專利名稱：隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。
背景技術(shù)：
近年來(lái)，隱秘術(shù)和數(shù)字水印(與隱秘術(shù)對(duì)應(yīng)，特指不可見數(shù)字水印)技術(shù)的研究得到較大發(fā)展。許多隱秘術(shù)和數(shù)字水印軟件能夠從網(wǎng)上直接下載，使普通人利用這些技術(shù)實(shí)現(xiàn)“隱蔽”通訊成為可能。這種現(xiàn)象客觀上要求隱寫分析技術(shù)的進(jìn)步，以便檢測(cè)和阻止不法信息隱藏在看似無(wú)異的普通媒體(圖像、音頻和視頻等)中傳遞。
隱秘術(shù)以隱藏信息的“存在性”和不為人類感知為目的。隱寫分析則突破人類感官的局限性，通過(guò)計(jì)算機(jī)檢測(cè)、分析甚至抽取出隱藏的信息或者隱秘術(shù)的算法細(xì)節(jié)。隱寫分析的實(shí)現(xiàn)思想基于這樣的認(rèn)識(shí)圖像在嵌入信息前后存在差別并且這樣的差別能被檢測(cè)。“被動(dòng)”隱寫分析算法只檢測(cè)媒體中是否含有隱藏的信息；“主動(dòng)”隱寫分析則要進(jìn)一步獲取隱藏信息的長(zhǎng)度、隱藏算法的名稱或技術(shù)細(xì)節(jié)，甚至抽取出隱藏的信息。隱寫分析還分為“盲”和“非盲”兩種“非盲”隱寫分析針對(duì)特定的隱秘術(shù)而設(shè)計(jì)，而“盲”隱寫分析算法可處理多種隱秘術(shù)。本發(fā)明涉及的隱寫分析屬于“被動(dòng)”的“盲”隱寫分析，即檢測(cè)圖像中是否存在使用多種隱秘術(shù)隱藏的信息。高效隱寫分析算法應(yīng)在盡可能降低誤檢率的前提下，提高對(duì)“隱秘”圖像的檢測(cè)率。誤檢率指檢測(cè)過(guò)程中將“干凈”圖像錯(cuò)分為“隱秘”圖像的概率。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。
隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法包括如下步驟1)將高階微分運(yùn)算引入隱寫分析領(lǐng)域微分運(yùn)算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點(diǎn)和因?yàn)榍度腚[藏信息而導(dǎo)致的不自然變化；2)計(jì)算所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖計(jì)算圖像中每個(gè)像素位置對(duì)應(yīng)的一階全微分和二階全微分；一階全微分可看作當(dāng)前位置像素的右方和下方兩個(gè)像素的顏色值和同當(dāng)前位置像素顏色值的2倍之差；二階全微分可看作當(dāng)前位置像素的右方和下方兩個(gè)像素的一階全微分和同當(dāng)前位置像素一階全微分的2倍之差；將所有的像素亮度按照數(shù)字大小統(tǒng)計(jì)不同像素的顏色值的個(gè)數(shù)，就得到像素亮度的直方圖 公式(1)用于計(jì)算三個(gè)信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時(shí)，[s，t]＝1，否則[s，t]＝0；所有亮度的頻度組成像素亮度的直方圖；類似的，可得到一階全微分和二階全微分的直方圖；計(jì)算一階全微分直方圖時(shí)，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍；計(jì)算二階全微分直方圖的公式可類似得到；3)計(jì)算高階偏微分的直方圖計(jì)算圖像中每個(gè)像素位置對(duì)應(yīng)的高階偏微分。高階偏微分目前對(duì)應(yīng)著一階、二階和三階偏微分；一階偏微分可看作當(dāng)前位置像素的右方像素顏色值同當(dāng)前位置像素顏色值之差，或者其下方像素的顏色值同當(dāng)前位置像素顏色值之差；將所有像素位置的一階偏微分按照數(shù)字大小統(tǒng)計(jì)不同像素位置處的一階偏微分的個(gè)數(shù)，就得到一階偏微分的直方圖 