基於三層架構的智能圖像隱寫分析系統的製作方法

2023-11-06 05:03:47 1

專利名稱：基於三層架構的智能圖像隱寫分析系統的製作方法
技術領域：
本發明屬於計算機安全領域，具體涉及一種基於三層架構的智能圖像隱寫分析系統。
背景技術：
目前，實現隱秘通信的主要技術是隱寫術，隱寫術是信息隱藏的重要分支。隱寫術研究如何將要傳送的信息以不可感知的方式隱藏於各種載體中(如文本、圖像、音頻、視頻等)。近年來，隨著網絡技術和多媒體技術的發展，隱寫術獲得了長足的進步，已被軍事機構、政府部門、金融機構等涉及國計民生的重要部門採用，更被恐怖分子用來在互連網上互通消息。隱寫術的濫用給國家和社會帶來了潛在的嚴重危害，如何有效監督隱寫術的使用、防止隱寫術的非法應用，成為國家安全等部門關切的問題。因而，產生了一種與隱寫術相對抗的技術-隱寫分析。隱寫分析是對隱寫術的攻擊，目的是為了檢測秘密消息的存在以至破壞隱秘通信，隱寫分析是解決非法使用隱寫術問題的關鍵技術。隱寫分析技術的提高有利於防止隱寫術的非法應用，可以起到防止機密資料流失、揭示非法信息、打擊恐怖主義、預防災難發生的作用，從而保證國家的安全和社會的穩定。
圖像隱寫分析的基本工作原理是，首先對檢測圖像進行特徵提取，根據圖像的特徵是否被改變以及改變的程度來判別圖像是否隱藏圖像。根據特徵提取與隱寫算法的關係，圖像隱寫分析可以分成兩類一類是針對某種具體的隱寫方法提取其專有特徵，根據這些專有特徵進行判別，可稱為專用隱寫分析(如Fridrich J.，Goljan M.，Du R..″Reliable detection ofLSB steganography in color and grayscale images″.Proceedings of ACMMultimedia Workshops-Multimedia and Security，2001，27-30和Dumitrescu S.，Xiaolin Wu，Zhe Wang.″Detection of LSB steganographyvia sample pair analysis″.IEEE Transactions on SignalProcessing，2003，Vol.51(7)，1995-2007等)；另一類是尋找獨立於具體的隱寫方法之外的特徵，根據這些特徵進行判別，可稱為通用隱寫分析技術(如Avcibas Ismail，Memon Nasir，Sankur Bulent.″Steganalysis usingimage quality metrics″.IEEE Transactions on ImageProcessing，2003，Vol.12(2)，221-229和Hany Farid.″Detectingsteganographic messages in digital images″.DartmouthCollege，Technology ReportTR20012412，2000等)。專用隱寫分析技術可以準確檢測隱藏圖像採用某種隱寫方法，準確性高但適用性低。通用隱寫分析技術在整體上準確性不如專用隱寫分析技術，但適用性高。因此，要使隱寫分析走向實際應用，單憑某一種或某一類隱寫分析算法還是遠遠不夠的。

發明內容
本發明的目的在於提供一種基於三層架構的智能圖像隱寫分析系統，該系統具有較高的可用性和準確性，並具有較低響應時間。
