隱寫分析系統中基於主元特徵的隱寫分析算法的製作方法

2023-06-04 04:38:41 2

專利名稱：隱寫分析系統中基於主元特徵的隱寫分析算法的製作方法
技術領域：
本發明涉及一種隱寫分析系統中基於主元特徵的隱寫分析算法。
背景技術：
近年來，隱秘術和數字水印(與隱秘術對應，特指不可見數字水印)技術的研究得到較大發展。許多隱秘術和數字水印軟體能夠從網上直接下載，使普通人利用這些技術實現「隱蔽」通訊成為可能。這種現象客觀上要求隱寫分析技術的進步，以便檢測和阻止不法信息隱藏在看似無異的普通媒體(圖像、音頻和視頻等)中傳遞。
隱秘術以隱藏信息的「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，通過計算機檢測、分析甚至抽取出隱藏的信息或者隱秘術的算法細節。隱寫分析的實現思想基於這樣的認識圖像在嵌入信息前後存在差別並且這樣的差別能被檢測。「被動」隱寫分析算法只檢測媒體中是否含有隱藏的信息；「主動」隱寫分析則要進一步獲取隱藏信息的長度、隱藏算法的名稱或技術細節，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」隱寫分析針對特定的隱秘術而設計，而「盲」隱寫分析算法可處理多種隱秘術。本發明涉及的隱寫分析屬於「被動」的「盲」隱寫分析，即檢測圖像中是否存在使用多種隱秘術隱藏的信息。高效隱寫分析算法應在儘可能降低誤檢率的前提下，提高對「隱秘」圖像的檢測率。誤檢率指檢測過程中將「乾淨」圖像錯分為「隱秘」圖像的概率。

發明內容
本發明的目的是提供一種隱寫分析系統中基於主元特徵的隱寫分析算法。
隱寫分析系統中基於主元特徵的隱寫分析算法包括如下步驟1)將高階微分運算引入隱寫分析領域微分運算具有放大「微小變化」的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導致的不自然變化；2)計算所有像素亮度、一階全微分和二階全微分分布狀態的直方圖計算圖像中每個像素位置對應的一階全微分和二階全微分；一階全微分可看作當前位置像素的右方和下方兩個像素的顏色值和同當前位置像素顏色值的2倍之差；二階全微分可看作當前位置像素的右方和下方兩個像素的一階全微分和同當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字大小統計不同像素的顏色值的個數，就得到像素亮度的直方圖 公式(1)用於計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時，[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；計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，並適當地改變i和j的變化範圍；計算二階全微分直方圖的公式可類似得到；3)計算高階偏微分的直方圖計算圖像中每個像素位置對應的高階偏微分。高階偏微分目前對應著一階、二階和三階偏微分；一階偏微分可看作當前位置像素的右方像素顏色值同當前位置像素顏色值之差，或者其下方像素的顏色值同當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字大小統計不同像素位置處的一階偏微分的個數，就得到一階偏微分的直方圖 公式(2)用於計算顏色信道α內一階偏微分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前像素位置的右方像素的一階全微分同當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前像素位置的一階全微分之差；三階偏微分的計算與此類似；4)計算相鄰像素位置6個高階偏微分對象的共生矩陣按照3)中方法可計算得到「行」和「列」兩個方向共6個高階偏微分對象；統計「行」方向上位置相鄰的兩個像素處高階微分的數值同時出現的個數；所有成對一階偏微分的個數組成一階偏微分的共生矩陣；類似的，可得到其他對象的共生矩陣；5)計算兩個顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個顏色信道，計算出每個顏色信道中所有像素位置的高階偏微分後，統計兩個不同信道中相同坐標位置處一階偏微分同時出現的個數，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)計算梯度共生矩陣為將r、g和b三個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於一階偏微分的圖像增強技術；簡單地說，一個像素位置處的梯度是三個顏色信道中該像素位置處一階偏微分的絕對值和。