降低特征類內(nèi)離散度的JPEG圖像隱寫(xiě)分析

汪 然，牛少彰，平西建，張 濤，桑曉丹

1.信息工程大學(xué)信息系統(tǒng)工程學(xué)院，鄭州450001

2.北京郵電大學(xué)計(jì)算機(jī)學(xué)院，北京100876

3.解放軍31401部隊(duì)，濟(jì)南250002

近年來(lái)，信息隱藏作為信息安全領(lǐng)域的重要課題引起了國(guó)際學(xué)術(shù)界的重視，它主要包括數(shù)字水印和數(shù)字隱寫(xiě)兩個(gè)方面.隱寫(xiě)分析技術(shù)根據(jù)圖像、音頻、視頻等載體的統(tǒng)計(jì)特性判斷其中是否含有額外的隱藏信息，它與數(shù)字隱寫(xiě)的對(duì)抗成為網(wǎng)絡(luò)時(shí)代研究的重要內(nèi)容之一.

隱寫(xiě)分析的研究主要集中在隱藏信息存在性檢測(cè)技術(shù)方面.按照研究方式是否針對(duì)特定數(shù)字隱寫(xiě)方法和嵌入機(jī)制可以分為專用隱寫(xiě)分析和通用隱寫(xiě)分析兩類.其中，通用隱寫(xiě)分析，又稱盲檢測(cè)方法，它是通過(guò)提取特征向量以及訓(xùn)練和設(shè)計(jì)分類器等步驟來(lái)實(shí)現(xiàn)對(duì)秘密信息的檢測(cè).與專用隱寫(xiě)分析相比，通用隱寫(xiě)方法具有更強(qiáng)的適用性，已成為隱寫(xiě)分析領(lǐng)域的研究熱點(diǎn).目前最常用的通用隱寫(xiě)分析特征包括像素間相關(guān)性特征[1-4]、概率密度函數(shù)(probability density function,PDF)矩[5]、特征函數(shù)(characteristic function,CF)矩[6]以及富模型特征[7-9]等.

隨著隱寫(xiě)技術(shù)，尤其是自適應(yīng)隱寫(xiě)和基于最小化嵌入失真的隱寫(xiě)的發(fā)展，傳統(tǒng)的隱寫(xiě)分析方法面臨著更多的挑戰(zhàn)，如何進(jìn)一步提高隱寫(xiě)檢測(cè)算法的性能和適用性是隱寫(xiě)檢測(cè)的難點(diǎn)問(wèn)題.迄今為止，圖像隱寫(xiě)分析技術(shù)大多基于對(duì)隱寫(xiě)方法的嵌入機(jī)制及其對(duì)圖像數(shù)據(jù)統(tǒng)計(jì)特性造成的變化關(guān)系，重點(diǎn)集中在提取更加具有區(qū)分性的隱藏信息存在性特征，而忽略了圖像本身的統(tǒng)計(jì)特性和圖像內(nèi)容的差異性對(duì)隱寫(xiě)分析的影響.圖像內(nèi)容特征的差異使得載體、載密圖像的隱寫(xiě)檢測(cè)特征混淆在一起，而圖像隱寫(xiě)分析則成了一個(gè)“類內(nèi)分散、類間聚合”的分類問(wèn)題.在大數(shù)據(jù)網(wǎng)絡(luò)環(huán)境下，當(dāng)訓(xùn)練、測(cè)試樣本失配時(shí)，隱寫(xiě)檢測(cè)算法性能會(huì)受到更大的影響.

載體、載密圖像的統(tǒng)計(jì)特性與隱寫(xiě)檢測(cè)特征之間的關(guān)系日益受到關(guān)注，并出現(xiàn)了一些考慮圖像統(tǒng)計(jì)特性的隱寫(xiě)分析方法.文獻(xiàn)[10]把圖像分為固定尺寸的子塊然后將每個(gè)子塊提取的隱寫(xiě)檢測(cè)特征進(jìn)行聚類，使同一類別子圖像塊的隱寫(xiě)檢測(cè)特征分布更加集中，接著分別對(duì)每類子塊進(jìn)行訓(xùn)練和測(cè)試，并根據(jù)投票原則將不同類別的檢測(cè)結(jié)果進(jìn)行融合.文獻(xiàn)[11-12]則提出了基于圖像分割的隱寫(xiě)分析模型，依據(jù)圖像的內(nèi)容復(fù)雜度對(duì)待檢測(cè)圖像進(jìn)行分割，分別提取每一類子圖像的隱寫(xiě)檢測(cè)特征后訓(xùn)練分類器，最終通過(guò)加權(quán)融合方式得到檢測(cè)結(jié)果.

