CN114051082B - 基于失真度和信息增益比的隐写检测特征选取方法及装置 - Google Patents

Abstract

本发明属于隐写检测特征选取技术领域，特别涉及一种基于失真度和信息增益比的隐写检测特征选取方法及装置，该方法首先，利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；然后，分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；接着，根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；最后，将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。该方法在保持甚至提高载密图像检测精度的同时，能够有效地降低DCTR特征维数，从而降低检测载密图像的时空复杂度。

Description

基于失真度和信息增益比的隐写检测特征选取方法及装置

技术领域

本发明属于隐写检测特征选取技术领域，特别涉及一种基于失真度和信息增益比的隐写检测特征选取方法及装置。

背景技术

隐写术是隐蔽通信的另一种说法，它是一种把消息隐藏在不易引起怀疑的对象中然后发送给预期接收者的技术，近年来得到了信息安全领域的广泛关注。而其中数字媒体“隐写术”由于可能被非法组织等用于隐蔽通信，从事危害国家安全的活动。与之相对应的攻击技术，隐写分析，是为了将隐藏后的消息提取出来，以达到对抗隐写技术从而保护国家安全的目的。

随着数字媒体的快速发展，如何提高隐写检测的速度和精度成为了亟待解决的问题。于是，基于数字图像自适应的隐写检测算法是当前学者颇为关注的方向，其主要是通过提取隐写检测特征，利用集成分类器进行训练和检测，能够得到良好的检测效果。目前，学者已研究出一系列的高维隐写检测算法。尽管高维隐写检测特征对图像自适应隐写达到了较高的检测精度，但自适应隐写检测算法提取隐写检测特征的维数较高，导致对检测载密图像有着较高的时空复杂度，影响快速隐写检测的发展。因此，如何选取出对检测贡献大的特征，从而降低隐写检测特征的维数，进而降低检测载密图像的时空复杂度成为了目前隐写检测领域研究的重心。

目前，一些学者已经对隐写检测特征的选取和降维进行了一系列的研究。根据特征选取方法适用的对象不同，这些研究方法可以分为通用的和特定的特征选取方法。通用的隐写检测特征选取方法适合对多种检测特征进行度量，度量特征分量对检测载密图像的贡献，并选取出对检测载密图像贡献大的特征分量作为特征向量进行训练和测试。特定的隐写检测特征选取方法是针对某种隐写检测特征的选取方法。这一类特征选取方法的计算虽然相对于通用的特征选取的较为简单，但适用范围较窄。

到目前为止，一些研究已经实现了不同的隐写分析特征选择效果，比如CC-PEV、GFR、CC-JRM、SRM、J+SRM特征。然而，现有的方法对于DCTR特征的选取效果不尽人意，存在选取的特征维数过高，检测精度降低过多等问题。

发明内容

为了在不影响检测精度的情况下大幅度降低DCTR的特征维度，本发明提出一种基于失真度和信息增益比的隐写检测特征选取方法(简记为S-FUND方法)及装置，提高对载密图像的检测精度的同时降低特征维度，从而达到降低检测载密图像的空间复杂度；并且能够避免对分类结果的依赖，从而达到降低检测载密图像的时间复杂度。

为了实现上述目的，本发明采用以下的技术方案：

本发明提供了一种基于失真度和信息增益比的隐写检测特征选取方法，包含以下步骤：

利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；

分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；

根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；

将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。

进一步地，利用失真度度量每个隐写检测特征分量在载体图像和载密图像之间的差异，载体图像会因信息的嵌入产生不同程度上的失真，利用公式(1)度量隐写前后载体图像的失真度K_i，公式如下：

式中，和/>分别表示第i个隐写检测特征分量在载体图像和载密图像的值，/>和/>分别表示第i个隐写检测特征分量在第j个载体图像和载密图像的值；K_i值越大，说明载体图像在嵌入信息后产生的失真程度越大，表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留。

进一步地，信息增益比定义为特征分量在载体图像和载密密度之间的信息增益值与特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵之比，利用公式(2)度量信息增益比公式如下：

