本發(fā)明涉及計(jì)算機(jī)技術(shù)領(lǐng)域，尤其涉及一種基于多特征聯(lián)合的隱寫圖像分析方法。

背景技術(shù)：

隨著數(shù)字圖像處理技術(shù)的快速發(fā)展，以數(shù)字圖像為載體的圖像隱寫技術(shù)成為信息安全領(lǐng)域的研究熱點(diǎn)，如何對(duì)隱寫圖像進(jìn)行精確的檢測(cè)和分析也成為研究人員廣泛關(guān)注的焦點(diǎn)。常用的隱寫圖像分析方法主要包括srm（spatialrichmodel）和psrm（projectionspatialrichmodel）。但是這兩類算法為低維度通用檢測(cè)算法，無(wú)法實(shí)現(xiàn)高維度特征的分析。為了改善對(duì)隱寫圖像高維度特征的分析，采用maxsrm(maxspatialrichmodel)方法提取圖像共生矩陣的嵌入概率，并利用概率最大值替代原有矩陣中的單元維數(shù)，有效提升了高維特征的分析精度，但是該方法概率極值的提取噪聲敏感性太強(qiáng)；作者周杰，張敏情在文獻(xiàn)《基于雙重特征選擇降維的圖像隱寫分析》（計(jì)算機(jī)工程與設(shè)計(jì)，2016,37（11）：2917-2922）采用圖像子塊分割的方法，提出了一種雙重特征分析方法，通過(guò)取加權(quán)融合的結(jié)果進(jìn)行檢測(cè)分析，有效克服了圖像噪聲敏感性問(wèn)題，但是，該方法主要是針對(duì)隱寫圖像統(tǒng)計(jì)特性的變化來(lái)提取分析特征，在特征提取過(guò)程中采用同步的方法，忽略了圖像自身內(nèi)容的統(tǒng)計(jì)屬性，導(dǎo)致這類算法的檢測(cè)性能嚴(yán)重依賴于隱寫所采用的圖像以及實(shí)現(xiàn)隱寫的方法。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明為了解決現(xiàn)有技術(shù)存在的缺陷，依據(jù)實(shí)際的隱寫圖像相鄰系數(shù)之間存在較強(qiáng)的相關(guān)性且不同內(nèi)容圖像具有明顯的統(tǒng)計(jì)差異，提供一種基于多特征聯(lián)合的隱寫圖像分析方法。

本發(fā)明公開了一種基于多特征聯(lián)合的隱寫圖像分析方法，包括：

s1.用戶輸入目標(biāo)圖像（隱寫圖像）；

s2.針對(duì)輸入的目標(biāo)對(duì)象，提取多特征，建立特征集合；

s3.針對(duì)s2提取的特征集合進(jìn)行互補(bǔ)、融合和冗余處理；

s4.針對(duì)s3處理后的特征集合，進(jìn)行降維處理；

s5.針對(duì)s4處理后的特征集合進(jìn)行解碼分析；

s6.對(duì)分析后的結(jié)果進(jìn)行發(fā)送等處理。

在本發(fā)明所述的一種基于多特征聯(lián)合的隱寫圖像分析方法中，在步驟s3內(nèi)可分解成以下步驟：

s31.針對(duì)s2提取的特征集合進(jìn)行特征互補(bǔ)處理。

s32.針對(duì)s31處理得到的結(jié)果進(jìn)行特征融合處理。

s33.針對(duì)s32處理得到的結(jié)果進(jìn)行特征冗余處理。

本發(fā)明的有益效果是：

通過(guò)本發(fā)明一種基于多特征聯(lián)合的隱寫圖像分析方法，提供了一種通用的隱寫圖像分析方法，具有很強(qiáng)的實(shí)用性和可操作性，能有效的提高隱寫圖像的精確性和抗干擾能力。