公式(2)用于計(jì)算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖；計(jì)算二階偏微分和三階偏微分直方圖的公式類似；類似的，可分別得到二階和三階偏微分的直方圖；二階偏微分可看作當(dāng)前像素位置的右方像素的一階全微分同當(dāng)前像素位置的一階全微分之差，或者其下方像素的一階全微分同當(dāng)前像素位置的一階全微分之差；三階偏微分的計(jì)算與此類似；4)計(jì)算相鄰像素位置6個(gè)高階偏微分對(duì)象的共生矩陣按照3)中方法可計(jì)算得到“行”和“列”兩個(gè)方向共6個(gè)高階偏微分對(duì)象；統(tǒng)計(jì)“行”方向上位置相鄰的兩個(gè)像素處高階微分的數(shù)值同時(shí)出現(xiàn)的個(gè)數(shù)；所有成對(duì)一階偏微分的個(gè)數(shù)組成一階偏微分的共生矩陣；類似的，可得到其他對(duì)象的共生矩陣；5)計(jì)算兩個(gè)顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個(gè)顏色信道，計(jì)算出每個(gè)顏色信道中所有像素位置的高階偏微分后，統(tǒng)計(jì)兩個(gè)不同信道中相同坐標(biāo)位置處一階偏微分同時(shí)出現(xiàn)的個(gè)數(shù)，就得到一階偏微分共生矩陣；類似的，可得到其他的偏微分共生矩陣；
6)計(jì)算梯度共生矩陣為將r、g和b三個(gè)顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強(qiáng)技術(shù)；簡(jiǎn)單地說(shuō)，一個(gè)像素位置處的梯度是三個(gè)顏色信道中該像素位置處一階偏微分的絕對(duì)值和。梯度被分為“行”方向的“行梯度”和“列”方向的“列梯度”；統(tǒng)計(jì)位置相鄰的兩個(gè)梯度值同時(shí)出現(xiàn)的狀態(tài)，就得到梯度共生矩陣；7)使用直方圖特征函數(shù)計(jì)算如上統(tǒng)計(jì)量的統(tǒng)計(jì)矩作為初始特征對(duì)一個(gè)直方圖做一維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計(jì)矩公式計(jì)算得到該直方圖對(duì)應(yīng)的一個(gè)特征；對(duì)一個(gè)共生矩陣做二維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計(jì)矩公式計(jì)算得到該共生矩陣對(duì)應(yīng)的兩個(gè)特征；從所有統(tǒng)計(jì)量按照如上方式計(jì)算，可從一幅彩色圖像得到初始的136維特征向量；8)使用主元分析法將初始的136維特征向量降維為18維最終特征向量的方法使用“主元分析法”降維，將每幅圖像看作一“行”，一幅圖像對(duì)應(yīng)的136維特征看作136“列”，就得到一個(gè)矩陣；使用線性代數(shù)中求特征值和特征向量的方法，選取最大的幾個(gè)特征值及其對(duì)應(yīng)的特征向量，并將其他特征值對(duì)應(yīng)的特征向量置為0，就得到降維特征向量；通過(guò)原始特征向量同降維特征向量之間的運(yùn)算，得到最終降維為18維的特征向量過(guò)程中，使用了最大的18個(gè)特征值對(duì)應(yīng)的18個(gè)特征向量組成降維特征矩陣。
所述的微分運(yùn)算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點(diǎn)和因?yàn)榍度腚[藏信息而導(dǎo)致的不自然變化用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置第m行、第n列處的亮度，則該處的一階偏微分定義為Pα(1,C)(m,n)=bα(m,n+1)-bα(m,n)]]>和pα(1,R)(m,n)=bα(m+1,n)-bα(m,n);]]>因而，此處的一階全微分和二階全微分可分別定義為公式(3)和(4)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(3)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(4)]]>于是得到“列”與“行”兩個(gè)方向的二階與三階偏微分分別定義如下(5～8所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(5)]]>
pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(6)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(7)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(8)]]>為將r、g和b三個(gè)顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強(qiáng)技術(shù)；GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(9)]]>GC(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(10).]]>所述的相鄰像素位置6個(gè)高階偏微分對(duì)象的共生矩陣為 公式(11)計(jì)算兩個(gè)在“列”方向上相鄰的像素亮度同時(shí)出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”；其它5個(gè)共生矩陣公式類似；“行”方向上相鄰兩像素位置處的上述6個(gè)對(duì)象的“共生矩陣”同樣可計(jì)算得到。
