專利名稱：一種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法
技術(shù)領(lǐng)域：
本發(fā)明涉及模式識(shí)別中的信息隱藏和圖像處理技術(shù)領(lǐng)域，特別是涉及 一種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法。
背景技術(shù)：
近年來，計(jì)算機(jī)技術(shù)和網(wǎng)絡(luò)通信的迅速發(fā)展使得人們可以很容易的通 過計(jì)算機(jī)存儲(chǔ)介質(zhì)、互聯(lián)網(wǎng)絡(luò)以及通信網(wǎng)絡(luò)傳輸數(shù)據(jù)。圖像信息隱藏
(Image information hiding)正是一種在數(shù)字圖像中隱藏隱秘信息的技術(shù)， 其主要思想是將隱秘信息肉眼不可見的隱藏到作為載體的數(shù)字圖像當(dāng)中。 與之對(duì)應(yīng)，信息隱藏檢測(cè)的目的是通過分析多媒體數(shù)據(jù)而發(fā)現(xiàn)信息隱藏/ 隱秘通信的存在，提取、阻斷或者替換隱秘信息。通過信息隱藏檢測(cè)可以 對(duì)抗非法的以信息隱藏為手段的機(jī)密泄漏、非法信息傳播等等，對(duì)于網(wǎng)絡(luò) 信息安全、國防安全等具有重大意義。
對(duì)于數(shù)字圖像信息隱藏來說，根據(jù)不同的標(biāo)準(zhǔn)可以將各種信息隱藏方 法劃分成不同的種類如空間域或變換域方法；是直接替換還是其他修改 像素和變換域值的方法；是否考慮統(tǒng)計(jì)不可見性等。 一般來說，這些信息 隱藏方法在對(duì)圖像進(jìn)行隱寫操作的過程中，均會(huì)改變嵌入信息區(qū)域的圖像 灰度值，如，最低比特位替換方法(LSB substitution)中，若需在圖像中 隱藏l比特信息，則要改變?cè)搱D像像素點(diǎn)的最低比特位，從而其對(duì)應(yīng)的圖 像點(diǎn)灰度值增加或減少1個(gè)灰度值。通常，信息隱藏檢測(cè)方法就是根據(jù)檢 測(cè)隱寫操作對(duì)圖像進(jìn)行的這些統(tǒng)計(jì)特性的改變來判斷圖像是否含有隱藏 信息。在進(jìn)行信息隱藏檢測(cè)時(shí)需要獲取載體的原始信息或隱藏所使用的具 體算法，通過與檢測(cè)對(duì)象進(jìn)行比對(duì)或有針對(duì)性地反向處理來達(dá)到檢測(cè)效 果。然而，但隨著隱藏算法的發(fā)展和不斷增多，很難對(duì)每一種算法進(jìn)行相 應(yīng)的攻擊，同時(shí)要取得完整的原始載體信息也是非常困難的。因此，逐步形成了信息隱藏的盲檢測(cè)方法。信息隱藏的盲檢測(cè)即是在不知道隱藏所使 用的算法并且不需要載體的原始信息的情況下，判斷出檢測(cè)對(duì)象中是否含 有隱藏信息。
當(dāng)前的圖像信息隱藏盲檢測(cè)方法多是以模式分類方法為基礎(chǔ)，結(jié)合圖 像統(tǒng)計(jì)特性的分析來進(jìn)行的。通過提取能夠反應(yīng)各類信息隱藏前后圖像載 體的普遍統(tǒng)計(jì)特性差異的特征，對(duì)其特征的訓(xùn)練與學(xué)習(xí)訓(xùn)練分類器模型，
從而進(jìn)行信息隱藏檢測(cè)。目前比較成熟方法有Farid"]提出的基于小波分析 的高階統(tǒng)計(jì)量盲檢測(cè)方法和Shi等[2]提出的基于小波分解使用圖像特征函 數(shù)矩的信息隱藏盲檢測(cè)方法。 參考文獻(xiàn) Farid， H.: Detecting hidden messages using higher-order statistics and support vector machines. In: 5th International Workshop on Information Hiding. (2002) Shi， Y.Q.， et al: Image steganalysis based on moments of characteristic functions using wavelet decomposition, prediction-error image, andneural network. In: ICME 2005.pp. 269-27