本發明提供的基於三層架構的智能圖像隱寫分析系統，其特徵在於該系統包括綜合資料庫、圖像庫、綜合資料庫管理模塊、圖像庫管理模塊、特徵矢量預提取模塊、隱寫分析總控模塊、專用隱寫分析模塊、分類訓練的通用隱寫分析模塊、廣義通用隱寫分析模塊和攻擊模塊。其中綜合資料庫用於存儲支持本系統運行的數據；圖像庫用於存儲原始圖像和隱藏消息後的圖像；綜合資料庫管理模塊用於對綜合資料庫中的數據進行維護；圖像庫管理模塊用於對圖像庫進行維護，並在綜合資料庫中對圖像簡要信息進行記錄；特徵矢量預提取模塊用於預先提取圖像庫中圖像的特徵矢量信息，提取的特徵矢量信息存入綜合資料庫中；隱寫分析總控模塊用於調度專用隱寫分析模塊、分類訓練的通用隱寫分析模塊、廣義通用隱寫分析模塊和攻擊模塊，實現對檢測圖像的隱寫分析；專用隱寫分析模塊在隱寫分析總控模塊的控制下，依據推理機的推理結果，從模型庫中選擇合適的專用隱寫分析算法，對檢測圖像進行隱寫分析，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊，否則把檢測圖像傳送給分類訓練的通用隱寫分析模塊，並把隱寫分析結果寫入綜合資料庫；分類訓練的通用隱寫分析模塊在隱寫分析總控模塊的控制下，針對檢測圖像所使用的隱寫算法已公布且目前還沒有對應的專用隱寫分析算法的情況，依據綜合資料庫中的圖像簡要信息表和圖像特徵矢量表構造訓練子集集合，從專用隱寫分析模塊傳送來的圖像中提取特徵矢量集合，把特徵矢量集合中的矢量分別投射到對應訓練子集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊，否則把檢測圖像傳送給廣義通用隱寫分析模塊，並把隱寫分析結果寫入綜合資料庫；廣義通用隱寫分析模塊在隱寫分析總控模塊的控制下，針對檢測圖像所使用的隱寫算法未公布的情況，依據綜合資料庫中的圖像簡要信息表和圖像特徵矢量表構造訓練集，從分類訓練的通用隱寫分析模塊傳送來的圖像中提取特徵矢量，把特徵矢量投射到訓練集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊，否則不對檢測圖像作任何處理，直接傳出檢測圖像；攻擊模塊在隱寫分析總控模塊的控制下，對從專用隱寫分析模塊、分類訓練的通用隱寫分析模塊或廣義通用隱寫分析模塊傳送來的檢測圖像進行攻擊，傳出攻擊後的圖像。
本發明的基於三層架構的智能圖像隱寫分析系統具有以下優點及效果(1)三層過濾，協同工作本系統包含三個串行的隱寫分析子系統專用隱寫分析子系統；分類訓練的通用隱寫分析子系統；廣義的通用的隱寫分析子系統。實現了專用隱寫分析方法和通用隱寫分析方法的緊密耦合，充分發揮專用隱寫分析算法的準確性和通用隱寫分析算法的可用性的優點，同時還實現了兩種隱寫分析方法的劣勢互補，使得隱寫分析系統可以達到實際使用要求。
(2)高可用性和準確性本系統在實施時，瞄準確性和可用性兩大性能指標，在系統構建時採取了一些新穎策略，如針對專用隱寫分析算法構建基於專家系統技術的專用隱寫分析子系統，發揮專用隱寫分析算法群體優勢，提高可用性；針對通用隱寫算法，分別構建分類訓練的通用隱寫分析子系統和廣義通用隱寫分析子系統，特別是在分類訓練的通用隱寫分析子系統中，訓練子集是針對特定隱寫算法構造的精簡敏感集合，可以滿足通用隱寫分析算法可用性同時，提高其準確性。
(3)較低響應時間為了降低響應時間，採取措施有①針對兩個通用隱寫分析模塊，採取了特徵矢量預提取技術，把圖像庫中提取的特徵矢量存入綜合資料庫的特徵矢量表中，這樣避免每次隱寫分析都需要進行特徵矢量提取，可以縮短響應時間；②在分類訓練的通用隱寫分析系統中，特徵矢量的元素更少，可以降低計算複雜性，進而可以縮短響應時間。
(4)智能性本系統中，採用了人工智慧領域的專家系統和模式識別技術，使得隱寫分析過程智能化，通過人機互動，提高隱寫分析的各項性能。


圖1為本發明系統的結構示意圖；圖2為本發明系統的隱寫分析流程圖；圖3知識庫中規則的樹型表示示意圖；圖4隱寫分析綜合決策模塊流程圖；圖5為專用隱寫分析模塊的結構示意圖；圖6為分類訓練的通用隱寫分析模塊結構示意圖；圖7為廣義通用隱寫分析模塊的結構示意圖。
具體實施例方式
