一种数字图像隐写分析特征提取方法及提取系统与流程

本发明涉及数字图像隐写分析技术领域，尤其涉及的是一种数字图像隐写分析特征提取方法及提取系统。

背景技术：

数字图像隐写分析有主动隐写分析和被动隐写分析两种类型，其中被动隐写分析主要判断载体是否隐藏秘密信息，而主动隐写分析在判别出载体有秘密信息的同时还要通过估计隐写算法的参数进一步提取出秘密信息。根据使用场景，隐写分析又分为专用隐写分析和通用隐写分析。通用隐写方法需要对多种隐写算法进行检测，其操作过程主要分为特征提取和分类器分类两个部分，其中特征设计部分是研究的主要内容也是本专利设计的算法作用环节，而分类操作现在主流的方法是使用集成分类器。

图像空域通用隐写分析特征中，最有代表性的是空域富模型(SRM)，它首先通过许多线性和非线性滤波器得到图像不同的余量参差，之后对余量进行量化截断，再通过将不同量化截断滤波余量图生成四阶共生矩阵，最后用不同的合并方式降维生成特征。富模型特征在隐写分析上对内容自适应隐写取得了不错的效果，SRM在滤波器的选择上较充分考虑但是其滤波器规律不足这方面值得改进。

随着内容自适应隐写方法HUGO的出现，以最小失真框架为基础的隐写算法陆续出现，这些算法通过定义一种失真函数来反映嵌入带来的代价，通过最小化整体代价值来将信息嵌入在纹理和边缘区域，以此更难被检测。针对隐写算法将秘密信息嵌入载体图像过程中，会造成图像纹理的改变，选择对纹理区域更敏感的检测可以对分析隐写有很大帮助。局部二值模型(LBP)是一种将结构和统计相结合的算子，它的直方图特征在图像纹理分类中得到很好的应用，利用局部二值模型直方图特征在空域隐写分析上已经取得一定效果，但是其性能还是劣于SRM，直方图特征对于图像像素间相关性上表达不足，难以捕捉隐写带来图像统计特性的改变，另外LBP的定义和隐写分析问题不是直接匹配也是其不足之处。

因此，现有技术还有待于改进和发展。

技术实现要素：

鉴于上述现有技术的不足，本发明的目的在于提供一种数字图像隐写分析特征提取方法及提取系统，旨在解决现有技术中利用局部二值模型直方图特征在空域隐写分析上直方图特征对于图像像素间相关性上表达不足，难以捕捉隐写带来图像统计特性的改变，LBP的定义和隐写分析问题不是直接匹配的缺陷等问题。

本发明的技术方案如下：

一种数字图像隐写分析特征提取方法，其中，所述方法包括以下步骤：

A、将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个无方向性滤波器和6个有方向性滤波器；

B、根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵，对其中6个有方向性滤波器，相加合并不同方向计算得到的共生矩阵；

C、对计算得到的共生矩阵，合并不同方向共生矩阵并降维后进行LOG函数映射得到共生矩阵特征。

所述数字图像隐写分析特征提取方法，其中，所述步骤A中10个滤波器所包括的4个基本滤波器分别记为D12、D13、D14和D15，其中：

[1,0]-[0,1]＝[1,-1] (D12)

[1,-1,0]-[0,1,-1]＝[1,-2,1] (D13)

[1,-2,1,0]-[0,1,-2,1]＝[1,-3,3,-1] (D14)

[1,-3,3,-1,0]-[0,1,-3,3,-1]＝[1,-4,6,-4,1] (D15)；

10个滤波器所包括的6个由基本滤波器推导出的滤波器分别记为D22、D33、D44、D55、D23和D35，其中：

其中，D22、D33、D44、D55是4个无方向性滤波器，D12、D13、D14、D15、D23、D35是6个有方向性滤波器，对有方向性滤波器，分别计算各个方向上的余量以及计算其中各个方向余量的最大值余量和最小值余量。

所述数字图像隐写分析特征提取方法，其中，所述步骤A中通过10个滤波器进行滤波得到残差图像的计算式为：

其中，I为待提取隐写分析特征图像，f是滤波器，是卷积符号，Row(f)和Colum(f)分别为求f的行和列数，M、N分别是编码图的长和宽。

所述数字图像隐写分析特征提取方法，其中，所述步骤B中LBPriu2模型的计算式为：

其中

其中

其中，g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和位置，取P＝8和R＝1。

所述数字图像隐写分析特征提取方法，其中，所述步骤B中DLBP模型的计算式为：

其中

其中，其中g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和选取半径，取P＝8和R＝1，α根据经验设置成0.3和0.5，f_i,j是滤波器系数。