發(fā)明內(nèi)容
(一) 要解決的技術(shù)問題
有鑒于此，本發(fā)明的主要目的在于提供一種基于圖像灰度游程直方圖 分析的盲信息隱藏檢測(cè)方法，以實(shí)現(xiàn)準(zhǔn)確高效的圖像盲信息隱藏檢測(cè)。
(二) 技術(shù)方案
為了實(shí)現(xiàn)上述目的，本發(fā)明提供的技術(shù)方案如下
一種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法，該方法是 通過分析圖像灰度游程直方圖中的長游程與短游程個(gè)數(shù)分布情況，來判斷 圖像是否可能含有隱藏信息，具體包括
步驟SI:對(duì)訓(xùn)練集中已標(biāo)記類別信息的灰度圖像計(jì)算灰度游程矩陣， 得到游程長度直方圖，提取該游程長度直方圖特征函數(shù)的n階統(tǒng)計(jì)量作為 特征，并對(duì)提取的特征進(jìn)行訓(xùn)練與分類，得到分類器模型參數(shù)，形成分類器模型；所述已標(biāo)記類別信息為含有隱藏信息或不含有隱藏信息；
步驟S2:對(duì)任意輸入的灰度圖像計(jì)算灰度游程矩陣，得到圖像游程長
度直方圖，然后進(jìn)行特征提取，將提取的特征輸入到步驟Sl所述分類器
模型中，獲得輸入圖像的類別信息，實(shí)現(xiàn)盲信息隱藏檢測(cè)。
上述方案中，所述步驟S1包括
步驟S11:計(jì)算訓(xùn)練集中圖像O。， 45°， 90°， 135。四個(gè)方向上灰度游 程矩陣，得到圖像四個(gè)方向上的游程直方步驟S12:計(jì)算圖像四個(gè)方向上游程直方圖的特征函數(shù)，該特征函數(shù) 為游程直方圖的離散傅立葉DFT變換；
步驟S13:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；
步驟S14:將標(biāo)記好類別信息的特征向量輸入到分類器中訓(xùn)練，得到 分類器的參模型數(shù)，形成分類器模型。 上述方案中，所述步驟S2包括
步驟S21:對(duì)當(dāng)前輸入的圖像計(jì)算0°， 45°， 90°， 135。四個(gè)方向上灰
度游程矩陣，得到圖像四個(gè)方向的游程直方步驟S22:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；
步驟S23:將當(dāng)前圖像得到的特征向量載入步驟S14中獲得的分類器 模型，判斷該圖像是否進(jìn)行信息隱藏。
上述方案中，所述訓(xùn)練是通過機(jī)器學(xué)習(xí)方法，學(xué)習(xí)已標(biāo)記好類別的訓(xùn) 練樣本的特征，獲得分類器的模型參數(shù)和分類器閾值；所述分類是在信息 隱藏檢測(cè)中，根據(jù)測(cè)試樣本的特征值與訓(xùn)練數(shù)據(jù)得到分類器模型的閾值大 小來判斷測(cè)試樣本的所屬類別信息。
上述方案中，所述灰度游程直方圖分析，采用圖像普通灰度游程直方 圖計(jì)算方法和彩色圖像的游程計(jì)算方法。
上述方案中，所述圖像的灰度游程是指連續(xù)的、共線并具有相同灰度 級(jí)或?qū)儆谕换叶榷蔚南袼攸c(diǎn)；所述游程長度是指同一個(gè)游程中所包含的 像素點(diǎn)個(gè)數(shù)；短游程表示該游程中所含的同灰度像素點(diǎn)個(gè)數(shù)相對(duì)少；長游 程表示該游程中所含的同灰度像素點(diǎn)個(gè)數(shù)相對(duì)多；游程矩陣可表示為 &(《g)，代表圖像在^方向上，灰度為g，長度為d的灰度游程出現(xiàn)的總 次數(shù)。
上述方案中，所述分析圖像灰度游程直方圖，是由于信息隱藏操作將 會(huì)使得圖像灰度游程直方圖中，長游程的個(gè)數(shù)明顯減少，短游程的個(gè)數(shù)明 顯增大，直接對(duì)游程長度直方圖的分布產(chǎn)生影響，故通過判斷游程直方圖 中長游程與短游程的分布情況，可判斷圖像是否含有隱藏信息。