附圖說(shuō)明

圖1是本發(fā)明一種基于多特征聯(lián)合的隱寫圖像分析方法流程圖；

圖2是稀疏表示矩陣；

圖3是范數(shù)對(duì)向量的表示效果；

圖4是nsf5隱寫算法下不同方法的檢測(cè)誤差曲線（嵌入率為0.4bpnz）；

圖5是三種隱寫算法情況下本文方法檢測(cè)誤差曲線（嵌入率為0.4bpnz）；

圖6不同嵌入率下本文方法的檢測(cè)誤差曲線（nsf5隱寫算法）。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明詳細(xì)描述。

實(shí)施例：本實(shí)施例的一種基于多特征聯(lián)合的隱寫圖像分析方法，如圖1所示，該方法針對(duì)輸入的隱寫圖像提取多特征值，分析了不同特征產(chǎn)生的互補(bǔ)特性和冗余特性，通過(guò)稀疏重構(gòu)實(shí)現(xiàn)在主成分分析方法的框架內(nèi)的特征融合，構(gòu)建魯棒的檢測(cè)分析特征，避免了傳統(tǒng)簡(jiǎn)單級(jí)聯(lián)融合的數(shù)據(jù)維數(shù)較高的問(wèn)題。通過(guò)濕紙碼的編碼形式實(shí)現(xiàn)特征集合的稀疏求解。最后，基于bows2隱寫圖像函數(shù)庫(kù)對(duì)本文算法的性能進(jìn)行了詳細(xì)的分析。其步驟分解為：

s1.用戶輸入目標(biāo)圖像（隱寫圖像）；

s2.針對(duì)輸入的目標(biāo)對(duì)象，提取多特征，建立特征集合；

這一步是根據(jù)目標(biāo)圖像是否能夠線性可分，可以將特征提取方法分為兩種：一種是線性特征提取方法，另一種是非線性的特征提取方法。針對(duì)線性可分的特征提取方法主要有：主分量分析(principlecomponentanalysis,pca)，獨(dú)立分量分析(independentcomponentanalysis,ica)，因素分析(factoranalysis,fa)，局部保持投影(localitypreservingprojections,lpp)，線性判別分析(lineardiscriminateanalysis,lda)，局部特征分析(localfeatureanalysis,lfa)，多維尺度分析(multidimensionalscaling,mds)等。

針對(duì)非線性特征提取方法主要有：核主成分分析(kernelprinciplecomponentanalysis,kpca)，核獨(dú)立分量分析(kernelindependentcomponentanalysis,kica)等。

s3.針對(duì)s2提取的特征集合進(jìn)行互補(bǔ)、融合和冗余處理；

步驟s3內(nèi)可分解成以下步驟：

s31.針對(duì)s2提取的特征集合進(jìn)行特征互補(bǔ)處理。

在進(jìn)行局部特征和整體特征互補(bǔ)選擇的時(shí)候，需要考慮局部特征與整體特征的統(tǒng)計(jì)差別，一般情況下，局部特征是為了描述局部圖像變化，采用的樣本點(diǎn)較少，具有不穩(wěn)定的缺陷，而整體特征需要全局分析，樣本統(tǒng)計(jì)信息較大，穩(wěn)定性好，但是區(qū)別性大。本實(shí)施例考慮到mpb特征是通過(guò)差值計(jì)算tpm的方法，該局部特征具有穩(wěn)定強(qiáng)，難以修復(fù)的優(yōu)點(diǎn)，因此，采用了mpb作為本文的局部特征信息，增強(qiáng)局部特征的穩(wěn)定性和描述能力，其計(jì)算為（參看論文：chakrabortys，jalalas．secretimagesharingusinggrayscalepayloaddecompositionandirreversibleimagesteganography[j].journalofinformationsecurityandapplication，2013，18(4):180-192．）