所述数字图像隐写分析特征提取方法，其中，所述步骤B中4个方向的二阶共生矩阵的生成式为：

C₀(i,j)＝#{(x1,y1),(x1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1,y1+1)＝j}

C₄₅(i,j)＝#{(x1,y1),(x1-1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1+1)＝j}

C₉₀(i,j)＝#{(x1,y1),(x1-1,y1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1)＝j}

C₁₃₅(i,j)＝#{(x1,y1),(x1-1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1+1)＝j}；

其中，C₀为0°方向上二阶共生矩阵、C₄₅为45°方向上二阶共生矩阵、C₉₀为90°方向上二阶共生矩阵、C₁₃₅为135°方向上二阶共生矩阵，M、N是编码图的长和宽，R_LBP是LBP或者DLBP编码图。

所述数字图像隐写分析特征提取方法，其中，所述步骤C中具体包括：

C1、对6个有方向性滤波器进行滤波得到不同方向的残差图像，计算共生矩阵并相加合并同一个滤波器不同方向的共生矩阵，对6个有方向性滤波器最大值残差图像和最小值残差图像、以及4个无方向性滤波器残差图像得到的共生矩阵不合并；

C2、将共生矩阵沿左上到右下对角线对折相加，并拉伸成为0°方向上的一维向量Cf₀、45°方向上的一维向量Cf₄₅、90°方向上的一维向量Cf₉₀、及135°方向上的一维向量Cf₁₃₅；

C3、将0°方向上的一维向量Cf₀与90°方向上的一维向量Cf₉₀相加得到Cf₀₊₉₀，将45°方向上的一维向量Cf₄₅与135°方向上的一维向量Cf₁₃₅相加得到Cf₄₅₊₁₃₅；

C4、分别计算f₁＝log10(Cf₀₊₉₀+1)和f₂＝log10(Cf₄₅₊₁₃₅+1)，将f₁和f₂串联后得到共生矩阵特征。

一种数字图像隐写分析特征提取系统，其中，包括：

滤波模块，用于将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个有方向性滤波器和6个无方向性滤波器；

编码模块，用于根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵，对其中6个有方向性滤波器，相加合并不同方向计算得到的共生矩阵；

共生矩阵特征提取模块，用于对计算得到的共生矩阵，合并不同方向共生矩阵并降维后进行LOG函数映射得到共生矩阵特征。

所述数字图像隐写分析特征提取方法，其中，所述编码模块中LBPriu2模型的计算式为：

其中

其中

其中，g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和位置，取P＝8和R＝1。

所述数字图像隐写分析特征提取方法，其中，所述编码模块中DLBP模型的计算式为：

其中

其中，其中g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和选取半径，取P＝8和R＝1，α根据经验设置成0.3和0.5，f_i,j是滤波器系数。

本发明所提供的数字图像隐写分析特征提取方法及提取系统，方法包括：将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个无方向性滤波器和6个非有方向性滤波器；根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵；对计算得到的共生矩阵，合并不同方向共生矩阵并降维后进行LOG函数映射得到共生矩阵特征。本发明与现有的主流通用隐写分析方法SRM具有相近的性能，分类效果较SRM具有更高的准确率。

附图说明

图1为本发明所述数字图像隐写分析特征提取方法较佳实施例的流程图。

图2为6个相邻点选取范围尺度的示意图。

图3为本发明所述数字图像隐写分析特征提取系统较佳实施例的功能结构框图。

具体实施方式

本发明提供一种数字图像隐写分析特征提取方法及提取系统，为使本发明的目的、技术方案及效果更加清楚、明确，以下对本发明进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

如图1所示，为本发明所述一种数字图像隐写分析特征提取方法实施例的流程图，所述方法包括以下步骤：

步骤S100、将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个无方向性滤波器和6个有方向性滤波器。

对于4个无方向性滤波器，每个滤波器可以得到一个残差图像，对于6个有方向性滤波器，每个滤波器分别可以得到4个方向残差图像、1个最小值残差图像和1个最大值残差图像。

步骤S200、根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵，对其中6个有方向性滤波器，相加合并不同方向计算得到的共生矩阵。

步骤S300、对计算得到的共生矩阵，合并不同方向共生矩阵并降维后进行LOG函数映射得到共生矩阵特征。

本发明的实施例中，对于待提取隐写分析特征图像(即给定的一副数字灰度图像I)，首先需要通过不同的滤波器得到许多的余量R。对于滤波器的选择上，这里通过导数的方式得到四个基本滤波器，四个基本滤波器的设计较为规律易懂而且多样性适中。

