一种基于多特征联合的隐写图像分析方法技术

本发明专利技术提供一种基于多特征联合的隐写图像分析方法，具体步骤包括：用户输入目标图像（隐写图像）；针对输入的目标对象，提取多特征，建立特征集合；针对提取的特征集合进行互补、融合和冗余处理；再进行降维处理；最后是解码分析以及对分析后的结果处理。该方法具有很强的通用性，实用性，最后按照实施例的算法搭配进行的实验验证了本发明专利技术的方法具有高精确性和抗干扰能力，为隐写图像的精确检测和分析提供了一种有效的方法。

A steganalysis method based on multi feature combination

The invention provides a combined steganography based on multi feature image analysis method comprises the following steps of user input target image (stego image); according to the input of the target object, multi feature extraction, establish the feature set for feature extraction; a set of complementary, fusion and redundancy processing; then dimensionality reduction; finally is the decoding analysis and analysis of the results after treatment. This method is universal, strong practicability, finally according to the embodiment of the collocation algorithm is verified by experiments performed by the method of the invention has the advantages of high accuracy and anti-jamming capability, provides an effective method for the accurate detection and analysis of image steganography.

【技术实现步骤摘要】
一种基于多特征联合的隐写图像分析方法
本专利技术涉及计算机
，尤其涉及一种基于多特征联合的隐写图像分析方法。
技术介绍
随着数字图像处理技术的快速发展，以数字图像为载体的图像隐写技术成为信息安全领域的研究热点，如何对隐写图像进行精确的检测和分析也成为研究人员广泛关注的焦点。常用的隐写图像分析方法主要包括SRM（SpatialRichModel）和PSRM（projectionspatialrichmodel）。但是这两类算法为低维度通用检测算法，无法实现高维度特征的分析。为了改善对隐写图像高维度特征的分析，采用maxSRM(maxSpatialRichModel)方法提取图像共生矩阵的嵌入概率，并利用概率最大值替代原有矩阵中的单元维数，有效提升了高维特征的分析精度，但是该方法概率极值的提取噪声敏感性太强；作者周杰，张敏情在文献《基于双重特征选择降维的图像隐写分析》（计算机工程与设计，2016,37（11）：2917-2922）采用图像子块分割的方法，提出了一种双重特征分析方法，通过取加权融合的结果进行检测分析，有效克服了图像噪声敏感性问题，但是，该方法主要是针对隐写图像统计特性的变化来提取分析特征，在特征提取过程中采用同步的方法，忽略了图像自身内容的统计属性，导致这类算法的检测性能严重依赖于隐写所采用的图像以及实现隐写的方法。
技术实现思路
本专利技术为了解决现有技术存在的缺陷，依据实际的隐写图像相邻系数之间存在较强的相关性且不同内容图像具有明显的统计差异，提供一种基于多特征联合的隐写图像分析方法。本专利技术公开了一种基于多特征联合的隐写图像分析方法，包括：S1.用户输入目标图像（隐写图像）；S2.针对输入的目标对象，提取多特征，建立特征集合；S3.针对S2提取的特征集合进行互补、融合和冗余处理；S4.针对S3处理后的特征集合，进行降维处理；S5.针对S4处理后的特征集合进行解码分析；S6.对分析后的结果进行发送等处理。在本专利技术所述的一种基于多特征联合的隐写图像分析方法中，在步骤S3内可分解成以下步骤：S31.针对S2提取的特征集合进行特征互补处理。S32.针对S31处理得到的结果进行特征融合处理。S33.针对S32处理得到的结果进行特征冗余处理。本专利技术的有益效果是：通过本专利技术一种基于多特征联合的隐写图像分析方法，提供了一种通用的隐写图像分析方法，具有很强的实用性和可操作性，能有效的提高隐写图像的精确性和抗干扰能力。附图说明图1是本专利技术一种基于多特征联合的隐写图像分析方法流程图；图2是稀疏表示矩阵；图3是范数对向量的表示效果；图4是nsF5隐写算法下不同方法的检测误差曲线（嵌入率为0.4bpnz）；图5是三种隐写算法情况下本文方法检测误差曲线（嵌入率为0.4bpnz）；图6不同嵌入率下本文方法的检测误差曲线（nsF5隐写算法）。