【文章內(nèi)容簡介】 t）達(dá)到“低調(diào)“的通信。 經(jīng)典的Simmons隱蔽通信框圖Simmons隱蔽通信模型給出如何實(shí)現(xiàn)隱蔽通信的框架，但未給出具體的實(shí)現(xiàn)技術(shù)。為了保證隱蔽通信能夠安全的進(jìn)行，具體的隱寫技術(shù)需要具有高容量、穩(wěn)健性及很強(qiáng)的隱蔽性。高容量確保載體能夠傳遞更多的秘密信息，穩(wěn)健性保證秘密信息能夠抵抗信道中的噪聲，而隱蔽性則確保“通信正在進(jìn)行的事實(shí)”被掩蓋，是隱寫技術(shù)最為重要的指標(biāo)。隱寫分析技術(shù)主要針對隱寫技術(shù)隱蔽性進(jìn)行攻擊。隱寫技術(shù)的隱蔽性決定數(shù)字圖像隱寫系統(tǒng)的安全，是數(shù)字圖像隱寫系統(tǒng)理論研究的重要組成部分，同時也是隱寫對抗技術(shù)（隱寫分析技術(shù)）的研究重點(diǎn)。傳統(tǒng)意義上的隱蔽性主要考察隱寫系統(tǒng)對人類視覺系統(tǒng)（Human Visual System，HVS）的不可察覺性，峰值信噪比（PSNR）等一些評價圖像的客觀標(biāo)準(zhǔn)常用來度量隱寫算法對載體圖像的感官質(zhì)量。現(xiàn)代意義上的隱蔽性主要考察圖像隱寫算法對圖像各種統(tǒng)計特征的保持。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。對于某種特定的圖像隱寫算法，嵌入容量是影響隱寫系統(tǒng)安全性的關(guān)鍵。在高嵌入率下，隱寫算法對圖像的修改量很大，很容易尋找出具有明顯區(qū)別的圖像特征，相反，對圖像的少量修改，尋找出有區(qū)別能力的圖像特征很難。一些學(xué)者試圖將圖像隱寫技術(shù)的安全性進(jìn)行模型化、規(guī)范化。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)”。Cachin等[12]從信息論的角度，采用條件熵定義數(shù)字圖像隱寫系統(tǒng)的安全性。但由于真實(shí)的載體圖像像素之間一般具有高相關(guān)性，具有豐富的統(tǒng)計結(jié)構(gòu)，上述兩種安全性定義并不適合隱寫系統(tǒng)，因此基于虛警率和檢測率的安全性定義被提出[40, 41]。 LSB 匹配[42]是一種經(jīng)典的數(shù)字圖像隱寫技術(shù)，通過隨機(jī)修改像素的最低有效位（Least significant bit, LSB）達(dá)到信息隱藏的目的，是諸多隱寫技術(shù)的原型，如LSB matching revisited[43]等[4446]。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。512的標(biāo)準(zhǔn)圖像Lena。對于一幅自然圖像，位平面越高，越能反映圖像的輪廓，對像素值的貢獻(xiàn)越大。最低比特位對像素值的貢獻(xiàn)最小，基本不能反映圖像內(nèi)容信息。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。另外，在不同位平面中，相鄰比特位的相關(guān)性也不盡相同。位平面越高，相鄰比特位的相關(guān)性越強(qiáng)，第0位平面具有最低的相關(guān)性，事實(shí)上，第0位平面近似于隨機(jī)噪聲。信息嵌入導(dǎo)致的修改很容易破壞相關(guān)性，相關(guān)性可以作為識別圖像是否隱藏秘密信息的特征。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。由于修改最低有效位可以獲得更好的圖像視覺質(zhì)量和對圖像特征的保持，LSB匹配在隱藏秘密信息的最佳位置（最低有效位）進(jìn)行秘密信息隱藏。 