本發(fā)明涉及一種隱寫算法未知的信息隱藏檢測方法。

背景技術(shù)：

信息隱藏就是將秘密信息隱藏到正常的載體中并實現(xiàn)秘密通信。圖像隱寫是利用圖像來隱藏秘密信息，達到隱蔽通信的目的。隱寫分析則是判斷載體中是否含有秘密信息，它在政治、軍事、互聯(lián)網(wǎng)等許多涉及信息安全的領(lǐng)域都有著不可替代的重要性。在實際應(yīng)用中，當(dāng)檢測一批正常圖像和含有秘密信息圖像的混合圖像時，并不知道含密圖像所使用的嵌入算法，按照已有的隱寫算法訓(xùn)練分類器，其檢測準(zhǔn)確率會大大降低，因此無法用傳統(tǒng)方法訓(xùn)練分類器進行分類。

技術(shù)實現(xiàn)要素：

本發(fā)明目的是針對已有技術(shù)的不足，提供一種隱寫算法未知的信息隱藏檢測方法。提出通過待檢測圖像的統(tǒng)計特性無監(jiān)督地估計投影向量并與k-means聚類結(jié)合，利用集成學(xué)習(xí)方法進行判決，成功實現(xiàn)了對隱寫算法未知情況的隱寫分析。這批圖像中正常圖像的數(shù)量多于含密圖像，再利用處理非平衡數(shù)據(jù)集的算法進行配平衡，這樣可以更好地解決實際問題，更適用于實際應(yīng)用場景。

為達到上述目的，本發(fā)明采用下述技術(shù)：

一種隱寫算法未知的信息隱藏檢測方法，具體操作步驟如下：

1)判斷一批圖像中哪些圖像含有秘密信息；

2)利用fld算法和k-means聚類算法建立算法模型；

3)估算最優(yōu)投影向量，并檢測這批圖像；

4)利用集成分類器投出預(yù)分類的結(jié)果；

5)利用非平衡算法配平衡；

6)利用新生成的數(shù)據(jù)集重新訓(xùn)練集成分類器；

7)再利用集成分類器投出最終分類的結(jié)果。

所述步驟1)中的判斷一批圖像中哪些圖像含有秘密信息，具體為：這批圖像包含正常圖像和含密圖像，并且正常圖像的數(shù)量多于含密圖像，用到的圖像特征有dctr，gfr。

所述步驟2)中的利用fld算法和k-means聚類算法建立算法模型，具體操作步驟如下：fld算法確定的最佳投影方向為其中和分別表示正常圖像與含秘圖像特征的均值向量，sw表示類內(nèi)離散度矩陣，而k-means聚類算法的優(yōu)化目標(biāo)為最小化目標(biāo)函數(shù)，其目標(biāo)函數(shù)為minjk＝tr(sw)＝tr(st-sb)，其中tr(sw)代表類內(nèi)散度矩陣sw的跡，st表示總的離散散度矩陣，sb表示類間散度矩陣，看出k-means聚類算法與fld算法有相同的優(yōu)化目標(biāo)，即使類間離散度sb最大化以及類內(nèi)離散度sw最小化；通過有監(jiān)督學(xué)習(xí)算法fld訓(xùn)練出最優(yōu)投影向量，使得投影后的向量更容易利用無監(jiān)督學(xué)習(xí)k-means聚類算法進行聚類生成分類標(biāo)簽。

所述步驟3)中估算最優(yōu)投影向量，具體為：正常圖像與待檢測圖像中的正常圖像的統(tǒng)計特性，這里指均值向量相同，估算出最優(yōu)的投影向量：

其中和分別表示待檢測圖像中正常圖像與含秘圖像特征的均值向量，以及分別表示待檢測圖像的總的離散散度矩陣、類間散度矩陣以及類內(nèi)離散度矩陣，利用k-means聚類算法，獲取預(yù)判決標(biāo)簽向量。

所述步驟4)中利用集成分類器投出預(yù)分類的結(jié)果，具體為：集成分類器由許多獨立的學(xué)習(xí)基構(gòu)成，每一個學(xué)習(xí)基單獨包含正常圖像與含密圖像的訓(xùn)練集訓(xùn)練fld中的最優(yōu)投影向量，而每一組訓(xùn)練集數(shù)據(jù)是由原始空間中隨機抽取部分子空間，一般子空間維數(shù)dsub遠小于原始空間的維數(shù)d；預(yù)分類結(jié)果由所有學(xué)習(xí)基的分類結(jié)果投票決定。預(yù)分類結(jié)果就是這批圖像的預(yù)標(biāo)簽分別記為lc和ls，lc表示正常圖像的預(yù)標(biāo)簽，ls表示為含秘圖像的預(yù)標(biāo)簽。