式中，表示特征分量在载体图像和载密密度之间的信息增益值，/>表示特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵；/>值越大，表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留。

进一步地，所述特征分量在载体图像和载密密度之间的信息增益值的公式如下：

式中，和/>分别表示特征分量在载体图像和载密图像的信息熵值， 表示特征分量在载体图像中值的条件下特征分量在载密图像中值的条件熵值，/>表示特征分量在载体图像和载密图像之间的联合熵。

进一步地，所述分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列，包括：

依据K_i值降序排列隐写检测特征分量；

再依据值降序排列隐写检测特征分量。

进一步地，所述根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量，包括：

根据两个排序结果，计算第i个特征分量依据两种准则排列之差；

删除排列顺序差异的绝对值大于阈值T的特征分量。

本发明还提供了一种基于失真度和信息增益比的隐写检测特征选取装置，包括：

度量模块，用于利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；

降序排列模块，用于分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；

删除模块，用于根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；

训练模块，用于将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。

与现有技术相比，本发明具有以下优点：

本发明的基于失真度和信息增益比的隐写检测特征选取方法，首先，利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；然后，分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；接着，根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；最后，将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测；这种方法在保持甚至提高载密图像检测精度的同时，能够有效地降低DCTR特征维数，从而降低检测载密图像的空间复杂度，并且，该方法很大程度上能够提高运行效率，从而降低了分类器检测载密图像的时间复杂度，降低了检测的代价。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明实施例的基于失真度和信息增益比的隐写检测特征选取方法的流程图；

图2是本发明实施例的基于失真度和信息增益比的隐写检测特征选取方法选取隐写检测特征的过程图；

图3是本发明实施例的S-FUND方法对DCTR特征选取前后的对比图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，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，都属于本发明保护的范围。

隐写检测特征分量在载体图像和载密图像之间的差异越大，越有利于对载体图像和载密图像的区分，从而越有利于对载密图像的检测；反之，在载体图像和载密图像之间差异小或者没有差异的特征分量对检测载密图像的作用过小，则被视为无用的特征。这些特征会导致特征维数的增加，带来无谓的检测时空开销，不利于隐写检测的应用，阻碍其发展。因此，尽可能地选取对区分载体图像和载密图像贡献大的特征分量，为了度量隐写检测特征分量在载体图像和载密图像之间的差异，本文引入失真度和信息增益比。

如图1和图2所示，本实施例提出一种基于失真度和信息增益比的隐写检测特征选取方法，包含以下步骤：

步骤S11，利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；这样，把失真度和信息增益比这两种准则的作用视为相同，增加了选取特征的可靠度。

基于失真度的度量：利用隐写算法嵌入秘密信息后，载体图像的部分特征分量会发生改变，从而使载体图像和载密图像之间存在差异，考虑到并非所有的特征分量发生改变的程度都相同，在载体图像和载密图像之间差异越大的特征分量越有利于区分载体图像和载密图像。载体图像会因信息的嵌入产生不同程度上的失真，利用公式(1)度量隐写前后载体图像的失真度K_i，公式如下：

式中，和/>分别表示第i个隐写检测特征分量在载体图像和载密图像的值，/>和/>分别表示第i个隐写检测特征分量在第j个载体图像和载密图像的值；K_i值越大，则说明载体图像在嵌入信息后产生的失真程度越大，从而表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留。

基于信息增益比的度量：

目前使用信息增益度量特征分量在载体图像和载密图像之间差异，公式如下：

式中，表示特征分量在载体图像和载密密度之间的信息增益值，/>和分别表示特征分量在载体图像和载密图像的信息熵值， 表示特征分量在载体图像中值的条件下特征分量在载密图像中值的条件熵值，/>表示特征分量在载体图像和载密图像之间的联合熵。/>值越大，则说明隐写检测特征分量在载密图像和载体图像之间的信息增益越大，从而表明它们之间的差异越大，进而越有利于检测载密图像。

