一种结合伽马变换脆弱检测的隐写分析方法技术

本发明专利技术提供一种结合伽马变换脆弱检测的隐写分析方法。该方法包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。当待检测图像集中包含伽马变换图像时，本发明专利技术提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。

【技术实现步骤摘要】
一种结合伽马变换脆弱检测的隐写分析方法
本专利技术涉及信息安全
，尤其涉及一种结合伽马变换脆弱检测的隐写分析方法。
技术介绍
隐写术是指将秘密信息嵌入到普通的媒体中，并将看似正常的载密媒体通过公开信道进行传播，进而实现信息的隐蔽通信。隐测是一种与隐写术相对抗的技术，其主要目的是判断待检测媒体中是否含有秘密写检信息。目前，研究者已提出许多优秀的图像隐写检测工具，其中基于隐写检测特征和分类器的隐写检测算法已经成为隐写分析算法中的主流。此类算法通过分析隐写操作对图像统计分布的影响，构建隐写检测特征，如SPAM，SRM特征系列等。在实际应用时，用已知类型图像的特征来训练分类器，如SVM，集成分类器等，然后再用训练好的分类器对可疑图像实施检测。然而，大多数的隐写检测方法假设待检测图像直接来自于自然图像，即载体图像是没有经过任何图像操作的自然图像，且隐密图像是在自然图像上进行隐写生成的。图像处理技术的快速发展使得对图像的操作变得极其简单。随处可见的图像，如网页上的图片，即时通信工具接收的图像，社交媒体中发布的图像等，大多数都经过了各种各样的操作。这些操作可能使得图像统计分布与自然图像存在明显差异，导致隐写检测时的载体源失配问题，隐写检测的结果将不再可靠。图像操作对隐写检测性能的影响主要表现在两方面。一方面，图像操作可能更改图像的统计分布，进而使得以前构建的特征无法区分隐写操作和普通图像操作对图像的更改。如果采用传统模式下的在自然图像和隐密图像上训练得到的分类器(判决域值)对正常处理后的图像进行隐写检测，可能会将其误判为隐密图像。由于现实世界中存在正常处理的图像数量远大于隐密图像，这些被误判的正常处理后的图像将会淹没隐写检测系统，使隐写检测者的检测性能急剧下降。另一方面，在隐写前，图像可能经过了各种操作，使得隐密图像的统计特征与载体图像相似，导致隐写检测时出现大量的漏警。此外，为了避免图像训练测试集失配问题，隐写检测方法通常要求训练样本集的图像种类覆盖待检测样本种类。然而，增大训练集的数量和种类可能使得单一分类器的性能下降。再者，由于图像处理的类型繁多，使得正常处理的图像种类成千上万，因而隐写检测的训练集难以覆盖所有的图像种类，隐写检测方法难以应用于实际。为了解决隐写检测在现实应用中所遇到的问题，研究者们尝试过一些办法来提高隐写检测的可靠性。He等利用图像及其小波子带的特征函数矩(CFMs，CharacteristicFunctionMoments)将自然图像、隐密图像和其它操作图像分开。然而，这种定制方法的检测对象局限于特定的图像操作，难以扩展到其它图像操作类型，因而其应用受到限制。为了解决图像训练测试集失配问题，Barni等提出借助图像取证来提高隐写检测的性能的思想。他们利用图像取证技术将相机图像与计算机生成图像区分开，然后利用不同的检测器对两类图像进行检测，从而提高了隐写检测的精度。Li等通过图像预分类将图像进行聚类，然后针对不同的图像类训练分类器以进行隐写检测。然而，基于图像聚类的方法不能识别图像的操作类型，因而也无法结合图像操作特性来进行更深入的隐写检测。Hou等针对经过和没有经过JPEG压缩过的空域图像，采用不同的隐写检测器进行隐写检测，提高了隐写检测的性能。孙曦等分析了图像伽马变换后载体图像和隐密图像的分布的偏移情况，进而得出对变换后的图像进行隐写检测的虚警率增大，从而使平均检测错误率增大的结论。而本专利技术主要是针对图像隐写检测时将伽马变换图像判为隐密图像的问题，提出了结合伽马变换脆弱检测的隐写检测方法。
技术实现思路