所述步驟5)中的非平衡算法，具體為：

a)根據(jù)步驟4)得到這批圖像的預(yù)標(biāo)簽，其中正常圖像作為多數(shù)樣本記為smaj，含密圖像作為少數(shù)樣本記為smin，xi∈smin，y0∈smaj，x0∈smin；計算要合成的少數(shù)樣本數(shù)g＝(smaj-smin)×r，r∈[0,1]表示平衡比率；

b)對于每個少數(shù)樣本點xi∈smin，在數(shù)據(jù)集中利用歐式距離找到k個最近鄰點，并且計算比率ri，ηi表示k個最近鄰點中屬于多數(shù)樣本點的數(shù)量；將ri歸一化，計算每個少數(shù)樣本點需要合成的樣本數(shù)，

c)每個少數(shù)樣本點合成新的樣本點的過程，對于每個少數(shù)樣本點，找到一個離它最近的多數(shù)樣本點假設(shè)是y0和一個離它最近的少數(shù)樣本點假設(shè)是x0；在x0和y0之間進行插值合成一個輔助樣本點記為tmppoint，tmppoint＝x0+α(y0-x0)，α是0-1之間的隨機數(shù)；利用tmppoint和xi進行插值生成新的合成樣本點，synpoint＝xi+β(tmppoint-xi)，β是0-1之間的隨機數(shù)，synpoint是新生成的樣本點。

所述步驟6)中的利用新生成的數(shù)據(jù)集訓(xùn)練分類器，具體為：利用配平衡后的數(shù)據(jù)集重新優(yōu)化投影向量，然后利用無監(jiān)督學(xué)習(xí)k-means聚類算法進行聚類重新生成新的標(biāo)簽，利用新的標(biāo)簽訓(xùn)練分類器，重新檢測這批圖像。

所述步驟7)中的再利用集成分類器投出最終分類的結(jié)果，具體為：利用步驟6)訓(xùn)練好的分類器作為學(xué)習(xí)基，再將投影后的向量送入k-means聚類算法，得到最終判決結(jié)果。

本發(fā)明與現(xiàn)有技術(shù)相比較，具有如下顯而易見的突出實質(zhì)的特點和顯著優(yōu)點：

本發(fā)明有效地解決了對于隱寫算法未知的圖像隱寫分析中非平衡數(shù)據(jù)集的問題。因此，本發(fā)明是一種切實可行的圖像隱寫分析的方法。

附圖說明

圖1為隱寫算法未知的信息隱藏檢測方法的操作程序框圖。

圖2為圖像數(shù)據(jù)集的分布情況。

圖3為合成新的樣本點的示例圖。

圖4為錯誤率曲線。

具體實施方式

下面是本發(fā)明的優(yōu)選實施例，結(jié)合附圖對本發(fā)明做進一步詳細說明。

實施例1：

首先介紹在本發(fā)明方法過程中用到的特征提取方法和學(xué)習(xí)算法。

dctr(discretecosinetransformresidual)：通過將jpeg圖像解壓到空域，利用統(tǒng)計直方圖的特征，獲得8000維dctr特征。

gfr(gaborfilterjpegrichmodel)：通過使用具有不同尺度和方向的2dgabor濾波器解壓縮jpeg圖像，并從濾波后的圖像所提取17000維特征。

fld(fisherlineardiscriminant)：基本思想是將兩類樣本集盡可能地投影到一個方向，使得類與類之間盡可能分開，其統(tǒng)計特性表現(xiàn)為使類內(nèi)散度盡可能地小，類間散度盡可能地大。

k-means：是典型的基于距離的聚類算法，采用距離作為相似的評價指標(biāo)，即認為兩個特征的距離越近，其相似度就越大，將距離靠近的特征聚成一類。

集成學(xué)習(xí)(ensemblelearning)：集成分類器由許多獨立的學(xué)習(xí)基構(gòu)成，每一個學(xué)習(xí)基單獨包含正常圖像與含密圖像作為訓(xùn)練集訓(xùn)練fld中的最優(yōu)投影向量，而每一組訓(xùn)練集數(shù)據(jù)是由原始空間中隨機抽取部分子空間，一般子空間維數(shù)dsub遠小于原始空間的維數(shù)d。最終的分類結(jié)果由所有學(xué)習(xí)基的分類結(jié)果投票決定。集成分類器的性能遠遠優(yōu)于單一的學(xué)習(xí)基的性能，并且對于每一個學(xué)習(xí)基來說，其特征空間就是隨機子空間的維度，這樣同時就解決了隱寫分析特征的高維復(fù)雜度問題。

處理非平衡數(shù)據(jù)集算法：對于處理非平衡數(shù)據(jù)集的算法有很多，例如smote(syntheticminorityover-samplingtechnique)，borderline-smote，adasyn(adaptivesyntheticsamplingapproachforimbalancedlearning)。這些算法都是根據(jù)少數(shù)樣本點合成新的樣本點，但是對于圖像特征，正常圖像和含密圖像的特征非常接近，這里正常圖像作為多數(shù)樣本點，含密圖像作為少數(shù)樣本點。每個少數(shù)樣本點離它最近的點都是多數(shù)樣本點，根據(jù)這一特點，利用多數(shù)樣本點和少數(shù)樣本點的特征共同合成新的樣本，使得少數(shù)樣本點有更清晰的分界。