本文將從降低圖像統(tǒng)計(jì)特性差異的角度進(jìn)行分析，提出了一種新的隱寫(xiě)分析模型.雖然圖像是由統(tǒng)計(jì)特性不同的區(qū)域所組合而成的非平穩(wěn)馬爾科夫信源，但是不同圖像內(nèi)容的復(fù)雜度各不相同.基于分割的圖像隱寫(xiě)分析模型能夠分割混合信源，有效降低了圖像統(tǒng)計(jì)特性差異，提高了隱寫(xiě)檢測(cè)的有效性，然而計(jì)算復(fù)雜度也隨之提高.本文按照整體內(nèi)容復(fù)雜度將圖像分類，為復(fù)雜度相同的圖像構(gòu)建分類器，并分別提取每類圖像的隱寫(xiě)檢測(cè)特征.實(shí)驗(yàn)證明：與傳統(tǒng)方法相比，本文算法能夠在并不增加復(fù)雜度的前提下獲得更好的檢測(cè)性能.

1 模型原理

大部分隱寫(xiě)分析方法借助模式識(shí)別進(jìn)行分類，目的是尋找兩類特征間的最優(yōu)分類面.隨著富模型特征集的廣泛應(yīng)用，組合分類器在隱寫(xiě)分析領(lǐng)域越來(lái)越受歡迎，它是基于最常用的Fisher 線性判決[13]而提出的.本節(jié)結(jié)合Fisher 線性分類器，探討基于圖像分類的隱寫(xiě)分析模型的原理和動(dòng)機(jī).

Fisher 線性判決的思路是：將所有樣本投影到同一個(gè)方向上，使這個(gè)方向上所有相同類內(nèi)特征的投影值足夠聚合，而使不同類間特征的投影值相距盡可能遠(yuǎn).設(shè)兩類特征投影后的類內(nèi)離散度為Si,i= 1,2，則總類內(nèi)離散度為Sw=S1+S2，類間離散度為Sb，F(xiàn)isher 線性判決的準(zhǔn)則為

顯然，準(zhǔn)則函數(shù)J的值越大，兩類樣本的分類準(zhǔn)確率越高.為了更準(zhǔn)確地對(duì)樣本進(jìn)行分類，希望樣本具有較大的類間距離，且每一類樣本具有更小的方差，也就是分布更加聚合.

由于圖像內(nèi)容的豐富多彩以及處理手段的多種多樣，圖像信源的統(tǒng)計(jì)特性相對(duì)分散.圖像隱寫(xiě)對(duì)圖像統(tǒng)計(jì)特性的改變程度遠(yuǎn)小于圖像內(nèi)容的影響，因此圖像隱寫(xiě)分析本質(zhì)上是一個(gè)“類內(nèi)分散、類間聚合”的問(wèn)題.現(xiàn)有的盲檢測(cè)方法大多從擴(kuò)大類間距離的角度提高檢測(cè)性能，即通過(guò)提取更加有效的隱寫(xiě)檢測(cè)特征來(lái)增大式(1)中的分子Sb，從而實(shí)現(xiàn)更加準(zhǔn)確的檢測(cè).這種方法在嵌入率較高的條件下能夠獲得較好的檢測(cè)性能，然而在低嵌入率條件下，秘密信息嵌入對(duì)圖像統(tǒng)計(jì)特性的改變非常小，也就是載體和載密圖像的隱寫(xiě)檢測(cè)特征差異不足以獲得足夠的類間距離，此時(shí)載體、載密圖像的特征分布嚴(yán)重混淆，傳統(tǒng)的盲檢測(cè)方法性能受到較大影響，于是本文從降低類內(nèi)離散程度的角度出發(fā)來(lái)考慮提高隱寫(xiě)分析性能，即通過(guò)減小式(1)中分母Sw的方式提高判決準(zhǔn)則函數(shù)J.具體做法是根據(jù)圖像的內(nèi)容復(fù)雜度將圖像分類后分別對(duì)每類子圖像進(jìn)行隱寫(xiě)檢測(cè).

