)中提到的“擴展Shi Yun Q算法”，即使用234維特征向量表示一幅彩色圖像的算法。對比實驗的分類算法同樣采用LibSvm。本文算法(簡稱“主元算法”)和“擴展Shi Yun Q算法”(簡稱“Shi算法”)的在圖像庫1和2上的測試結(jié)果見表1。檢測性能以“檢測率/誤檢率”的形式給出。
從表1可以看出，“Shi算法”對嵌入強度因子α＝0.05的Cox算法和α＝0.1的Piva算法的檢測效果很好；然而，對α＝0.1的Cox算法和α＝0.2的Piva算法反而較差。這是很不正常的現(xiàn)象。原因在于“Shi算法”產(chǎn)生的特征向量的維數(shù)太大(234)，按照模式識別的規(guī)律，至少需要2340對樣本測試(CorelDraw樣本庫總共只有1096對)，所得到的結(jié)果才是實際可信的。樣本數(shù)較少時，測試結(jié)果相對于真實結(jié)果偏高，但也能說明算法的性能?！癝hi算法”在圖像庫2上的實驗結(jié)果較差，暴露出該算法極不穩(wěn)定的性能。相反，“主元算法”在兩種圖像庫上均表現(xiàn)出完美的檢測性能。
2)一個圖像庫中部分樣本為訓(xùn)練集，另一個圖像庫全部圖像為測試集的實驗結(jié)果表2.一類圖象的100對樣本做訓(xùn)練樣本，另一類所有圖像做測試樣本的檢測性能

為提高隱寫分析系統(tǒng)的實用性，需要研究使用哪些圖像庫可以訓(xùn)練對絕大多數(shù)其它來源的圖像而言均高效的分類模板。對每一種隱秘術(shù)，我們使用100對CorelDraw樣本圖像降維并訓(xùn)練分類模板；然后用這100對CorelDraw特征向量的“主元特征矩陣”將所有1324對Washington圖像的136維特征降到18維；最后用訓(xùn)練所得分類模板對1324對特征向量進行測試。測試結(jié)果見表2中欄名為“CorelDraw”的一列。
對每一種隱秘術(shù)，我們同樣使用100對Washington圖像做訓(xùn)練樣本，而所有1096對CorelDraw圖像為測試樣本測試了“主元算法”。測試結(jié)果見表2中欄名為“Washington”的一列。
3)“主元算法”的宏觀分類效果從表1和2可以看出，“主元算法”具有非常高的檢測性能和穩(wěn)健性。3.4節(jié)的圖1從微觀的角度對“主元算法”具備如此優(yōu)異性能的原因給出了部分解答；算法的性能還需要用它從大量圖像中抽取的特征加以說明。為此，我們再次使用“主元分析法”將18維特征向量降到3維，將一幅彩色圖像對應(yīng)的三維特征分別作為空間坐標(biāo)系中x、y和z軸的坐標(biāo)，從而，一幅圖像就是三維空間中的一個特征點。1096幅CorelDraw“干凈”圖像與它們的“隱密”圖像的特征“云圖”見圖1中的(a)和(c)，1324幅Washington“干凈”圖像與它們的“隱密”圖像的特征“云圖”見(b)和(d)。從圖2的宏觀效果圖可以看出，“干凈”圖像同“隱密”圖像二者的“特征云圖”在三維空間中區(qū)分明顯。
本發(fā)明技術(shù)方案帶來的有益效果本發(fā)明通過引入微分運算和主元分析法對特征向量實現(xiàn)降維，大大降低了檢測隱密圖像時的誤檢率，提高了檢測率。本發(fā)明具有以下特點誤檢率低、檢測率高；算法復(fù)雜性低、計算開銷小。
權(quán)利要求
1.一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，包括如下步驟1)將高階微分運算引入隱寫分析領(lǐng)域微分運算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導(dǎo)致的不自然變化；2)計算所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖計算圖像中每個像素位置對應(yīng)的一階全微分和二階全微分；一階全微分可看作當(dāng)前位置像素的右方和下方兩個像素的顏色值和同當(dāng)前位置像素顏色值的2倍之差；二階全微分可看作當(dāng)前位置像素的右方和下方兩個像素的一階全微分和同當(dāng)前位置像素一階全微分的2倍之差；將所有的像素亮度按照數(shù)字大小統(tǒng)計不同像素的顏色值的個數(shù)，就得到像素亮度的直方圖 公式(1)用于計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時，[s，t]＝1，否則[s，t]＝0；所有亮度的頻度組成像素亮度的直方圖；類似的，可得到一階全微分和二階全微分的直方圖；計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍；計算二階全微分直方圖的公式可類似得到；3)計算高階偏微分的直方圖計算圖像中每個像素位置對應(yīng)的高階偏微分。高階偏微分目前對應(yīng)著一階、二階和三階偏微分；一階偏微分可看作當(dāng)前位置像素的右方像素顏色值同當(dāng)前位置像素顏色值之差，或者其下方像素的顏色值同當(dāng)前位置像素顏色值之差；將所有像素位置的一階偏微分按照數(shù)字大小統(tǒng)計不同像素位置處的一階偏微分的個數(shù)，就得到一階偏微分的直方圖 公式(2)用于計算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖；計算二階偏微分和三階偏微分直方圖的公式類似；類似的，可分別得到二階和三階偏微分的直方圖；二階偏微分可看作當(dāng)前像素位置的右方像素的一階全微分同當(dāng)前像素位置的一階全微分之差，或者其下方像素的一階全微分同當(dāng)前像素位置的一階全微分之差；三階偏微分的計算與此類似；4)計算相鄰像素位置6個高階偏微分對象的共生矩陣按照3)中方法可計算得到“行”和“列”兩個方向共6個高階偏微分對象；統(tǒng)計“行”方向上位置相鄰的兩個像素處高階微分的數(shù)值同時出現(xiàn)的個數(shù)；所有成對一階偏微分的個數(shù)組成一階偏微分的共生矩陣；類似的，可得到其他對象的共生矩陣；5)計算兩個顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個顏色信道，計算出每個顏色信道中所有像素位置的高階偏微分后，統(tǒng)計兩個不同信道中相同坐標(biāo)位置處一階偏微分同時出現(xiàn)的個數(shù)，就得到一階偏微分共生矩陣；類似的，可得到其他的偏微分共生矩陣；6)計算梯度共生矩陣為將r、g和b三個顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強技術(shù)；簡單地說，一個像素位置處的梯度是三個顏色信道中該像素位置處一階偏微分的絕對值和。梯度被分為“行”方向的“行梯度”和“列”方向的“列梯度”；統(tǒng)計位置相鄰的兩個梯度值同時出現(xiàn)的狀態(tài)，就得到梯度共生矩陣；7)使用直方圖特征函數(shù)計算如上統(tǒng)計量的統(tǒng)計矩作為初始特征對一個直方圖做一維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計矩公式計算得到該直方圖對應(yīng)的一個特征；對一個共生矩陣做二維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計矩公式計算得到該共生矩陣對應(yīng)的兩個特征；從所有統(tǒng)計量按照如上方式計算，可從一幅彩色圖像得到初始的136維特征向量；8)使用主元分析法將初始的136維特征向量降維為18維最終特征向量的方法使用“主元分析法”降維，將每幅圖像看作一“行”，一幅圖像對應(yīng)的136維特征看作136“列”，就得到一個矩陣；使用線性代數(shù)中求特征值和特征向量的方法，選取最大的幾個特征值及其對應(yīng)的特征向量，并將其他特征值對應(yīng)的特征向量置為0，就得到降維特征向量；通過原始特征向量同降維特征向量之間的運算，得到最終降維為18維的特征向量過程中，使用了最大的18個特征值對應(yīng)的18個特征向量組成降維特征矩陣。