但是，当特征的取值较多时，根据此特征划分容易得到较为确定的子集，即值更低，又因为/>是一定的，所以信息增益更大，因此若以信息增益作为选取特征的依据，存在偏向于选取取值较多的特征的问题。为了解决这一问题，本文使用信息增益比度量隐写检测特征分量在载体图像和载密图像之间的差异，信息增益比定义为特征分量在载体图像和载密密度之间的信息增益值与特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵之比，利用公式(2)度量信息增益比/>公式如下：

式中，表示特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵；/>值越大，表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留。

步骤S12，分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列。

步骤S13，根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量。

具体的，依据K_i值降序排列隐写检测特征分量，再依据值降序排列隐写检测特征分量。

步骤S14，将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。

具体的，根据两个排序结果，计算第i个特征分量依据两种准则排列之差；删除排列顺序差异的绝对值大于阈值T的特征分量。

这样，本文利用失真度和信息增益比度量了隐写检测特征分量在载体图像和载密图像之间的差异；并且，把两种准则度量特征分量在载体图像和载密图像之间差异的作用视为相同的，选取了信息增益比和失真度排列差异较小的特征分量。该方法使特征维数大大降低，从而降低了检测载密图像的时空复杂度。

下面针对本文提出的S-FUND方法中主要步骤的时间复杂度进行逐个分析，并和依赖Fisher线性判别集成分类器分类结果的时间复杂度进行对比，以便更好地了解该方法的性能。

本文提出的S-FUND方法主要步骤有：计算失真度值和信息增益比值、根据失真度值和信息增益比值降序排列特征分量、删除排列顺序差异较大的特征分量等，分别对不同步骤的时间复杂度进行分析，如表1所示。

表1主要步骤的时间复杂度分析

在表1中不存在步骤的嵌套关系，因此本文提出的S-FUND方法的时间复杂度等于所有步骤中最大的时间复杂度。当O(Nlog₂N)≤O(Nn)，即log₂N≤n时，S-FUND方法的时间复杂度为O(Nn)；当log₂N>n时，S-FUND方法的时间复杂度为O(Nlog₂N)。然而，现有的特征选取方法大多依赖Fisher线性判别集成分类器的分类结果，而Fisher线性判别集成分类器的时间复杂度为：

其中，L表示个体学习者的个数，N^trn表示每类训练集的个数，d_sub表示子空间维数。所以这一类选取方法的时间复杂度O(FLD_depend)必然大于等于O(FLD)，即由此可见，依赖Fisher线性判别集成分类器结果的选取方法时间复杂度远远大于O(Nn)或O(Nlog₂N)。因为DCTR特征维度是8000，n<N和log₂N<N。S-FUND方法的时间复杂度小于PCA-D、Steganalysis-α、Fisher-G和SRGS方法，与CGSM方法相似。因此，S-FUND方法很大程度上降低了运行的时间复杂度，提高了检测载密图像的效率。

为了检测本文提出S-FUND方法的性能，我们利用8,000维的DCTR隐写检测特征进行了一系列的选取和对比实验。所有实验均利用BOSSbase1.01图像库中的图像，图像种类均为灰度图像，格式均为JPEG格式，并且在一台搭载Inteli7-8550UCPU，8G RAM计算机的MATLAB R2018a中运行，保证了不同方法能够公平地进行对比。实验结果图在OriginPro8.5中处理和生成。

1、实验对象设置

本文所有的实验中使用的电脑软件、硬件、图像库和隐写检测特征都相同，保证了不同方法能够公平地进行对比，使实验更加可靠。

Break Our Steganographic System(BOSS)是第一个实现从理论到实际应用的图像隐写和隐写分析图像库。我们对网站的BOSSbase1.01图像库进行了一系列操作(BOSSbase 1.01图像库来源于网址：http://dde.binghamton.edu/download/)，为接下来的实验做准备，步骤如下：

