[發(fā)明專利]圖像隱寫分析中基于補償的檢測特征選擇方法

在審

• 申請?zhí)枺?/td>: 202110265150.5
• 申請日: 2021-03-11
• 公開（公告）號: CN112950445A
• 公開（公告）日: 2021-06-11
• 發(fā)明（設計）人: 馬媛媛;于鑫泉;徐久成;劉棟
• 申請（專利權）人: 河南師范大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06T7/00
• 代理公司: 鄭州大通專利商標代理有限公司 41111
• 代理人: 周艷巧

本發(fā)明屬于圖像隱寫檢測技術領域，特別涉及一種圖像隱寫分析中基于補償的特征選擇方法，針對收集到的載體圖像，利用隱寫算法生成不同嵌入率的載密圖像，并提取載密圖像一維步態(tài)隱寫檢測特征；度量每個隱寫檢測特征分量的可分性，根據隱寫檢測特征分量可分性值對所有隱寫檢測特征分量進行降序排序；根據可分性排序結果構建候選特征向量，并度量每個候選特征向量可分性；選取可分性值最大的候選特征向量作為局部最優(yōu)特征向量，利用補選策略向局部最優(yōu)特征向量中添加特征分量來獲取最終選取的特征。本發(fā)明提高檢測效率，不需要依賴分類器的結果選取特征，同時檢測正確率相對較高，適用于圖像隱寫檢測特征選取。

技術領域

本發(fā)明屬于圖像隱寫檢測技術領域，特別涉及一種圖像隱寫分析中基于補償的特征選擇方法。

背景技術

隨著多媒體技術的飛速發(fā)展，數字圖像已經成為隱蔽通信的重要載體。隱寫者們利用圖像隱寫技術將秘密信息嵌入圖像中，通過公共渠道傳遞隱寫圖像，實現了秘密通信。隱寫檢測是為了檢測圖像中是否藏有秘密信息，并揭示相應隱寫方法的缺點，從而維護網絡信息安全和社會穩(wěn)定。隨著圖像自適應隱寫技術的高速發(fā)展，傳統(tǒng)的隱寫檢測方法已經無法應對圖像自適應隱寫方法的挑戰(zhàn)，于是，近年來涌現出大量新的圖像隱寫檢測方法。這些圖像高維隱寫檢測方法為了更加有效地捕獲嵌入變化，盡可能多地從不同尺度和方向提取特征子集，造成了隱寫檢測特征的維數不斷升高，最終導致特征提取時間、分類檢測計算量和特征存儲空間的不斷增加。于是，研究者們提出了特征選取方法，以達到降低圖像高維隱寫檢測特征維數，進而減輕分類器的壓力，縮短提取特征和分類訓練時間的目的。而現有的圖像高維隱寫檢測特征選取方法都需要對高維隱寫檢測特征進行反復選取，然后訓練分類器對載密圖像進行檢測，最終根據檢測結果衡量選取特征的優(yōu)劣。這種對高維隱寫檢測特征的反復選取和分類器的反復訓練造成了較大的計算和時間開銷，難以在實際中推廣和應用。

發(fā)明內容

為此，本發(fā)明提供一種圖像隱寫分析中基于補償的特征選擇方法，解決在保持圖像隱寫檢測特征檢測正確率條件下對其進行大幅度降維，提升隱寫檢測技術的實際推廣應用。

按照本發(fā)明所提供的設計方案，一種圖像隱寫分析中基于補償的特征選擇方法，包含如下內容：

針對收集到的載體圖像，利用隱寫算法生成不同嵌入率的載密圖像，并提取載密圖像一維步態(tài)隱寫檢測特征；

度量每個檢測特征分量的可分性，并根據每個檢測特征分量可分性值對所有檢測特征分量進行降序排序；

構建候選特征向量，根據可分性排序結果選取排名第一的特征分量作為初始候選特征向量，并在排序結果中刪除此特征，依次將排序結果中的第一個特征分量添加至前一個候選特征向量以形成新的候選特征向量；

度量每個候選特征向量的可分性，選取可分性值最大的候選特征向量作為局部最優(yōu)特征向量。利用輪特征補償策略向局部最優(yōu)特征向量中添加特征分量來獲取最終選取的特征向量。

作為本發(fā)明圖像隱寫分析中基于補償的特征選擇方法，進一步地，利用基于失真函數的圖像隱寫算法分別生成不同嵌入率的載密圖像。

作為本發(fā)明圖像隱寫分析中基于補償的特征選擇方法，進一步地，對不同嵌入率下載密圖像的檢測特征進行統(tǒng)計分析，基于類間間距、類內間距和類內距離差異的特征分量可分性準則來度量每個檢測特征分量的可分性。

作為本發(fā)明圖像隱寫分析中基于補償的檢測特征選擇方法，進一步地，假設s₊(f_i)和s-(f_i)分別表示特征分量f_i在載體圖像和載密圖像的方差，使用或來表示特征分量在載體特征與載密特征的類內距離差異。

作為本發(fā)明圖像隱寫分析中基于補償的檢測特征選擇方法，進一步地，選取和兩者中的最大值來表示特征分量在載體特征與載密特征的類內距離差異。