梯度被分為「行」方向的「行梯度」和「列」方向的「列梯度」；統計位置相鄰的兩個梯度值同時出現的狀態，就得到梯度共生矩陣；7)使用直方圖特徵函數計算如上統計量的統計矩作為初始特徵對一個直方圖做一維離散傅立葉變換並求其幅值，得到其「微分特徵函數」，使用統計矩公式計算得到該直方圖對應的一個特徵；對一個共生矩陣做二維離散傅立葉變換並求其幅值，得到其「微分特徵函數」，使用統計矩公式計算得到該共生矩陣對應的兩個特徵；從所有統計量按照如上方式計算，可從一幅彩色圖像得到初始的136維特徵向量；8)使用主元分析法將初始的136維特徵向量降維為18維最終特徵向量的方法使用「主元分析法」降維，將每幅圖像看作一「行」，一幅圖像對應的136維特徵看作136「列」，就得到一個矩陣；使用線性代數中求特徵值和特徵向量的方法，選取最大的幾個特徵值及其對應的特徵向量，並將其他特徵值對應的特徵向量置為0，就得到降維特徵向量；通過原始特徵向量同降維特徵向量之間的運算，得到最終降維為18維的特徵向量過程中，使用了最大的18個特徵值對應的18個特徵向量組成降維特徵矩陣。
所述的微分運算具有放大「微小變化」的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導致的不自然變化用bα(m，n)表示彩色BMP圖像中顏色信道α內位置第m行、第n列處的亮度，則該處的一階偏微分定義為P(1,C)(m,n)=b(m,n+1)-b(m,n)]]>和p(1,R)(m,n)=b(m+1,n)-b(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)d1(m,n)=|p(1,C)(m,n)|+|p(1,R)(m,n)|---(3)]]>d2(m,n)=p(1,C)(m,n)+p(1,R)(m,n)-p(1,C)(m,n-1)-p(1,R)(m-1,n)---(4)]]>於是得到「列」與「行」兩個方向的二階與三階偏微分分別定義如下(5～8所示)p(2,C)(m,n)=d1(m,n+1)-d1(m,n)---(5)]]>
p(2,R)(m,n)=d1(m+1,n)-d1(m,n)---(6)]]>p(3,C)(m,n)=d2(m,n+1)-d2(m,n)---(7)]]>p(3,R)(m,n)=d2(m+1,n)-d2(m,n)---(8)]]>為將r、g和b三個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於一階偏微分的圖像增強技術；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個高階偏微分對象的共生矩陣為 公式(11)計算兩個在「列」方向上相鄰的像素亮度同時出現的「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個對象的「共生矩陣」同樣可計算得到。
所述的兩個顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對應兩個顏色信道；公式(12)用於計算α和β兩個顏色信道中同一像素位置第i行、第j列處兩個亮度值s和t同時出現的頻度，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」兩個方向的一階偏微分這四個對象的共生矩陣公式。
所述的梯度共生矩陣的計算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個顏色信道中「列」方向和「行」方向的一階偏微分的絕對值和，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變；基於「梯度」的共生矩陣對嵌入信息更敏感；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」可區分為「列」相鄰位置和「行」相鄰位置的「同時出現」，可分為如上四個公式。
所述的使用直方圖特徵函數計算公式為(17)和(18)M1l=k=0r/2-1klc(k)k=0r/2-1c(k)---(17)]]>式中l∈{1，2}，c(k)表示頻率k對應的振幅；γ是頻率最大值；公式(17)對一個直方圖做一維離散傅立葉變換並求其幅值，得到「微分特徵函數」c＝|DFT(h)|，即可計算其一階統計矩和二階統計矩；M2l=k1=0/2-1k2=0/2-1(k1l,k2l)c2(k1,k2)k1=0/2-1k2=0/2-1c2(k1,k2)---(18)]]>對一個共生矩陣做二維離散傅立葉變換並求其幅值，得到對應的微分特徵函數c2＝|DFT2(h2)|後，使用公式(18)計算特徵函數在k1和k2兩個方向的一階統計矩和二階統計矩，得到4個特徵；使用如上公式，可從一幅彩色圖像得到初始的136維特徵向量。
本發明是一種基於微分統計矩特徵向量，採用支持向量機為分類算法的「盲」檢測算法。計算數字圖像中微分統計矩函數，並使用「主元分析法」消除特徵之間的依賴性，從而更好地表達圖像因為嵌入信息而引起的差異性。