（1）

式中，，為數(shù)字圖像在像素坐標(biāo)處的量化值。

s32.針對(duì)s31處理得到的結(jié)果進(jìn)行特征融合處理。

不同的分布模型具有不同的隱寫構(gòu)建特征，常用的隱寫方法就是通過(guò)圖像隱寫擾動(dòng)相加的方法實(shí)現(xiàn)位置編碼，但是擾動(dòng)較小的情況會(huì)降低特征的關(guān)聯(lián)性，擾動(dòng)較大又容易增強(qiáng)對(duì)原始圖像的干擾，增加后續(xù)分析檢測(cè)的困難，因此，選擇圖像特征分布模型的時(shí)候需要兼顧擾動(dòng)范圍與圖像質(zhì)量的互補(bǔ)與融合。通過(guò)多特征融合的方法，可以有效的增強(qiáng)擾動(dòng)信息在特征維度上的擴(kuò)展，很好地折中了這種矛盾。本發(fā)明實(shí)施例選擇的pomm特征與pev特征組合，很好的擴(kuò)展了這一特性，其中pomm特征主要是通過(guò)系數(shù)差值的構(gòu)建進(jìn)行tpm的計(jì)算，計(jì)算過(guò)程可以表示為（參看論文：chosg,chabh,gaweckim,etal.block-basedimagesteganalysis:algorithmandperformanceevaluation[j].journalofvisualcommunicationandimagerepresentation,2013,24(7):846-856.）

（2）

s33.針對(duì)s32處理得到的結(jié)果進(jìn)行特征冗余處理。

本發(fā)明實(shí)施例中，在步驟s32獲取tpm值以后，利用pev構(gòu)建7種特征分布（參看論文：wangr,xumk,pingxj,etal.steganalysisofjpegimagesbyblocktexturebasedsegmentation[j].multimediatoolsandapplications,2015,74(15):5725-5746.），并進(jìn)行不同層次的裁剪和壓縮，既可以獲取重構(gòu)符合要求的特征集合，但是這種重構(gòu)存在較大的冗余特性，為了消除這種冗余特性，本實(shí)施例針對(duì)重構(gòu)的pev特征集合進(jìn)行pca壓縮處理，對(duì)相關(guān)性較低的特征集合進(jìn)行刪減。

s4.針對(duì)s3處理后的特征集合，進(jìn)行降維處理；

本發(fā)明實(shí)施例中采用的降維處理方法是稀疏重構(gòu)。稀疏重構(gòu)可以在保證特征集合完備性的同時(shí)，最大限度的降低數(shù)據(jù)的維數(shù)（參看論文：royr，sarkara，changders．chaosbasededgeadaptiveimagesteganography[j].procediatechnology，2013，10(8):138-146．）。如圖1所示為常用的稀疏模型，圖中，,為具有n子集的超完備字典集合，在給定任意特征信號(hào)原本集合的情況下，可以對(duì)y進(jìn)行稀疏重構(gòu)，重構(gòu)系數(shù)可以計(jì)算為（3）所示，稀疏表示模型如圖2所示。

（3）

由于該式是一個(gè)np問(wèn)題，傳統(tǒng)的計(jì)算中普遍采用范數(shù)的形式進(jìn)行計(jì)算，即將向量計(jì)算為

（4）

說(shuō)明書附圖圖3為采用范數(shù)對(duì)信號(hào)的表達(dá)情況描述形式，從圖3中可以看出，圖中和兩個(gè)向量具有相同的數(shù)值，因此也具有相同的范數(shù)信息，因此，范數(shù)特征能夠很好的描述向量特性。

s5.針對(duì)s4處理后的特征集合進(jìn)行解碼分析；

在本實(shí)施例中，采用的是濕紙碼解碼檢測(cè)分析。在獲取步驟s4多特征的稀疏融合表示以后，采用濕紙碼對(duì)融合特征進(jìn)行解碼分析（參看論文：張昊,平西建.markov隱寫檢測(cè)特征的一種新設(shè)計(jì)[j].電子與信息學(xué)報(bào),2013,35(8):1907-1913.），假設(shè)原寫隱方程為

（5）

其中，載體圖像特征分布，寫隱秘密信息為，v是一個(gè)的二進(jìn)制向量，k為信息選擇寫隱通道，為的稀疏重構(gòu)特征矢量，為元素構(gòu)造的特征矩陣，通過(guò)濕紙碼解碼檢測(cè)以后的輸出結(jié)果可以表示為

