图像隐写分析中的分类器设计.docVIP

图像隐写分析中的分类器设计 　　【摘 要】针对互联网环境中的图像隐写，为解决训练样本和待检测样本的失配问题，提出了一种基于图像尺寸细分的隐写分析分类器设计思路。选取不同尺寸的图像构造训练样本库，提取图像特征后，使用支持向量机对图像特征进行训练，生成具有多尺寸检测能力的图像分类器。与使用单一尺寸图像得到的分类器相比，本文算法将能检测多种尺寸的隐写图像。 　　【关键词】隐写分析；图像；分类器 　　1引言 　　互联网环境中，图像的应用十分广泛，图像类别以JPEG格式为主，但涉及到的图像尺寸众多。信息隐藏作为隐蔽通信的重要领域，在互联网图像普遍存在的情况下，已成为网络隐蔽通信不可忽视的手段。图像隐写分析技术和图像隐写技术是正反两个方向的技术，二者相互攻击、相互促进，隐写分析是利用隐写过程会引起原始载体分布特性的改变这个特点，在未知图像隐写与否和隐写类别的情况下，分析判断其中是否嵌入了秘密信息。 　　目前研究隐写分析的算法中，通常采用机器学习的思路，利用已知类别的图像训练分类器，并使用和训练样本相同图像特性（图像尺寸、图像来源和质量因子等）的图像进行测试[1，2]，但是在互联网环境中，图像尺寸等参数和训练样本相差很多（训练样本和测试样本“失配”），在这种情况下，隐写检测的效果不好。Kodovsky在其算法中考虑了图像失配问题，提出根据相机来源训练不同的分类器用于分类的算法[3]。Barni对载体源进行建模，在分析过程中判断待检测样本的来源并使用相应的分类器进行分类[4]。 　　本文针对图像失配问题，重点在图像尺寸这一特征上对样本融合，使用混合尺寸的图像样本进行训练，减小训练样本和测试样本失配程度，实现提高检测准确率的效果。 　　2多尺寸训练样本分类器 　　2.1 图像尺寸 　　网站图片、风景照片和生活照片等数字图像在互联网上广泛存在，其中，JPEG格式的图像占有相当大的比例。基础的图像隐写算法研究和早期的图像隐写软件以空域图像为主，但由于JPEG图像格式的流行，以JPEG图像为载体的隐写算法和软件无疑是隐写算法中的主流，本文研究JPEG图像的隐写分析。 　　以图像为载体进行隐写时，可能用到的图像涉及两类：一类是数码相机拍摄并且没有经过处理的JPEG图像，这类图像多见于网络上的照片分享；第二类是经过裁切或压缩后的JPEG图像，除用于交流外，还用于网站美术设计等其他用途。隐写图像尺寸众多，隐写分析时，应当充分细化分类器设计。 　　目前数码相机的典型的像素数一般为3630万（图像尺寸约为7360*4912）、2230万（图像尺寸约为5760*3840）、1800万（图像尺寸约为5184*3456）、1230万（图像尺寸约为4288*2848）、1080万左右（图像尺寸约为3872*2592）等；电脑桌面壁纸等应用中，图像尺寸还有1920*1080，1280*1024，640*480和250*250等，在设计隐写分析算法时，需考虑上述多种图像尺寸。 　　2.2 图像尺寸匹配 　　隐写分析时，针对上述典型的图像尺寸，分别使用典型的隐写算法得到正常载体图像和对应的隐写图像，同一图像尺寸多种隐写图像训练出一个分类器。隐写分析时，对比待检测图像和已训练出的分类器所用图像尺寸特征，并调用最匹配的分类器对待检测图像进行检测。 　　设训练图像样本库中的图像I尺寸为W*H，其中W代表图像宽度，单位为像素，H代表图像高度，单位为像素，以图像I训练的分类器为CI，待检测图像样本的图像i尺寸为w*h，其中w代表图像宽度，单位为像素，h代表图像高度，单位为像素。 　　为减少分类器个数，将图像统一为WH的情况，例如，数码相机拍摄时会有竖拍的情况，本文处理时将竖拍的图像旋转90度。 　　待测试图像和训练图像之间的失配度m用下面的公式进行计算： 　　（1） 　　根据上式，计算待检测图像和训练分类器CI所用的图像尺寸的失配度，选择m最小值对应的分类器，即为最适合待检测图像的分类器，达到提高检测准确率的目的。 　　3隐写分析步骤 　　对待检测图像按照其与训练好的分类器尺寸匹配程度，选择分类器分类，其过程如下： 　　Step1： 调整方向。若待检测图像宽高比大于1，图像保持不变；若宽高比小于1，将图像旋转90°。 　　Step2： 利用公式计算每一个分类器对应的图像尺寸W*H与待检测图像尺寸w*h的失配度m。 　　Step3： 使用m值最小的分类器对待检测图像进行分类检测，并判断图像隐写与否。 　　4结束语 　　本文充分考虑图像尺寸失配问题对隐写分析的影响，细化训练样本图像的尺寸，针对每一个图像尺寸训练一个分类器，分析待检测图像时，计算该图像特征与分类器图像尺寸失配度，根据失配度选择最合适的分类器用于分类，分类器细分后的特