所述的兩個(gè)顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對(duì)應(yīng)兩個(gè)顏色信道；公式(12)用于計(jì)算α和β兩個(gè)顏色信道中同一像素位置第i行、第j列處兩個(gè)亮度值s和t同時(shí)出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣；類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個(gè)方向的一階偏微分這四個(gè)對(duì)象的共生矩陣公式。
所述的梯度共生矩陣的計(jì)算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個(gè)顏色信道中“列”方向和“行”方向的一階偏微分的絕對(duì)值和，它們能將隱藏信息對(duì)三個(gè)顏色信道同一位置處的改變累加起來(lái)，反映了對(duì)彩色圖像的整體改變；基于“梯度”的共生矩陣對(duì)嵌入信息更敏感；按照梯度分為“列”方向的梯度GC(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時(shí)出現(xiàn)”，可分為如上四個(gè)公式。
所述的使用直方圖特征函數(shù)計(jì)算公式為(17)和(18)M1l=Σk=0r/2-1kl·c(k)Σk=0r/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對(duì)應(yīng)的振幅；γ是頻率最大值；公式(17)對(duì)一個(gè)直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計(jì)算其一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩；M2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>對(duì)一個(gè)共生矩陣做二維離散傅里葉變換并求其幅值，得到對(duì)應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|后，使用公式(18)計(jì)算特征函數(shù)在k1和k2兩個(gè)方向的一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩，得到4個(gè)特征；使用如上公式，可從一幅彩色圖像得到初始的136維特征向量。
本發(fā)明是一種基于微分統(tǒng)計(jì)矩特征向量，采用支持向量機(jī)為分類算法的“盲”檢測(cè)算法。計(jì)算數(shù)字圖像中微分統(tǒng)計(jì)矩函數(shù)，并使用“主元分析法”消除特征之間的依賴性，從而更好地表達(dá)圖像因?yàn)榍度胄畔⒍鸬牟町愋浴?br> 本發(fā)明具有檢測(cè)的高效性(誤檢率低、檢測(cè)率高)和對(duì)多種來(lái)源圖像的性能穩(wěn)健性，；算法復(fù)雜性低、計(jì)算開銷小。(1、對(duì)Cox和Piva兩種擴(kuò)頻隱秘術(shù)的實(shí)驗(yàn)結(jié)果表明，誤檢率為0％的情況下，該算法檢測(cè)率均達(dá)到100％。2、在CorelDraw和Washington兩種圖像庫(kù)上的性能揭示了算法的普適性和穩(wěn)健性。)


圖1(a)是采用Cox(α＝0.05)和Piva(α＝0.1)兩種擴(kuò)頻隱秘術(shù)在1096幅CorelDraw“干凈”圖像中嵌入信息的“隱密”圖像，以及對(duì)應(yīng)“干凈”圖像的“特征云圖；分別對(duì)應(yīng)圖中的Cox(α＝0.05)、Piva(α＝0.1)和cover。
圖1(b)是采用Cox(α＝0.05)和Piva(α＝0.1)兩種擴(kuò)頻隱秘術(shù)在1324幅Washington“干凈”圖像中嵌入信息的“隱密”圖像，以及對(duì)應(yīng)“干凈”圖像的“特征云圖。
圖1(c)是采用Cox(α＝0.1)和Piva(α＝0.2)兩種擴(kuò)頻隱秘術(shù)在1096幅CorelDraw“干凈”圖像中嵌入信息的“隱密”圖像，以及對(duì)應(yīng)“干凈”圖像的“特征云圖。
圖1(d)是采用Cox(α＝0.1)和Piva(α＝0.2)兩種擴(kuò)頻隱秘術(shù)在1324幅Washington“干凈”圖像中嵌入信息的“隱密”圖像，以及對(duì)應(yīng)“干凈”圖像的“特征云圖。
具體實(shí)施例方式
隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法是將微分運(yùn)算引入圖像隱寫分析領(lǐng)域，構(gòu)造初始多維特征。按照步驟(一)到(八)從每幅彩色BMP圖像中抽取136維特征向量，降維到18維；然后使用支持向量機(jī)訓(xùn)練；使用訓(xùn)練階段的降維特征矩陣對(duì)由測(cè)試圖像所得的136維特征向量降維，最后用訓(xùn)練模板實(shí)現(xiàn)分類，得到(九)中的實(shí)驗(yàn)結(jié)果(一)將高階微分運(yùn)算引入隱寫分析領(lǐng)域用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置(m，n)處的亮度，則該處的一階偏微分定義為pα(1,C)(m,n)=bα(m,n+1)-bα(m,n)]]>和pα(1,R)(m,n)=bα(m+1,n)-bα(m,n).]]>因而，此處的一階全微分和二階全微分可分別定義為公式(1)和(2)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(1)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(2)]]>于是得到“列”與“行”兩個(gè)方向的二階與三階偏微分分別定義如下(3～6所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(3)]]>pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(4)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(5)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(6)]]>為將r、g和b三個(gè)顏色信道的亮度綜合考慮，引入了梯度的概念。梯度在圖像處理中被看作基于一階偏微分的圖像增強(qiáng)技術(shù)。
GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(7)]]>GR(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(8)]]>(二)統(tǒng)計(jì)所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖 公式(9)用于計(jì)算三個(gè)信道(α∈{r，g，b})中亮度v(v∈
)的頻度。其中，s＝t時(shí)，[s，t]＝1；否則[s，t]＝0。所有亮度的頻度組成像素亮度的直方圖。計(jì)算一階全微分直方圖時(shí)，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍。計(jì)算二階全微分直方圖的公式可類似得到。
(三)高階偏微分的直方圖 公式(10)用于計(jì)算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖。計(jì)算二階偏微分和三階偏微分直方圖的公式類似。
(四)相鄰像素位置6個(gè)對(duì)象的共生矩陣 統(tǒng)計(jì)“列”方向上相鄰兩像素位置處的像素亮度、一階偏微分、二階偏微分、三階偏微分、一階全微分和二階全微分6個(gè)對(duì)象的共生矩陣，表示每個(gè)對(duì)象對(duì)應(yīng)的兩個(gè)數(shù)值同時(shí)出現(xiàn)的統(tǒng)計(jì)分布狀態(tài)。公式(11)計(jì)算兩個(gè)在“列”方向上相鄰的像素亮度同時(shí)出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”。
其它5個(gè)共生矩陣公式類似?！靶小狈较蛏舷噜弮上袼匚恢锰幍纳鲜?個(gè)對(duì)象的“共生矩陣”同樣可計(jì)算得到。
(五)兩個(gè)顏色信道之間的共生矩陣 式中，αβ∈{rg，gb，br}，對(duì)應(yīng)兩個(gè)顏色信道。公式(12)用于計(jì)算α和β兩個(gè)顏色信道中同一像素位置(i，j)處兩個(gè)亮度值s和t同時(shí)出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣。類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個(gè)方向的一階偏微分這四個(gè)對(duì)象的共生矩陣公式。
(六)梯度共生矩陣RGB彩色圖像的梯度GC(m，n)和GR(m，n)是三個(gè)顏色信道中一階偏微分的組合，它們能將隱藏信息對(duì)三個(gè)顏色信道同一位置處的改變累加起來(lái)，反映了對(duì)彩色圖像的整體改變?；凇疤荻取钡墓采仃噷?duì)嵌入信息更敏感。按照梯度分為“列”方向的梯度GC(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時(shí)出現(xiàn)”，可得到四個(gè)共生矩陣(公式13～16所示



