[发明专利]一种结合伽马变换脆弱检测的隐写分析方法

说明书

本发明提供一种结合伽马变换脆弱检测的隐写分析方法。该方法包括：步骤1、对待隐写检测图像集P中所有的图像进行伽马变换脆弱检测；步骤2、将检测到的伽马变换图像从所述待隐写检测图像集P中分离；步骤3、对所述待隐写检测图像集P中剩下的图像进行隐写检测。当待检测图像集中包含伽马变换图像时，本发明提出的方法能够降低隐写检测的虚警率，从而提高隐写分析在实际应用中的可靠性。

技术领域

本发明涉及信息安全技术领域，尤其涉及一种结合伽马变换脆弱检测的隐写分析方法。

背景技术

隐写术是指将秘密信息嵌入到普通的媒体中，并将看似正常的载密媒体通过公开信道进行传播，进而实现信息的隐蔽通信。隐测是一种与隐写术相对抗的技术，其主要目的是判断待检测媒体中是否含有秘密写检信息。

目前，研究者已提出许多优秀的图像隐写检测工具，其中基于隐写检测特征和分类器的隐写检测算法已经成为隐写分析算法中的主流。此类算法通过分析隐写操作对图像统计分布的影响，构建隐写检测特征，如SPAM，SRM特征系列等。在实际应用时，用已知类型图像的特征来训练分类器，如SVM，集成分类器等，然后再用训练好的分类器对可疑图像实施检测。

然而，大多数的隐写检测方法假设待检测图像直接来自于自然图像，即载体图像是没有经过任何图像操作的自然图像，且隐密图像是在自然图像上进行隐写生成的。图像处理技术的快速发展使得对图像的操作变得极其简单。随处可见的图像，如网页上的图片，即时通信工具接收的图像，社交媒体中发布的图像等，大多数都经过了各种各样的操作。这些操作可能使得图像统计分布与自然图像存在明显差异，导致隐写检测时的载体源失配问题，隐写检测的结果将不再可靠。

图像操作对隐写检测性能的影响主要表现在两方面。一方面，图像操作可能更改图像的统计分布，进而使得以前构建的特征无法区分隐写操作和普通图像操作对图像的更改。如果采用传统模式下的在自然图像和隐密图像上训练得到的分类器(判决域值)对正常处理后的图像进行隐写检测，可能会将其误判为隐密图像。由于现实世界中存在正常处理的图像数量远大于隐密图像，这些被误判的正常处理后的图像将会淹没隐写检测系统，使隐写检测者的检测性能急剧下降。另一方面，在隐写前，图像可能经过了各种操作，使得隐密图像的统计特征与载体图像相似，导致隐写检测时出现大量的漏警。此外，为了避免图像训练测试集失配问题，隐写检测方法通常要求训练样本集的图像种类覆盖待检测样本种类。然而，增大训练集的数量和种类可能使得单一分类器的性能下降。再者，由于图像处理的类型繁多，使得正常处理的图像种类成千上万，因而隐写检测的训练集难以覆盖所有的图像种类，隐写检测方法难以应用于实际。

为了解决隐写检测在现实应用中所遇到的问题，研究者们尝试过一些办法来提高隐写检测的可靠性。He等利用图像及其小波子带的特征函数矩(CFMs，CharacteristicFunction Moments)将自然图像、隐密图像和其它操作图像分开。然而，这种定制方法的检测对象局限于特定的图像操作，难以扩展到其它图像操作类型，因而其应用受到限制。为了解决图像训练测试集失配问题，Barni等提出借助图像取证来提高隐写检测的性能的思想。他们利用图像取证技术将相机图像与计算机生成图像区分开，然后利用不同的检测器对两类图像进行检测，从而提高了隐写检测的精度。Li等通过图像预分类将图像进行聚类，然后针对不同的图像类训练分类器以进行隐写检测。然而，基于图像聚类的方法不能识别图像的操作类型，因而也无法结合图像操作特性来进行更深入的隐写检测。Hou等针对经过和没有经过JPEG压缩过的空域图像，采用不同的隐写检测器进行隐写检测，提高了隐写检测的性能。孙曦等分析了图像伽马变换后载体图像和隐密图像的分布的偏移情况，进而得出对变换后的图像进行隐写检测的虚警率增大，从而使平均检测错误率增大的结论。而本发明主要是针对图像隐写检测时将伽马变换图像判为隐密图像的问题，提出了结合伽马变换脆弱检测的隐写检测方法。

发明内容