基于多尺度LTP特征的隐写分析方法和隐写分析装置制造方法及图纸

本发明专利技术提供了一种基于多尺度LTP特征的隐写分析方法和隐写分析装置，其中，隐写分析方法包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。本发明专利技术提出了更加适用于隐写分析技术的多尺度LTP特征，提高了对载体图像的检测准确率。

Steganalysis method and steganalysis device based on multi scale LTP feature

The present invention provides one kind of multi-scale LTP feature steganalysis method and steganalysis device based on steganalysis method includes: greedy algorithm selected for calculating the characteristic parameters of multi-scale LTP image based on feature set includes multiple sets of parameters to obtain the characteristic parameters of each feature, the parameters in the parameters collection including the filter parameters, as well as any pixel of the carrier image as the starting point of the path parameter; according to the characteristics of each parameter, a set of multiscale features of LTP image is calculated, to obtain multi group multi scale LTP image features corresponding to the set of parameters, and the multi group multi scale LTP image features are combined to generate the image feature vector of image; through the analysis of image features of the support vector machine algorithm of carrier image, to determine the carrier image Is there any hidden information in it?. The proposed multi scale LTP feature is more suitable for steganalysis, and improves the detection accuracy of carrier images.

【技术实现步骤摘要】
基于多尺度LTP特征的隐写分析方法和隐写分析装置
本专利技术涉及信息
，具体而言，涉及一种基于多尺度LTP特征的隐写分析方法和一种基于多尺度LTP特征的隐写分析装置。
技术介绍
信息隐藏技术是一项利用多媒体数据载体进行数字隐藏的信息处理方法，广泛应用于军事、政治、商业等领域中。图像隐写是信息隐藏技术的主要分支之一，其目的是发出者利用特定嵌入方法和密钥在一个数字图像中嵌入一段秘密信息，使得只有知晓其对应嵌入方法和密钥的接收者才能够准确地得到嵌入的信息，而其他人即使获取到载体图像也无法知晓其隐藏的秘密信息。图像隐写包括隐写术(Steganography)与隐写分析(Steganalysis)两大分支。隐写术实现把秘密信息嵌入到载体图像中，而隐写分析是一种与隐写术相对抗的逆向分析技术，目的是判断截获的数字载体是否存在隐藏信息。因而，隐写术和隐写分析存在着矛和盾的对立关系，但同时也存在着相辅相成的依存关系，一些强大的隐写分析技术成为了检测新的隐写算法可靠性与安全性的基准。目前，大多数通用的隐写分析方法是建立在机器学习框架下，包括特征提取和分类器设计两个步骤。特征提取是指根据图像像素值和坐标关系获取反映图像统计特性的信息；分类器是指利用图像特征判断该图像属于自然图像还是属于含秘密信息的隐秘图像。在隐写分析技术中，分类器常选择经典的线性SVM(SupportVectorMachine，支持向量机)，而特征提取是目前研究的热点也是隐写分析中至关重要的环节，它的好坏将直接影响到检测率的高低。局部二值模式(LocalBinaryPattern，LBP)是一个简单而有效的局部特征，其利用图像中邻域像素点的大小关系描述图像局部统计特性，具有计算简单、识别率高、抗噪性强等优点，并且实验表明了LBP特征在隐写分析领域具有一定的潜力。基于此，相关技术中提出了基于双线性差值算法的隐写分析技术，但是由于好的隐写术会尽可能降低隐秘图像和原始图像的差异性，一般隐秘图像的像素值较原始图像至多增加或者减少1，在这样的情况下，通过双线性差值算法从隐秘图像和原始图像计算出的双线性差值可能并没有差别。因而，双线性差值的方法使得LBP特征模糊化了被篡改的隐写信息，加大了隐写分析的难度，即双线性差值的方法并不适用于隐写分析技术。因此，如何提出适用于隐写分析技术的方案，以提高对载体图像(即隐秘图像)的检测准确率成为亟待解决的技术问题。
技术实现思路
本专利技术正是基于上述技术问题至少之一，提出了一种新的基于多尺度LTP特征的隐写分析方案，能够在LBP特征的基础上，提出更加适用于隐写分析技术的多尺度LTP特征，同时能够确保选择的特征参数在维度和识别力中取得更好的平衡，提高了对载体图像的检测准确率。有鉴于此，根据本专利技术的第一方面，提出了一种基于多尺度LTP特征的隐写分析方法，包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。在该技术方案中，通过根据多组参数集合，计算得到多组多尺度LTP(LocalTernaryPattern，局部三值模式)图像特征，以生成载体图像的图像特征，进而通过支持向量机算法(即SVM)对载体图像的图像特征进行分析，使得能够在LBP特征的基础上，提出更加适用于隐写分析技术的LTP特征，以提高对载体图像的检测准确率。而通过采用贪心算法选择用于计算多尺度LTP图像特征的特征参数，使得选择的特征参数能够在维度和识别力中取得更好的平衡，从而提高对载体图像的检测准确率。在上述技术方案中，优选地，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数的步骤，具体包括：初始化所述参数集合和训练集全局预估正确率；对于所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。在该技术方案中，具体来说，当参数集合中没有加入特征参数时，训练集全局预估正确率可以为0.5，在参数集合中每加入一组特征参数，就会根据参数集合中的特征参数得到对应的训练集预估最优正确率，进而对训练集全局预估正确率进行更新。在上述任一技术方案中，优选地，还包括：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。在上述任一技术方案中，优选地，根据所述每组特征参数，计算得到一组多尺度LTP图像特征的步骤，具体包括：根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。在该技术方案中，通过使用旋转不变模式对所有像素点的多尺度LTP编码值的维度进行压缩，可以降低像素点的多尺度LTP编码值的维度，进而便于得到与多尺度LTP编码值相对应的图像分布直方图。在上述任一技术方案中，优选地，计算所述载体图像中的任一像素点的多尺度LTP编码值的步骤，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。在该技术方案中，由于基于任一像素点的路径上的任一元素，有且仅有一个以该任一像素点为中心的正方形，使得该任一元素位于正方形的边上，并且在旋转初始路径时，是以该任一像素点为中心，并沿着对应的正方形的边进行旋转的，因此计算出的多尺度LTP编码值是基于方形旋转的隐写分析特征，相比于相关技术中采用圆周旋转路径的方案，可以避免路径上的元素位于非像素中心点的问题，从而能够避免双线性差值算法引起的隐写信息模糊化的问题。在上述任一技术方案中，优选地，通过以下公式计算所述任一像素点的多尺度LTP编码值：其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，…，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且O≤p≤本文档来自技高网...