(七)使用直方圖特征函數(shù)計(jì)算如上統(tǒng)計(jì)量的統(tǒng)計(jì)矩作為初始特征對(duì)一個(gè)直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計(jì)算其一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩。
M1l=Σk=0r/2-1kl·c(k)Σk=0r/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對(duì)應(yīng)的振幅；γ是頻率最大值。
對(duì)一個(gè)共生矩陣做二維離散傅里葉變換并求其幅值，得到對(duì)應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|，使用公式(18)計(jì)算特征函數(shù)在k1和k2兩個(gè)方向的一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩，得到4個(gè)特征。
m2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>(八)使用主元分析法將初始的136維特征向量降維為18維最終特征向量首先使用“主元分析法”將若干訓(xùn)練樣本的136維特征向量降維到18維，并保存對(duì)訓(xùn)練“樣本對(duì)”降維時(shí)的“主元特征矩陣”，然后將它用于“測(cè)試樣本集”中的136維特征降到18維的過(guò)程。
表1.圖像庫(kù)中100幅圖像為訓(xùn)練樣本，其它為測(cè)試樣本時(shí)的檢測(cè)性能

(九)應(yīng)用實(shí)例使用Cox算法和Piva算法在彩色RGB圖像中嵌入信息時(shí)，首先將圖像轉(zhuǎn)化為YIQ的表示形式，然后將數(shù)據(jù)嵌入在其中的Y部分，最后再將YIQ圖像轉(zhuǎn)換為RGB圖像。對(duì)如上三種“干凈”圖像庫(kù)中每一幅圖像，使用Cox算法嵌入1000個(gè)隨機(jī)數(shù)，產(chǎn)生“Cox隱秘圖像庫(kù)”；使用Piva算法嵌入16000個(gè)隨機(jī)數(shù)得到“Piva隱秘圖像庫(kù)”。原始Cox算法中，嵌入強(qiáng)度α＝0.1，為了測(cè)試嵌入強(qiáng)度對(duì)檢測(cè)性能的影響，我們測(cè)試了α＝0.05的情況。對(duì)Piva算法，分別測(cè)試了α＝0.1和α＝0.2的情況。
1)在兩個(gè)圖像庫(kù)上的訓(xùn)練和檢測(cè)結(jié)果從一個(gè)“干凈”圖像庫(kù)中取100幅圖像，從“隱秘”圖像庫(kù)中取出相應(yīng)的“隱密”圖像，二者組成“訓(xùn)練樣本對(duì)”庫(kù)。剩下的“干凈”圖像及其“隱秘”版本作為“開放”測(cè)試集。為使算法具有實(shí)用性，保存用于訓(xùn)練的100對(duì)“樣本對(duì)”降維時(shí)的“主元特征矩陣”，并用它將“測(cè)試樣本集”中的136維特征降到18維。為增加實(shí)驗(yàn)的對(duì)比度，我們?cè)谕瑯拥膱D像庫(kù)上(同樣取100對(duì)樣本訓(xùn)練，其它樣本用于測(cè)試)測(cè)試了第一節(jié)中提到的“擴(kuò)展Shi Yun Q算法”，即使用234維特征向量表示一幅彩色圖像的算法。對(duì)比實(shí)驗(yàn)的分類算法同樣采用LibSvm。本文算法(簡(jiǎn)稱“主元算法”)和“擴(kuò)展Shi Yun Q算法”(簡(jiǎn)稱“Shi算法”)的在圖像庫(kù)1和2上的測(cè)試結(jié)果見表1。檢測(cè)性能以“檢測(cè)率/誤檢率”的形式給出。
從表1可以看出，“Shi算法”對(duì)嵌入強(qiáng)度因子α＝0.05的Cox算法和α＝0.1的Piva算法的檢測(cè)效果很好；然而，對(duì)α＝0.1的Cox算法和α＝0.2的Piva算法反而較差。這是很不正常的現(xiàn)象。原因在于“Shi算法”產(chǎn)生的特征向量的維數(shù)太大(234)，按照模式識(shí)別的規(guī)律，至少需要2340對(duì)樣本測(cè)試(CorelDraw樣本庫(kù)總共只有1096對(duì))，所得到的結(jié)果才是實(shí)際可信的。樣本數(shù)較少時(shí)，測(cè)試結(jié)果相對(duì)于真實(shí)結(jié)果偏高，但也能說(shuō)明算法的性能?！癝hi算法”在圖像庫(kù)2上的實(shí)驗(yàn)結(jié)果較差，暴露出該算法極不穩(wěn)定的性能。相反，“主元算法”在兩種圖像庫(kù)上均表現(xiàn)出完美的檢測(cè)性能。