上述方案中，所述圖像游程長度直方圖的特征函數(shù)的n階灰度游程矩 陣表示為
其中，^(/,)是/^在力處的步lft分量，L是/専雖^十變換(DFT)序列長度， ^是圖像各方向游程長度直方圖的離散傅里葉變換。
上述方案中，所述特征向量是指能夠反應(yīng)圖像信息隱藏前后差異的、 基于圖像四個(gè)方向游程長度直方圖的特征函數(shù)n階矩陣，以及基于游程長
度直方圖分析的各種變種特征。
上述方案中，該方法使用訓(xùn)練庫的各類特征對(duì)分類器模型參數(shù)進(jìn)行訓(xùn) 練，并將訓(xùn)練好的分類器模型用于圖像盲信息隱藏檢測(cè)，給出二值化的檢 測(cè)結(jié)果含有或者不含有隱藏信息。
(三)有益效果 從上述技術(shù)方案可以看出，本發(fā)明具有以下有益效果-
1、 本發(fā)明提供的這種基于圖像灰度游程直方圖分析的盲信息隱藏檢 測(cè)方法，不但可以用于圖像等多媒體數(shù)據(jù)的盲信息隱藏檢測(cè)，還可運(yùn)用于 互聯(lián)網(wǎng)多媒體內(nèi)容安全監(jiān)控、預(yù)警、過濾通關(guān)等相應(yīng)產(chǎn)品。由于本發(fā)明不 需要事先知道可疑圖像的信息隱藏方法，而且其檢測(cè)特征提取簡單、快速、 高效，故可在大規(guī)模數(shù)據(jù)通信、多媒體傳輸?shù)葍?nèi)容安全檢測(cè)等環(huán)境下能夠 得到有效的應(yīng)用。
2、 本發(fā)明提供的這種基于圖像灰度游程直方圖分析的盲信息隱藏檢 測(cè)方法，根據(jù)圖像信息隱藏前后灰度游程直方圖的游程長度分布發(fā)生改變 這一特點(diǎn)，構(gòu)造圖像游程直方圖的特征函數(shù)的高階統(tǒng)計(jì)量作為特征來進(jìn)行 圖像盲信息隱藏檢測(cè)，通過機(jī)器學(xué)習(xí)的方法將待測(cè)圖像區(qū)分為含有隱藏信息圖像以及不含有隱藏信息兩類；采用圖像灰度游程直方圖的特征函數(shù)的 高階統(tǒng)計(jì)量作為檢測(cè)特征，能夠檢測(cè)出使用若干信息隱藏方法嵌入信息的 圖像，盲檢測(cè)效果比同類檢測(cè)方法的準(zhǔn)確率要高。
3、 本發(fā)明提供的這種基于圖像灰度游程直方圖分析的盲信息隱藏檢
測(cè)方法，采用機(jī)器學(xué)習(xí)的訓(xùn)練分類方法，增加了檢測(cè)方法的泛化性能。
4、 本發(fā)明提供的這種基于圖像灰度游程直方圖分析的盲信息隱藏檢 測(cè)方法，可用于圖像信息隱藏檢測(cè)的諸多應(yīng)用系統(tǒng)中。


圖1是本發(fā)明提供的基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)
的方法流程圖2是本發(fā)明實(shí)施例中使用的待檢測(cè)圖像；其中，圖2(a)是不含有 隱藏信息的Lena圖像，圖2 (b)是含有隱藏信息的Lena圖像；
圖3是本發(fā)明實(shí)施例中圖像在0°方向上灰度游程長度分布示意圖； 其中，圖3 (a)是不含有隱藏信息的Lena圖像游程長度分布示意圖，圖 3 (b)是含有隱藏信息的Lena圖像游程長度分布示意圖；連續(xù)的游程以 連續(xù)的黑色或白色像素表示不同的游程用黑白像素的轉(zhuǎn)換表示；
圖4是本發(fā)明實(shí)施利中的兩幅圖像在0°方向上的灰度游程長度分布 直方圖。
具體實(shí)施例方式
為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí) 施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說明。
本發(fā)明提供的這種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè) 方法，是通過分析圖像灰度游程直方圖中的長游程與短游程個(gè)數(shù)分布情
況，來判斷圖像是否可能含有隱藏信息，具體表述為信息隱藏的過程將
