面向隐写分析的图像富模型特征的改进

面向隐写分析的图像富模型特征的改进

赵宝琴;袁志民

【摘要】Presently, the best detectors of content-adaptive steganography are constructed as ensemble classifi-ers trained on sets of cover and stego images .The images are represented with rich models ( a family of features ) . Recent research has shown that the detection accuracy can be improved by including adaptive element i.e.the em-bedding change rates

in the features .Since each noise residual relies on an entire pixel block ,

the embedding im-pact on the residual itself rather than on the pixel should be included .According to this observation , the expected value of the residual L 1 distortion in the features of rich models in place of the pixel change rates to improve the de-tection accuracy was used .This new idea is supported in experiments for three advanced content-adaptive stegano-graphic algorithms .%针对内容自适应隐写的最佳检测器是经载体图像集与相应隐写图像集训练的集成分类器，训练图像由基于残留噪声的富模型（一族特征）表示。最近研究显示，通过在富模型特征中融入对载体像素的嵌入修改概率，这种内容自适应要素可以提高检测准确度。由于每个残噪样值依赖其周边一整块像素，因此应把对残噪本身而不是对决定残噪的像素的嵌入影响融入富模型特征之中。基于这种认识，提出用残留噪声L1失真的期望值取代像素的嵌入修改率以提高检测准确度。针对当前三种先进的内容自适应隐写算法进行实验，这种新的改进思想得到了实验结果的支持。

【期刊名称】《科学技术与工程》

【年(卷),期】2016(016)031

【总页数】6页(P56-60,65)

【关键词】隐写分析;富模型;残留噪声

【作者】赵宝琴;袁志民

【作者单位】河北经贸大学信息技术学院1，石家庄 050061;河北科技大学信息科学与工程学院2，石家庄050018

【正文语种】中文

【中图分类】TP391.41

2010年，文献[1]提出HUGO(highly undetectable steGO)图像隐写算法，率先将卷积码融入其中，标志着现代内容自适应隐写的开端。通过定义代价函数、指定每个像素的修改代价，代价函数与隐写载荷共同决定对每个像素执行嵌入的概率(修改率)，即所谓概率选择信道。凭借卷积编码实现嵌入失真代价最小化，表现为对不同像素的修改率不同，这正是对图像内容自动适应的含义。卷积码作为内容自适应隐写工具，现已被广泛应用。

针对卷积码内容自适应隐写的检测，近年来的主流研究趋势是，借助机器学习的方法，构造集成分类检测器。在机器学习领域，目前较成熟的集成分类器是基于Fisher二值判别器的随机森林分类器。构造集成分类检测器最棘手的问题是，采

用什么样的低维模型(特征向量)表示图像。目前最有影响力且具有奠基意义的是空域富模型SRM[2](spatial rich model)，其中“富”字指融合多种相异特征于一体。投影富模型PSRM[3](projection spatial rich model)和最大修改率富模型maxSRM[4]都是SRM的重要派生版本，还有多种其他变体[5—7]。SRM与

PSRM的特征向量分别是量化残留噪声共生矩阵(co-occurrence)的并集与残留噪声随机投影直方图(histogram)的并集。这些特征在本质上分别是量化残噪随机向量与残噪投影随机变量的概率质量函数，是对残噪样本的一种统计量，刻画概率分布的形态，充当集成分类器的判据。2014年6月，文献[5]提出对SRM的改进，只根据部分修改率最高的像素计算共生矩阵，尽管参与的数据量有所减少，但对WOW[8](wavelet obtained weights)隐写算法的检测准确度却有所提高。2014

年12月，文献[4]把文献[5]的方法进一步泛化提升，从全体像素采集信息，在共

生矩阵中累加四个相邻像素修改率的最大值，成功实现了像素嵌入修改率这个内容自适应要素(已知的选择信道信息)的融入，对多种内容自适应嵌入算法的检测准确度均有不同程度提高，这个SRM派生版叫做maxSRM。但是，文献[4]的方法只

能在空域执行却无法在JPEG域工作(因DCT系数与残噪样值之间不存在双射关系)，也不能向PSRM特征推广，特别地，像素修改率不是残噪本身的统计特性。本文

提出的改进办法是，用残噪L1失真的期望值取代像素的修改率，并在共生矩阵或直方图中累加这个残噪统计量。

符号X与Y∈{0,…,255}n1×n2分别表示n1×n2的8位灰度载体与隐写图像，相

应的小写符号xij与yij分别表示其中的像素。有限集S的元素个数用|S|表示。

1.1 SRM

SRM[2]与PSRM用相同方法计算图像残留噪声，但用不同方法表示残噪统计特性。SRM采用四维共生矩阵，而PSRM则用残噪投影的直方图。

残留噪声是对图像噪声分量的一种估计，是像素原值与其预测值之差，预测值由定义在原像素去心邻域上的预测器函数确定。这两个富模型均采用45个不同的像素预测器(线性与非线性两种类型)。线性预测器是平移不变、有限脉冲响应高通滤波器(由核矩阵K给出)。残噪矩阵Z与原图像X同维，由式(1)定义，即

Z=K*X-XK*