2)一個(gè)圖像庫(kù)中部分樣本為訓(xùn)練集，另一個(gè)圖像庫(kù)全部圖像為測(cè)試集的實(shí)驗(yàn)結(jié)果表2.一類圖象的100對(duì)樣本做訓(xùn)練樣本，另一類所有圖像做測(cè)試樣本的檢測(cè)性能

為提高隱寫分析系統(tǒng)的實(shí)用性，需要研究使用哪些圖像庫(kù)可以訓(xùn)練對(duì)絕大多數(shù)其它來(lái)源的圖像而言均高效的分類模板。對(duì)每一種隱秘術(shù)，我們使用100對(duì)CorelDraw樣本圖像降維并訓(xùn)練分類模板；然后用這100對(duì)CorelDraw特征向量的“主元特征矩陣”將所有1324對(duì)Washington圖像的136維特征降到18維；最后用訓(xùn)練所得分類模板對(duì)1324對(duì)特征向量進(jìn)行測(cè)試。測(cè)試結(jié)果見表2中欄名為“CorelDraw”的一列。
對(duì)每一種隱秘術(shù)，我們同樣使用100對(duì)Washington圖像做訓(xùn)練樣本，而所有1096對(duì)CorelDraw圖像為測(cè)試樣本測(cè)試了“主元算法”。測(cè)試結(jié)果見表2中欄名為“Washington”的一列。
3)“主元算法”的宏觀分類效果從表1和2可以看出，“主元算法”具有非常高的檢測(cè)性能和穩(wěn)健性。3.4節(jié)的圖1從微觀的角度對(duì)“主元算法”具備如此優(yōu)異性能的原因給出了部分解答；算法的性能還需要用它從大量圖像中抽取的特征加以說(shuō)明。為此，我們?cè)俅问褂谩爸髟治龇ā睂?8維特征向量降到3維，將一幅彩色圖像對(duì)應(yīng)的三維特征分別作為空間坐標(biāo)系中x、y和z軸的坐標(biāo)，從而，一幅圖像就是三維空間中的一個(gè)特征點(diǎn)。1096幅CorelDraw“干凈”圖像與它們的“隱密”圖像的特征“云圖”見圖1中的(a)和(c)，1324幅Washington“干凈”圖像與它們的“隱密”圖像的特征“云圖”見(b)和(d)。從圖2的宏觀效果圖可以看出，“干凈”圖像同“隱密”圖像二者的“特征云圖”在三維空間中區(qū)分明顯。
本發(fā)明技術(shù)方案帶來(lái)的有益效果本發(fā)明通過(guò)引入微分運(yùn)算和主元分析法對(duì)特征向量實(shí)現(xiàn)降維，大大降低了檢測(cè)隱密圖像時(shí)的誤檢率，提高了檢測(cè)率。本發(fā)明具有以下特點(diǎn)誤檢率低、檢測(cè)率高；算法復(fù)雜性低、計(jì)算開銷小。
權(quán)利要求
1.一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，包括如下步驟1)將高階微分運(yùn)算引入隱寫分析領(lǐng)域微分運(yùn)算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點(diǎn)和因?yàn)榍度腚[藏信息而導(dǎo)致的不自然變化；2)計(jì)算所有像素亮度、一階全微分和二階全微分分布狀態(tài)的直方圖計(jì)算圖像中每個(gè)像素位置對(duì)應(yīng)的一階全微分和二階全微分；一階全微分可看作當(dāng)前位置像素的右方和下方兩個(gè)像素的顏色值和同當(dāng)前位置像素顏色值的2倍之差；二階全微分可看作當(dāng)前位置像素的右方和下方兩個(gè)像素的一階全微分和同當(dāng)前位置像素一階全微分的2倍之差；將所有的像素亮度按照數(shù)字大小統(tǒng)計(jì)不同像素的顏色值的個(gè)數(shù)，就得到像素亮度的直方圖 公式(1)用于計(jì)算三個(gè)信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時(shí)，[s，t]＝1，否則[s，t]＝0；所有亮度的頻度組成像素亮度的直方圖；類似的，可得到一階全微分和二階全微分的直方圖；計(jì)算一階全微分直方圖時(shí)，將bα(i，j)改為d1α(i，j)，并適當(dāng)?shù)馗淖僫和j的變化范圍；計(jì)算二階全微分直方圖的公式可類似得到；3)計(jì)算高階偏微分的直方圖計(jì)算圖像中每個(gè)像素位置對(duì)應(yīng)的高階偏微分。