为解决现有技术中存在的上述问题，本专利技术提供一种结合伽马变换脆弱检测的隐写分析方法，利用伽马变换脆弱检测技术将未载密的伽马变换图像从待隐写检测图像中分离，然后在剩下的图像中进行隐写检测，从而降低隐写检测的虚警率，提高隐写检测的可靠性。本专利技术提供一种结合伽马变换脆弱检测的隐写分析方法，该方法包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。进一步地，所述步骤1具体为：步骤11、计算图像i的图像直方图，i∈P；步骤12、统计所述图像直方图中的零点集合Φ；步骤13、根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F：步骤14、根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像。进一步地，所述步骤13具体为：根据公式(11)计算图像i的伽马变换脆弱检测特征F：其中，Φ＝{x|h(x)＝0,0<x<255}，h(x)为像素x的直方图值。进一步地，所述步骤14具体为：若F>η，则图像i为伽马变换图像；若F≤η，则图像i不是伽马变换图像。进一步地，所述步骤3具体为：步骤31、提取图像的隐写检测特征；步骤32、根据所述隐写检测特征，利用训练好的隐写检测分类器确定所述图像是否为隐密图像。进一步地，所述方法还包括：构建原始图像库，并对原始图像库中所有的图像进行伽马变换得到新图像库；分别采用n种嵌入率对新图像库中所有的图像进行隐写操作，得到n类待测试图像；将每类所述待测试图像分为两部分，其中一部分待测试图像用于训练得到阈值η和隐写检测分类器，另一部分待测试图像用于伽马变换脆弱检测和隐写检测。本专利技术的有益效果：本专利技术提供的一种结合伽马变换脆弱检测的隐写分析方法，首先，利用图像伽马变换脆弱检测技术对待隐写检测图像进行过滤。将与直方图零点相邻的直方图的乘积和作为其识别特征，将伽马变换从待隐写检测图像中进行分离。然后，利用在不包含伽马变换图像的训练集上训练得到的分类器或判决策略进行隐写检测。实验结果表明，当待检测图像集中包含伽马变换图像时，本专利技术提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。附图说明图1为本专利技术实施例提供的一种结合伽马变换脆弱检测的隐写分析方法的流程示意图；图2为本专利技术又一实施例提供的一种结合伽马变换脆弱检测的隐写分析方法的流程示意图；图3为本专利技术实施例提供的伽马变换检测结果的ROC曲线；图4为本专利技术实施例提供的伽马变换图像及LSB匹配隐写后的图像的特征F的分布；图5为现有技术中传统隐写检测方法的流程示意图；图6中：(a)为原始图像Lena对应的图像直方图；(b)为原始图像经伽马变换后的图像直方图；(c)为对原始图像进行隐写后的图像直方图；(d)为对伽马变换图像进行隐写后的图像直方图。具体实施方式为使本专利技术的目的、技术方案和优点更加清楚，下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。为了便于理解本专利技术的技术方案，下面对本专利技术的研究思路作具体介绍。传统隐写检测方法的误差分析：目前主流的隐写检测算法大多基于分类器和高维特征，其检测流程如图5所示。为了便于表述，在本专利技术中，我们将这种隐写检测称为传统隐写检测。通过载体图像和隐密图像特征库训练分类器，并用训练好的分类器对待隐写检测图像进行检测，隐本文档来自技高网...

【技术保护点】
1.一种结合伽马变换脆弱检测的隐写分析方法，其特征在于，包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。

【技术特征摘要】
1.一种结合伽马变换脆弱检测的隐写分析方法，其特征在于，包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。2.根据权利要求1所述的方法，其特征在于，所述步骤1具体为：步骤11、计算图像i的图像直方图，i∈P；步骤12、统计所述图像直方图中的零点集合Φ；步骤13、根据所述零点集合Φ，计算图像i的伽马变换脆弱检测特征F；步骤14、根据所述伽马变换脆弱检测特征F和预设阈值η判断图像i是否为伽马变换图像。3.根据权利要求2所述的方法，其特征在于，所述步骤13具体为：根据公式(11)计算图像i的伽马变换脆弱检测特征F：其中，Φ＝{x|h(x)＝0,0<x...

【专利技术属性】
技术研发人员：刘粉林，王平，杨春芳，张祎，康钰涵，卢昊宇，王杰，罗向阳，
申请(专利权)人：中国人民解放军战略支援部队信息工程大学，
类型：发明
国别省市：河南,41