CN108280480B - 一种基于残差共生概率的隐写图像载体安全性评价方法 - Google Patents
一种基于残差共生概率的隐写图像载体安全性评价方法 Download PDFInfo
- Publication number
- CN108280480B CN108280480B CN201810075083.9A CN201810075083A CN108280480B CN 108280480 B CN108280480 B CN 108280480B CN 201810075083 A CN201810075083 A CN 201810075083A CN 108280480 B CN108280480 B CN 108280480B
- Authority
- CN
- China
- Prior art keywords
- image
- security
- steganographic
- residual
- carrier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于残差共生概率的隐写图像载体安全性评价方法,从隐写载体的安全性角度出发,通过研究载体图像内噪声共生概率特征分布对于隐写安全性的影响,利用载体聚类中心距离度量提出一种隐写载体安全性评价方法。本发明用于样本隐写载体筛选可有效增强隐写算法反检测能力。实验证明,基于本发明评价方法筛选后的隐写样本在多个图像库、隐写方法、嵌入率和隐写分析测试中,抗检测能力相比随机选择载体都有显著的提升,平均错误率提高大约3.8到11.8个百分点。
Description
技术领域
本发明属于计算机信息隐藏技术领域,涉及一种隐写图像载体安全性评价方法,具体涉及一种基于残差共生概率的隐写图像载体安全性评价方法。
背景技术
隐写是通过轻微修改文本、图像等载体中的值来嵌入秘密信息的一门技术,其目的在于隐藏通信双方的实际通信内容。与隐写技术相对应的隐写分析技术,充分利用信号处理、数理统计、机器学习等理论,通过分析秘密信息嵌入前后载体的统计差异,进而发现并挖掘潜藏在载体中的秘密信息。对隐写的研究目标在于如何嵌入尽可能多秘密信息的同时,尽量少地引入修改痕迹。随着隐写分析技术逐渐完成从简单统计方法向机器学习技术的转变,针对隐写算法安全性的定量或定性演绎主要集中在构建更好的失真度量,设计高效的隐写编码,以及安全隐藏容量边界,从而使携密载体在视觉质量和统计特性上尽量逼近原始载体,以提高被嵌入载体的抗检测能力。
随着STC编码在信息隐藏中的应用,隐写算法的安全性得到了一次飞跃性的提升,导致目前信息隐藏研究发展速度有所放缓。信息隐藏技术研究难以突破STC框架,只是在失真函数方面做部分修改,这些改进一般针对某些不足做修修补补,很难给隐藏性能带来较大提高。
一直以来,隐写算法主要集中于反检测能力的研究,即在相同测试集上对比算法检测错误率高低。然而,隐写算法在嵌入实际样本时,其安全性并不能完全得到隐写算法安全性的保证。实验过程中发现,样本载体会对隐写安全性产生较大影响:当隐写算法应用在不同的样本载体时,算法抗检测能力会出现较大偏差。经深入分析得出,产生这一现象的原因在于样本载体自身特性对于隐写算法的适配性存在差异。
发明内容
为了解决上述技术问题,本发明提供了一种基于残差共生概率的隐写图像载体安全性评价方法,通过对隐写载体进行***的安全性评价,以提升隐写算法安全性。
本发明所采用的技术方案是:一种基于残差共生概率的隐写图像载体安全性评价方法,其特征在于,包括以下步骤:
步骤1:对训练集中的样本图像的灰度图进行滤波,提取图像中的噪声残差,得到样本图像的残差矩阵D;
步骤2:对残差矩阵进行截断以降低残差矩阵的状态;
步骤3:统计相邻像素对在水平、垂直、主对角、副对角四个方向上的共生概率矩阵,得到图像的共生概率特征;
步骤4:对共生概率特征进行映射和降维操作后,作为该图像的噪声分布特征;
步骤5:对训练集中所有样本图像进行聚类分析,以噪声分布特征最分散的聚类的质心作为安全性评价标准特征;
步骤6:准备待实际隐写的图像集,利用步骤1-4的原理提取待实际隐写的图像特征,依据步骤5中安全性评价标准特征,计算待实际隐写的图像的安全性评价值,对其进行评估以判断是否舍弃;
若安全性评价值大于等于预设阈值,则选为样本载体;
若安全性评价值小于预设阈值,则舍弃。
本发明在实验发现的基础上,从嵌入载体自身特性和规律的角度出发,通过提取不同嵌入效果的样本载体噪声分布特征,设计并实现了一种样本载体安全性的评价方法,并将该方法运用于样本载体预筛选上,有效地提高了实际应用中信息隐写的安全性。
附图说明
图1为隐写载体安全性评价体系与样本载体预筛选流程。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
请见图1,本发明提供的一种基于残差共生概率的隐写图像载体安全性评价方法,其特征在于,包括以下步骤:
步骤1:步骤1:对训练集中的样本图像的灰度图进行滤波,提取图像中的噪声残差,得到样本图像的残差矩阵D;
本实施例通过卷积操作对样本图像的灰度图Ig进行滤波,提取图像中的噪声残差,该过程能表示为Ig*K,其中K为高通卷积核,*为卷积操作;
得到样本图像的残差矩阵D=I*K=(dij),其中i=1,2,…,M,j=1,2,…,N,其中M、N表示被卷积图像的尺度。
在残差矩阵中,对应于原图像位置的数值的绝对值越大,则代表该像素点处噪声越大,反之,若残差矩阵中的数值绝对值越接近0,则表示原图像该点处越平滑,噪声越小;