2 基于分類的隱寫(xiě)分析模型

2.1 圖像分類

基于圖像分類的隱寫(xiě)分析方法依據(jù)能否衡量圖像內(nèi)容復(fù)雜度的特征對(duì)圖像進(jìn)行預(yù)分類，對(duì)于每一類子圖像庫(kù)的圖像，分別提取更加敏感的隱藏信息存在性特征.通過(guò)這種方法得到的每類子圖像的統(tǒng)計(jì)特性更加相似，隱寫(xiě)檢測(cè)特征分布差異較小，載體、載密圖像特征之間的可分性也有所提高.基于圖像分類的隱寫(xiě)檢測(cè)流程如圖1所示.

圖1 基于圖像分類的隱寫(xiě)分析算法流程圖Figure1 Block-diagram of proposed steganalyzer based on image classification

從圖1中可以看出，選擇合適的內(nèi)容度量特征對(duì)于圖像分類和后續(xù)的隱寫(xiě)分析起著決定性作用.分類的目的是將圖像統(tǒng)計(jì)特性相同或相近的圖像劃分至同一子圖像庫(kù)，由此降低隱寫(xiě)檢測(cè)特征的類內(nèi)離散程度.圖像統(tǒng)計(jì)特性受到很多因素的影響，除了圖像本身內(nèi)容之外，圖像采集設(shè)備的特性(相機(jī)的插值矩陣、噪聲模式)、圖像的處理手段(是否經(jīng)過(guò)重采樣、二次壓縮)等均對(duì)圖像統(tǒng)計(jì)特性產(chǎn)生影響.對(duì)于JPEG 圖像而言，JPEG 壓縮在進(jìn)行2D 離散余弦變換(discrete Cosine transform,DCT)和量化時(shí)已經(jīng)充分考慮了圖像塊的能量分布特性，相應(yīng)的統(tǒng)計(jì)特性也都可以通過(guò)量化后的DCT 系數(shù)得到反映，因此無(wú)論是反映圖像統(tǒng)計(jì)特性的內(nèi)容復(fù)雜度度量特征還是隱寫(xiě)檢測(cè)特征均從DCT 系數(shù)中提取.本文首先提取塊內(nèi)DCT 系數(shù)共生矩陣來(lái)衡量圖像的統(tǒng)計(jì)特性，然后依據(jù)圖像內(nèi)容復(fù)雜度對(duì)圖像進(jìn)行分類.

設(shè)圖像尺寸為M ×N，第k個(gè)圖像塊中位置為(i,j)的DCT 系數(shù)絕對(duì)值可以用dki,j表示，分別定義水平和垂直方向的塊內(nèi)共生矩陣

式中，NB為整幅圖像的8×8 塊的數(shù)目，δ為沖擊函數(shù).令DCT 系數(shù)絕對(duì)值的取值s,t ∈[0,3]，于是得到16 維內(nèi)容復(fù)雜度度量特征.

圖2給出了4 幅具有不同內(nèi)容的圖像及其部分度量特征，可以看出隨著圖像內(nèi)容復(fù)雜度的提升，DCT 系數(shù)共生矩陣C00的取值逐漸減小，其余特征則依次增大，這正好說(shuō)明了本文特征能夠較好地度量圖像的內(nèi)容復(fù)雜度.

為了反映圖像的聚合狀態(tài)，提取每幅圖像的內(nèi)容復(fù)雜度度量特征之后需將擁有相同或相近內(nèi)容復(fù)雜度的圖像歸為一類.由于圖像統(tǒng)計(jì)特性沒(méi)有明確的類別邊界，選擇非監(jiān)督的聚類算法對(duì)具有不同內(nèi)容復(fù)雜度的圖像進(jìn)行分類.聚類算法能夠根據(jù)樣本間的某種距離或相似性度量來(lái)定義聚類，其中K 均值聚類算法因簡(jiǎn)便、高效被視為最常用、最具代表性的聚類算法，因此本文采用該算法對(duì)圖像內(nèi)容復(fù)雜度度量特征進(jìn)行聚類，以實(shí)現(xiàn)基于內(nèi)容的圖像分類.