參見圖1，本隱寫算法未知的信息隱藏檢測方法的操作步驟如下：

1)判斷一批圖像中哪些圖像含有秘密信息；

2)利用fld算法和k-means聚類算法建立算法模型；

3)估算最優(yōu)投影向量，并檢測這批圖像；

4)利用集成分類器投出預(yù)分類的結(jié)果；

5)利用非平衡算法配平衡；

6)利用新生成的數(shù)據(jù)集重新訓(xùn)練集成分類器；

7)再利用集成分類器投出最終分類的結(jié)果。

實施例2：本實施例與實施例1基本相同，特別之處如下：

所述步驟1)中一批混合圖像，正常圖像取800幅，含密圖像取200幅，作為測試集。用到的隱寫算法有j_uniword，uerd，檢測時并不知道含密圖像用到的隱寫算法，圖像特征用到的是dctr，gfr。參見圖2為圖像數(shù)據(jù)集的分布情況，表示正常圖像的特征，●表示含秘圖像的特征，正常圖像作為多數(shù)類樣本，含秘圖像作為少數(shù)類樣本，離每個少數(shù)類樣本點距離最近的是多數(shù)類樣本點，后面會利用這個分布特點對少數(shù)類樣本增加新的數(shù)據(jù)點。

所述步驟2)利用fld算法和k-means建立算法模型，得到最佳的投影向量

所述步驟3)估算最優(yōu)投影向量，對這批圖像進行檢測。訓(xùn)練集只有5000幅正常圖像，測試集是一批無標(biāo)簽的圖像。我們認為測試集中正常圖像的統(tǒng)計特性與訓(xùn)練集中正常圖像的統(tǒng)計特性相同，可以估算出最優(yōu)的投影向量再利用k-means聚類算法判決最終標(biāo)簽。根據(jù)重新生成的標(biāo)簽，其中632幅是正常圖像，368幅是含有秘密信息的圖像。

所述步驟4)利用集成分類器投出預(yù)分類的結(jié)果，該集分類器由許多獨立的學(xué)習(xí)基構(gòu)成，每一個學(xué)習(xí)基單獨包含正常圖像與含密圖像作為訓(xùn)練集訓(xùn)練fld中的最優(yōu)投影向量，而每一組訓(xùn)練集數(shù)據(jù)是由原始空間中隨機抽取部分子空間，一般子空間維數(shù)dsub遠小于原始空間的維數(shù)d。分類結(jié)果由所有學(xué)習(xí)基的分類結(jié)果投票決定。dsub＝800。

所述步驟5)中利用這里提到的對非平衡圖像數(shù)據(jù)集的處理方法，參見圖3為合成新樣本點的過程，對于每個少數(shù)樣本點xi∈smin，在數(shù)據(jù)集中利用歐式距離找到k個最近鄰點，y0離xi最近的一個多數(shù)樣本點，x0離xi最近的一個少數(shù)樣本點，并計算比率ri，ηi表示k個最近鄰點中屬于多數(shù)樣本點的數(shù)量。將ri歸一化，計算每個少數(shù)樣本點需要合成的樣本數(shù)，合成過程：

tmppoint＝x0+α(y0-x0)

synpoint＝xi+β(tmppoint-xi)

α是0-1之間的隨機數(shù)，β是0-1之間的隨機數(shù)。synpoint是新生成的樣本點。

所述步驟6)中的利用新生成的數(shù)據(jù)集訓(xùn)練分類器：利用配平衡后的數(shù)據(jù)集重新優(yōu)化投影向量，然后利用無監(jiān)督學(xué)習(xí)k-means聚類算法進行聚類重新生成新的標(biāo)簽，利用新的標(biāo)簽訓(xùn)練分類器，重新檢測這一批圖像。

所述步驟7)中的再利用集成分類器投出最終分類的結(jié)果：利用上一步訓(xùn)練好的分類器作為學(xué)習(xí)基，再將投影后的向量送入k-means算法，得到最終分類的結(jié)果。分類結(jié)果參見圖4，橫坐標(biāo)表示新增的少數(shù)類樣本數(shù)，縱坐標(biāo)對應(yīng)得其錯誤率，這里利用兩種隱寫方法j_uniword和uerd以及兩種嵌入率0.3和0.5，并提取dctr特征進行檢測，由于據(jù)我們所知，本發(fā)明關(guān)于在隱寫算法未知并且數(shù)據(jù)集是非平衡的情況下進行隱寫分析判決的工作是前所未有的，所以本發(fā)明的檢測結(jié)果沒有對比實驗，只能根據(jù)實際情況與50％相比。檢測結(jié)果表明錯誤率都在50％以下，最好的結(jié)果為36％，這種方式可以有效地解決隱寫算法未知并且數(shù)據(jù)集是非平衡的這類實際問題。