標(biāo)準(zhǔn)灰度圖像Lena（a）第7位 （b）第6位 （c）第5位 （d）第4位 （e）第3位 （f）第2位 （g）第1位 （h）第0位 Lena標(biāo)準(zhǔn)圖像的八個位平面LSB匹配將圖像像素的最低有效位（LSB）進(jìn)行隨機(jī)修改，隨機(jī)修改方式對圖像特征有更好的保持，以表示載體圖像的某一像素像素值，表示該像素嵌入信息的像素值，為秘密信息比特，則嵌入機(jī)制表示如下： ()與另外一種經(jīng)典的隱寫技術(shù)LSB替換相比，LSB匹配具有更高的安全性。由于LSB匹配采用隨機(jī)加減1的方式修改最低有效位，避免LSB替換造成的直方圖的成對現(xiàn)象。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]。 LSB替換的直方圖成對現(xiàn)象示意圖LSB匹配具有容量大，隱蔽性好等特點(diǎn)，是很多圖像隱寫算法的原型，但 LSB匹配檢測難度大，檢測性能還不盡人意，仍然是圖像隱寫分析研究的難點(diǎn)和熱點(diǎn)，尤其是對于低嵌入率的LSB匹配隱寫分析[49]。 數(shù)字圖像隱寫分析技術(shù) 隱寫分析數(shù)學(xué)模型在“囚犯問題”中，隱寫分析技術(shù)就是監(jiān)管機(jī)構(gòu)（Wendy）所使用的技術(shù)，目前的圖像隱寫分析研究主要針對待檢測圖像是否攜秘的二值判斷。圖像隱寫分析是二元決策問題，通常公式化為二元假設(shè)檢驗問題：設(shè)待檢測圖像為，是載體圖像的假設(shè)為，是載秘圖像的假設(shè)為，假設(shè)檢驗函數(shù)，則 ()圖像隱寫分析就是找出合適的檢驗函數(shù)。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。設(shè)特征提取為函數(shù)，機(jī)器分類為函數(shù)，則 ()隨著支持向量機(jī)、BP神經(jīng)網(wǎng)絡(luò)等機(jī)器分類技術(shù)不斷涌現(xiàn)和成熟，人們將隱寫分析的研究重點(diǎn)轉(zhuǎn)向隱寫分析的特征提取，即特征提取函數(shù)。 數(shù)字圖像隱寫分析一般模型在圖像隱寫分析的特征提取中，尋找能夠刻畫圖像隱寫前后變化的特征是問題的關(guān)鍵。高性能的隱寫分析特征不僅要求能夠?qū)畏d體圖像和與之對應(yīng)的載密圖像能夠進(jìn)行正確區(qū)別，而且還要保證同類圖像（載體圖像和載密圖像）特征聚集在某一值附近，即高性能特征還需對圖像噪聲，圖像內(nèi)容等因素穩(wěn)健。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。Fridrich[50]采用“解壓裁剪壓縮”的方式校準(zhǔn)特征。對高維數(shù)的隱寫分析特征進(jìn)行歸一化也能夠增強(qiáng)隱寫分析特征的穩(wěn)健性。特征穩(wěn)健性的增強(qiáng)還可以采用預(yù)處理技術(shù)，如對圖像進(jìn)行濾波，可以一定程度上減少圖像內(nèi)容多樣性對特征穩(wěn)健性的影響。盡管特征提取是圖像隱寫分析的重點(diǎn)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]。在圖像隱寫分析中，支持向量機(jī)是最為常用的分類器，支持向量機(jī)不僅具有很高的分類性能而且因特網(wǎng)上還有開源代碼以供研究者直接使用。隨著圖像隱寫分析特征維數(shù)的不斷增加，具有高時間復(fù)雜度的支持向量機(jī)在時間上使得研究者無法忍受，尤其是在支持向量機(jī)的參數(shù)尋優(yōu)階段。支持向量機(jī)采用交叉驗證的參數(shù)尋優(yōu)方式也會影響圖像隱寫分析的性能。Kodovsk253。等[53]提出了Ensemble分類器，該分類器針對圖像隱寫分析提出，具有很低時間復(fù)雜度，并且分類器的最優(yōu)參數(shù)也可以通過程序自動搜索。 隱寫分析性能指標(biāo)衡量數(shù)字圖像隱寫分析性能主要通過考慮算法的實(shí)用性、復(fù)雜性、準(zhǔn)確性等，其中準(zhǔn)確性是衡量性能的最重要指標(biāo)，其他性能目前很少考慮[54]。作為二元假設(shè)檢驗問題，對于特定的分類器，若視攜秘圖像為正類（Positive Class），載體圖像為負(fù)類（Negative Class），對于一幅待檢測圖像，無非有四種可能輸出：待檢測圖像為正類，輸出結(jié)果也為正類，則稱擊中（True Positive，簡稱TP）；待檢測圖像為正類，輸出結(jié)果為負(fù)類，則稱漏檢（False Positive，簡稱FP）；待檢測圖像為負(fù)類，輸出結(jié)果也為負(fù)類，則稱真陰性（True Nagative，簡稱TN）；待檢測圖像為負(fù)類，輸出結(jié)果為正類，則稱虛警（False Nagative，簡稱FN）。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。因此總體平均分類錯誤率可度量算法的優(yōu)劣： ()另外，在分類器中設(shè)置不同的檢測閾值，對多組擊中率和虛警率的組合繪制接收機(jī)操作特性曲線（ROC曲線）[55]也可對算法分類性能進(jìn)行度量。，B，C。在ROC曲線上，與橫坐標(biāo)軸成的直線稱為機(jī)會線，該線上虛警率和擊中率處處相等，相當(dāng)于隨機(jī)猜測，無任何分類性能可言。事實(shí)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。，B，C的分類性能依次遞增。 ROC曲線示例 經(jīng)典的隱寫分析技術(shù)本小節(jié)主要介紹幾種典型的空域LSB匹配隱寫分析技術(shù)，這些算法都是用于確定圖像是否隱藏秘密信息的二值判斷，本學(xué)位論文所提出的算法也將和下面這些經(jīng)典的隱寫分析算法進(jìn)行比較。(1) 基于圖像直方圖特征函數(shù)（HCF COMs）的隱寫分析算法圖像直方圖描述了不同灰度級像素出現(xiàn)的頻率，能表征圖像的一維信息，隱秘信息的嵌入勢必對直方圖造成影響。一般情況下，需要嵌入的秘密信息與載體圖像是互相獨(dú)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：。傅立葉變換可以化復(fù)雜的卷積運(yùn)算為簡單的乘積運(yùn)算，因此在傅立葉空間中上式可轉(zhuǎn)換為：。對直方圖的傅里葉變換即特征函數(shù)（histogram characteristic function, HCF）定義質(zhì)心（center of mass, COM）：，作者從理論上證明了，即經(jīng)過圖像隱寫后，圖像一維直方圖特征函數(shù)的質(zhì)心下降，可以作為數(shù)字圖像隱寫分析的敏感特征。該特征簡記為Conventional HCF COM。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。盡管圖像隱寫后C[H]會下降，但不同載體圖像之間的C[H]差異很大，這種差異將覆蓋由圖像隱寫導(dǎo)致的C[H]之間的差異（見圖 ）。Ker[16]通過實(shí)驗發(fā)現(xiàn)，載體圖像的四倍下采樣圖像的與載體圖像的幾乎相等，而攜秘圖像的四倍下采樣圖像的與載體圖像的相差很大，存在關(guān)系：。此外，Ker[16]還將Harmsem的一維直方圖替換為二維直方圖。 嵌入數(shù)據(jù)前（圓點(diǎn)）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。為方便起見，我們將上述四種特征簡記為：HCF COMs。(2) 基于圖像直方圖局部極值（ALE）的隱寫分析算法張軍等[18]指出對于嵌入率為的LSB匹配算法，其隱寫行為在一維直方圖上相當(dāng)于一個核為的低通濾波，導(dǎo)致圖像一維直方圖平滑，尤其對局部極值點(diǎn)。定義直方圖局部極值與其相鄰元素的絕對差的累加和：作為隱寫分析的特征，其中為直方圖局部極值點(diǎn)。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]。Cancelli[20]等擴(kuò)展了張軍提出的圖像直方圖極值特征。首先，考慮了圖像直方圖邊界的影響。其次，與Ker[18]一樣，用二維直方圖代替了一維直方圖。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(shí)驗性能有了顯著改進(jìn)。該類算法被稱為ALE。(3) 基于游程長度（Runlength）直方圖特征函數(shù)的隱寫分析算法游程長度（Run Length）又稱行程長度, 是柵格數(shù)據(jù)壓縮的重要編碼方法,能夠描述圖像灰度關(guān)于方向、相鄰間隔、變化幅度等信息。游程長度是將圖像灰度按照某種方式進(jìn)行掃描，連續(xù)相等的像素點(diǎn)的個數(shù)。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。Yu等[34]發(fā)現(xiàn)圖像經(jīng)過LSB匹配后游程長度直方圖會向左移動，即長度較長的游程的數(shù)量會減少，而長度較小的游程會增加。作者采用類似于Ker[16]的方法，用游程長度直方圖特征函數(shù)質(zhì)心刻畫LSB匹配行為對圖像的影響。另外，采用LSB匹配二次嵌入對圖像特征進(jìn)行校準(zhǔn)，還與Ker所提特征進(jìn)行融合，融合特征集對隱寫分析性能有一定提高。 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。LSB匹配對圖像最低位平面進(jìn)行修改，因此圖像最低位平面（LSBP）與次低位平面（LSBP2）之間的相關(guān)性會改變，另外最低位平面自相關(guān)性也會發(fā)生改變，基于此提出了基于位平面相關(guān)性的多維特征。隱寫前后圖像直方圖發(fā)生變化，采用圖像直方圖自相關(guān)性進(jìn)行度量。圖像隱寫一般模擬為加入噪聲，作者首先對待檢測圖像進(jìn)行帶閾值的小波降噪，將去噪后的圖像與待檢測圖像做差，差值圖像的自相關(guān)性作為隱寫分析的特征。Liu等[22]還對此進(jìn)行了擴(kuò)展。作者對一級Haar小波分解的低頻子帶（HH）系數(shù)進(jìn)行廣義高斯模型（GGD）的建模，將決定PDF寬度的尺度參數(shù)作為一維特征。對圖像3像素對出現(xiàn)頻率進(jìn)行統(tǒng)計，得到3像素對直方圖，將3像素對直方圖的信息熵和高階統(tǒng)計作為隱寫分析特征。此外，將具有相等像素值的不同結(jié)構(gòu)出現(xiàn)的概率也作為隱寫分析的特征。 (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。Pevny在大量圖像上統(tǒng)計了像素對的分布情況，發(fā)現(xiàn)大部分相鄰像素的像素差值都很小，并且差值越大出現(xiàn)的頻率就越低。上述情況說明自然圖像相鄰像素的像素值具有很強(qiáng)的連續(xù)性，圖像相鄰像素相關(guān)性很強(qiáng)。實(shí)驗還發(fā)現(xiàn)，差分圖像所攜帶的信息量與圖像數(shù)據(jù)所攜帶的信息量幾乎相等。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。若為圖像在位置的灰度值，則水平方向SPAM特征提取的步驟如下：第一步：計算差分圖像:第二步：在差分圖像上建立同方向的帶閾值的一階馬爾科夫轉(zhuǎn)移矩陣： ()第三步：在差分圖像上建立同方向的帶閾值的二階馬爾科夫轉(zhuǎn)移矩陣： ()第四步：將同階的兩個水平