本發明具有檢測的高效性(誤檢率低、檢測率高)和對多種來源圖像的性能穩健性，；算法複雜性低、計算開銷小。(1、對Cox和Piva兩種擴頻隱秘術的實驗結果表明，誤檢率為0％的情況下，該算法檢測率均達到100％。2、在CorelDraw和Washington兩種圖像庫上的性能揭示了算法的普適性和穩健性。)


圖1(a)是採用Cox(α＝0.05)和Piva(α＝0.1)兩種擴頻隱秘術在1096幅CorelDraw「乾淨」圖像中嵌入信息的「隱密」圖像，以及對應「乾淨」圖像的「特徵雲圖；分別對應圖中的Cox(α＝0.05)、Piva(α＝0.1)和cover。
圖1(b)是採用Cox(α＝0.05)和Piva(α＝0.1)兩種擴頻隱秘術在1324幅Washington「乾淨」圖像中嵌入信息的「隱密」圖像，以及對應「乾淨」圖像的「特徵雲圖。
圖1(c)是採用Cox(α＝0.1)和Piva(α＝0.2)兩種擴頻隱秘術在1096幅CorelDraw「乾淨」圖像中嵌入信息的「隱密」圖像，以及對應「乾淨」圖像的「特徵雲圖。
圖1(d)是採用Cox(α＝0.1)和Piva(α＝0.2)兩種擴頻隱秘術在1324幅Washington「乾淨」圖像中嵌入信息的「隱密」圖像，以及對應「乾淨」圖像的「特徵雲圖。
具體實施例方式
隱寫分析系統中基於主元特徵的隱寫分析算法是將微分運算引入圖像隱寫分析領域，構造初始多維特徵。按照步驟(一)到(八)從每幅彩色BMP圖像中抽取136維特徵向量，降維到18維；然後使用支持向量機訓練；使用訓練階段的降維特徵矩陣對由測試圖像所得的136維特徵向量降維，最後用訓練模板實現分類，得到(九)中的實驗結果(一)將高階微分運算引入隱寫分析領域用bα(m，n)表示彩色BMP圖像中顏色信道α內位置(m，n)處的亮度，則該處的一階偏微分定義為p(1,C)(m,n)=b(m,n+1)-b(m,n)]]>和p(1,R)(m,n)=b(m+1,n)-b(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)d1(m,n)=|p(1,C)(m,n)|+|p(1,R)(m,n)|---(1)]]>d2(m,n)=p(1,C)(m,n)+p(1,R)(m,n)-p(1,C)(m,n-1)-p(1,R)(m-1,n)---(2)]]>於是得到「列」與「行」兩個方向的二階與三階偏微分分別定義如下(3～6所示)p(2,C)(m,n)=d1(m,n+1)-d1(m,n)---(3)]]>p(2,R)(m,n)=d1(m+1,n)-d1(m,n)---(4)]]>p(3,C)(m,n)=d2(m,n+1)-d2(m,n)---(5)]]>p(3,R)(m,n)=d2(m+1,n)-d2(m,n)---(6)]]>為將r、g和b三個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於一階偏微分的圖像增強技術。
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)統計所有像素亮度、一階全微分和二階全微分分布狀態的直方圖 公式(9)用於計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度。其中，s＝t時，[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。計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，並適當地改變i和j的變化範圍。計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)用於計算顏色信道α內一階偏微分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個對象的共生矩陣 統計「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個對象的共生矩陣，表示每個對象對應的兩個數值同時出現的統計分布狀態。公式(11)計算兩個在「列」方向上相鄰的像素亮度同時出現的「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個對象的「共生矩陣」同樣可計算得到。
(五)兩個顏色信道之間的共生矩陣 式中，αβ∈{rg，gb，br}，對應兩個顏色信道。公式(12)用於計算α和β兩個顏色信道中同一像素位置(i，j)處兩個亮度值s和t同時出現的頻度，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」兩個方向的一階偏微分這四個對象的共生矩陣公式。