改變圖像的游程長度分布直方圖。信息隱藏的方法通常是利用人類視覺系 統(tǒng)，通過細(xì)微改變圖像的灰度值(如最低比特位替換隱藏方法，圖像的像 素值增加1或減少1)來達(dá)到嵌入隱藏信息的目的。而這些圖像的像素值 的細(xì)微改變，可以通過圖像的灰度游程長度分布直方圖反映。信息隱藏操作將會(huì)使得圖像灰度游程直方圖中，長游程的個(gè)數(shù)明顯減少，短游程的個(gè) 數(shù)明顯增多。對(duì)圖像直方圖求特征函數(shù)的高階統(tǒng)計(jì)量作為特征，能夠量化 衡量這種變化，達(dá)到判斷圖像是否可能含有隱藏信息的目的。
如圖1所示，圖1是本發(fā)明提供的基于圖像灰度游程直方圖分析的盲 信息隱藏檢測(cè)的方法流程圖，該方法是通過分析圖像灰度游程直方圖中的 長游程與短游程個(gè)數(shù)分布情況，來判斷圖像是否可能含有隱藏信息，具體 包括
步驟Sl:對(duì)訓(xùn)練集中己標(biāo)記類別信息的灰度圖像計(jì)算灰度游程矩陣， 得到游程長度直方圖，提取該游程長度直方圖特征函數(shù)的n階統(tǒng)計(jì)量作為 特征，并對(duì)提取的特征進(jìn)行訓(xùn)練與分類，得到分類器模型參數(shù)，形成分類
器模型；所述已標(biāo)記類別信息為含有隱藏信息或不含有隱藏信息；
步驟S2:對(duì)任意輸入的灰度圖像計(jì)算灰度游程矩陣，得到圖像游程長
度直方圖，然后進(jìn)行特征提取，將提取的特征輸入到步驟Sl所述分類器
模型中，獲得輸入圖像的類別信息，實(shí)現(xiàn)盲信息隱藏檢測(cè)。上述步驟S1具體包括
步驟Slh計(jì)算訓(xùn)練集中圖像O。， 45°， 90°， 135。四個(gè)方向上灰度游 程矩陣，得到圖像四個(gè)方向上的游程直方步驟S12:計(jì)算圖像四個(gè)方向上游程直方圖的特征函數(shù)，該特征函數(shù) 為游程直方圖的離散傅立葉DFT變換；
步驟S13:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；
步驟S14:將標(biāo)記好類別信息的特征向量輸入到分類器中訓(xùn)練，得到 分類器的參模型數(shù)，形成分類器模型。 上述步驟S2具體包括
步驟S21:對(duì)當(dāng)前輸入的圖像計(jì)算0°， 45°， 90°, 135。四個(gè)方向上灰 度游程矩陣，得到圖像四個(gè)方向的游程直方步驟S22:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；
步驟S23:將當(dāng)前圖像得到的特征向量載入步驟S14中獲得的分類器 模型，判斷該圖像是否進(jìn)行信息隱藏。所述訓(xùn)練是通過機(jī)器學(xué)習(xí)方法，學(xué)習(xí)已標(biāo)記好類別的訓(xùn)練樣本的特 征，獲得分類器的模型參數(shù)和分類器閾值；所述分類是在信息隱藏檢測(cè)中， 根據(jù)測(cè)試樣本的特征值與訓(xùn)練數(shù)據(jù)得到分類器模型的閾值大小來判斷測(cè) 試樣本的所屬類別信息。
所述灰度游程直方圖分析，采用圖像普通灰度游程直方圖計(jì)算方法和 彩色圖像的游程計(jì)算方法。所述圖像的灰度游程是指連續(xù)的、共線并具有
相同灰度級(jí)或?qū)儆谕换叶榷蔚南袼攸c(diǎn)；所述游程長度是指同一個(gè)游程中 所包含的像素點(diǎn)個(gè)數(shù)；短游程表示該游程中所含的同灰度像素點(diǎn)個(gè)數(shù)相對(duì) 少；長游程表示該游程中所含的同灰度像素點(diǎn)個(gè)數(shù)相對(duì)多；游程矩陣可表 示為7^W,g)，代表圖像在0方向上，灰度為g，長度為d的灰度游程出現(xiàn) 的總次數(shù)。 一幅大小為N*M，灰度級(jí)為G的圖像灰度游程直方圖可表示 為
所述分析圖像灰度游程rf方e圖，是由于信息隱藏操作將會(huì)使得圖像灰 度游程直方圖中，長游程的個(gè)數(shù)明顯減少，短游程的個(gè)數(shù)明顯增大，直接 對(duì)游程長度直方圖的分布產(chǎn)生影響，故通過判斷游程直方圖中長游程與短 游程的分布情況，可判斷圖像是否含有隱藏信息。