根據隱秘通信可能採用的隱寫算法及該隱寫算法是否有對應的專用隱寫分析算法等因素，將隱寫算法劃分為三類①隱寫算法已公布，並有對應的專用隱寫分析算法；②隱寫算法已公布，目前還沒有對應的專用隱寫分析算法；③隱寫算法未公布。本發明針對三類隱寫算法，構建一個三層架構的智能圖像隱寫分析系統，三層架構分別為一、專用隱寫分析子系統(適用於隱秘通信所採用的隱寫算法屬於情況①)；二、分類訓練的通用隱寫分析子系統(適用於隱秘通信所採用的隱寫算法屬於情況②)；三、廣義通用隱寫分析子系統(適用於隱秘通信所採用的隱寫算法屬於情況③)。
下面結合附圖和具體實施方式
對本發明做進一步說明。
如圖1所示，本發明系統包括十大部分綜合資料庫104、圖像庫105、綜合資料庫管理模塊2、圖像庫管理模塊3、特徵矢量預提取模塊4、隱寫分析總控模塊5、專用隱寫分析模塊6、分類訓練的通用隱寫分析模塊7、廣義通用隱寫分析模塊8和攻擊模塊9。
其中隱寫分析總控模塊5用於調度專用隱寫分析模塊6、分類訓練的通用隱寫分析模塊7、廣義通用隱寫分析模塊8和攻擊模塊9，實現對檢測圖像的隱寫分析。在隱寫分析總控模塊5的控制下，專用隱寫分析模塊6依據推理機的推理結果，從模型庫中選擇合適的專用隱寫分析算法，對檢測圖像101進行隱寫分析，如果分析結果有隱藏消息，則把檢測圖像101傳送給攻擊模塊9，否則把檢測圖像101傳送給分類訓練的通用隱寫分析模塊7，並把隱寫分析結果寫入綜合資料庫104；在隱寫分析總控模塊5的控制下，針對檢測圖像所使用的隱寫算法為已公布，目前還沒有對應的專用隱寫分析算法的情況，分類訓練的通用隱寫分析模塊7依據綜合資料庫104中的圖像簡要信息表和圖像特徵矢量表構造訓練子集集合，從專用隱寫分析模塊6傳送來的圖像中提取特徵矢量集合，把特徵矢量集合分別投射到對應訓練子集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像101傳送給攻擊模塊9，否則把檢測圖像101傳送給廣義通用隱寫分析模塊8，並把隱寫分析結果寫入綜合資料庫104；在隱寫分析總控模塊5的控制下，針對檢測圖像所使用的隱寫算法未公布的情況，廣義通用隱寫分析模塊8依據綜合資料庫104中的圖像簡要信息表和圖像特徵矢量表構造訓練集，從分類訓練的通用隱寫分析模塊7傳送來的圖像中提取特徵矢量，把特徵矢量投射到訓練集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像101傳送給攻擊模塊9，否則不對檢測圖像101作任何處理，直接傳出檢測圖像。在隱寫分析總控模塊5的控制下，攻擊模塊9對從專用隱寫分析模塊6、分類訓練的通用隱寫分析模塊7或廣義通用隱寫分析模塊8傳送來的檢測圖像101進行攻擊，傳出攻擊後的圖像102。
圖像庫管理模塊3負責對通用隱寫分析所使用的圖像庫105進行維護，並在綜合資料庫104中對圖像簡要信息進行記錄；特徵矢量預提取模塊4提取預先提取圖像庫105中圖像的特徵矢量信息，提取的特徵矢量信息存入綜合資料庫104中。
下面分別對各部分作具體的說明。
(1)綜合資料庫104綜合資料庫104用於存儲支持本系統運行的相關數據，綜合資料庫中數據表包括圖像簡要信息表(見表1)、圖像特徵矢量表(見表2)、檢測圖像初始參數表(見表3)、專用隱寫結果表(見表4)和分類訓練的通用隱寫分析結果表(見表5)。
表1圖像簡要信息表

各欄位說明如下文件名圖像的文件名稱；隱寫算法對於原始圖像該欄位值為NULL，否則為隱寫算法的名稱；隱寫算法類型若該圖像為原始圖像，該欄位值為0；若為隱藏消息後的圖像，該欄位取值為1表明隱藏圖像的隱寫算法有對應的專用隱寫分析算法，欄位為取值2表明還沒有對應的專用隱寫分析算法。
表2圖像特徵矢量表

各欄位的說明如下編號特徵矢量唯一編號；隱寫算法同表1；隱寫算法類型同表1；元素名稱組成特徵矢量的元素名稱，如均值-u，方差-σ；元素值特徵提取的元素值。
