一种基于随机森林JEPG图像通用隐写研究方法探究.docVIP

一种基于随机森林JEPG图像通用隐写研究方法探究摘要：针对目前JPEG图像通用隐写分析方法所使用到的分类器的不足，以及分类过程中的过拟合问题，提出一种基于随机森林的JPEG图像通用隐写分析方法。实验结果表明我们所提出的方法能有效地检测JPEP图像的隐藏信息。 关键词：隐写分析；随机森林；JPEG 中图分类号：TP309文献标识码：A文章编号：1009-3044(2012)21-5198-04 Research on A Random Forest Based JPGE Image Universal Steganalysis Method LING Bao-hong1, YANG Yang2 (1. Anhui Broadcasting Movie and Television College, Film and Television, Hefei 230022,China;2. Deaf Institute of Tianjin University, Tianjin 200191,China) Abstract: Current JPEG image universal steganalysis facing the problem of being short of classifers, and the problem of over fitting. In this paper, we propose s Random Forest based JPEG image universal steganalysis method, experimental results show that our method can detec? tion the hiding information effectively. Key words: steganalysis;random forest; JPEG 目前，针对数字图像通用隐写分析方法的许多文献中，会用到机器学习中的贝叶斯、神经网络等分类器进行训练和检测，但这类传统的机器学习分类器存在着许多缺陷，如：分类中，分类的准确率达不到理想中的要求；分类过程中不能避免过拟合现象的出现。随机森林算法最早由Veena等人用于对LSB等进行隐写分析，本文在此基础上研究基于随机森林的JPEG图形通用隐写分析方法。 图1随机森林原理 随机森林是一类组合分类器，其中它的每个子分类器都是一棵基于随机向量的最优选择分裂的决策树，它结合所有子决策树 1）从原始n个样品的训练集中有放回地抽取同样数量的样本来组成一个单个训练集，并以此方式来得到足够数量的单个的训练集。 2）对于1）中得到的众多单个训练集中的每个单个训练集，采用以下方式生成一棵的分类决策树，并且生成的过程中不需要剪枝： Step1:设样品共有M个原始属性，设定正整数mtry，mtryM，且在整个随机森林的生成过程中，mtry保持不变。对于树中每个节点，从M个原始属性中随机抽出mtry个属性作为该分裂节点的候选属性。 Step 2:从mtry个候选属性中根据一定规则进行最优分裂。 Step 3:在每棵树的生成过程中，不进行减枝操作，以确保每棵树充分生长。3）重复1），2），直到生成ntree棵分类决策树（ntree足够大)。 2.3训练 利用随机森林分类器对训练集进行训练，得到相关参数，并调节相关参数。 2.4分类 用已经训练好的随机森林分类器，对测试集进行分类，对于检测的每张图片，将投票最多的那一类的标签“赋予”这张图片。 JPEG图像通用隐写分析方法要稍差于基于SVM的JPEG图像通用隐写分析方法，对于该组其它两个结果，前者的检测效果均好于后者。对于另外的五组，基于RF的JPEG图像通用隐写分析方法的检测效果均要好于基于SVM的JPEG图像通用隐写分析方法。另外，对于RF和其它两类分类器的检测效果对比，RF的性能在六组的实验中检测准确度均要高于Bayes和NN，并且RF表现了比较大的优势。 2）多值分类：通过对每种隐写算法，分别建立秘密信息相对嵌入率为25%，50%，100%的训练集和测试集，并分别进行训练和测试。我们得到训练集由3400张的原始图片特征集和6组3400张分别经过以上相应一种隐写算法密写过的图片构成，测试集由1600张原始图片和6组1600张经过相应隐写算法密写过的图片构成。经过实验，我们就得到结果如表2及表3所示： 表2 SVM多值检测结果 Steghide 86.625 57 32.5 表2是用SVM做分类器进行检测的结果，表3是用RF做分类器进行检测的结果。可以看出