(六)梯度共生矩陣RGB彩色圖像的梯度GC(m，n)和GR(m，n)是三個顏色信道中一階偏微分的組合，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變。基於「梯度」的共生矩陣對嵌入信息更敏感。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」可區分為「列」相鄰位置和「行」相鄰位置的「同時出現」，可得到四個共生矩陣(公式13～16所示



(七)使用直方圖特徵函數計算如上統計量的統計矩作為初始特徵對一個直方圖做一維離散傅立葉變換並求其幅值，得到「微分特徵函數」c＝|DFT(h)|，即可計算其一階統計矩和二階統計矩。
M1l=k=0r/2-1klc(k)k=0r/2-1c(k)---(17)]]>式中l∈{1，2}，c(k)表示頻率k對應的振幅；γ是頻率最大值。
對一個共生矩陣做二維離散傅立葉變換並求其幅值，得到對應的微分特徵函數c2＝|DFT2(h2)|，使用公式(18)計算特徵函數在k1和k2兩個方向的一階統計矩和二階統計矩，得到4個特徵。
m2l=k1=0/2-1k2=0/2-1(k1l,k2l)c2(k1,k2)k1=0/2-1k2=0/2-1c2(k1,k2)---(18)]]>(八)使用主元分析法將初始的136維特徵向量降維為18維最終特徵向量首先使用「主元分析法」將若干訓練樣本的136維特徵向量降維到18維，並保存對訓練「樣本對」降維時的「主元特徵矩陣」，然後將它用於「測試樣本集」中的136維特徵降到18維的過程。
表1.圖像庫中100幅圖像為訓練樣本，其它為測試樣本時的檢測性能

(九)應用實例使用Cox算法和Piva算法在彩色RGB圖像中嵌入信息時，首先將圖像轉化為YIQ的表示形式，然後將數據嵌入在其中的Y部分，最後再將YIQ圖像轉換為RGB圖像。對如上三種「乾淨」圖像庫中每一幅圖像，使用Cox算法嵌入1000個隨機數，產生「Cox隱秘圖像庫」；使用Piva算法嵌入16000個隨機數得到「Piva隱秘圖像庫」。原始Cox算法中，嵌入強度α＝0.1，為了測試嵌入強度對檢測性能的影響，我們測試了α＝0.05的情況。對Piva算法，分別測試了α＝0.1和α＝0.2的情況。
1)在兩個圖像庫上的訓練和檢測結果從一個「乾淨」圖像庫中取100幅圖像，從「隱秘」圖像庫中取出相應的「隱密」圖像，二者組成「訓練樣本對」庫。剩下的「乾淨」圖像及其「隱秘」版本作為「開放」測試集。為使算法具有實用性，保存用於訓練的100對「樣本對」降維時的「主元特徵矩陣」，並用它將「測試樣本集」中的136維特徵降到18維。為增加實驗的對比度，我們在同樣的圖像庫上(同樣取100對樣本訓練，其它樣本用於測試)測試了第一節中提到的「擴展Shi Yun Q算法」，即使用234維特徵向量表示一幅彩色圖像的算法。對比實驗的分類算法同樣採用LibSvm。本文算法(簡稱「主元算法」)和「擴展Shi Yun Q算法」(簡稱「Shi算法」)的在圖像庫1和2上的測試結果見表1。檢測性能以「檢測率/誤檢率」的形式給出。
從表1可以看出，「Shi算法」對嵌入強度因子α＝0.05的Cox算法和α＝0.1的Piva算法的檢測效果很好；然而，對α＝0.1的Cox算法和α＝0.2的Piva算法反而較差。這是很不正常的現象。原因在於「Shi算法」產生的特徵向量的維數太大(234)，按照模式識別的規律，至少需要2340對樣本測試(CorelDraw樣本庫總共只有1096對)，所得到的結果才是實際可信的。樣本數較少時，測試結果相對於真實結果偏高，但也能說明算法的性能。「Shi算法」在圖像庫2上的實驗結果較差，暴露出該算法極不穩定的性能。相反，「主元算法」在兩種圖像庫上均表現出完美的檢測性能。
2)一個圖像庫中部分樣本為訓練集，另一個圖像庫全部圖像為測試集的實驗結果表2.一類圖象的100對樣本做訓練樣本，另一類所有圖像做測試樣本的檢測性能

為提高隱寫分析系統的實用性，需要研究使用哪些圖像庫可以訓練對絕大多數其它來源的圖像而言均高效的分類模板。對每一種隱秘術，我們使用100對CorelDraw樣本圖像降維並訓練分類模板；然後用這100對CorelDraw特徵向量的「主元特徵矩陣」將所有1324對Washington圖像的136維特徵降到18維；最後用訓練所得分類模板對1324對特徵向量進行測試。測試結果見表2中欄名為「CorelDraw」的一列。
對每一種隱秘術，我們同樣使用100對Washington圖像做訓練樣本，而所有1096對CorelDraw圖像為測試樣本測試了「主元算法」。測試結果見表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」具有非常高的檢測性能和穩健性。3.4節的圖1從微觀的角度對「主元算法」具備如此優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徵加以說明。為此，我們再次使用「主元分析法」將18維特徵向量降到3維，將一幅彩色圖像對應的三維特徵分別作為空間坐標系中x、y和z軸的坐標，從而，一幅圖像就是三維空間中的一個特徵點。1096幅CorelDraw「乾淨」圖像與它們的「隱密」圖像的特徵「雲圖」見圖1中的(a)和(c)，1324幅Washington「乾淨」圖像與它們的「隱密」圖像的特徵「雲圖」見(b)和(d)。從圖2的宏觀效果圖可以看出，「乾淨」圖像同「隱密」圖像二者的「特徵雲圖」在三維空間中區分明顯。