高階偏微分目前對(duì)應(yīng)著一階、二階和三階偏微分；一階偏微分可看作當(dāng)前位置像素的右方像素顏色值同當(dāng)前位置像素顏色值之差，或者其下方像素的顏色值同當(dāng)前位置像素顏色值之差；將所有像素位置的一階偏微分按照數(shù)字大小統(tǒng)計(jì)不同像素位置處的一階偏微分的個(gè)數(shù)，就得到一階偏微分的直方圖 公式(2)用于計(jì)算顏色信道α內(nèi)一階偏微分v的頻度，所有頻度組成一階偏微分的直方圖；計(jì)算二階偏微分和三階偏微分直方圖的公式類似；類似的，可分別得到二階和三階偏微分的直方圖；二階偏微分可看作當(dāng)前像素位置的右方像素的一階全微分同當(dāng)前像素位置的一階全微分之差，或者其下方像素的一階全微分同當(dāng)前像素位置的一階全微分之差；三階偏微分的計(jì)算與此類似；4)計(jì)算相鄰像素位置6個(gè)高階偏微分對(duì)象的共生矩陣按照3)中方法可計(jì)算得到“行”和“列”兩個(gè)方向共6個(gè)高階偏微分對(duì)象；統(tǒng)計(jì)“行”方向上位置相鄰的兩個(gè)像素處高階微分的數(shù)值同時(shí)出現(xiàn)的個(gè)數(shù)；所有成對(duì)一階偏微分的個(gè)數(shù)組成一階偏微分的共生矩陣；類似的，可得到其他對(duì)象的共生矩陣；5)計(jì)算兩個(gè)顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個(gè)顏色信道，計(jì)算出每個(gè)顏色信道中所有像素位置的高階偏微分后，統(tǒng)計(jì)兩個(gè)不同信道中相同坐標(biāo)位置處一階偏微分同時(shí)出現(xiàn)的個(gè)數(shù)，就得到一階偏微分共生矩陣；類似的，可得到其他的偏微分共生矩陣；6)計(jì)算梯度共生矩陣為將r、g和b三個(gè)顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強(qiáng)技術(shù)；簡(jiǎn)單地說(shuō)，一個(gè)像素位置處的梯度是三個(gè)顏色信道中該像素位置處一階偏微分的絕對(duì)值和。梯度被分為“行”方向的“行梯度”和“列”方向的“列梯度”；統(tǒng)計(jì)位置相鄰的兩個(gè)梯度值同時(shí)出現(xiàn)的狀態(tài)，就得到梯度共生矩陣；7)使用直方圖特征函數(shù)計(jì)算如上統(tǒng)計(jì)量的統(tǒng)計(jì)矩作為初始特征對(duì)一個(gè)直方圖做一維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計(jì)矩公式計(jì)算得到該直方圖對(duì)應(yīng)的一個(gè)特征；對(duì)一個(gè)共生矩陣做二維離散傅里葉變換并求其幅值，得到其“微分特征函數(shù)”，使用統(tǒng)計(jì)矩公式計(jì)算得到該共生矩陣對(duì)應(yīng)的兩個(gè)特征；從所有統(tǒng)計(jì)量按照如上方式計(jì)算，可從一幅彩色圖像得到初始的136維特征向量；8)使用主元分析法將初始的136維特征向量降維為18維最終特征向量的方法使用“主元分析法”降維，將每幅圖像看作一“行”，一幅圖像對(duì)應(yīng)的136維特征看作136“列”，就得到一個(gè)矩陣；使用線性代數(shù)中求特征值和特征向量的方法，選取最大的幾個(gè)特征值及其對(duì)應(yīng)的特征向量，并將其他特征值對(duì)應(yīng)的特征向量置為0，就得到降維特征向量；通過(guò)原始特征向量同降維特征向量之間的運(yùn)算，得到最終降維為18維的特征向量過(guò)程中，使用了最大的18個(gè)特征值對(duì)應(yīng)的18個(gè)特征向量組成降維特征矩陣。
2.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的微分運(yùn)算具有放大“微小變化”的作用，使用高階微分捕捉圖像中的突變點(diǎn)和因?yàn)榍度腚[藏信息而導(dǎo)致的不自然變化用bα(m，n)表示彩色BMP圖像中顏色信道α內(nèi)位置第m行、第n列處的亮度，則該處的一階偏微分定義為Pα(1，C)(m，n)＝bα(m，n+1)-bα(m，n)和pα(1，R)(m，n)＝bα(m+1，n)-bα(m，n)；因而，此處的一階全微分和二階全微分可分別定義為公式(3)和(4)dα1(m,n)=|pα(1,C)(m,n)|+|pα(1,R)(m,n)|---(3)]]>dα2(m,n)=pα(1,C)(m,n)+pα(1,R)(m,n)-pα(1,C)(m,n-1)-pα(1,R)(m-1,n)---(4)]]>于是得到“列”與“行”兩個(gè)方向的二階與三階偏微分分別定義如下(5～8所示)pα(2,C)(m,n)=dα1(m,n+1)-dα1(m,n)---(5)]]>pα(2,R)(m,n)=dα1(m+1,n)-dα1(m,n)---(6)]]>pα(3,C)(m,n)=dα2(m,n+1)-dα2(m,n)---(7)]]>pα(3,R)(m,n)=dα2(m+1,n)-dα2(m,n)---(8)]]>為將r、g和b三個(gè)顏色信道的亮度綜合考慮，引入了梯度的概念；梯度在圖像處理中被看作基于一階偏微分的圖像增強(qiáng)技術(shù)；GC(m,n)=|pr(1,C)(m,n)|+|pg(1,C)(m,n)|+|pb(1,C)(m,n)|---(9)]]>GR(m,n)=|pr(1,R)(m,n)|+|pg(1,R)(m,n)|+|pb(1,R)(m,n)|---(10).]]>