(1)将BOSSbase 1.01图像库中10,000幅PGM格式的图像转换为压缩质量因子95的JPEG图像。

(2)采用SI-UNIWARD隐写算法[6]将10,000幅JPEG载体图像生成嵌入率分别为payload＝0.1,0.2,0.3,0.4,0.5(bpAC)的10,000×5＝50,000幅载密图像。

(3)采用DCTR提取算法对载体图像和载密图像提取8,000维的隐写检测特征，共得到了10,000×(1+5)＝60,000幅图像的隐写检测特征集。具体的实验对象设置如表2所示。

表2实验对象设置

本文采用Fisher线性判别集成分类器对载体图像特征和选取后的隐写检测特征进行训练和测试,它被广泛用于训练和检测隐写分析特征选取。首先，从每组特征图像集中随机选取二分之一载体图像特征及其对应不同嵌入率的载密图像特征作为训练集；然后，将剩余的载体图像特征和对应不同嵌入率的载密图像特征作为测试集。该集成分类器中的错误率为：

其中，P_FA表示虚警率，P_MD表示漏检率，N_TS表示测试集个数，因为该测试集包含载体图像集和载密图像集，即N_TS＝2。错误率表示分类错误的个数占总测试特征分量的比例。检测错误率越低，说明选取的特征检测载密图像的效果越好。为了更加直观地表现对比实验结果的好坏，我们利用公式：把分类器得到的检测错误率转化为检测精度。/>表示平均检测精度，/>越大，说明选取的特征对检测载密图像的效果越好。

2、选取实验

本文使用8000维的DCTR图像隐写检测特征。该特征是利用64个离散余弦变换核，从解压缩的JPEG图像中获得的量化噪声残差的一阶统计量。与其他丰富的模型相比，DCTR特征有着更低的维数、计算复杂度和较高的检测性能。

在S-FUND方法中，我们删除利用两种准则度量出来差异大于阈值T的隐写检测特征分量，为了使S-FUND方法有更好的选取效果，我们对阈值T进行分析。首先，为了有效降低特征维数，我们认为利用两种准则度量出来的差异大于原始特征维数的15％为差异较大，对于8,000维的DCTR特征，删除差异大于8,000×15％＝1,200维的隐写检测特征分量；然后，逐步降低阈值T的取值，令阈值T∈{0.15,0.14,…,0.02,0.01}。分别进行实验，对比每组选取的特征维数和检测精度，实验结果如表3所示：

表3基于S-FUND方法对DCTR特征选取前后的对比实验结果

在表3中，Dim表示特征维数，表示检测精度。由表3可知，在不同嵌入率下，S-FUND方法都能够在保持甚至提高检测精度的同时，大幅度降低特征维数。例如：当Payload＝0.1时，基于S-FUND方法选取的特征对载密图像的检测精度能够达到0.5270，比原始的检测精度提高了0.31％，选取后的特征维数较原始特征维数降低了3462维；并且，当T＝0.04时，基于S-FUND方法选取的特征在保持对载密图像的检测精度的同时，特征维数仅为原始的30.44％。当Payload＝0.2,0.3时，基于S-FUND方法选取的特征都能够在不同程度上降低DCTR特征维数，检测精度较原始的分别提高了0.49％和0.16％；并且，基于S-FUND方法选取的特征在保持对载密图像的检测精度的同时，特征维数仅为原始的29.79％和51.79％，降低了分类器训练的时空开销。

为了更加直观地对比S-FUND方法对DCTR隐写检测特征的选取，选取前后的特征维数和检测精度如图3所示。

在图3中，横轴表示阈值，纵轴表示对应的特征维数和检测精度，从上到下五条线依次代表五种不同的嵌入率下选取的DCTR特征的效果，每个嵌入率下最优性能的点均加大处理并标记数值。从图中可以清晰的看出本文提出的S-FUND方法可以保持甚至提高DCTR特征对载密图像检测精度的同时大幅降低特征维数，证明了S-FUND方法的有效性。