表3檢測圖像初始參數表

各欄位的說明如下任務號執行隱寫分析任務編號，能唯一標識隱寫分析任務，其編號自動產生；文件名檢測圖像文件名；尺寸檢測圖像的尺寸；文件格式檢測圖像的文件格式。
表4專用隱寫分析結果表

各欄位解釋如下
任務號執行隱寫分析任務編號，能唯一標識隱寫分析任務，其編號自動產生；隱寫分析算法所採用的專用隱寫分析算法的名稱；檢測結果存儲隱寫分析的結果，有隱藏消息是1，否則為0。
表5分類訓練的通用隱寫分析中間結果表

各欄位的說明如下任務號執行隱寫分析任務編號，能唯一標示一次隱寫分析任務，其編號自動產生；訓練集訓練集所對應的隱寫算法名稱；檢測值通用隱寫算法對該訓練集訓練的結果。
(2)圖像庫105圖像庫105包括原始圖像庫(沒有隱藏消息的圖像集合)和隱藏消息後的圖像庫(隱藏消息後的圖像集合)。在本系統中，圖像庫以文件的格式存放在計算機硬碟上，並在綜合資料庫的圖像簡要信息表(見表1)中記錄圖象文件簡要信息。
(3)綜合資料庫管理模塊2本模塊用於對綜合資料庫104中的數據實現維護(添加、刪除、修改、查詢、備份等)。
(4)圖像庫管理模塊3本模塊用於對圖像庫105中的圖像文件和綜合資料庫中圖像簡要信息表進行維護(添加、刪除、修改、查詢)。
(5)特徵矢量預提取模塊4分類訓練的通用隱寫分析模塊7和廣義通用隱寫分析模塊8進行隱寫分析時需要提取圖像庫105中圖像的特徵矢量。為了縮短隱寫分析的響應時間，避免每一次隱寫分析都要進行圖像特徵矢量提取，特徵矢量預提取模塊4從圖像庫105中預先提取圖像的特徵矢量並存入綜合資料庫104的圖像特徵矢量表(見表2)，這樣在隱寫分析時可以直接使用圖像特徵矢量表構造特徵矢量訓練集，圖像的特徵矢量在特徵矢量表中以特徵矢量元素為基本單位進行存儲，即每一元素為一條記錄。
(6)隱寫分析總控模塊5如圖2所示，對於一幅待檢測的圖像，隱寫分析總控模塊5首先調度專用隱寫分析模塊6進行隱寫分析，如果分析結果表明有隱藏消息，則啟動攻擊模塊9對該圖像進行攻擊並輸出攻擊後的圖像；否則，啟動分類訓練的通用隱寫分析模塊7進行隱寫分析；緊接著，如果通用隱寫分析模塊7隱寫分析表明檢測圖像沒有隱藏消息，則啟動廣義通用隱寫分析模塊8進行隱寫分析；否則啟動攻擊模塊9對該圖像進行攻擊並輸出攻擊後的圖像；最後，如果廣義通用對隱寫分析模塊8隱寫分析表明檢測圖像沒有隱寫消息，則不作任何處理；否則啟動攻擊模塊9對該圖像進行攻擊並輸出攻擊後的圖像。不難看出，本發明實現了專用隱寫分析技術和通用隱寫分析技術的緊密耦合，充分發揮各自的優點，同時還實現彼此劣勢互補，大大提高了隱寫分析系統的準確性和可用性。
(7)專用隱寫分析模塊6專用隱寫分析模塊6針對專用隱寫分析算法構建專家系統，該專家系統是利用隱寫分析領域知識和推理，來解決圖像隱寫分析問題的智能軟體系統。由於專家系統具有持久性、可靠性、穩定性以及決策可理解性等優點，為隱寫分析人員提供科學、準確、高效的決策支持。同時為了彌補專家系統計算能力較弱缺點，加入隱寫分析模型庫，增強系統的決策支持能力。
根據專用隱寫分析領域知識的描述，建立面向專用隱寫分析算法的專用隱寫分析模塊的結構如圖5所示，從功能上看，該模塊包括以下部分知識庫110、模型庫111、知識庫管理模塊61、圖像參數信息獲取模塊62、模型庫管理模塊63、推理機64、隱寫分析綜合決策模塊65和人機互動模塊66。上述各個部分的具體功能描述如下●知識庫110又稱規則庫，規則用產生式(IF P THEN Q，表示如果事實P成立，則執行行為Q)表示。通過收集專用圖像隱寫分析知識和經驗，篩選出目前典型的一些專用隱寫分析算法，並依據專用隱寫分析算法針對的圖像類型(調色板圖像、真彩色圖像、JPEG圖像等)、隱寫算法類型(LSB隱寫算法、QIM隱寫算法等)以及隱寫分析算法有效性，建立規則庫。