[发明专利]隐写算法未知的信息隐藏检测方法

说明书

本发明涉及一种隐写算法未知的信息隐藏检测方法，具体操作步骤如下：1）判断一批图像中哪些图像含有秘密信息；2）利用FLD算法和K‑means聚类算法建立算法模型；3）估算最优投影向量，并检测这批图像；4）利用集成分类器投出预分类的结果；5）利用非平衡算法配平衡；6）利用新生成的数据集重新训练集成分类器；7）再利用集成分类器投出最终分类的结果。本发明可以有效地解决无标签的并且数据集不平衡的情况的实际问题。

技术领域

本发明涉及一种隐写算法未知的信息隐藏检测方法。

背景技术

信息隐藏就是将秘密信息隐藏到正常的载体中并实现秘密通信。图像隐写是利用图像来隐藏秘密信息，达到隐蔽通信的目的。隐写分析则是判断载体中是否含有秘密信息，它在政治、军事、互联网等许多涉及信息安全的领域都有着不可替代的重要性。在实际应用中，当检测一批正常图像和含有秘密信息图像的混合图像时，并不知道含密图像所使用的嵌入算法，按照已有的隐写算法训练分类器，其检测准确率会大大降低，因此无法用传统方法训练分类器进行分类。

发明内容

本发明目的是针对已有技术的不足，提供一种隐写算法未知的信息隐藏检测方法。提出通过待检测图像的统计特性无监督地估计投影向量并与K-means聚类结合，利用集成学习方法进行判决，成功实现了对隐写算法未知情况的隐写分析。这批图像中正常图像的数量多于含密图像，再利用处理非平衡数据集的算法进行配平衡，这样可以更好地解决实际问题，更适用于实际应用场景。

为达到上述目的，本发明采用下述技术：

一种隐写算法未知的信息隐藏检测方法，具体操作步骤如下：

1)判断一批图像中哪些图像含有秘密信息；

2)利用FLD算法和K-means聚类算法建立算法模型；

3)估算最优投影向量，并检测这批图像；

4)利用集成分类器投出预分类的结果；

5)利用非平衡算法配平衡；

6)利用新生成的数据集重新训练集成分类器；

7)再利用集成分类器投出最终分类的结果。

所述步骤1)中的判断一批图像中哪些图像含有秘密信息，具体为：这批图像包含正常图像和含密图像，并且正常图像的数量多于含密图像，用到的图像特征有DCTR，GFR。

所述步骤2)中的利用FLD算法和K-means聚类算法建立算法模型，具体操作步骤如下：FLD算法确定的最佳投影方向为其中和分别表示正常图像与含秘图像特征的均值向量，S_w表示类内离散度矩阵，而K-means聚类算法的优化目标为最小化目标函数，其目标函数为minJ_k＝Tr(S_w)＝Tr(S_t-S_b)，其中Tr(S_w)代表类内散度矩阵S_w的迹，S_t表示总的离散散度矩阵，S_b表示类间散度矩阵，看出K-means聚类算法与FLD算法有相同的优化目标，即使类间离散度S_b最大化以及类内离散度S_w最小化；通过有监督学习算法FLD训练出最优投影向量，使得投影后的向量更容易利用无监督学习K-means聚类算法进行聚类生成分类标签。

所述步骤3)中估算最优投影向量，具体为：正常图像与待检测图像中的正常图像的统计特性，这里指均值向量相同，估算出最优的投影向量：

其中和分别表示待检测图像中正常图像与含秘图像特征的均值向量，以及分别表示待检测图像的总的离散散度矩阵、类间散度矩阵以及类内离散度矩阵，利用K-means聚类算法，获取预判决标签向量。