2.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的微分運算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導(dǎo)致的不自然變化用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置第m行、第n列處的亮度，則該處的一階偏微分定義為Pα(1，C)(m，n)＝bα(m，n+1)-bα(m，n)和pα(1，R)(m，n)＝bα(m+1，n)-bα(m，n)；因而，此處的一階全微分和二階全微分可分別定義為公式(3)和(4)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(3)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(4)]]>于是得到“列”與“行”兩個方向的二階與三階偏微分分別定義如下(5～8所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(5)]]>pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(6)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(7)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(8)]]>為將r、g和b三個顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強技術(shù)；GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(9)]]>GR(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(10).]]>
3.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的相鄰像素位置6個高階偏微分對象的共生矩陣為 公式(11)計算兩個在“列”方向上相鄰的像素亮度同時出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”；其它5個共生矩陣公式類似；“行”方向上相鄰兩像素位置處的上述6個對象的“共生矩陣”同樣可計算得到。
4.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的兩個顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對應(yīng)兩個顏色信道；公式(12)用于計算α和β兩個顏色信道中同一像素位置第i行、第j列處兩個亮度值s和t同時出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣；類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個方向的一階偏微分這四個對象的共生矩陣公式。
5.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的梯度共生矩陣的計算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個顏色信道中“列”方向和“行”方向的一階偏微分的絕對值和，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變；基于“梯度”的共生矩陣對嵌入信息更敏感；按照梯度分為“列”方向的梯度GC(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時出現(xiàn)”，可分為如上四個公式。
6.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的使用直方圖特征函數(shù)計算公式為(17)和(18)M1l=Σk=0γ/2-1kl·c(k)Σk=0γ/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對應(yīng)的振幅；γ是頻率最大值；公式(17)對一個直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計算其一階統(tǒng)計矩和二階統(tǒng)計矩；M2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>對一個共生矩陣做二維離散傅里葉變換并求其幅值，得到對應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|后，使用公式(18)計算特征函數(shù)在k1和k2兩個方向的一階統(tǒng)計矩和二階統(tǒng)計矩，得到4個特征；使用如上公式，可從一幅彩色圖像得到初始的136維特征向量。
全文摘要
本發(fā)明公開了一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。該算法捕捉圖像中因嵌入信息導(dǎo)致的細(xì)微變化，可克服傳統(tǒng)算法誤檢率較高的問題，能有效地應(yīng)用于隱寫分析系統(tǒng)中。本發(fā)明將微分運算引入圖像隱寫分析，計算信道內(nèi)相鄰像素之間，以及信道之間像素亮度的共生矩陣，并將共生矩陣的應(yīng)用擴展到高階微分和梯度，以描述信道內(nèi)數(shù)據(jù)與空間位置相關(guān)的特性；計算這些統(tǒng)計量的“微分特征函數(shù)”的一階和二階統(tǒng)計矩，從一幅圖像得到136維特征并使用“主元分析法”降為18維，最后采用支持向量機為分類方法構(gòu)造隱寫分析算法。本發(fā)明算法的特點是，算法性能的穩(wěn)健性好，誤檢率低、檢測率高；算法復(fù)雜性低、計算開銷小。
文檔編號G06T5/40GK101021942SQ20071006778
公開日2007年8月22日 申請日期2007年3月26日 優(yōu)先權(quán)日2007年3月26日
發(fā)明者潘雪增 申請人:浙江大學(xué)