為了對規則庫的構建有更好理解，下面以示例形式介紹，圖3是一個三層規則庫的樹形表示示例，該規則樹中事實P和行為Q所涉及的變量定義如下①變量Rsspesial表示專用隱寫分析結果，如果其值為真則表示當前圖像中隱藏有水印，否則沒有水印信息，該變量初始值為假；②變量IDcur_scheme表示當前選擇的隱寫分析算法的編號；③變量IDpre_scheme表示前一次選擇的隱寫分析算法的編號，第一層中，該變量值為0；④變量Endmark表示結束標誌，如果為真則表示準備結束，否則為假，初始值為假；⑤變量Iclass表示當前隱寫分析的圖像類型的標識號(例如，調色板圖像Iclass＝1、真彩色圖像Iclass＝2、JPEG圖像Iclass＝3等)。圖3中的路徑n所涉及的規則可具體表示如下if P1nthen Q1n；if P2nthen Q2n；if P3nthen Q3n；其中P1n(IDpre_scheme＝0)∧(Endmark＝＝false)∧(Iclass＝n)∧(Rsspecial＝＝false)；Q1nIDcur_scheme＝A1n；P2n(IDpre_scheme＝＝A1n)∧(Endmark＝＝false)∧(Iclass＝n)∧(Rsspecial＝＝false)；Q2nIDcur_scheme＝A2n；P3n(IDpre_scheme＝＝A2n)∧(Endmark＝＝false)∧(Iclass＝n)∧(Rsspecial＝＝false)；Q3nEndmark＝true從規則表達式中，不難發現，推理機64依據此規則進行推理的結果只能有兩種結果①將要選擇的的隱寫分析算法編號；②專用隱寫分析結束標誌。隱寫分析綜合決策模塊65正是根據此結果，確定是調用模型庫當前選擇隱寫分析算法還是結束專用隱寫分析。
●模型庫111通過收集專用圖像隱寫分析知識和經驗，篩選出目前典型的一些專用隱寫分析算法，並用程序代碼實現算法的功能，隱寫算法功能的實現也稱為數學模型，這些數學模型存儲在模型庫111中；
●知識庫管理模塊61對知識庫110規則進行維護(增加、刪除、修改、查詢)；●圖像參數信息獲取模塊62獲取檢測圖像的簡單參數，並寫入綜合資料庫104的檢測圖像初始參數表，見表3；●模型庫管理模塊63本模塊負責對模型庫111中的隱寫分析算法模型進行維護(增加、刪除、修改、查詢)；●推理機64推理機64工作原理接收從隱寫分析綜合決策模塊65傳來的事實，直接在知識庫中匹配規則，並執行匹配的規則，最終獲得推理結果，該推理結果傳送到隱寫分析綜合決策模塊65和人機互動模塊66。
●隱寫分析綜合決策模塊65該模塊工作流程圖如圖4所示，具體步驟步驟為①構造事實P對知識庫中規則所涉及的變量Rsspesial、IDcur_scheme、IDpre_scheme、Endmark、Iclass賦值，如果第一次進入該模塊，則IDcur_scheme＝0、IDpre_scheme＝0、Endmark＝false、Rsspesial＝false、Iclass為檢測圖像的類型值；否則進行IDpre_scheme＝IDcur_scheme賦值操作；②調用推理機把事實P傳給推理機，並獲得推理結果，如果推理結果中Endmark為真，則轉向步驟④；③調用隱寫算法模型根據變量IDcur_scheme的值，從模型庫中選擇隱寫分析算法對檢測圖像進行隱寫分析，如果隱寫分析結果有隱藏圖像，則對變量Rsspesial賦值為true跳到步驟④，否則進入步驟①重複執行；④隱寫分析結果處理如果Rsspesial＝＝true，則向人機互動模塊66提示有隱藏消息，否則提示沒有隱藏消息，並將隱寫分析結果寫入綜合資料庫104的專用隱寫分析結果表，見表4。