2.2 特征提取和訓(xùn)練測(cè)試

為了充分驗(yàn)證基于分類的隱寫(xiě)分析模型的有效性，本文針對(duì)JPEG 圖像選取了低維和高維特征空間中最具有代表性的隱寫(xiě)檢測(cè)特征集，包括基于校準(zhǔn)的融合特征集(簡(jiǎn)稱為CCPEV)[2]、216 維特征(簡(jiǎn)稱為L(zhǎng)IU)[4]和富模型特性(簡(jiǎn)稱為JRM)[8].

對(duì)分類所得到的子圖像庫(kù)進(jìn)行特征提取之后，需要為每類圖像的隱寫(xiě)分析特征構(gòu)造一個(gè)分類器.在測(cè)試階段，同樣根據(jù)內(nèi)容復(fù)雜度對(duì)圖像進(jìn)行分類，將圖像送入相應(yīng)類別的分類器進(jìn)行測(cè)試后得到最終檢測(cè)結(jié)果，由此實(shí)現(xiàn)了基于分類的隱寫(xiě)分析.本文采用組合分類器(ensemble classifier,EC)[5]進(jìn)行分類訓(xùn)練和測(cè)試，采用的評(píng)價(jià)指標(biāo)為最小平均錯(cuò)誤率，其計(jì)算公式為

式中，PFiP和PFiN分別表示第i個(gè)隱寫(xiě)檢測(cè)分類器Ci的虛警率和漏檢率，mi和ni分別表示送至分類器Ci的測(cè)試樣本中載體和載密圖像所占的比例.對(duì)每個(gè)類子圖像進(jìn)行分類之后，按如下公式得到最終檢測(cè)結(jié)果：

圖2 內(nèi)容不同的圖像及其內(nèi)容復(fù)雜度度量特征Figure2 Several images with different contents and the content complexity evaluation features

式中，θi表示分類器Ci中測(cè)試樣本占總測(cè)試樣本的比例，表示Ci的平均最小錯(cuò)誤率.顯然，PErr取值越小，隱寫(xiě)檢測(cè)性能越好.

3 實(shí)驗(yàn)結(jié)果與分析

3.1 實(shí)驗(yàn)設(shè)置

在實(shí)際網(wǎng)絡(luò)環(huán)境中，圖像的來(lái)源、處理手段都可能差別很大，為了盡可能逼真地模擬現(xiàn)實(shí)環(huán)境下的圖像，本文算法選用不同的圖像庫(kù)進(jìn)行測(cè)試，并采用不同的質(zhì)量因子將圖像壓縮.實(shí)驗(yàn)圖像庫(kù)包括BOSSbase[14]、BOWS2[15]、NRCS[14]、UCID[17]，從第4 個(gè)圖像庫(kù)中隨機(jī)選取1 000 幅圖像，從其余3 個(gè)圖像庫(kù)中分別隨機(jī)選取3 000 幅圖像，共計(jì)10 000 幅圖像組成實(shí)驗(yàn)所用圖像庫(kù).將這10 000 幅圖像隨機(jī)分成10 份，每份包含1 000 幅圖像.對(duì)這10 份分別以質(zhì)量因子50、55、60、65、......、90、95 進(jìn)行JPEG 壓縮，得到實(shí)驗(yàn)所用圖像庫(kù).測(cè)試的隱寫(xiě)算法包括nsF5[18]、F5[19]、MB1[20]、MME2、MME3 等算法[21].