（6）

s6.對(duì)分析后的結(jié)果進(jìn)行其他操作。

最后，對(duì)本實(shí)施例進(jìn)行試驗(yàn)測(cè)試。實(shí)驗(yàn)測(cè)試采用的是bows2數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)是眾多研究圖像隱寫分析數(shù)據(jù)庫(kù)中研究人員采用較多的數(shù)據(jù)庫(kù)，該數(shù)據(jù)庫(kù)主要包含了10700幅分辨率為512×512的圖像，內(nèi)容主題豐富，包括人文建筑、動(dòng)物植物、自然風(fēng)景等。本實(shí)驗(yàn)隨機(jī)抽取了500幅隱寫圖像進(jìn)行分析，為驗(yàn)證本文方法對(duì)不同隱寫算法的分析能力，分析過(guò)程中分別采用nsf5（參看論文：huangf,huangj,shiyq.newchannelselectionruleforjpegsteganography[j].ieeetransactionsoninformationforensicsandsecurity,2012,7(4):1181-1191.）、mb1（參看論文：chenb,fenggr,zhangxp,etal.mixinghigh-dimensionalfeaturesforjpegsteganalysiswithensembleclassifier[j].signalimageandvideoprocessing,2014,8(8):1475-1482.）和pqt（參看論文：chosg,chabh,gaweckim,etal.block-basedimagesteganalysis:algorithmandperformanceevaluation[j].journalofvisualcommunicationandimagerepresentation,2013,24(7):846-856.）三種算法實(shí)現(xiàn)圖像的隱寫。為對(duì)算法參量進(jìn)行訓(xùn)練，本文采用了文獻(xiàn)[9]提出的集成分類的方法，從選擇的500幅隱寫圖像庫(kù)中，隨機(jī)的算子了250幅作為訓(xùn)練數(shù)據(jù)庫(kù)，剩余的250幅圖像作為測(cè)試對(duì)象。為對(duì)算法性能進(jìn)行對(duì)比分析，定義了最小檢測(cè)誤差作為衡量指標(biāo)，其計(jì)算如下：

（7）

式中，為隱寫信息的虛警概率，為隱寫信息的漏檢率。該指標(biāo)中值越小，檢測(cè)精度越高。隱寫算法的嵌入速率根據(jù)檢測(cè)難度折中選擇。

該部分主要針對(duì)不同的隱寫算法和不同隱寫速率情況下本文方法的檢測(cè)分析精度，具體結(jié)果如圖4、圖5以及圖6所示。其中圖4為在nsf5隱寫算法下本文方法、傳統(tǒng)特征融合方法以及單一特征方法的檢測(cè)誤差曲線，其中嵌入率為0.4bpnz?？梢钥闯觯诟咚偾度肼是闆r下，三種方法的檢測(cè)誤差率均較大，但是本文方法的誤差率要低于其他兩種方法，單一特征方法的檢測(cè)精度最低。同樣，可以看出，隨著分類數(shù)目的增加，三種方法的檢測(cè)誤差均有所增加。其中，圖5為本文方法在三種不同隱寫算法情況下的檢測(cè)誤差率，其中嵌入率同樣為高嵌入狀態(tài)，為0.4bpnz，可以看出，本文方法對(duì)三種嵌入方法保持了基本相近的檢測(cè)誤差，性能相近。圖6中給出了本文方法在單一隱寫算法情況下，不同嵌入率的檢測(cè)誤差，可以看出，隨著嵌入率的提升，檢測(cè)誤差逐漸升高，而且嵌入率越低，檢測(cè)精度越高。

實(shí)驗(yàn)驗(yàn)證了本發(fā)明的方法具有高精確性和抗干擾能力，為隱寫圖像的精確檢測(cè)和分析提供了一種有效的方法。

綜上，技術(shù)人員在不脫離本發(fā)明的情況下，可以對(duì)公開的裝置進(jìn)行適當(dāng)?shù)恼{(diào)整，由此，如上描述僅用于示例而并非限制之目的，技術(shù)人員應(yīng)該清楚的認(rèn)識(shí)到不明顯改變上述的操作情況下可以對(duì)公開的裝置或者工藝進(jìn)行稍作改動(dòng)達(dá)到相同效果之目的，本發(fā)明由權(quán)利要求書做出限制。