具体实施方式为了使本专利技术的目的、技术方案和优点更加清楚，下面结合附图和具体实施例对本专利技术详细描述。实施例：本实施例的一种基于多特征联合的隐写图像分析方法，如图1所示，该方法针对输入的隐写图像提取多特征值，分析了不同特征产生的互补特性和冗余特性，通过稀疏重构实现在主成分分析方法的框架内的特征融合，构建鲁棒的检测分析特征，避免了传统简单级联融合的数据维数较高的问题。通过湿纸码的编码形式实现特征集合的稀疏求解。最后，基于BOWS2隐写图像函数库对本文算法的性能进行了详细的分析。其步骤分解为：S1.用户输入目标图像（隐写图像）；S2.针对输入的目标对象，提取多特征，建立特征集合；这一步是根据目标图像是否能够线性可分，可以将特征提取方法分为两种：一种是线性特征提取方法，另一种是非线性的特征提取方法。针对线性可分的特征提取方法主要有：主分量分析(PrincipleComponentAnalysis,PCA)，独立分量分析(IndependentComponentAnalysis,ICA)，因素分析(FactorAnalysis,FA)，局部保持投影(LocalityPreservingProjections,LPP)，线性判别分析(LinearDiscriminateAnalysis,LDA)，局部特征分析(LocalFeatureAnalysis,LFA)，多维尺度分析(MultidimensionalScaling,MDS)等。针对非线性特征提取方法主要有：核主成分分析(KernelPrincipleComponentAnalysis,KPCA)，核独立分量分析(KernelIndependentComponentAnalysis,KICA)等。S3.针对S2提取的特征集合进行互补、融合和冗余处理；步骤S3内可分解成以下步骤：S31.针对S2提取的特征集合进行特征互补处理。在进行局部特征和整体特征互补选择的时候，需要考虑局部特征与整体特征的统计差别，一般情况下，局部特征是为了描述局部图像变化，采用的样本点较少，具有不稳定的缺陷，而整体特征需要全局分析，样本统计信息较大，稳定性好，但是区别性大。本实施例考虑到MPB特征是通过差值计算TPM的方法，该局部特征具有稳定强，难以修复的优点，因此，采用了MPB作为本文的局部特征信息，增强局部特征的稳定性和描述能力，其计算为（参看论文：ChakrabortyS，JalalAS．Secretimagesharingusinggrayscalepayloaddecompositionandirreversibleimagesteganography[J].JournalofInformationSecurityandApplication，2013，18(4):180-192．）（1）式中，，为数字图像在像素坐标处的量化值。S32.针对S31处理得到的结果进行特征融合处理。不同的分布模型具有不同的隐写构建特征，常用的隐写方法就是通过图像隐写扰动相加的方法实现位置编码，但是扰动较小的情况会降低特征的关联性，扰动较大又容易增强对原始图像的干扰，增加后续分析检测的困难，因此，选择图像特征分布模型的时候需要兼顾扰动范围与图像质量的互补与融合。通过多特征融合的方法，可以有效的增强扰动信息在特征维度上的扩展，很好地折中了这种矛盾。本专利技术实施例选择的POMM特征与PEV特征组合，很好的扩展了这一特性，其中POMM特征主要是通过系数差值的构建进行TPM的计算，计算过程可以表示为（参看论文：ChoSG,ChaBH,GaweckiM,etal.Block-basedimagesteganalysis:algorithmandperformanceevaluation[J].JournalofVisualCommunicationandImageRepresentation,2013,24(7):846-856.）（2）S33.针对S32处理得到的结果进行特征冗余处理。本专利技术实施例中，在步骤S32获取TPM值以后，利用PEV构建7种特征分布（参看论文：WangR,XuMK,PingXJ,etal.SteganalysisofJPEGimagesbyblocktexturebasedsegmentation[J].MultimediaToolsandApplication本文档来自技高网...

【技术保护点】
一种基于多特征联合的隐写图像分析方法，其特征在于，包括：S1.用户输入目标图像（隐写图像）；S2.针对输入的目标对象，提取多特征，建立特征集合；S3. 针对S2提取的特征集合进行互补、融合和冗余处理；S4.针对S3处理后的特征集合，进行降维处理；S5.针对S4处理后的特征集合进行解码分析；S6.对分析后的结果进行发送等处理。

【技术特征摘要】
1.一种基于多特征联合的隐写图像分析方法，其特征在于，包括：S1.用户输入目标图像（隐写图像）；S2.针对输入的目标对象，提取多特征，建立特征集合；S3.针对S2提取的特征集合进行互补、融合和冗余处理；S4.针对S3处理后的特征集合，进行降维处理；S5.针对S4处理后的特征集合进行解码分...

【专利技术属性】
技术研发人员：段云涛，
申请(专利权)人：段云涛，
类型：发明
国别省市：河南,41