3.2 模型有效性驗(yàn)證

3.2.1 特征集分布曲線

為了證明基于內(nèi)容的分類處理可以降低圖像統(tǒng)計(jì)特性的差異，按照本文方法將測(cè)試圖像庫(kù)分為3 類，分析每一類圖像隱寫(xiě)檢測(cè)特征的分布特性.為了更充分地觀察特征分布的顯示效果，僅提取CCPEV 特征集中原始圖像DCT 系數(shù)全局直方圖峰值和Markov 概率轉(zhuǎn)移矩陣峰值兩維特征進(jìn)行觀察.整體圖像庫(kù)和3 個(gè)子圖像庫(kù)的隱寫(xiě)檢測(cè)特征分布曲線如圖3所示，可以看出經(jīng)過(guò)分類后兩個(gè)特征在3 類子圖像庫(kù)上的分布都比在整體圖像庫(kù)上的分布更加集中，說(shuō)明基于內(nèi)容復(fù)雜度的圖像分類能夠改善圖像統(tǒng)計(jì)特性差異造成的隱寫(xiě)檢測(cè)特征分散現(xiàn)象.

圖3 原始圖像和分類子圖像庫(kù)的隱寫(xiě)檢測(cè)特征的分布概率曲線Figure3 Probability density curves of steganalysis features for original and classified images

3.2.2 巴氏距離

雖然分割后特征的類內(nèi)散布程度有所減小，但若類間離散程度隨之減小，分類結(jié)果仍得不到改善.為了驗(yàn)證分類后的子圖像確實(shí)有助于分類，采用巴氏距離(Bhattacharyya distance,BD)度量特征的分類性能.巴氏距離是最常用的基于概率分布的可分性判據(jù)，它基于樣本的條件概率密度進(jìn)行計(jì)算，能夠直接地反映分類性能的優(yōu)劣，其定義如下：

式中，x為分類特征，X為特征空間，pC(x)和pS(x)分別為載體、載密圖像隱寫(xiě)檢測(cè)特征的概率密度函數(shù).兩類特征間的巴氏距離越小，分類效果越差.

提取CCPEV 隱寫(xiě)檢測(cè)特征集，得到整體圖像庫(kù)和分類子圖像庫(kù)的載體、載密圖像特征間的巴氏距離如表1所示，表中所列出的數(shù)據(jù)均為該類每一維特征巴氏距離的均值.可以看出3 類子圖像庫(kù)各類特征的巴氏距離均有所增大，這說(shuō)明經(jīng)過(guò)分類后載體、載密圖像的類間離散度并未降低，隱寫(xiě)檢測(cè)特征更易于區(qū)分，因此能夠得到更好的檢測(cè)性能.

3.3 參數(shù)選擇

為了測(cè)試分類數(shù)目與本文算法性能之間的關(guān)系，在嵌入率為0.05 bpnc(bit per non-zero coefficient)的情況下測(cè)試F5 和MB1 兩種隱寫(xiě)算法.將圖像庫(kù)進(jìn)行隨機(jī)分類后采用與本文相同的方法進(jìn)行實(shí)驗(yàn)并對(duì)比，以驗(yàn)證本文算法對(duì)圖像進(jìn)行基于內(nèi)容的分類確實(shí)能夠提升檢測(cè)性能.提取CCPEV 特征集所得到的檢測(cè)性能對(duì)比情況如圖4所示，為減小隨機(jī)選擇訓(xùn)練以及測(cè)試樣本對(duì)實(shí)驗(yàn)結(jié)果造成的影響，重復(fù)進(jìn)行5 次實(shí)驗(yàn)并取這5 次實(shí)驗(yàn)的最小平均錯(cuò)誤率的均值作為對(duì)比指標(biāo).

表1 CCPEV 特征巴氏距離Table1 Bhattacharyya distances of CCPEV feature set ×10?2

從圖4中可以看出：隨著圖像分類數(shù)目的增大，本文方法的檢測(cè)錯(cuò)誤率曲線大致可以連接為一條下凸的曲線.這是因?yàn)楫?dāng)預(yù)分類類別數(shù)目從較小的值逐漸遞增時(shí)，每一子類別中圖像的統(tǒng)計(jì)特性更加接近，載體和載密圖像的類內(nèi)離散程度有所降低，檢測(cè)性能也有所提高.隨著分類數(shù)目的進(jìn)一步增大，預(yù)分類會(huì)將原本統(tǒng)計(jì)特性接近的圖像劃分至不同類別，由此增大了載體和載密圖像的檢測(cè)難度.不僅如此，統(tǒng)計(jì)模式識(shí)別的性能建立在一定數(shù)量的訓(xùn)練和測(cè)試樣本基礎(chǔ)上，隨著分類數(shù)目的增加，每一類別子圖像庫(kù)因樣本數(shù)目減小而導(dǎo)致性能降低，這也是隨機(jī)預(yù)分類方法的性能隨著分類數(shù)目的增加而逐漸降低的原因.從圖4的實(shí)驗(yàn)結(jié)果中可以看出：在F5 算法和MB1 算法的檢測(cè)結(jié)果曲線上大致可以找到7 和13 兩個(gè)谷點(diǎn)，綜合考慮算法的復(fù)雜度，本算法選擇7 作為圖像的分類數(shù)目.此參數(shù)對(duì)于其他隱寫(xiě)方法和嵌入率來(lái)說(shuō)并非最佳，但仍具有一定的代表性.