所述圖像游程長度直方圖的特征函數(shù)的n階灰度游程矩陣表示為
其中，&(力)是&在,處的減牽分量，L是fe盧h十變換(DFT)序列長度， ^是圖像各方向游程長度直方圖的離散傅里葉變換。 所述特征向量是指能夠反應(yīng)圖像信息隱藏前后差異的、基于圖像四個(gè) 方向游程長度直方圖的特征函數(shù)n階矩陣，以及基于游程長度直方圖分析 的各種變種特征。
該方法使用訓(xùn)練庫的各類特征對(duì)分類器模型參數(shù)進(jìn)行訓(xùn)練，并將訓(xùn)練 好的分類器模型用于圖像盲信息隱藏檢測(cè)，給出二值化的檢測(cè)結(jié)果含有
或者不含有隱藏信息。
再參照?qǐng)D1，首先對(duì)待處理的圖像文件，確定為灰度圖像格式后進(jìn)入
本流程。其次，計(jì)算圖像的0。 、 45° 、 90° 、 135°四個(gè)方向上的游程矩 陣，并計(jì)算該四個(gè)方向的游程長度直方圖。然后，基于本發(fā)明，計(jì)算圖像游程長度直方圖的特征函數(shù)的n階矩(n=3)，得到4*3=12維特征向量。 然后，將這些特征向量輸入到預(yù)先訓(xùn)練好模型參數(shù)與分類閾值的分類器中 去進(jìn)行檢測(cè)，若分類器輸出結(jié)果大于設(shè)定閾值T，則可判定圖像進(jìn)行了信 息隱藏，為含有隱藏信息的圖像，反之，可判定為不含有隱藏信息的圖像。
以下以512x512的灰度Lena為例，構(gòu)造一副嵌有信息的stego-Lena， 及原始圖像origin-Lena,分別進(jìn)行說明。
實(shí)施例1
對(duì)于含有隱藏信息的圖像(stego-lena)，參照如圖2-a):
首先，計(jì)算該圖像的0。 、45° 、90° 、 135°灰度游程矩陣Me(d，g)， 然后根據(jù)/^(")= ￡ M^W,g)計(jì)算其游程長度直方圖。
然后，基于本菱齒，求該四個(gè)方向游程長度直方圖的特征函數(shù)Fe (即 其DFT變換)。
其次，計(jì)算特征函數(shù)^的三階矩
= f //1^(/,)1/Tl尸"/》1 3/ 得到一個(gè)12維赤f寺征向量 "'
K = {M;,《,M03。, M:5。, M425。, M435。, M;。。 ， M92。。, M93。。, M&。,《5。, M,335。} 最后，將得到的特征向量輸入到已訓(xùn)練好模型參數(shù)和分類閾值的支撐 向量機(jī)中，得到分類器輸出該特征向量的類別信息為含有信息隱藏的圖 像。
實(shí)施例2
對(duì)于不含有隱藏信息的圖像(origin-lena)，參照?qǐng)D2-b):
首先，計(jì)算該圖像的0。 、45° 、90° 、 135°灰度游程矩陣MJd,g)， 然后根據(jù)/^("= $ MeW，g)計(jì)算其游程長度直方圖。
然后，基于本愛動(dòng)，求該四個(gè)方向游程長度直方圖的特征函數(shù)^ (即 其DFT變換)。
其次，計(jì)算特征函數(shù)&的三階矩<formula>formula see original document page 12</formula>似- = f//l尸"力)l/Sl尸"/,)1 2— 得到一個(gè)12維的，寺征向量 ；='<formula>formula see original document page 12</formula>
最后，將得到的特征向量輸入到已訓(xùn)練好模型參數(shù)和分類閾值的支撐向量機(jī)中，得到分類器輸出該特征向量的類別信息為不含有信息隱藏的圖 像。
圖3中游程長度分布直方圖的表示方法如下連續(xù)的游程以連續(xù)的黑 色或白色像素表示，不同的游程用黑白像素的轉(zhuǎn)換表示。通過實(shí)施例l和