【技术保护点】
一种基于多尺度LTP特征的隐写分析方法，其特征在于，包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。

【技术特征摘要】
1.一种基于多尺度LTP特征的隐写分析方法，其特征在于，包括：基于贪心算法选择用于计算多尺度LTP图像特征的特征参数，以得到包含多组特征参数的参数集合，其中，所述参数集合中的每组特征参数包括滤波器参数，以及以载体图像中的任一像素点为起始点的路径参数；根据所述每组特征参数，计算得到一组多尺度LTP图像特征，以得到对应于所述参数集合的多组多尺度LTP图像特征，并将所述多组多尺度LTP图像特征进行组合，以生成所述载体图像的图像特征；通过支持向量机算法对所述载体图像的图像特征进行分析，以确定所述载体图像中是否有隐藏的信息。2.根据权利要求1所述的基于多尺度LTP特征的隐写分析方法，其特征在于，基于贪心算法选择用于计算多尺度LTP图像特征的特征参数的步骤，具体包括：初始化所述参数集合和训练集全局预估正确率；对于所有的待选择特征参数中的任意一组特征参数，若加入到所述参数集合后，其训练集预估最优正确率大于所述训练集全局预估正确率，则将所述任意一组特征参数加入所述参数集合，并在将所述任意一组特征参数加入所述参数集合后，根据所述参数集合中的每组特征参数对应的训练集预估最优正确率，对所述训练集全局预估正确率进行更新。3.根据权利要求2所述的基于多尺度LTP特征的隐写分析方法，其特征在于，还包括：将所述所有的待选择特征参数中含有相同元素个数的滤波器参数和路径参数组合成一组特征参数。4.根据权利要求1至3中任一项所述的基于多尺度LTP特征的隐写分析方法，其特征在于，根据所述每组特征参数，计算得到一组多尺度LTP图像特征的步骤，具体包括：根据所述每组特征参数，计算所述载体图像中的所有像素点的多尺度LTP编码值；通过旋转不变模式对所述所有像素点的多尺度LTP编码值的维度进行压缩，以得到压缩后的多尺度LTP编码值；生成与所述压缩后的多尺度LTP编码值相对应的图像分布直方图，并将所述图像分布直方图作为所述LTP图像特征。5.根据权利要求4所述的基于多尺度LTP特征的隐写分析方法，其特征在于，计算所述载体图像中的任一像素点的多尺度LTP编码值的步骤，具体包括：基于所述任一像素点生成包含多个元素的初始路径，其中，对于所述初始路径上的任一元素，有且仅有一个以所述任一像素点为中心的正方形，使得所述任一元素位于所述正方形的边上；将所述初始路径上的每个元素以所述任一像素点为中心，并沿着对应的正方形的边进行旋转，得到旋转后的一条路径；根据所述每组特征参数，以及对所述初始路径进行多次旋转得到的多条路径，计算所述任一像素点的多尺度LTP编码值。6.根据权利要求5所述的基于多尺度LTP特征的隐写分析方法，其特征在于，通过以下公式计算所述任一像素点的多尺度LTP编码值：其中，表示任一像素点的多尺度LTP编码值，且所述任一像素点的多尺度LTP编码值取决于参数P、G0、f和t；P表示基于所述任一像素点的所述初始路径和所述多条路径的总个数；G0表示所述路径参数，且为基于所述任一像素点的初始路径；f表示所述滤波器参数，且f＝(f(1)，...，f(k))，t为常数；k表示所述初始路径中的元素个数；gp，i表示由初始路径G0旋转得到的路径Gp中的元素i；p为常数且0≤p≤P-1；函数s′(x，t)满足以下关系：7.一种基于多尺度LTP特征的隐写分析装置，其...

【专利技术属性】
技术研发人员：林秋燕，李晓龙，郭宗明，
申请(专利权)人：北京大学，北大方正集团有限公司，北京北大方正电子有限公司，
类型：发明
国别省市：北京,11