步骤2:对残差矩阵进行截断以降低残差矩阵的状态;
将残差矩阵D中元素进行如下处理,获得截断后的矩阵元素;
其中,dij为残差矩阵D中元素;T为预设阈值,本实施例取值为3,将图像残差分为了7个等级;经过截断操作后,残差矩阵的元素存在-3,-2,-1,0,+1,+2,+3一共7种状态;
步骤3:统计相邻像素对在水平、垂直、主对角、副对角四个方向上的共生概率矩阵;
通过统计截断处理后的残差矩阵相邻像素对在水平、垂直、主对角、副对角4个方向上的出现频率,计算残差矩阵的共生概率矩阵Ch,Cv,Cd,Cm,进而得到对应方向上的共生关系特征Fh,Fv,Fd,Fm,用于描述图像中的噪声分布情况。
由于残差矩阵截断后各元素的取值范围为[-3,3],所以残差矩阵的每一种共生关系包含49维元素。四种共生关系对应的共生概率矩阵可以描述为:
其中M,N表示载体图像的尺寸,Dij为截断处理后的残差矩阵中元素,u,v∈[-T,T],δ(·)描述为:
四种共生关系特征共得到4(2T+1)2维的共生概率特征F={Fh,Fv,Fd,Fm}。
步骤4:对共生概率特征进行映射和降维操作后,作为该图像的噪声分布特征:
其中,Fn表示当前图像载体的噪声分布特征,Fn,c表示某一方向上的共生关系特征。
步骤5:采用无监督学习的K-means算法对训练载体集中提取的所有图像的噪声分布特征进行聚类分析,其中聚类簇数为3,表示将训练集中图像载体分为噪声分布均匀、分布一般与分布密集三类,根据安全性排序依次分为安全性高、安全性一般、安全性差三类;将最终3个聚类的中心映射到[0,255]区间上,并进行降维,得到3不同安全性聚类的标准特征Fs,k,k表示载体类别,设定最高安全类聚类的质心作为标准特征Fs,1。
步骤6:准备待实际隐写的图像集,利用步骤1-4的原理提取待实际隐写的图像特征;计算待实际隐写的图像的安全性评价值,对其进行评估以判断是否舍弃;
若安全性评价值大于等于预设阈值,则选为样本载体;
若安全性评价值小于预设阈值,则舍弃。
准备待实际隐写的图像集,利用步骤1-4的原理提取待实际隐写的图像特征;因为具有相似噪声分布的图像载体之间的隐写安全性相近,因此同一个样本库中图像的噪声分布越接近最高安全类标准特征Fs,1,则它们的安全性越接近,这种相似性可以用图像载体噪声分布特征与标准特征的相关性的绝对值S来描述;
计算并比较每张待实际隐写的图像的S值,S值即表示对于待实际隐写的图像的安全性评价值,S的取值范围为[0,1],S值越大表示待实际隐写的图像的安全性越高,以此来作为实际隐写安全图像载体的筛选条件;
S的阈值越大则被筛选出的图像载体的安全性越高。但是,筛选过程中随着S的阈值增高,可用载体数量也会随之减少,而载体数量如果太少不利于隐写的实际应用,故需实验每种S阈值下符合条件的安全样本数量,根据实际情况确定阈值,满足样本数量的前提下阈值越高越好。
平衡S值与样本数量后,根据选定的S阈值对待实际隐写的图像进行预筛选,选出安全性较高的图像类别,然后进行隐写嵌入。隐写算法及嵌入率均不受限制。
本发明提出高通滤波残差共生概率矩阵描述载体噪声,并通过特征概率分布设计载体安全性评价模型,该方法应用于图像载体预筛选后,可以明显降低隐蔽信息被检测的概率,极大提高隐写安全性。
实验证明,基于本发明评价方法筛选后的隐写样本在多个图像库、隐写方法、嵌入率和隐写分析测试中,抗检测能力相比随机选择载体都有显著的提升,平均错误率提高大约3.8到11.8个百分点。
应当理解的是,本说明书未详细阐述的部分均属于现有技术。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (7)
1.一种基于残差共生概率的隐写图像载体安全性评价方法,其特征在于,包括以下步骤:
步骤1:对训练集中的样本图像的灰度图进行滤波,提取图像中的噪声残差,得到样本图像的残差矩阵D;
步骤2:对残差矩阵进行截断操作;
步骤3:统计相邻像素对在水平、垂直、主对角、副对角四个方向上的共生概率矩阵,得到图像的共生概率特征;
步骤4:对共生概率特征进行映射和降维操作后,作为该图像的噪声分布特征;
步骤5:对训练集中所有样本图像进行聚类分析,以噪声分布特征最分散的聚类的质心作为安全性评价标准特征;
步骤6:准备待实际隐写的图像集,利用步骤1-4的原理提取待实际隐写的图像特征,依据步骤5中安全性评价标准特征,计算待实际隐写的图像的安全性评价值,并使用安全性评价值对图像进行评估以判断是否舍弃此图像;
若安全性评价值大于等于预设阈值,则选为样本载体;
若安全性评价值小于预设阈值,则舍弃。
6.根据权利要求1所述的基于残差共生概率的隐写图像载体安全性评价方法,其特征在于:步骤5中,采用无监督学习的K-means算法对训练载体集中提取的所有图像的噪声分布特征进行聚类分析,其中聚类簇数为3,表示将训练集中图像载体分为噪声分布均匀、分布一般与分布密集三类,根据安全性排序依次分为安全性高、安全性一般、安全性差三类;将最终3个聚类的中心映射到[0,255]区间上,并进行降维,得到3不同安全性聚类的标准特征Fs,k,k表示载体类别,设定最高安全类聚类的质心作为标准特征Fs,1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810075083.9A CN108280480B (zh) | 2018-01-25 | 2018-01-25 | 一种基于残差共生概率的隐写图像载体安全性评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810075083.9A CN108280480B (zh) | 2018-01-25 | 2018-01-25 | 一种基于残差共生概率的隐写图像载体安全性评价方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108280480A CN108280480A (zh) | 2018-07-13 |