圖4 圖像分類數(shù)目與檢測(cè)性能間的關(guān)系Figure4 Correlation between image classification number and detecting performance

3.4 分類性能比較

為了驗(yàn)證基于分類的隱寫(xiě)分析算法確實(shí)能夠提高檢測(cè)性能，本節(jié)對(duì)分類性能進(jìn)行對(duì)比，所提取的特征集包括CCPEV、LIU 和JRM.為了測(cè)試算法的實(shí)用性，本節(jié)還測(cè)試了當(dāng)訓(xùn)練和測(cè)試圖像庫(kù)不同時(shí)算法的檢測(cè)性能，其中訓(xùn)練圖像庫(kù)的壓縮質(zhì)量因子Q ∈{50,55,60,65,70}，測(cè)試圖像庫(kù)的壓縮質(zhì)量因子Q ∈{75,80,85,90,95}.

表2給出了訓(xùn)練、測(cè)試圖像庫(kù)統(tǒng)計(jì)特性相同時(shí)算法的檢測(cè)正確率.從表中可以看出：以提取相同特征集來(lái)衡量，本文所提出的基于圖像分類的算法均優(yōu)于傳統(tǒng)方法.這是因?yàn)楸疚姆椒ㄍㄟ^(guò)基于內(nèi)容的預(yù)分類處理降低了因圖像內(nèi)容造成的統(tǒng)計(jì)特性差異，所以隱寫(xiě)檢測(cè)特征分布更加集中，類內(nèi)離散程度降低，對(duì)于隱寫(xiě)造成的改變也更加敏感.對(duì)于基于邊信息的MME隱寫(xiě)方法，本文算法在檢測(cè)性能方面的改進(jìn)效果更加明顯.這是因?yàn)檫@類方法將秘密信息隱藏在對(duì)圖像統(tǒng)計(jì)特性影響較小的區(qū)域，而本文算法從內(nèi)容不同的圖像分別提取隱寫(xiě)檢測(cè)特征，分類時(shí)能夠更加敏感地捕捉到細(xì)微變化.對(duì)于富模型特征，本文算法的性能提升程度稍遜于低維特征集CCPEV 和LIU，這是因?yàn)楦荒Ｐ吞卣鲗?duì)于圖像的細(xì)微變化更加敏感，所以受到圖像內(nèi)容差異的影響較小.然而，本文算法在不提升復(fù)雜度的前提下仍能使檢測(cè)性能略有提升.

表2 訓(xùn)練、測(cè)試圖像庫(kù)相同時(shí)的隱寫(xiě)檢測(cè)性能Table2 Detection results when training and testing databases are with the same characteristics %