實(shí)施例2，可以發(fā)現(xiàn)，stego-Lena與origin-Lena圖像的0°方向上游程長 度直方圖分布如圖4所示，隱藏了信息的圖像stego-Lena的游程長度直方 圖與未隱藏信息的原始圖像origin-Lena的游程長度直方圖比較，長游程的 個(gè)數(shù)減少，短游程的個(gè)數(shù)增加，在圖3所示，含有隱藏信息的圖像游程長 度的分布較不含有隱藏信息的圖像游程長度分布中長游程的個(gè)數(shù)明顯減 小，短游程個(gè)數(shù)明顯增加。因?yàn)樾畔㈦[藏的發(fā)生破壞了圖像局部像素的相 關(guān)性和平滑性，由此反應(yīng)在游程長度直方圖分布上，本發(fā)明采用直方圖特 征函數(shù)高階統(tǒng)計(jì)矩作為特征來刻畫信息隱藏前后游程長度變化的這一差 異，檢測(cè)具有較強(qiáng)的敏感性與較高的準(zhǔn)確性。同時(shí)采用機(jī)器學(xué)習(xí)的方法訓(xùn) 練包含隱藏信息和不含隱藏信息兩類圖像的類別模型，對(duì)自然圖像的盲信 息隱藏檢測(cè)具有很好的泛化能力。
以上所述，僅為本發(fā)明中的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不 局限于此，任何熟悉該技術(shù)的人在本發(fā)明所揭露的技術(shù)范圍內(nèi)，可理解想 到的變換或替換，都應(yīng)涵蓋在本發(fā)明的包含范圍之內(nèi)，因此，本發(fā)明的保 護(hù)范圍應(yīng)該以權(quán)利要求書的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1、一種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法，其特征在于，該方法是通過分析圖像灰度游程直方圖中的長游程與短游程個(gè)數(shù)分布情況，來判斷圖像是否可能含有隱藏信息，具體包括步驟S1對(duì)訓(xùn)練集中已標(biāo)記類別信息的灰度圖像計(jì)算灰度游程矩陣，得到游程長度直方圖，提取該游程長度直方圖特征函數(shù)的n階統(tǒng)計(jì)量作為特征，并對(duì)提取的特征進(jìn)行訓(xùn)練與分類，得到分類器模型參數(shù)，形成分類器模型；所述已標(biāo)記類別信息為含有隱藏信息或不含有隱藏信息；步驟S2對(duì)任意輸入的灰度圖像計(jì)算灰度游程矩陣，得到圖像游程長度直方圖，然后進(jìn)行特征提取，將提取的特征輸入到步驟S1所述分類器模型中，獲得輸入圖像的類別信息，實(shí)現(xiàn)盲信息隱藏檢測(cè)。
2、 根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，所述步驟S1包括步驟Slh計(jì)算訓(xùn)練集中圖像O。， 45°, 90°， 135。四個(gè)方向上灰度游 程矩陣，得到圖像四個(gè)方向上的游程直方圖；步驟S12:計(jì)算圖像四個(gè)方向上游程直方圖的特征函數(shù)，該特征函數(shù) 為游程直方圖的離散傅立葉DFT變換；步驟S13:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；步驟S14:將標(biāo)記好類別信息的特征向量輸入到分類器中訓(xùn)練，得到 分類器的參模型數(shù)，形成分類器模型。
3、 根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，所述步驟S2包括步驟S21:對(duì)當(dāng)前輸入的圖像計(jì)算0°， 45°， 90°， 135。四個(gè)方向上灰 度游程矩陣，得到圖像四個(gè)方向的游程直方圖；步驟S22:計(jì)算每一個(gè)特征函數(shù)的n階統(tǒng)計(jì)量，組成4n維的信息隱藏 檢測(cè)特征向量；步驟S23:將當(dāng)前圖像得到的特征向量載入步驟S14中獲得的分類器 模型，判斷該圖像是否進(jìn)行信息隱藏。
4、 根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的基于圖像灰度游程直方圖分 析的盲信息隱藏檢測(cè)方法，其特征在于，所述訓(xùn)練是通過機(jī)器學(xué)習(xí)方法， 學(xué)習(xí)已標(biāo)記好類別的訓(xùn)練樣本的特征，獲得分類器的模型參數(shù)和分類器閾 值；所述分類是在信息隱藏檢測(cè)中，根據(jù)測(cè)試樣本的特征值與訓(xùn)練數(shù)據(jù)得 到分類器模型的閾值大小來判斷測(cè)試樣本的所屬類別信息。