●人機互動模塊66人機互動的接口，負責接收隱寫分析人員給出的指令，同時把推理或隱寫分析綜合決策模塊處理結果返回給隱寫分析人員。(8)分類訓練的通用隱寫分析模塊7如圖6所示，分類訓練的通用隱寫分析模塊包括主元素特徵矢量子集構造模塊71、主元素特徵矢量提取模塊72、通用隱寫分析模塊73和隱寫分析決策模塊74。其中，主元素特徵矢量子集構造模塊71根據綜合資料庫104中圖像簡要信息表，篩選出表中隱寫算法類型欄位取值為2的隱寫算法集A＝{Ai|1≤i≤n}，並針對每一種隱寫算法Ai，依據圖像特徵矢量表構造主元素特徵矢量子集Ωi，其中Ωi＝I0UIi，I0表示由原始圖像庫提取的特徵矢量構造的主元素特徵矢量子集，Ii表示隱寫算法Ai隱寫後的圖像庫構造的主元素特徵矢量子集。所謂主元素特徵矢量是通用隱寫分析算法在該訓練集上進行隱寫分析時比較敏感的元素組成的矢量，因而，每一特徵矢量子集的特徵矢量元素由對應的隱寫算法決定。
主元素特徵矢量提取模塊72負責針對每一隱寫算法Ai，參照對應的主元素特徵矢量子集Ωi，從檢測圖像提取主元素特徵矢量Vi，其中特徵矢量Vi的元素和特徵矢量集Ωi中的矢量元素相同。
通用隱寫分析模塊73具有訓練功能，它針對每一隱寫算法Ai，把對應的主元素特徵矢量Vi投射到特徵矢量集Ωi上進行訓練，獲得訓練結果Dti，並把該結果作為隱寫分析中間結果，寫入綜合資料庫104的分類訓練的通用隱寫分析中間結果表，見表5，並傳送給隱寫分析決策模塊74。
隱寫分析決策模塊74首先根據訓練結果集Dt＝{Dt1，Dt2，......，Dtn}，計算出集合Dt的最大值Dtmax，即Dtmax＝max{Dt1，Dt2，......，Dtn}。然後把Dtmax和綜合資料庫104中的檢測閾值T進行比較，如果Dtmax≥T則提示有隱藏消息，否則提示沒有隱藏消息。
從以上隱寫分析原理不難發現，針對精簡的高敏感子集隱寫分析，一方面可以提高隱寫分析的準確性，同時可以降低算法的複雜性。
(9)廣義通用隱寫分析模塊8如圖7所示，廣義通用隱寫分析模塊8包括特徵矢量集構造模塊81、特徵矢量提取模塊82和具有訓練功能的通用隱寫分析模塊83。其中，特徵矢量集構造模塊81根據綜合資料庫104中圖像簡要信息表106與圖像特徵矢量表107構造特徵矢量集Ω，其中Ω＝I0UIsteg，I0表示由原始圖像庫提取的特徵矢量構造的特徵矢量子集，Isteg表示所有隱寫算法隱寫後的圖像庫構造的特徵矢量子集。
特徵矢量提取模塊82從檢測圖像提取特徵矢量v，其中特徵矢量v的元素和特徵矢量集Ω中的矢量元素相同。
通用隱寫分析模塊83具有訓練功能，把特徵矢量投射v到特徵矢量集Ω上進行訓練，獲得訓練結果Dt，然後把Dt和綜合資料庫104中的檢測閾值T進行比較，如果Dt≥T則提示有隱藏消息，否則提示沒有隱藏消息。
從結構圖中，似乎廣義通用隱寫分析模塊8和基於主元素特徵通用隱寫分析模塊7隱寫分析基本類同，如均採用相同的隱寫分析方法。然而，同基於主元素特徵通用隱寫分析模塊7相比，廣義通用隱寫分析模塊在訓練集的構造和特徵矢量提取等方面有自己的特色，具體表現在①特徵矢量集構造模塊81構造的特徵矢量集Ω中，隱藏圖像的特徵矢量集所對應的隱寫算法更為廣泛，是所有已公布的隱寫算法；②特徵矢量集Ω中的特徵矢量是由對所有隱寫算法均敏感的元素組成。
由於特徵矢量集的特徵矢量元素的選取和圖像庫的選取很好的平衡隱寫分析算法對所有隱寫算法的敏感性，因而適用性廣，可以有效彌補前兩個隱寫分析模塊在該性能指標中的不足。
(10)攻擊模塊9對檢測圖像進行攻擊，目標是使得攻擊後的檢測圖像中不能正確提取隱秘消息，即破壞隱秘通信的進行，同時力圖破解隱秘消息。
權利要求
1.一種基於三層架構的智能圖像隱寫分析系統，其特徵在於該系統包括綜合資料庫(104)、圖像庫(105)、綜合資料庫管理模塊(2)、圖像庫管理模塊(3)、特徵矢量預提取模塊(4)、隱寫分析總控模塊(5)、專用隱寫分析模塊(6)、分類訓練的通用隱寫分析模塊(7)、廣義通用隱寫分析模塊(8)和攻擊模塊(9)；其中綜合資料庫(104)用於存儲支持本系統運行的數據；圖像庫(105)用於存儲原始圖像和隱藏消息後的圖像；綜合資料庫管理模塊(2)用於對綜合資料庫(104)中的數據進行維護；圖像庫管理模塊(3)用於對圖像庫(105)進行維護，並在綜合資料庫(104)中對圖像簡要信息進行記錄；特徵矢量預提取模塊(4)用於提取預先提取圖像庫(105)中圖像的特徵矢量信息，提取的特徵矢量信息存入綜合資料庫(104)中；隱寫分析總控模塊(5)用於調度專用隱寫分析模塊(6)、分類訓練的通用隱寫分析模塊(7)、廣義通用隱寫分析模塊(8)和攻擊模塊(9)，實現對檢測圖像的隱寫分析；專用隱寫分析模塊(6)在隱寫分析總控模塊(5)的控制下，依據推理機的推理結果，從模型庫中選擇合適的專用隱寫分析算法，對檢測圖像進行隱寫分析，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊(9)，否則把檢測圖像傳送給分類訓練的通用隱寫分析模塊(7)，並把隱寫分析結果寫入綜合資料庫(104)；分類訓練的通用隱寫分析模塊(7)在隱寫分析總控模塊5的控制下，針對檢測圖像所使用的隱寫算法已公布且目前還沒有對應的專用隱寫分析算法的情況，依據綜合資料庫(104)中的圖像簡要信息表和圖像特徵矢量表構造訓練子集集合，從專用隱寫分析模塊(6)傳送來的圖像中提取特徵矢量集合，把特徵矢量集合中的矢量分別投射到對應訓練子集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊(9)，否則把檢測圖像傳送給廣義通用隱寫分析模塊(8)，並把隱寫分析結果寫入綜合資料庫(104)；廣義通用隱寫分析模塊(8)在隱寫分析總控模塊(5)的控制下，針對檢測圖像所使用的隱寫算法未公布的情況，依據綜合資料庫(104)中的圖像簡要信息表和圖像特徵矢量表構造訓練集，從分類訓練的通用隱寫分析模塊(7)傳送來的圖像中提取特徵矢量，把特徵矢量投射到訓練集上進行訓練並獲得隱寫分析結果，如果分析結果有隱藏消息，則把檢測圖像傳送給攻擊模塊(9)，否則不對檢測圖像作任何處理，直接傳出檢測圖像；攻擊模塊(9)在隱寫分析總控模塊(5)的控制下，對從專用隱寫分析模塊(6)、分類訓練的通用隱寫分析模塊(7)或廣義通用隱寫分析模塊(8)傳送來的檢測圖像進行攻擊，傳出攻擊後的圖像。
2.根據權利要求1所述的系統，其特徵在於所述綜合資料庫(104)包括圖像簡要信息表、圖像特徵矢量表、檢測圖像初始參數表、專用隱寫結果表和分類訓練的通用隱寫分析結果表。
3.根據權利要求1或2所述的系統，其特徵在於所述專用隱寫分析模塊(6)包括知識庫(110)、模型庫(111)、知識庫管理模塊(61)、圖像參數信息獲取模塊(62)、模型庫管理模塊(63)、推理機(64)、隱寫分析綜合決策模塊(65)和人機互動模塊(66)；模型庫(111)用於存儲現有已公布的專用隱寫分析算法的數學模型；知識庫(110)用於存儲隱寫分析規則；模型庫管理模塊(63)負責對模型庫(111)中的隱寫分析算法模型進行維護；知識庫管理模塊(61)用於對知識庫規則進行維護；圖像參數信息獲取模塊(62)用於獲取檢測圖像的簡單參數，並寫入綜合資料庫(104)中；推理機(64)依據隱寫分析綜合決策模塊(65)傳來的事實，按匹配規則從知識庫(110)中的匹配規則，並執行該規則獲得推理結果，並將推理結果傳送到隱寫分析綜合決策模塊(65)和人機互動模塊(66)；隱寫分析綜合決策模塊(65)首先構造事實P，並把事實P作為參數，傳給推理機(64)模塊進行推理，如果推理結果中結束標誌Endnark為假，則根據當前選擇的隱寫分析算法的編號IDcur_scheme值，從模型庫(111)中