CN108280480B true CN108280480B (zh) | 2020-05-12 |
Family
ID=62805132
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810075083.9A Active CN108280480B (zh) | 2018-01-25 | 2018-01-25 | 一种基于残差共生概率的隐写图像载体安全性评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108280480B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109523452B (zh) * | 2018-10-30 | 2022-10-11 | 中国人民解放军战略支援部队信息工程大学 | 一种基于通道差分残差的彩色图像隐写检测方法 |
CN111859897A (zh) * | 2019-10-16 | 2020-10-30 | 沈阳工业大学 | 基于动态路由胶囊网络的文本隐写分析方法 |
CN111127286B (zh) * | 2019-11-27 | 2022-10-04 | 中国人民解放军战略支援部队信息工程大学 | 一种基于差分通道权重分配的彩色图像隐写检测方法 |
CN110889456B (zh) * | 2019-12-02 | 2022-02-18 | 深圳大学 | 基于神经网络的共生矩阵特征提取方法、装置、存储介质及终端 |
CN112785478B (zh) * | 2021-01-15 | 2023-06-23 | 南京信息工程大学 | 基于生成嵌入概率图的隐藏信息检测方法和*** |
CN113542525B (zh) * | 2021-06-30 | 2023-02-10 | 中国人民解放军战略支援部队信息工程大学 | 基于mmd残差的隐写检测特征选取方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
CN101080013A (zh) * | 2007-06-19 | 2007-11-28 | 中山大学 | 一种基于预测编码的jpeg无损压缩图像隐写方法 |
CN102819842A (zh) * | 2012-07-30 | 2012-12-12 | 桂林电子科技大学 | 基于条件共生概率矩阵的移位jpeg双压缩篡改盲检测方法 |
CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
CN105704489A (zh) * | 2016-01-30 | 2016-06-22 | 武汉大学 | 一种基于宏块复杂度的自适应视频运动矢量隐写方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7130444B2 (en) * | 2002-11-12 | 2006-10-31 | Eastman Kodak Company | Method of authenication for steganographic signals undergoing degradations |
-
2018
- 2018-01-25 CN CN201810075083.9A patent/CN108280480B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
CN101080013A (zh) * | 2007-06-19 | 2007-11-28 | 中山大学 | 一种基于预测编码的jpeg无损压缩图像隐写方法 |
CN102819842A (zh) * | 2012-07-30 | 2012-12-12 | 桂林电子科技大学 | 基于条件共生概率矩阵的移位jpeg双压缩篡改盲检测方法 |
CN105117729A (zh) * | 2015-05-11 | 2015-12-02 | 杭州金培科技有限公司 | 一种识别翻拍图像的方法和装置 |
CN105704489A (zh) * | 2016-01-30 | 2016-06-22 | 武汉大学 | 一种基于宏块复杂度的自适应视频运动矢量隐写方法 |
Non-Patent Citations (5)
Title |
---|
COVER SELECTION FOR STEGANOGRAPHIC EMBEDDING;Mehdi Kharrazi etal.;《In:Proc.of the int"1 Conf.on image Processing 2006.IEEE》;20061231;全文 * |
Performance Evaluation of Image Steganography based on Cover Selection and Contourlet Transform;Mansi S. Subhedar etal.;《2013 International Conference on Cloud & Ubiquitous Computing & Emerging Technologies》;20131231;全文 * |
