图像隐写分析中的分类器设计.docx

图像隐写分析中的分类器设计【摘要】针对互联网环境中的图像隐写为解决训练样本和待检测样本的失配问题提出了一种基于图像尺寸细分的隐写分析分类器设计思路。选取不同尺寸的图像构造训练样本库提取图像特征后使用支持向量机对图像特征进行训练生成具有多尺寸检测能力的图像分类器。与使用单一尺寸图像得到的分类器相比本文算法将能检测多种尺寸的隐写图像。【关键词】隐写分析；图像；分类器1引言互联网环境中图像的应用十分广泛图像类别以JPEG格式为主但涉及到的图像尺寸众多。信息隐藏作为隐蔽通信的重要领域在互联网图像普遍存在的情况下已成为网络隐蔽通信不可忽视的手段。图像隐写分析技术和图像隐写技术是正反两个方向的技术二者相互攻击、相互促进隐写分析是利用隐写过程会引起原始载体分布特性的改变这个特点在未知图像隐写与否和隐写类别的情况下分析判断其中是否嵌入了秘密信息。目前研究隐写分析的算法中通常采用机器学习的思路利用已知类别的图像训练分类器并使用和训练样本相同图像特性（图像尺寸、图像来源和质量因子等）的图像进行测试[12]但是在互联网环境中图像尺寸等参数和训练样本相差很多（训练样本和测试样本“失配”）在这种情况下隐写检测的效果不好。Kodovsky在其算法中考虑了图像失配问题提出根据相机来源训练不同的分类器用于分类的算法[3]。Barni对载体源进行建模在分析过程中判断待检测样本的来源并使用相应的分类器进行分类[4]。本文针对图像失配问题重点在图像尺寸这一特征上对样本融合使用混合尺寸的图像样本进行训练减小训练样本和测试样本失配程度实现提高检测准确率的效果。2多尺寸训练样本分类器2.1图像尺寸网站图片、风景照片和生活照片等数字图像在互联网上广泛存在其中JPEG格式的图像占有相当大的比例。基础的图像隐写算法研究和早期的图像隐写软件以空域图像为主但由于JPEG图像格式的流行以JPEG图像为载体的隐写算法和软件无疑是隐写算法中的主流本文研究JPEG图像的隐写分析。以图像为载体进行隐写时可能用到的图像涉及两类：一类是数码相机拍摄并且没有经过处理的JPEG图像这类图像多见于网络上的照片分享；第二类是经过裁切或压缩后的JPEG图像除用于交流外还用于网站美术设计等其他用途。隐写图像尺寸众多隐写分析时应当充分细化分类器设计。目前数码相机的典型的像素数一般为3630万（图像尺寸约为7360*4912）、2230万（图像尺寸约为5760*3840）、1800万（图像尺寸约为5184*3456）、1230万（图像尺寸约为4288*2848）、1080万左右（图像尺寸约为3872*2592）等；电脑桌面壁纸等应用中图像尺寸还有1920*10801280*1024640*480和250*250等在设计隐写分析算法时需考虑上述多种图像尺寸。2.2图像尺寸匹配隐写分析时针对上述典型的图像尺寸分别使用典型的隐写算法得到正常载体图像和对应的隐写图像同一图像尺寸多种隐写图像训练出一个分类器。隐写分析时对比待检测图像和已训练出的分类器所用图像尺寸特征并调用最匹配的分类器对待检测图像进行检测。设训练图像样本库中的图像I尺寸为W*H其中W代表图像宽度单位为像素H代表图像高度单位为像素以图像I训练的分类器为CI待检测图像样本的图像i尺寸为w*h其中w代表图像宽度单位为像素h代表图像高度单位为像素。为减少分类器个数将图像统一为W>H的情况例如数码相机拍摄时会有竖拍的情况本文处理时将竖拍的图像旋转90度。待测试图像和训练图像之间的失配度m用下面的公式进行计算：（1）根据上式计算待检测图像和训练分类器CI所用的图像尺寸的失配度选择m最小值对应的分类器即为最适合待检测图像的分类器达到提高检测准确率的目的。3隐写分析步骤对待检测图像按照其与训练好的分类器尺寸匹配程度选择分类器分类其过程如下：Step1：调整方向。若待检测图像宽高比大于1图像保持不变；若宽高比小于1将图像旋转90°。Step2：利用公式计算每一个分类器对应的图像尺寸W*H与待检测图像尺寸w*h的失配度m。Step3：使用m值最小的分类器对待检测图像进行分类检测并判断图像隐写与否。4结束语本文充分考虑图像尺寸失配问题对隐写分析的影响细化训练样本图像的尺寸针对每一个图像尺寸训练一个分类器分析待检测图像时计算该图像特征与分类器图像尺寸失配度根据失配度选择最合适的分类器用于分类分类器细分后的特征将更有利于图像分类减少漏检率。如果在训练分类器时考虑更多的图像特性例如质量因子、相机来源等在