[发明专利]图像隐写分析中基于补偿的检测特征选择方法

说明书

本发明属于图像隐写检测技术领域，特别涉及一种图像隐写分析中基于补偿的特征选择方法，针对收集到的载体图像，利用隐写算法生成不同嵌入率的载密图像，并提取载密图像一维步态隐写检测特征；度量每个隐写检测特征分量的可分性，根据隐写检测特征分量可分性值对所有隐写检测特征分量进行降序排序；根据可分性排序结果构建候选特征向量，并度量每个候选特征向量可分性；选取可分性值最大的候选特征向量作为局部最优特征向量，利用补选策略向局部最优特征向量中添加特征分量来获取最终选取的特征。本发明提高检测效率，不需要依赖分类器的结果选取特征，同时检测正确率相对较高，适用于图像隐写检测特征选取。

技术领域

本发明属于图像隐写检测技术领域，特别涉及一种图像隐写分析中基于补偿的特征选择方法。

背景技术

随着多媒体技术的飞速发展，数字图像已经成为隐蔽通信的重要载体。隐写者们利用图像隐写技术将秘密信息嵌入图像中，通过公共渠道传递隐写图像，实现了秘密通信。隐写检测是为了检测图像中是否藏有秘密信息，并揭示相应隐写方法的缺点，从而维护网络信息安全和社会稳定。随着图像自适应隐写技术的高速发展，传统的隐写检测方法已经无法应对图像自适应隐写方法的挑战，于是，近年来涌现出大量新的图像隐写检测方法。这些图像高维隐写检测方法为了更加有效地捕获嵌入变化，尽可能多地从不同尺度和方向提取特征子集，造成了隐写检测特征的维数不断升高，最终导致特征提取时间、分类检测计算量和特征存储空间的不断增加。于是，研究者们提出了特征选取方法，以达到降低图像高维隐写检测特征维数，进而减轻分类器的压力，缩短提取特征和分类训练时间的目的。而现有的图像高维隐写检测特征选取方法都需要对高维隐写检测特征进行反复选取，然后训练分类器对载密图像进行检测，最终根据检测结果衡量选取特征的优劣。这种对高维隐写检测特征的反复选取和分类器的反复训练造成了较大的计算和时间开销，难以在实际中推广和应用。

发明内容

为此，本发明提供一种图像隐写分析中基于补偿的特征选择方法，解决在保持图像隐写检测特征检测正确率条件下对其进行大幅度降维，提升隐写检测技术的实际推广应用。

按照本发明所提供的设计方案，一种图像隐写分析中基于补偿的特征选择方法，包含如下内容：

针对收集到的载体图像，利用隐写算法生成不同嵌入率的载密图像，并提取载密图像一维步态隐写检测特征；

度量每个检测特征分量的可分性，并根据每个检测特征分量可分性值对所有检测特征分量进行降序排序；

构建候选特征向量，根据可分性排序结果选取排名第一的特征分量作为初始候选特征向量，并在排序结果中删除此特征，依次将排序结果中的第一个特征分量添加至前一个候选特征向量以形成新的候选特征向量；

度量每个候选特征向量的可分性，选取可分性值最大的候选特征向量作为局部最优特征向量。利用轮特征补偿策略向局部最优特征向量中添加特征分量来获取最终选取的特征向量。

作为本发明图像隐写分析中基于补偿的特征选择方法，进一步地，利用基于失真函数的图像隐写算法分别生成不同嵌入率的载密图像。

作为本发明图像隐写分析中基于补偿的特征选择方法，进一步地，对不同嵌入率下载密图像的检测特征进行统计分析，基于类间间距、类内间距和类内距离差异的特征分量可分性准则来度量每个检测特征分量的可分性。

作为本发明图像隐写分析中基于补偿的检测特征选择方法，进一步地，假设s₊(f_i)和s-(f_i)分别表示特征分量f_i在载体图像和载密图像的方差，使用或来表示特征分量在载体特征与载密特征的类内距离差异。

作为本发明图像隐写分析中基于补偿的检测特征选择方法，进一步地，选取和两者中的最大值来表示特征分量在载体特征与载密特征的类内距离差异。