SRM特征充分考虑了图像像素间相关性，但是对于现在发展较为迅速的自适应隐写分析方法重点隐写区域纹理噪声区域没有特别的策略。而传统LBP模型对于图像纹理较为敏感，能够充分识别图像纹理特征，但是隐写对图像的改变十分细微，原始定义利用相对关系得出的模型对隐写并不是十分适用，因此本专利中公开了根据相对距离的DLBP模型，将变化幅度考虑进来，增加对隐写的敏感程度。

对于共生矩阵，由于其是对图像给定方向相邻像素间关系的统计，它有一定稀疏性以及最大最小值相差几个数量级，这不利于集成分类器训练分类，因此本发明中将共生矩阵特征共LOG函数进行映射，使特征值能在同一个数量级里。

优选的，在所述数字图像隐写分析特征提取方法中，所述步骤S100中10个滤波器所包括的4个基本滤波器分别记为D12、D13、D14和D15，其中：

[1,0]-[0,1]＝[1,-1] (D12)

[1,-1,0]-[0,1,-1]＝[1,-2,1] (D13)

[1,-2,1,0]-[0,1,-2,1]＝[1,-3,3,-1] (D14)

[1,-3,3,-1,0]-[0,1,-3,3,-1]＝[1,-4,6,-4,1] (D15)；

10个滤波器所包括的6个由基本滤波器推导出的滤波器分别记为D22、D33、D44、D55、D23和D35，其中：

对于D23和D35两个滤波器，需要将其用零填充成3*3和5*5正方形矩阵，在D23下部填充1*3的零矩阵，在D35下部填充2*5的零矩阵。

D22、D33、D44、D55是的4个无方向性滤波器，D12、D13、D14、D15、D23、D35是6个有方向性滤波器，对有方向性滤波器，分别计算他们各个方向上的余量以及计算其中各个方向余量的最大和最小值余量。

所述数字图像隐写分析特征提取方法，其中，所述步骤S100中通过10个滤波器进行滤波得到残差图像的计算式为：

其中，I为待提取隐写分析特征图像，f是滤波器，是卷积符号，Row(f)和Colum(f)分别为求f的行和列数。

对于以上10个滤波器，其中因为D22、D33、D44、D55已经具有中心对称性，不需要旋转，所以各自可以得到一个残差图像；对于D12、D13、D14、D15、D23、D35六个滤波器，将他们以90度旋转4次得到4个残差图像，再由各自4个方向的残差图像取最大值和最小值可以得到两个非线性残差图像(取名为min和max)，因此分别可以得到6个残差图像。因此通过以上10个滤波器总共可以40个残差图像。

优选的，在所述数字图像隐写分析特征提取方法中，所述步骤S200中LBPriu2模型的计算式为：

其中

其中

其中，g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和位置，取P＝8和R＝1。

这种模型根据旋转不变特性和LBP编码零和一变换次数两个原则将原始LBP模型从256种降低到10种，这有利于后续共生矩阵转换维数控制。由以上几个操作，首先将残差图像量化截断，之后进行LBPriu2模型编码可以得到具有10个取值范围的LBPriu2编码图R_LBP。

优选的，在所述数字图像隐写分析特征提取方法中，所述步骤S200中DLBP模型的计算式为：

其中

其中，其中g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和选取半径，取P＝8和R＝1，α根据经验设置成0.3和0.5，f_i,j是滤波器系数。

DLBP这里通过编码之后具有256种模式，之后线性将相邻32种模式归为一种模式，以此将256种降为8种。对于DLBP模型编码在选取相邻像素点的选择上，本发明中选择选取相邻八个像素的点作为LBP编码参考点，另外采取一个已有的多种范围尺度取相邻点的方法，即同样取中心像素附近八个相邻点作为模型编码参考点，但是不只是选取相邻的像素，如图2所示，由此可以得到6个选取范围尺度，跟LBP编码模型进行相同操作。根据以上操作，进行DLBP模型编码可以得到具有8个取值范围的DLBP编码图R_DLBP。

优选的，在所述数字图像隐写分析特征提取方法中，所述步骤S200中4个方向的二阶共生矩阵的生成式为：

C₀(i,j)＝#{(x1,y1),(x1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1,y1+1)＝j}

C₄₅(i,j)＝#{(x1,y1),(x1-1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1+1)＝j}

C₉₀(i,j)＝#{(x1,y1),(x1-1,y1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1)＝j}

C₁₃₅(i,j)＝#{(x1,y1),(x1-1,y1+1)∈M×N|R_LBP(x1,y1)＝i,R_LBP(x1-1,y1+1)＝j}；

其中，C₀为0°方向上二阶共生矩阵、C₄₅为45°方向上二阶共生矩阵、C₉₀为90°方向上二阶共生矩阵、C₁₃₅为135°方向上二阶共生矩阵，M、N是编码图的长和宽，R_LBP是LBP或者DLBP编码图。