在目前的實(shí)驗(yàn)環(huán)境下，大部分算法在訓(xùn)練、測(cè)試時(shí)采用相同的圖像庫(kù).然而，在復(fù)雜網(wǎng)絡(luò)環(huán)境下，圖像數(shù)據(jù)量龐大，內(nèi)容千變?nèi)f化，質(zhì)量參差不齊，要使用與測(cè)試圖像完全相同的處理手段得到訓(xùn)練圖像，這幾乎是不可能的.因此，本文測(cè)試了訓(xùn)練、測(cè)試圖像庫(kù)統(tǒng)計(jì)特性不同時(shí)各種算法的檢測(cè)性能，所得結(jié)果如表3所示.可以看出，對(duì)于3 個(gè)測(cè)試的特征集來(lái)說(shuō)，LIU 特征集雖然維數(shù)最低，但抵御訓(xùn)練、測(cè)試樣本失配的性能最優(yōu)，與訓(xùn)練、測(cè)試圖像庫(kù)統(tǒng)計(jì)特性相同的情況相比，該特征集所受影響最小.對(duì)3 種隱寫(xiě)檢測(cè)特征集的測(cè)試性能均表明，本文算法對(duì)性能的提升效果比訓(xùn)練、測(cè)試庫(kù)相同的方法更加明顯.這是因?yàn)楫?dāng)訓(xùn)練、測(cè)試圖像庫(kù)統(tǒng)計(jì)特性不同時(shí)，訓(xùn)練、測(cè)試樣本會(huì)失配，本文算法均按照內(nèi)容復(fù)雜度對(duì)訓(xùn)練、測(cè)試圖像庫(kù)進(jìn)行分類，在最大程度上保持了訓(xùn)練、測(cè)試圖像庫(kù)統(tǒng)計(jì)特性的一致，所以樣本的失配對(duì)于本文算法的影響較小.這意味著當(dāng)圖像內(nèi)容的來(lái)源有較大差異時(shí)，算法性能并不受到太大的影響，更適用于實(shí)際情況.

表3 訓(xùn)練、測(cè)試圖像庫(kù)不同時(shí)的隱寫(xiě)檢測(cè)性能Table3 Detection results when training and testing databases are with different characteristics %

3.5 算法運(yùn)行復(fù)雜度

在計(jì)算復(fù)雜度方面，本文提取特征與原算法相同，只需在構(gòu)建分類器之前計(jì)算每幅圖像的內(nèi)容復(fù)雜度特征并構(gòu)建多個(gè)分類器即可，因此本文算法的復(fù)雜度僅在分類時(shí)高于用作對(duì)比的算法.實(shí)驗(yàn)所用計(jì)算機(jī)采用酷睿i7 處理器、4G內(nèi)存，提取一幅圖像的內(nèi)容復(fù)雜度度量特征約需0.627 s.構(gòu)建分類器時(shí)，對(duì)JRM 特征集進(jìn)行訓(xùn)練的平均時(shí)間為245.8 s，對(duì)本文算法的平均訓(xùn)練時(shí)間為598.2 s.

4 結(jié) 語(yǔ)

本文從降低圖像統(tǒng)計(jì)特性差異的角度提出了一種新的隱寫(xiě)分析模型，先根據(jù)圖像的內(nèi)容復(fù)雜度將圖像分類，再提取具有相同統(tǒng)計(jì)特性的圖像的隱寫(xiě)檢測(cè)特征，并分別構(gòu)造分類器進(jìn)行訓(xùn)練和測(cè)試.模型的有效性通過(guò)數(shù)據(jù)分析和實(shí)驗(yàn)結(jié)果得到證明，可以看出：通過(guò)基于內(nèi)容的預(yù)分類處理，降低了載體、載密圖像隱寫(xiě)檢測(cè)特征間的類內(nèi)離散程度，提高了分類性能.與具有代表性的隱寫(xiě)檢測(cè)方法進(jìn)行對(duì)比，進(jìn)一步驗(yàn)證了本文模型的性能.

雖然本文針對(duì)的隱寫(xiě)方法在當(dāng)前技術(shù)條件下的安全性能并不優(yōu)異，但其效率更高，適用范圍更廣.對(duì)圖像進(jìn)行分類的實(shí)驗(yàn)發(fā)現(xiàn)：對(duì)于JPEG 圖像來(lái)說(shuō)，在相同的嵌入率下，內(nèi)容較為簡(jiǎn)單的圖像檢測(cè)準(zhǔn)確率相對(duì)較低，從而影響了算法的整體性能.以后會(huì)對(duì)安全性能有極大提升的新的隱寫(xiě)方法進(jìn)行分析檢測(cè)，同時(shí)根據(jù)圖像內(nèi)容復(fù)雜度更有針對(duì)性地提取更加敏感的隱寫(xiě)檢測(cè)特征，研究將富模型特征與本文模型相結(jié)合，將提高類間距離和減小類內(nèi)離散的策略相結(jié)合，以進(jìn)一步提高隱寫(xiě)檢測(cè)性能.