本發明技術方案帶來的有益效果本發明通過引入微分運算和主元分析法對特徵向量實現降維，大大降低了檢測隱密圖像時的誤檢率，提高了檢測率。本發明具有以下特點誤檢率低、檢測率高；算法複雜性低、計算開銷小。
權利要求
1.一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，包括如下步驟1)將高階微分運算引入隱寫分析領域微分運算具有放大「微小變化」的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導致的不自然變化；2)計算所有像素亮度、一階全微分和二階全微分分布狀態的直方圖計算圖像中每個像素位置對應的一階全微分和二階全微分；一階全微分可看作當前位置像素的右方和下方兩個像素的顏色值和同當前位置像素顏色值的2倍之差；二階全微分可看作當前位置像素的右方和下方兩個像素的一階全微分和同當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字大小統計不同像素的顏色值的個數，就得到像素亮度的直方圖 公式(1)用於計算三個信道(α∈{r，g，b})中亮度v(v∈
)的頻度；其中，s＝t時，[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；計算一階全微分直方圖時，將bα(i，j)改為d1α(i，j)，並適當地改變i和j的變化範圍；計算二階全微分直方圖的公式可類似得到；3)計算高階偏微分的直方圖計算圖像中每個像素位置對應的高階偏微分。高階偏微分目前對應著一階、二階和三階偏微分；一階偏微分可看作當前位置像素的右方像素顏色值同當前位置像素顏色值之差，或者其下方像素的顏色值同當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字大小統計不同像素位置處的一階偏微分的個數，就得到一階偏微分的直方圖 公式(2)用於計算顏色信道α內一階偏微分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前像素位置的右方像素的一階全微分同當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前像素位置的一階全微分之差；三階偏微分的計算與此類似；4)計算相鄰像素位置6個高階偏微分對象的共生矩陣按照3)中方法可計算得到「行」和「列」兩個方向共6個高階偏微分對象；統計「行」方向上位置相鄰的兩個像素處高階微分的數值同時出現的個數；所有成對一階偏微分的個數組成一階偏微分的共生矩陣；類似的，可得到其他對象的共生矩陣；5)計算兩個顏色信道之間的高階偏微分共生矩陣彩色RGB圖像有三個顏色信道，計算出每個顏色信道中所有像素位置的高階偏微分後，統計兩個不同信道中相同坐標位置處一階偏微分同時出現的個數，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)計算梯度共生矩陣為將r、g和b三個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於一階偏微分的圖像增強技術；簡單地說，一個像素位置處的梯度是三個顏色信道中該像素位置處一階偏微分的絕對值和。梯度被分為「行」方向的「行梯度」和「列」方向的「列梯度」；統計位置相鄰的兩個梯度值同時出現的狀態，就得到梯度共生矩陣；7)使用直方圖特徵函數計算如上統計量的統計矩作為初始特徵對一個直方圖做一維離散傅立葉變換並求其幅值，得到其「微分特徵函數」，使用統計矩公式計算得到該直方圖對應的一個特徵；對一個共生矩陣做二維離散傅立葉變換並求其幅值，得到其「微分特徵函數」，使用統計矩公式計算得到該共生矩陣對應的兩個特徵；從所有統計量按照如上方式計算，可從一幅彩色圖像得到初始的136維特徵向量；8)使用主元分析法將初始的136維特徵向量降維為18維最終特徵向量的方法使用「主元分析法」降維，將每幅圖像看作一「行」，一幅圖像對應的136維特徵看作136「列」，就得到一個矩陣；使用線性代數中求特徵值和特徵向量的方法，選取最大的幾個特徵值及其對應的特徵向量，並將其他特徵值對應的特徵向量置為0，就得到降維特徵向量；通過原始特徵向量同降維特徵向量之間的運算，得到最終降維為18維的特徵向量過程中，使用了最大的18個特徵值對應的18個特徵向量組成降維特徵矩陣。