3.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的相鄰像素位置6個(gè)高階偏微分對(duì)象的共生矩陣為 公式(11)計(jì)算兩個(gè)在“列”方向上相鄰的像素亮度同時(shí)出現(xiàn)的“頻度”，所有這樣的頻度組成象素亮度的“共生矩陣”；其它5個(gè)共生矩陣公式類似；“行”方向上相鄰兩像素位置處的上述6個(gè)對(duì)象的“共生矩陣”同樣可計(jì)算得到。
4.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的兩個(gè)顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對(duì)應(yīng)兩個(gè)顏色信道；公式(12)用于計(jì)算α和β兩個(gè)顏色信道中同一像素位置第i行、第j列處兩個(gè)亮度值s和t同時(shí)出現(xiàn)的頻度，所有頻度組成“亮度”共生矩陣；類似地，可得到一階全微分、二階全微分以及“列”和“行”兩個(gè)方向的一階偏微分這四個(gè)對(duì)象的共生矩陣公式。
5.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的梯度共生矩陣的計(jì)算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個(gè)顏色信道中“列”方向和“行”方向的一階偏微分的絕對(duì)值和，它們能將隱藏信息對(duì)三個(gè)顏色信道同一位置處的改變累加起來(lái)，反映了對(duì)彩色圖像的整體改變；基于“梯度”的共生矩陣對(duì)嵌入信息更敏感；按照梯度分為“列”方向的梯度GC(m，n)與“行”方向梯度GR(m，n)，以及“共生”可區(qū)分為“列”相鄰位置和“行”相鄰位置的“同時(shí)出現(xiàn)”，可分為如上四個(gè)公式。
6.根據(jù)權(quán)利要求1所述的一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法，其特征在于，所述的使用直方圖特征函數(shù)計(jì)算公式為(17)和(18)M1l=Σk=0γ/2-1kl·c(k)Σk=0γ/2-1c(k)---(17)]]>式中l(wèi)∈{1，2}，c(k)表示頻率k對(duì)應(yīng)的振幅；γ是頻率最大值；公式(17)對(duì)一個(gè)直方圖做一維離散傅里葉變換并求其幅值，得到“微分特征函數(shù)”c＝|DFT(h)|，即可計(jì)算其一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩；M2l=Σk1=0ζ/2-1Σk2=0η/2-1(k1l,k2l)·c2(k1,k2)Σk1=0ζ/2-1Σk2=0η/2-1c2(k1,k2)---(18)]]>對(duì)一個(gè)共生矩陣做二維離散傅里葉變換并求其幅值，得到對(duì)應(yīng)的微分特征函數(shù)c2＝|DFT2(h2)|后，使用公式(18)計(jì)算特征函數(shù)在k1和k2兩個(gè)方向的一階統(tǒng)計(jì)矩和二階統(tǒng)計(jì)矩，得到4個(gè)特征；使用如上公式，可從一幅彩色圖像得到初始的136維特征向量。
全文摘要
本發(fā)明公開了一種隱寫分析系統(tǒng)中基于主元特征的隱寫分析算法。該算法捕捉圖像中因嵌入信息導(dǎo)致的細(xì)微變化，可克服傳統(tǒng)算法誤檢率較高的問題，能有效地應(yīng)用于隱寫分析系統(tǒng)中。本發(fā)明將微分運(yùn)算引入圖像隱寫分析，計(jì)算信道內(nèi)相鄰像素之間，以及信道之間像素亮度的共生矩陣，并將共生矩陣的應(yīng)用擴(kuò)展到高階微分和梯度，以描述信道內(nèi)數(shù)據(jù)與空間位置相關(guān)的特性；計(jì)算這些統(tǒng)計(jì)量的“微分特征函數(shù)”的一階和二階統(tǒng)計(jì)矩，從一幅圖像得到136維特征并使用“主元分析法”降為18維，最后采用支持向量機(jī)為分類方法構(gòu)造隱寫分析算法。本發(fā)明算法的特點(diǎn)是，算法性能的穩(wěn)健性好，誤檢率低、檢測(cè)率高；算法復(fù)雜性低、計(jì)算開銷小。
文檔編號(hào)G06T5/40GK101021942SQ20071006778
公開日2007年8月22日 申請(qǐng)日期2007年3月26日 優(yōu)先權(quán)日2007年3月26日
發(fā)明者潘雪增 申請(qǐng)人:浙江大學(xué)