Selecting Cover for Image Steganography by Correlation Coefficient;Yifeng Sun etal.;《2010 Second International Workshop on Education Technology and Computer Science》;20100506;第2010年卷;全文 * |
Vladimir Hajduk etal. .Cover Selection Steganography.《58th International Symposium ELMAR-2016》.2016, * |
基于Haar小波域指标自适应选择载体的JPEG隐写;黄炜等;《软件学报》;20170712;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN108280480A (zh) | 2018-07-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108280480B (zh) | 一种基于残差共生概率的隐写图像载体安全性评价方法 | |
CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
CN108764270B (zh) | 一种利用卷积神经网络集成的信息隐藏检测方法 | |
Wang et al. | Optimized feature extraction for learning-based image steganalysis | |
CN112491796B (zh) | 一种基于卷积神经网络的入侵检测及语义决策树量化解释方法 | |
CN106157232B (zh) | 一种数字图像特征感知的通用隐写分析方法 | |
CN110968845B (zh) | 基于卷积神经网络生成的针对lsb隐写的检测方法 | |
CN115378574B (zh) | 一种轻量级动态图像数据加密方法及*** | |
Yang et al. | A clustering-based framework for improving the performance of JPEG quantization step estimation | |
CN111415323B (zh) | 图像的检测方法及装置,神经网络的训练方法及装置 | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN104519361A (zh) | 一种基于空时域局部二值模式的视频隐写分析方法 | |
CN109523452B (zh) | 一种基于通道差分残差的彩色图像隐写检测方法 | |
Xie et al. | Bag-of-words feature representation for blind image quality assessment with local quantized pattern | |
CN116910752B (zh) | 一种基于大数据的恶意代码检测方法 | |
Wang et al. | A posterior evaluation algorithm of steganalysis accuracy inspired by residual co-occurrence probability | |
Tralic et al. | Video frame copy-move forgery detection based on cellular automata and local binary patterns | |
Saeed et al. | An accurate texture complexity estimation for quality-enhanced and secure image steganography | |
CN101414352B (zh) | 信息处理设备和信息处理方法 | |
CN110619594B (zh) | 一种半色调图像隐写分析方法 | |
CN108305207B (zh) | 一种空域图像隐写分析可信度评估方法 | |
Yu et al. | A multi-scale feature selection method for steganalytic feature GFR | |
CN106909894B (zh) | 车辆品牌型号识别方法和*** | |
Xu et al. | Drhnet: a deep residual network based on heterogeneous kernel for steganalysis | |
Amsaveni et al. | An efficient reversible data hiding approach for colour images based on Gaussian weighted prediction error expansion and genetic algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |