【正文】 月 日摘 要隨著互聯(lián)網(wǎng)技術(shù)的不斷普及和多媒體信息的數(shù)字化，打破了傳統(tǒng)的時空觀念，人們可以迅速的將信息以各種形式傳播到世界的任何角落，但也暴露了越來越重要的安全問題。數(shù)字圖像是因特網(wǎng)中最為常見的數(shù)字媒體，冗余度大，非常適合隱蔽信息，以數(shù)字圖像為載體的隱寫技術(shù)成果最豐富、最成熟，應(yīng)用也最廣泛。曲率是刻畫平滑最有效的方式，因此通過直方圖曲率和來刻畫直方圖變平滑的現(xiàn)象。首先分析隱寫算法對圖像像素相關(guān)性的影響，然后采用非線性曲率計算公式對圖像數(shù)據(jù)進(jìn)行非線性變換，在非線性變換域?qū)ζ溥M(jìn)行馬爾科夫鏈的建模，得出超高維的隱寫分析特征。 stegnanlysis。人們可以將各種信息以圖像、文字、聲音等方式通過互聯(lián)網(wǎng)迅速的傳播到世界的任何一個角落，一個真正意義上的“地球村”已經(jīng)被建立。盡管密碼學(xué)技術(shù)將明文信息轉(zhuǎn)換為密文，使得一般技術(shù)無法理解密文信息，但加密行為很容易被第三方識別，即無法隱藏“通信正在進(jìn)行”的事實。隱寫技術(shù)由于能夠隱藏“通信正在進(jìn)行”的事實，自20世紀(jì)90年代以來，迅速成為信息安全領(lǐng)域的研究熱點，目前已在個人隱私、軍事情報、國家安全等方面取得重要應(yīng)用?！坝芯€新聞網(wǎng)”[3]。隱寫分析技術(shù)是對隱寫術(shù)的攻擊，能夠?qū)Ψ欠[蔽信息進(jìn)行監(jiān)控和阻截。軍事專家預(yù)言：21世紀(jì)的戰(zhàn)爭是以信息戰(zhàn)為標(biāo)志的高技術(shù)戰(zhàn)爭。國際隱寫分析的先驅(qū)是美國George Mason大學(xué)的NeilF Johnson教授，其后New York State University, Polytechnic University, Michigan State University ,New Jersey Institute of Technology, WetStone 也先后開展隱寫分析的研究，這些單位都受到美國空軍研究所、美國國防部、國家安全局等部門在研究經(jīng)費上的支持。我國隱寫分析技術(shù)的研究相對起步較晚，中國科學(xué)院（自動化所,軟件所），北京郵電大學(xué)，中山大學(xué)，國防科技大學(xué)，湖南大學(xué)，解放軍信息工程大學(xué)等單位開始了隱寫分析技術(shù)的研究。秘密信息提取是否載密的二值判斷容量估計少量研究幾乎未見公開文獻(xiàn)研究焦點，應(yīng)用廣泛 數(shù)字圖像隱寫分析的技術(shù)層次近年來，在是否載密的二值判斷[8]，載密信息長度估計[9]，密匙估計[10]等方面涌現(xiàn)出一些算法，但作為隱寫分析的終極目的——載密信息的提取非常罕見[11]。由于技術(shù)原因，早期隱寫算法大多在特定的冗余區(qū)域嵌入秘密信息或嵌入特定的標(biāo)志以表明嵌入結(jié)束等信息。而且更為高級的圖像隱寫算法都是在圖像數(shù)據(jù)區(qū)域進(jìn)行嵌入，基于特征碼的圖像隱寫分析技術(shù)更是無法檢測。Ker[16]通過采用下采樣技術(shù)和二維傅立葉變換改進(jìn)了Harmsen的算法，性能得到了顯著提高。Cancelli[20]將張軍的局部極值特征[18]擴(kuò)展到圖像二維直方圖，并且考慮直方圖邊沿，得到了10維敏感特征，實驗結(jié)果顯示優(yōu)于局部極值原始算法。對于彩色圖像，三個顏色分量之間相關(guān)性也被作為隱寫分析的特征。融合鄰域度直方圖特征函數(shù)質(zhì)心，游程長度直方圖特征函數(shù)質(zhì)心在支持向量機(jī)中得到了很好的隱寫分析模型。基于圖像編碼技術(shù)的隱寫分析特征也具有很好的檢測性能，如游程編碼特征[33, 34]，預(yù)測編碼特征[35]。因此，如何快速的使用現(xiàn)有的隱寫分析特征對新型的隱寫技術(shù)進(jìn)行高精度檢測有待研究。(5) 目前數(shù)字圖像隱寫分析技術(shù)只能對是否載密以一定概率的方式進(jìn)行二值判斷，而不能明確的回答是否載密，即只能懷疑，而不能給予證明。 本文主要工作本文以數(shù)字圖像為研究對象，通過分析隱寫行為對圖像直方圖的影響，提出了一種基于圖像直方圖幾何度量的圖像隱寫分析特征。曲率是刻畫平滑最有效的方式，因此通過直方圖曲率和來刻畫直方圖變平滑的現(xiàn)象。首先分析隱寫算法對圖像像素相關(guān)性的影響，然后采用非線性曲率計算公式對圖像數(shù)據(jù)進(jìn)行非線性變換，在非線性變換域?qū)ζ溥M(jìn)行馬爾科夫鏈的建模，得出超高維的隱寫分析特征。第2章，介紹數(shù)字圖像隱寫及其隱寫分析技術(shù)的基本概念和經(jīng)典的數(shù)字圖像隱寫及隱寫分析算法。第2章 圖像隱寫及隱寫分析技術(shù) 數(shù)字圖像隱寫技術(shù)隱寫技術(shù)是信息隱藏的兩個重要分支之一。為了逃避監(jiān)管機(jī)構(gòu)（Wendy）的監(jiān)管， Alice和Bob之間通信就需要將秘密信息（Secret message）采用隱寫技術(shù)隱藏在于本次通信無關(guān)的載體對象中（Cover object），通過傳遞隱藏秘密信息的隱秘載體（Stego object）達(dá)到“低調(diào)“的通信。隱寫分析技術(shù)主要針對隱寫技術(shù)隱蔽性進(jìn)行攻擊。在隱寫前后，盡管載密圖像相對載體圖像在視覺上不可區(qū)分，但若改變了圖像的統(tǒng)計特征（直方圖特征等），只需提取這種特征就可輕松識別出圖像是否載密，也就成功攻破這種隱寫算法。Chandramouli 等[39]提出了類似香農(nóng)密碼系統(tǒng)中絕對安全性的“無條件安全隱寫系統(tǒng)”。數(shù)字圖像的每個像素用8個比特表示0255的灰度值，將所有像素的不同比特位提取出來就構(gòu)成了8個不同的位平面。因此從圖像視覺質(zhì)量角度出發(fā)，像素值的最低有效位是隱藏秘密信息的最佳位置。為了更好的保持圖像特征不變，在近似隨機(jī)噪聲的最低有效位上進(jìn)行秘密信息嵌入具有最好的抗檢測性。使得對能有效檢測LSB替換的RS分析、SPA分析、DIH分析等對LSB匹配檢測失效[47, 48]。目前的圖像隱寫分析技術(shù)主要是基于學(xué)習(xí)的模式識別技術(shù)，因此檢驗函數(shù)一般分為兩部分：特征提取和機(jī)器分類。為了消除圖像噪聲，圖像內(nèi)容等因素導(dǎo)致的特征不穩(wěn)定問題，特征校準(zhǔn)技術(shù)是行之有效的解決方案，如Ker[16]使用下采樣技術(shù)對Harmsem等[15]的特征進(jìn)行校準(zhǔn)，不僅提高了檢測性能，還提高了檢測算法的通用性。盡管特征提取是圖像隱寫分析的重點研究對象，但隨著研究的深入，一些學(xué)者指出傳統(tǒng)的分類器直接應(yīng)用于隱寫分析并不能夠達(dá)到最好的效果[51, 52]。Kodovsk253。給定一組測試圖像，可得出22的混淆矩陣,從混淆矩陣可知，分類錯誤只有兩類。事實上，ROC曲線偏離機(jī)會線越遠(yuǎn)，即ROC曲線下的面積（AUC）越大，分類性能越高。一般情況下，需要嵌入的秘密信息與載體圖像是互相獨立的，在此假設(shè)下Harmsem[15]等將圖像隱寫行為模擬為在載體圖像中加入隨機(jī)噪聲，則載密圖像的一維直方圖可以用載體圖像的一維直方圖和秘密信息分布的卷積表示，即：。Ker[16]指出，Conventional HCF COM特征應(yīng)用于灰度圖像LSB匹配隱寫分析并不成功。 嵌入數(shù)據(jù)前（圓點）后（叉形）圖像的C[H]值變化最后總結(jié)出基于圖像直方圖特征函數(shù)的四種隱寫分析特征：Conventional HCF COM、Calibrated HCF COM、Adjacency HCF COM、Calibrated Adjacency HCF COM。此外，張軍還利用隱寫后直方圖的局部極大值將變小，而局部極小值將變大的性質(zhì)，將極大值和極小值分別連接起來，兩條邊之間的面積用來隱寫分析[56]。最后隱寫分析特征為10維，相對原始的直方圖局部極值特征，實驗性能有了顯著改進(jìn)。統(tǒng)計具有相同游程長度的游程出現(xiàn)頻數(shù)，即得游程長度直方圖。 隱寫前后游程直方圖變化(4) 基于相關(guān)性的Liu’s隱寫分析算法Liu等[21]提出基于相關(guān)性的隱寫分析特征，并且指出嵌入率和圖像復(fù)雜度是影響隱寫分析性能的關(guān)鍵因素。Liu等[22]還對此進(jìn)行了擴(kuò)展。 (5) SPAM隱寫分析算法Pevny等[24, 25]指出圖像像素的高階依賴可以使用像素對分布、三像素分布等進(jìn)行建模，但是這些建模方法的特征維數(shù)隨著圖像灰度階指數(shù)增加，并且有些像素組合對于分類還是噪聲，圖像內(nèi)容的多樣性也導(dǎo)致很難建立起基于像素組合的模型。因此，Pevny在八個不同方向的差分圖像上進(jìn)行帶閾值的馬爾科夫鏈建模，這樣不僅特征維數(shù)低，差分操作還能消除圖像內(nèi)容多樣性對分類性能的影響。 小結(jié)本章首先對數(shù)字圖像隱寫的基本概念和模型進(jìn)行簡要介紹，并對幾種經(jīng)典的空域圖像隱寫算法進(jìn)行簡要說明。隱寫分析是一項極具挑戰(zhàn)性的研究，難度大，目前該領(lǐng)域還存在諸多問題筮待解決，需要進(jìn)行更多更為深入的研究。圖像直方圖是描述圖像灰度分布的概率密度函數(shù)，在圖像增強(qiáng)、圖像匹配等圖像處理領(lǐng)域中有著重要應(yīng)用。Ker[16]采用相鄰像素的二維直方圖代替Harmsen等[15]采用的一維直方圖，并采用基于下采樣技術(shù)的特征校準(zhǔn)機(jī)制進(jìn)行隱寫分析。Cancelli等[20]模仿Ker[16]的做法，對圖像一維直方圖和圖像二維直方圖都進(jìn)行了考慮，并處理了圖像直方圖邊沿影響，作為張軍提出的直方圖局部極值改進(jìn)算法，提出了10維隱寫分析特征。Pevny等[24, 25]討論了LSB匹配對圖像相關(guān)性的影響，提出了帶閾值的馬爾科夫鏈模型。 特征提取 LSB匹配模型及分析設(shè)為一幅灰度載體圖像，為載體圖像經(jīng)過LSB匹配后得到的載密圖像，、分別為載體圖像和載密圖像在位置的灰度值，其中。 圖像直方圖幾何度量將圖像直方圖的頂點依次用線段連接，得到含有256個有序點列的離散曲線，記為。將處的曲率記為，則[60] () 單點曲率計算示例式()中計算各種距離需要設(shè)置兩離散點之間的水平距離。攜秘圖像的直方圖曲率和小于載體圖像的直方圖曲率和。為了消除圖像內(nèi)容多樣性導(dǎo)致的特征不穩(wěn)定問題，有必要對特征進(jìn)行校準(zhǔn)。另外，對特征歸一化也能一定程度上消除圖像多樣性對特征不穩(wěn)定的影響。顯然，二次滿嵌入對低嵌入影響很大，而對高嵌入率影響很小。 特征校準(zhǔn)流程圖 采用校準(zhǔn)機(jī)制的NRCS圖像庫上隱寫前后SCH值 歸一化特征歸一化技術(shù)是模式識別領(lǐng)域常用的數(shù)據(jù)處理技術(shù)，歸一化的目的是消除量綱對分類性能的影響，是一種無量綱處理手段。本章將待檢測圖像直方圖曲率和，校準(zhǔn)圖像直方圖曲率和及二者比值作為隱寫分析的特征，分量之間存在較大的數(shù)量級差距，采用按列歸一化消除量綱對數(shù)量級差距的影響。 () 特征提取流程圖為了更為清晰的展示本章算法，將直方圖曲率和（SCH）特征提取過程歸納如下：第一步：對待檢測圖像，計算直方圖曲率和。第五步：對所得三維隱寫分析按列進(jìn)行歸一化，得到最終隱寫分析特征：、。支持向量機(jī)（SVM）由于其在解決小樣本、非線性及高維模式識別中體現(xiàn)的獨到優(yōu)勢，被得到廣泛研究和應(yīng)用。求解支持向量機(jī)的最大間隔超平面具有很高的時間復(fù)雜度，并且隨著特征維數(shù)和樣本數(shù)量的增加而增加，嚴(yán)重局限支持向量機(jī)的實用。此外，LIBSVM還提供特征歸一化，ROC曲線繪制及其覆蓋面積AUC計算工具。Set1：2,069幅從greenspun庫[63]下載的RGB圖像。四種不同嵌入率的攜秘圖像和greenspun灰度圖像庫一起，構(gòu)造了含有幅灰度圖的圖像庫，并記為Set1。該圖像庫圖像是未經(jīng)JPEG壓縮過的圖像，相對JPEG壓縮過圖像，該圖像庫圖像噪聲大。該圖像庫也被大量隱寫分析實驗引用[66, 67]。對于Set2，訓(xùn)練庫由1,000幅載體圖像和1,000對應(yīng)的隱寫圖像組成，即幅。采用非線性支持向量機(jī)作為本章分類器，分類器的核函數(shù)采用徑向基函數(shù)（RBF）。本章算法在兩個圖像庫上都具有很高的檢測率，而且檢測率隨嵌入率的增大而增高，這是因為高嵌入率對圖像的影響程度大于低嵌入率對圖像的影響程度，影響程度越大，留下的修改痕跡就越容易被捕捉，這符合數(shù)字圖像隱寫分析的基本準(zhǔn)則。為了更為詳細(xì)的進(jìn)行比較。低特征維數(shù)可以使得機(jī)器學(xué)習(xí)所需的訓(xùn)練樣本數(shù)目很少，而低計算復(fù)雜度保證算法能對網(wǎng)絡(luò)中的海量圖像進(jìn)行快速檢測。