通过开展大量的实验，证明在保持甚至提高对载密图像检测精度的同时，S-FUND方法选取的DCTR特征大幅度降低了特征维数。与Random-D方法、CGSM方法和PCA-D方法进行对比实验表明了基于S-FUND方法选取的特征对载密图像的检测精度更高。例如：和Random-D方法的对比实验中，当Payload＝0.5时，S-FUND方法比Random-D方法选取的特征对载密图像的检测正确率高达1.81％；和CGSM方法对比实验中，S-FUND方法选取的特征对载密图像的检测精度比CGSM方法的高达2.25％；和PCA-D方法对比实验中，S-FUND方法选取的特征对载密图像的检测精度比PCA-D方法的高达4.25％。

本实施例还提出一种基于失真度和信息增益比的隐写检测特征选取装置，包括：

度量模块，用于利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；

降序排列模块，用于分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；

删除模块，用于根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；

训练模块，用于将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。

需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。

最后需要说明的是：以上所述仅为本发明的较佳实施例，仅用于说明本发明的技术方案，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所做的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (4)

1.一种基于失真度和信息增益比的隐写检测特征选取方法，其特征在于，包含以下步骤：

步骤1，利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；

利用失真度度量每个隐写检测特征分量在载体图像和载密图像之间的差异，载体图像会因信息的嵌入产生不同程度上的失真，利用公式(1)度量隐写前后载体图像的失真度K_i，公式如下：

式中，f_i ^C和f_i ^S分别表示第i个隐写检测特征分量在载体图像和载密图像的值，和/>分别表示第i个隐写检测特征分量在第j个载体图像和载密图像的值；K_i值越大，说明载体图像在嵌入信息后产生的失真程度越大，表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留；

信息增益比定义为特征分量在载体图像和载密图像之间的信息增益值与特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵之比，利用公式(2)度量信息增益比g_R(f_i ^S,f_i ^C)，公式如下：

式中，g(f_i ^S,f_i ^C)表示特征分量在载体图像和载密图像之间的信息增益值，表示特征分量在载体图像中值关于该特征分量在载密图像中值的偏熵；g_R(f_i ^S,f_i ^C)值越大，表明该隐写检测特征分量在载体图像和载密图像之间的差异越大，则该特征分量越有利于检测载密图像，越应被保留；

所述特征分量在载体图像和载密图像之间的信息增益值的公式如下：

g(f_i ^S,f_i ^C)＝H(f_i ^S)-H(f_i ^S|f_i ^C) (4)

H(f_i ^S|f_i ^C)＝H(f_i ^S,f_i ^C)-H(f_i ^S) (5)

式中，H(f_i ^C)和H(f_i ^S)分别表示特征分量在载体图像和载密图像的信息熵值，H(f_i ^S|f_i ^C)表示特征分量在载体图像中值的条件下特征分量在载密图像中值的条件熵值，H(f_i ^S,f_i ^C)表示特征分量在载体图像和载密图像之间的联合熵；

步骤2，分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；

步骤3，根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；

步骤4，将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。

2.根据权利要求1所述的基于失真度和信息增益比的隐写检测特征选取方法，其特征在于，所述分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列，包括：

依据K_i值降序排列隐写检测特征分量；

再依据g_R(f_i ^S,f_i ^C)值降序排列隐写检测特征分量。

3.根据权利要求2所述的基于失真度和信息增益比的隐写检测特征选取方法，其特征在于，所述根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量，包括：

根据两个排序结果，计算第i个特征分量依据两种准则排列之差；

删除排列顺序差异的绝对值大于阈值T的特征分量。

4.一种实现如权利要求1-3任一项所述的失真度和信息增益比的隐写检测特征选取方法的装置，其特征在于，包括：

度量模块，用于利用失真度和信息增益比度量每个隐写检测特征分量在载体图像和载密图像之间的差异；

降序排列模块，用于分别对每个隐写检测特征分量的失真度值和信息增益比值降序排列；

删除模块，用于根据两个排列的列号，删除排列顺序差异较大的隐写检测特征分量；

训练模块，用于将保留下来的隐写检测特征分量作为最终选取的隐写检测特征进行训练和检测。