2.根據權利要求1所述的一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，所述的微分運算具有放大「微小變化」的作用，使用高階微分捕捉圖像中的突變點和因為嵌入隱藏信息而導致的不自然變化用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)d1(m,n)=|p(1,C)(m,n)|+|p(1,R)(m,n)|---(3)]]>d2(m,n)=p(1,C)(m,n)+p(1,R)(m,n)-p(1,C)(m,n-1)-p(1,R)(m-1,n)---(4)]]>於是得到「列」與「行」兩個方向的二階與三階偏微分分別定義如下(5～8所示)p(2,C)(m,n)=d1(m,n+1)-d1(m,n)---(5)]]>p(2,R)(m,n)=d1(m+1,n)-d1(m,n)---(6)]]>p(3,C)(m,n)=d2(m,n+1)-d2(m,n)---(7)]]>p(3,R)(m,n)=d2(m+1,n)-d2(m,n)---(8)]]>為將r、g和b三個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於一階偏微分的圖像增強技術；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.根據權利要求1所述的一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，所述的相鄰像素位置6個高階偏微分對象的共生矩陣為 公式(11)計算兩個在「列」方向上相鄰的像素亮度同時出現的「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個對象的「共生矩陣」同樣可計算得到。
4.根據權利要求1所述的一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，所述的兩個顏色信道之間的高階偏微分共生矩陣為 式中，αβ∈{rg，gb，br}，對應兩個顏色信道；公式(12)用於計算α和β兩個顏色信道中同一像素位置第i行、第j列處兩個亮度值s和t同時出現的頻度，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」兩個方向的一階偏微分這四個對象的共生矩陣公式。
5.根據權利要求1所述的一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，所述的梯度共生矩陣的計算公式為 RGB彩色圖像的梯度GC(m，n)和GR(m，n)分別是r、g和b三個顏色信道中「列」方向和「行」方向的一階偏微分的絕對值和，它們能將隱藏信息對三個顏色信道同一位置處的改變累加起來，反映了對彩色圖像的整體改變；基於「梯度」的共生矩陣對嵌入信息更敏感；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」可區分為「列」相鄰位置和「行」相鄰位置的「同時出現」，可分為如上四個公式。
6.根據權利要求1所述的一種隱寫分析系統中基於主元特徵的隱寫分析算法，其特徵在於，所述的使用直方圖特徵函數計算公式為(17)和(18)M1l=k=0/2-1klc(k)k=0/2-1c(k)---(17)]]>式中l∈{1，2}，c(k)表示頻率k對應的振幅；γ是頻率最大值；公式(17)對一個直方圖做一維離散傅立葉變換並求其幅值，得到「微分特徵函數」c＝|DFT(h)|，即可計算其一階統計矩和二階統計矩；M2l=k1=0/2-1k2=0/2-1(k1l,k2l)c2(k1,k2)k1=0/2-1k2=0/2-1c2(k1,k2)---(18)]]>對一個共生矩陣做二維離散傅立葉變換並求其幅值，得到對應的微分特徵函數c2＝|DFT2(h2)|後，使用公式(18)計算特徵函數在k1和k2兩個方向的一階統計矩和二階統計矩，得到4個特徵；使用如上公式，可從一幅彩色圖像得到初始的136維特徵向量。
全文摘要
本發明公開了一種隱寫分析系統中基於主元特徵的隱寫分析算法。該算法捕捉圖像中因嵌入信息導致的細微變化，可克服傳統算法誤檢率較高的問題，能有效地應用於隱寫分析系統中。本發明將微分運算引入圖像隱寫分析，計算信道內相鄰像素之間，以及信道之間像素亮度的共生矩陣，並將共生矩陣的應用擴展到高階微分和梯度，以描述信道內數據與空間位置相關的特性；計算這些統計量的「微分特徵函數」的一階和二階統計矩，從一幅圖像得到136維特徵並使用「主元分析法」降為18維，最後採用支持向量機為分類方法構造隱寫分析算法。本發明算法的特點是，算法性能的穩健性好，誤檢率低、檢測率高；算法複雜性低、計算開銷小。
文檔編號G06T5/40GK101021942SQ20071006778
公開日2007年8月22日 申請日期2007年3月26日 優先權日2007年3月26日
發明者潘雪增 申請人:浙江大學