Ker[16]對Harmsen[15]等提出的圖像一維直方圖特征函數(shù)質(zhì)心進(jìn)行改進(jìn)，提出了基于直方圖特征函數(shù)質(zhì)心與下采樣校準(zhǔn)技術(shù)相結(jié)合的隱寫分析特征。自然圖像像素之間存在一定的相關(guān)性，而隱寫行為對這種相關(guān)性進(jìn)行一定擾亂，許多圖像隱寫分析算法對這種相關(guān)性擾亂進(jìn)行刻畫[21, 22, 25]。Pevny等[24, 25]在差分圖像上進(jìn)行帶閾值的馬爾科夫鏈建模，將轉(zhuǎn)移概率矩陣作為隱寫分析的特征，該算法是目前為止檢測性能最為優(yōu)越的算法之一。本章算法就是對圖像像素相關(guān)進(jìn)行建模，提出多維隱寫分析特征。最后一節(jié)對本章進(jìn)行總結(jié)。圖像相鄰像素存在一定的相關(guān)性，而隱寫行為對圖像相鄰像素的相關(guān)性有一定擾亂。 圖像數(shù)據(jù)矩陣鄰域變換特征維數(shù)對圖像隱寫分析有著重要影響，一般來講，高維數(shù)的特征能夠更精細(xì)的對圖像進(jìn)行刻畫，但特征維數(shù)太高勢必造成維數(shù)災(zāi)難，不僅需要更多的樣本進(jìn)行訓(xùn)練，而且訓(xùn)練所消耗的時間也會變的無法容忍。在圖像數(shù)據(jù)中，圖像數(shù)據(jù)變化的快慢體現(xiàn)了數(shù)據(jù)的相關(guān)程度。設(shè)為三個有序的圖像像素灰度值序列，利用式()[60]進(jìn)行非線性曲率變換，所得的就是該有序序列的曲率值。綜合離散步長對離散后的取值范圍和信息失真的程度。另外，將四個曲率模式矩陣相加，獲得加和的曲率模式矩陣，在該曲率模式矩陣上沿水平方向建立二階馬爾科夫鏈模型。 ()() 數(shù)字圖像內(nèi)容的多樣性會導(dǎo)致隱寫分析特征具有不穩(wěn)定性。167,451維數(shù)的特征太高，對于一般的PC機(jī)來講，若樣本數(shù)目大，則會因為特征文件太大而無法一次性導(dǎo)入內(nèi)存，導(dǎo)致一些必須同時考慮多個或整個特征空間的特征選擇方法無法使用，如主成分分析等。沒有分類性能的隨機(jī)特征盡管從統(tǒng)計意義上沒有分類性能，但值并非全為0，而是聚集在大于0小于某一閾值內(nèi)。為尋找適合維數(shù)的特征子空間，我們通過閾值不斷下降的搜索方法尋找最佳值閾值。該現(xiàn)象符合機(jī)器學(xué)習(xí)的一般理論。支持向量機(jī)時間復(fù)雜度高，隨著隱寫分析特征維數(shù)快速增長，無法滿足隱寫分析的需要，特別是對新型隱寫算法，需要進(jìn)行很多實驗來尋找最佳特征，支持向量機(jī)會消耗大量時間?；诸惼魈卣骺臻g維數(shù)和個數(shù)通過類似交叉驗證技術(shù)自動獲得，該程序可以完全自動化，并且具有十分低的時間復(fù)雜度。 Ensemble分類器框架圖Ensemble分類器[53]在參數(shù)尋優(yōu)過程采用交叉驗證技術(shù)，即將訓(xùn)練集隨機(jī)分為兩組，將訓(xùn)練的63%樣本作為交叉驗證訓(xùn)練集,剩下的37%樣本集作為交叉驗證測試集，利用交叉驗證訓(xùn)練集訓(xùn)練分類器，然后利用交叉驗證測試集對已建立模型進(jìn)行測試，直至獲得最優(yōu)參數(shù)。但收斂的速度和閾值受到基分類器特征維