選擇對應的隱寫分析算法模型，使用該模型對檢測圖像進行隱寫分析；如果推理結果中變量結束標誌Endmark為真，則轉至隱寫分析結果處理；如果選擇的隱寫分析算法確定檢測圖像沒有隱藏消息，則重新執行上述過程，否則轉至隱寫分析結果處理；隱寫分析結果處理根據專用隱寫分析結果Rspesial值，形成隱寫分析結果，將隱寫分析結果寫入綜合資料庫(104)中，並將其輸出至人機界面，提供給隱寫分析人員；人機互動模塊(66)用於接收隱寫分析人員給出的指令，同時把推理機(64)和隱寫分析綜合決策模塊(65)處理結果返回給隱寫分析人員。
4.根據權利要求3所述的系統，其特徵在於所述分類訓練的通用隱寫分析模塊(7)包括主元素特徵矢量子集構造模塊(71)、主元素特徵矢量提取模塊(72)、通用隱寫分析模塊(73)和隱寫分析決策模塊(74)；其中，主元素特徵矢量子集構造模塊(71)根據綜合資料庫(104)中圖像簡要信息表，篩選出表中隱寫算法類型欄位取值為2的隱寫算法集A＝{Ai|1≤i≤n}，並針對每一種隱寫算法Ai，依據圖像特徵矢量表構造主元素特徵矢量子集Ωi，其中Ωi＝I0UIi，I0表示由原始圖像庫提取的特徵矢量構造的主元素特徵矢量子集，Ii表示隱寫算法Ai隱寫後的圖像庫構造的主元素特徵矢量子集；主元素特徵矢量提取模塊(72)針對每一隱寫算法Ai，參照對應的主元素特徵矢量子集Ωi，從檢測圖像提取主元素特徵矢量Vi，其中特徵矢量Vi的元素和特徵矢量集Ωi中的矢量元素相同；通用隱寫分析模塊(73)針對每一隱寫算法Ai，把對應的主元素特徵矢量Vi投射到特徵矢量集Ωi上進行訓練，獲得訓練結果Dti，並把該結果作為隱寫分析中間結果，寫入綜合資料庫(104)的分類訓練的通用隱寫分析中間結果表，並傳送給隱寫分析決策模塊(74)；隱寫分析決策模塊(74)首先根據訓練結果集Dt＝{Dt1，Dt2，......，Dtn}，計算出集合Dt的最大值Dtmax，即Dtmax＝max{Dt1，Dt2，......，Dtn}；然後把Dtmax和綜合資料庫(104)中的檢測閾值T進行比較，如果Dtmax≥T則提示有隱藏消息，否則提示沒有隱藏消息。
5.根據權利要求4所述的系統，其特徵在於所述廣義通用隱寫分析模塊(8)包括特徵矢量集構造模塊(81)、特徵矢量提取模塊(82)和具有訓練功能的通用隱寫分析模塊(83)；其中，特徵矢量集構造模塊(81)根據綜合資料庫(104)中圖像簡要信息表與圖像特徵矢量表構造特徵矢量集Ω；特徵矢量提取模塊(82)用於從檢測圖像提取特徵矢量V，其中特徵矢量V的元素和特徵矢量集Ω中的矢量元素相同；通用隱寫分析模塊(83)用於將特徵矢量投射V到特徵矢量集Ω上進行訓練，獲得訓練結果Dt，然後把Dt和綜合資料庫(104)中的檢測閾值T進行比較，如果Dt≥T則提示有隱藏消息，否則提示沒有隱藏消息。
全文摘要
本發明公開了一種基於三層架構的智能圖像隱寫分析系統，包括綜合資料庫、圖像庫、綜合資料庫管理模塊、圖像庫管理模塊、特徵矢量預提取模塊、隱寫分析總控模塊和攻擊模塊，以及用於針對隱寫算法已公布且有對應的專用隱寫分析算法的專用隱寫分析模塊、針對隱寫算法已公布尚無對應的專用隱寫分析算法的分類訓練的通用隱寫分析模塊和針對隱寫算法未公布的廣義通用隱寫分析模塊。本發明採用三層架構，針對隱寫算法所屬類型構建專門的隱寫分析子系統，具有準確性和適用性；利用專家系統將現有的專用隱寫分析方法建成模型庫和規則庫，並通過人機互動不斷更新隱寫分析規則庫，具有智能性；採用主元素特徵提取與樣本圖像庫分類訓練相結合，提高計算效率和準確性。
文檔編號H04L9/00GK1818925SQ20061001849
公開日2006年8月16日 申請日期2006年3月7日 優先權日2006年3月7日
發明者鄒復好, 凌賀飛, 盧正鼎, 袁武鋼 申請人:華中科技大學