基于灰度共生矩陣統(tǒng)計特征的lsb替換隱寫分析方法
【專利摘要】本發(fā)明公開了一種基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，包括圖像位平面分解、計算灰度共生矩陣、特征的選擇和提取、分類步驟，具體步驟是，首先將灰度圖像分解為8個位平面，分別計算最低位平面與其余七個位平面間的差分矩陣，然后計算差分矩陣的和矩陣，生成和矩陣的灰度共生矩陣，通過研究分析共生矩陣的特性，從中提取統(tǒng)計顯著性特征，使用支持向量機作為分類器來區(qū)分載體圖像和隱密圖像。本發(fā)明方法，特征維數(shù)少，有效地避免了“維數(shù)災難”；檢測精度高，算法具有穩(wěn)定性；對如JPEG壓縮、中值濾波、添加噪聲這些內(nèi)容保持性操作的圖像處理具有魯棒性；并具有令人滿意的泛化能力，計算復雜度低。
【專利說明】基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法
【技術(shù)領域】
[0001]本發(fā)明屬于信息安全【技術(shù)領域】，涉及一種基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法。
【背景技術(shù)】
[0002]作為信息安全的一個重要分支,信息隱藏已經(jīng)成為在公開信道秘密傳送消息的一種重要手段，也成為信息安全領域的重要研究內(nèi)容之一。與密碼技術(shù)的不同之處在于，它把特定的秘密信息隱藏在某個公開的信息(載體信號)中，既不會改變載體信號的視聽覺效果，也不會改變載體文件的格式和大小，外觀的表現(xiàn)仍舊是載體信號(公開信息)的內(nèi)容和特征，因此第三方不會覺察出秘密信息的存在，從而實現(xiàn)了隱蔽通信。
[0003]隨著互聯(lián)網(wǎng)的廣泛使用以及信息隱藏技術(shù)的日漸成熟，近年來有大量隱寫方法被提出，可以為用戶提供隱私保護，也可以保障政治、軍事、經(jīng)濟等重要信息在公共傳輸過程中的安全性和可靠性，但同時也成為了犯罪分子進行非法活動的工具和手段，對網(wǎng)絡信息安全產(chǎn)生了嚴重的威脅。2010年夏天，美國發(fā)生了轟動一時的“俄羅斯間諜案”，有10名俄羅斯的特工人員被抓獲，F(xiàn)BI就是利用了一些圖像處理的知識從他們公開在互聯(lián)網(wǎng)上進行傳播的一些普通圖片中發(fā)現(xiàn)了重要的信息，這些信息提示了俄特工計劃的一個秘密集會以及各種細節(jié)，后來通過一系列的釣魚執(zhí)法，F(xiàn)BI將他們抓獲，這次的俄羅斯間諜案是首次被證實利用圖片隱寫從事間諜活動的案件[I]。
[0004]作為攻擊隱寫術(shù)的技術(shù)，隱寫分析[2]是以檢測是否有隱寫信息存在、估計隱寫信息的長度和提取隱寫信息、破壞隱藏在載體中的嵌入信息為目的。它具有重要的應用需求，近年來，正成為信息安全領域一個新的研究熱點?，F(xiàn)有的隱寫分析方法，根據(jù)基本原理的不同可以分為三類[3]:感官分析法、基于標識特征分析法和基于統(tǒng)計特征分析法。統(tǒng)計特征分析法根據(jù)檢測目標的不同可以分為兩類:特定隱寫分析法和通用盲檢測法。最低有效位(Least Significant Bit, LSB)替換隱寫是普遍使用的以圖像為載體的隱寫方法,近年來，檢測LSB替換隱寫的方法引起了廣泛的關(guān)注[4，5，6]。
[0005]由于灰度共生矩陣能夠有效地描述特定像素對之間聯(lián)合概率發(fā)生的相關(guān)度量，因此可以被用來描述圖像隱寫前后的統(tǒng)計特征的變化。根據(jù)這種思想，Abolghasemi等人[7]提出了一種利用灰度共生矩陣進行隱寫分析的方法，Kekre等人提出了改進的方法[8]，文章[9]利用水平和垂直差分圖像的共生矩陣構(gòu)造特征，用支持向量機作為分類器來區(qū)分是否有隱寫信息的存在。新的研究結(jié)果[10]提出了一種新的隱寫分析方法，運用圖像共生矩陣的差來構(gòu)造分類特征，使用神經(jīng)網(wǎng)絡來區(qū)分載體圖像和隱密圖像。
[0006]通過對現(xiàn)在的大量隱寫分析算法的研究，發(fā)現(xiàn)很多現(xiàn)有算法存在一些負面的問題，例如較低的檢測精度，有些算法雖然具有較高的檢測精度，但由于高維數(shù)的特征向量使其檢測效率很低，造成了 “維數(shù)災難”。

【發(fā)明內(nèi)容】
[0007]本發(fā)明的目的是提供一種基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，該方法減少了特征向量的維數(shù)，解決了現(xiàn)有技術(shù)中存在的“維數(shù)災難”以及檢測精度低等問題。
[0008]本發(fā)明所采用的技術(shù)方案是，一種基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，按照以下步驟實施:
[0009]步驟1、分解圖像位平面
[0010]對于灰度級為0-255的圖像I，其圖像位平面的分解公式如下:
【權(quán)利要求】
1.一種基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，其特征在于，按照以下步驟實施: 步驟1、分解圖像位平面 對于灰度級為0-255的圖像I，其圖像位平面的分解公式如下:
2.根據(jù)權(quán)利要求1所述的基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，其特征在于:步驟2.3)中，共生矩陣的參數(shù)選擇如下:共生矩陣的偏移參數(shù)ΛΧ設置為1，Ay設置為O。
3.根據(jù)權(quán)利要求1所述的基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，其特征在于:步驟3中，在秘密信息嵌入到最低位平面后，最低位平面和其余七個位平面之間的相關(guān)性發(fā)生改變，這種變化通過G的中間區(qū)域的值來描述，因此，選擇G的中間區(qū)域的16個元素作為特征向量:
f 一 {§33) §34) §35) §36) §43) §44) §45) §46) §53) §54，§55，§56) §63) §64) §65) §66^。
4.根據(jù)權(quán)利要求1所述的基于灰度共生矩陣統(tǒng)計特征的LSB替換隱寫分析方法，其特征在于:步驟4中，定義特征向量f作為分類特征，使用LS-SVM作為分類器來區(qū)分載體圖像和隱密圖像，在此選擇徑向基函數(shù)RBF作為核函數(shù)。
【文檔編號】G06T1/00GK104008521SQ201410234722
【公開日】2014年8月27日 申請日期:2014年5月29日 優(yōu)先權(quán)日:2014年5月29日
【發(fā)明者】王曉峰, 魏程程, 韓蕭, 周曉瑞, 曾能亮 申請人:西安理工大學