5、 根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法，其特征在于，所述灰度游程直方圖分析，采用 圖像普通灰度游程直方圖計(jì)算方法和彩色圖像的游程計(jì)算方法。
6、 根據(jù)權(quán)利要求1至3中任一項(xiàng)所述的基于圖像灰度游程直方圖分 析的盲信息隱藏檢測(cè)方法，其特征在于，所述圖像的灰度游程是指連續(xù)的、 共線并具有相同灰度級(jí)或?qū)儆谕换叶榷蔚南袼攸c(diǎn)；所述游程長度是指同 一個(gè)游程中所包含的像素點(diǎn)個(gè)數(shù)；短游程表示該游程中所含的同灰度像素 點(diǎn)個(gè)數(shù)相對(duì)少；長游程表示該游程中所含的同灰度像素點(diǎn)個(gè)數(shù)相對(duì)多；游 程矩陣可表示為A^W,g)，代表圖像在^方向上，灰度為g，長度為d的灰度游程出現(xiàn)的總次數(shù)。
7、 根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，其特征在于，所述分析圖像灰度游程直方圖，是由于信息隱 藏操作將會(huì)使得圖像灰度游程直方圖中，長游程的個(gè)數(shù)明顯減少，短游程 的個(gè)數(shù)明顯增大，直接對(duì)游程長度直方圖的分布產(chǎn)生影響，故通過判斷游 程直方圖中長游程與短游程的分布情況，可判斷圖像是否含有隱藏信息。
8、 根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，其特征在于，所述圖像游程長度直方圖的特征函數(shù)的n階灰 度游程矩陣表示為其中，F(xiàn)e(/,)是/^在力處的步^牽分量，L是fe盧纟十變換(DFT)序列長度， &是圖像各方向游程長度直方圖的離散傅里葉變換。
9、根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，其特征在于，所述特征向量是指能夠反應(yīng)圖像信息隱藏前后 差異的、基于圖像四個(gè)方向游程長度直方圖的特征函數(shù)n階矩陣，以及基 于游程長度直方圖分析的各種變種特征。
10、根據(jù)權(quán)利要求1所述的基于圖像灰度游程直方圖分析的盲信息隱 藏檢測(cè)方法，其特征在于，該方法使用訓(xùn)練庫的各類特征對(duì)分類器模型參 數(shù)進(jìn)行訓(xùn)練，并將訓(xùn)練好的分類器模型用于圖像盲信息隱藏檢測(cè)，給出二 值化的檢測(cè)結(jié)果含有或者不含有隱藏信息。
全文摘要
本發(fā)明公開了一種基于圖像灰度游程直方圖分析的盲信息隱藏檢測(cè)方法，通過分析圖像灰度游程直方圖中的長游程與短游程個(gè)數(shù)分布情況，來判斷圖像是否可能含有隱藏信息，包括對(duì)訓(xùn)練集中已標(biāo)記類別信息的灰度圖像計(jì)算灰度游程矩陣，得到游程長度直方圖，提取該游程長度直方圖特征函數(shù)的n階統(tǒng)計(jì)量作為特征，并對(duì)提取的特征進(jìn)行訓(xùn)練與分類，得到分類器模型參數(shù)，形成分類器模型；所述已標(biāo)記類別信息為含有隱藏信息或不含有隱藏信息；對(duì)任意輸入的灰度圖像計(jì)算灰度游程矩陣，得到圖像游程長度直方圖，然后進(jìn)行特征提取，將提取的特征輸入到所述分類器模型中，獲得輸入圖像的類別信息。利用本發(fā)明，實(shí)現(xiàn)了準(zhǔn)確高效的圖像盲信息隱藏檢測(cè)。
文檔編號(hào)G06T1/00GK101615286SQ20081011556
公開日2009年12月30日 申請(qǐng)日期2008年6月25日 優(yōu)先權(quán)日2008年6月25日
發(fā)明者晶 董, 譚鐵牛 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所