基于图像复杂度和分类器融合通用盲检测.doc

基于图像复杂度和分类器融合通用盲检测 　　摘要：现有通用盲检测方法大多没有考虑图像内容对隐写分析性能的影响，对此提出一种利用图像内容复杂度进行预分类和多分类器融合的隐写分析方法。在训练阶段，首先根据图像复杂度把图像分为若干类，然后针对每一类别训练分类器，并计算其模糊测度。在测试阶段，先判断待测图像的类别，然后将其送入到已训练好的各个分类器中，得到多个局部决策值，之后对其进行模糊积分融合得到最终的检测结果。实验结果表明，所提方法提升了通用盲检测算法在混合图像库中的检测性能。 　　关键词： 隐写分析； 通用盲检测； 图像复杂度； 模糊积分； 分类器融合 　　中图分类号： TP391.411；TP393.08 文献标志码： A 　　0引言 　　20世纪90年代以来，信息隐藏逐渐成为信息安全领域的研究热点[1]。数字隐写及与之对应的隐写分析是信息隐藏的主要技术分支之一。数字隐写的目的是将秘密消息隐藏在载体中进行传递而不引起第三方怀疑，以便实现隐蔽通信。隐写分析则是对秘密消息进行检测、提取、恢复和破坏。 　　现有的隐写分析方法主要可分为专用隐写分析方法和通用盲检测方法。由于通用盲检测方法不需要有关隐写算法细节的先验信息，并且随着特征提取有效性和分类器能力的提高，通用盲检测方法的检测性能逐渐提高，现已成为隐写分析研究的主流。通用盲检测方法主要采用基于机器学习的方法，其关键是寻找能有效区分载体和载密图像的特征，因此各方法的差别也在于所提取的分类特征不同。典型的特征包括：Farid等[2]提出的小波系数高阶统计量特征；Shi等[3-4]提出的小波分解系数特征函数（CharacteristicFunction，CF）统计矩特征、Li等[5]提出局部线性变换（LocalLinearTransform，LLT）系数的概率密度函数（ProbabilityDensityFunction，PDF）统计矩特征和Zheng等[6]提出基于局部线性变换和CF加权特征等。 　　随着研究的深入，针对图像的通用盲检测方法已取得了丰硕的研究成果，在实验室环境下取得了优异的检测效果，但它们没有考虑不同图像统计特性的差异对隐写检测性能的影响。因为在实际网络环境下的隐蔽通信检测系统中，获得的图像信源往往包含多种多样的图像内容，这与实验室环境下较单一图像内容的隐写分析算法研究有着明显的差别，会造成通用盲检测分类器在训练阶段和测试阶段的载体图像信源统计特性的“失配”问题，从而降低了检测算法的检测效果，这给网络异构图像环境下的隐藏信息检测带来困难。有些学者已经关注到此类问题，并给出了初步的研究结果。 　　Barni等[7]探讨了不同来源图像的隐写分析问题，首先使用一个图像取证分类器确定图像来源，然后使用训练好的能在该类图像上工作的隐写检测分类器进行测试，该方案在计算机生成图像和相机图像的混合图像库上进行测试，取得了较好的效果。Amirkhani等[8]针对不同图像内容提出一种新的通用盲检测框架，然而，该方法假设载体图像和载密图像的内容类别是相同的，但实际上，秘密消息的嵌入改变了图像相邻像素之间的相关性，因此也改变了图像的复杂度，载体和相应的载密图像有可能不在同一类。Hashemipour等[9]提出一种基于图像多分类器的盲检测框架，首先使用基于图像特征的多分类方法将图像划分为不同的类别，然后针对每一类别设计相应的隐写检测分类器。然而，该方法仅仅利用JPEG图像非零交流（AlternatingCurrent，AC）系数比例作为图像多分类特征，不能很好地刻画图像内容的多样性。 　　虽然不少学者针对此类问题展开了卓有成效的研究，但离实际的需求仍有不少差距，并且针对空域的不同图像内容隐写检测研究较少。本文在已有研究的基础上，结合近年来将信息融合技术应用于隐写分析的思路，利用不同的分类器对分类模式有互补信息的优势，研究基于图像内容和模糊积分的多分类器融合技术来实现对不同图像内容的隐藏信息的有效检测。针对最不重要比特（LeastSignificantBit，LSB）匹配[10]和自适应算法像素值差分（PixelValueDifferencing，PVD）[11]的实验结果表明，本文方法改善了多种图像内容下的隐写检测性能。 　　2隐写分析框架 　　2.1训练阶段 　　训练流程如图2所示。首先根据式（3）对训练的载体和载密图像计算复杂度，按照复杂度由低到高排序，并按照3.1节确定的分类方法分成M种类型。然后，提取特征，将得到的特征送至相应的分类器中进行训练，得到对应类型下的分类器训练模型。利用训练好的分类器测试不同类型的训练子集，按照3.2节的步骤得到每一类型的模糊测度。 　　2.2测试阶段 　　测试流程如图3所示。首先，按照与训练阶段相同的操作对待测图像进行分类和