具体的，在所述数字图像隐写分析特征提取方法中，所述步骤S300中具体包括：

步骤S301、对滤波器进行滤波得到的残差图像，计算共生矩阵；

步骤S302、将共生矩阵沿左上到右下对角线对折相加，并拉伸成为0°方向上的一维向量Cf₀、45°方向上的一维向量Cf₄₅、90°方向上的一维向量Cf₉₀、及135°方向上的一维向量Cf₁₃₅；

步骤S303、将0°方向上的一维向量Cf₀与90°方向上的一维向量Cf₉₀相加得到Cf₀₊₉₀，将45°方向上的一维向量Cf₄₅与135°方向上的一维向量Cf₁₃₅相加得到Cf₄₅₊₁₃₅；

步骤S304、分别计算f₁＝log10(Cf₀₊₉₀+1)和f₂＝log10(Cf₄₅₊₁₃₅+1)，将f₁和f₂串联后得到共生矩阵特征。

对于x角度方向上的共生矩阵Cx，本专利将其沿左上到右下对角线对折相加，对角线上像素不做处理，之后拉伸成一维向量Cfx。对一个余量图生成的4个方向一维向量，将Cf₀和Cf₉₀相加、Cf₄₅和Cf₁₃₅相加得到Cf₀₊₉₀和Cf₄₅₊₁₃₅，之后分别求f1＝log10(Cf₀₊₉₀+1)和f2＝log10(Cf₄₅₊₁₃₅+1)，将f1和f2串联起来即可以得到该余量图在某个范围尺度下的共生矩阵变变换特征。由以上步骤一个残差图像，可以得到的LBP共生矩阵特征维数是660*1维，得到的DLBP共生矩阵特征维数是432*1维。

对于D12、D13、D14、D15、D23、D35这六个具有方向性的滤波器，可以分别得到四个方向以及最小值和最大值共六个残差图像，本方案中对其中的四个方向余量图在分别得到的共生矩阵之后，进行相加合并成一个共生矩阵，以此再进行余下操作，通过这种方法进行降维合并，而最小值和最大值余量图则分别得到各自的共生矩阵特征不做另外的合并操作。最小值和最大值余量的DLBP共生矩阵特征性能不理想，因此只用LBP共生矩阵特征。因此这六个滤波器D12、D13、D14、D15、D23、D35总共有(660*2+432*2)*6+660*2*2*6＝28944维；对于D22、D33、D44、D55这四个滤波器，总共有(660*2+432*2)*4＝8736维。因此一幅数字图像总共可以得到37680维特征。

基于上述方法实施例，本发明还提供一种数字图像隐写分析特征提取系统。如图3所示，所述数字图像隐写分析特征提取系统包括：

滤波模块100，用于将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个无方向性滤波器和6个有方向性滤波器；

编码模块200，用于根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵，对其中6个有方向性滤波器，相加合并不同方向计算得到的共生矩阵；

共生矩阵特征提取模块300，用于对计算得到的共生矩阵，合并不同方向共生矩阵并降维后进行LOG函数映射得到共生矩阵特征。

优选的，在所述数字图像隐写分析特征提取方法中，所述编码模块200中LBPriu2模型的计算式为：

其中

其中

其中，g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和位置，取P＝8和R＝1。

优选的，在所述数字图像隐写分析特征提取方法中，所述编码模块200中DLBP模型的计算式为：

其中

其中，其中g_p是相邻像素值，g_c是中间像素值，P、R是LBP编码中定义的相邻像素的个数和选取半径，取P＝8和R＝1，α根据经验设置成0.3和0.5，f_i,j是滤波器系数。

综上所述，本发明所提供的数字图像隐写分析特征提取方法及提取系统，方法包括：将待提取隐写分析特征图像通过10个滤波器进行滤波，得到残差图像；其中，10个滤波器包括4个无方向性滤波器和6个有方向性滤波器；根据LBPriu2模型和/或DLBP模型对残差图像进行编码后得到编码图，并根据编码图得到4个方向的二阶共生矩阵；对滤波得到的残差图像，计算共生矩阵，合并后进行LOG函数映射得到共生矩阵特征。本发明与现有的主流通用隐写分析方法SRM具有相近的性能，分类效果较SRM具有更高的准确率。

应当理解的是，本发明的应用不限于上述的举例，对本领域普通技术人员来说，可以根据上述说明加以改进或变换，所有这些改进和变换都应属于本发明所附权利要求的保护范围。