王昌盛，張大偉，陳智博

(軍械工程學(xué)院信息管理中心，石家莊 050003)

隱寫(xiě)術(shù)作為信息隱藏的一個(gè)重要分支，用于保護(hù)隱藏在載體中信息的安全性。針對(duì)隱寫(xiě)術(shù)的攻擊稱為隱寫(xiě)分析，它是在已知或未知嵌入算法的情況下，通過(guò)統(tǒng)計(jì)分析或模式分類(lèi)等手段檢測(cè)觀測(cè)對(duì)象中是否存在秘密信息的技術(shù)。由于在保障信息安全和提高隱寫(xiě)算法安全性等方面具有重要的指導(dǎo)意義，隱寫(xiě)分析已成為信息隱藏領(lǐng)域研究的熱點(diǎn)。

由于小波分解在信號(hào)處理和圖像處理中的廣泛應(yīng)用，基于小波高階統(tǒng)計(jì)量的隱寫(xiě)分析也引起了國(guó)內(nèi)外許多學(xué)者的關(guān)注，成為了一種重要的隱寫(xiě)分析方法。如Hary Farid提出了一種基于高階統(tǒng)計(jì)量的檢測(cè)模型［1］，取得了很好的效果。但是Farid的方法也存在一些問(wèn)題。

首先，小波并不是表示圖像的最優(yōu)基。因?yàn)樵诙S圖像中，由于邊緣、輪廓和紋理等具有高維奇異性的幾何特征包含了大部分信息，秘密信息也多嵌入在這些位置。而二維小波是由兩個(gè)一維小波的張量積形成，本質(zhì)上仍然是一維變換，其基函數(shù)只有水平、垂直、對(duì)角線3個(gè)方向，它難以表示具有線奇異和曲線奇異等更高維的幾何特征。針對(duì)上述缺點(diǎn)，需要發(fā)展新的高維函數(shù)的最優(yōu)表示方法。Do等［2］提出了一種“真正的”二維圖像的表示方法，即Contourlet變換。Contourlet基的支撐區(qū)間是隨尺度而變化的“長(zhǎng)條形”結(jié)構(gòu)，因而具有比小波變換更好的多分辨率、局部性、方向性和各向異性，能更加有效地捕獲圖像的邊緣信息。

其次，F(xiàn)arid采用了一個(gè)線性預(yù)測(cè)模型，通過(guò)某小波系數(shù)“附近”的系數(shù)進(jìn)行線性組合作為該系數(shù)的預(yù)測(cè)值并計(jì)算預(yù)測(cè)誤差，把這個(gè)預(yù)測(cè)誤差的統(tǒng)計(jì)特征作為第二組特征向量。但是這個(gè)線性模型的參數(shù)只能通過(guò)經(jīng)驗(yàn)獲得，如果參數(shù)選擇不當(dāng)，對(duì)隱寫(xiě)分析算法的性能影響非常大。

我們知道，隱寫(xiě)分析要解決的一個(gè)重要問(wèn)題就是提取合適的統(tǒng)計(jì)特征，而統(tǒng)計(jì)特征的獲得卻依賴于自然圖像的統(tǒng)計(jì)模型。在隱寫(xiě)分析研究的初期，為了簡(jiǎn)化問(wèn)題，一般都假設(shè)圖像的采樣(如像素、DCT系數(shù)、DWT系數(shù)等)間是獨(dú)立同分布的，忽略了采樣間的統(tǒng)計(jì)相關(guān)性。但是隨著研究的深入，人們發(fā)現(xiàn)，圖像采樣間實(shí)際上是統(tǒng)計(jì)相關(guān)的，獨(dú)立同分布的假設(shè)會(huì)低估隱寫(xiě)分析算法的性能，高估隱寫(xiě)算法的安全性［3］。因此人們逐漸將各種相關(guān)性模型引入隱寫(xiě)分析中，以期得到更好的性能。例如，Sullivan［3］使用描述像素間相關(guān)性的MC(馬爾科夫鏈)模型用于擴(kuò)頻類(lèi)和量化索引類(lèi)隱寫(xiě)算法的檢測(cè)。Farid的線性模型也考慮了小波系數(shù)之間的相互關(guān)系，但并沒(méi)有完整精確地刻畫(huà)出小波系數(shù)間的相關(guān)性，還有改進(jìn)的空間。

基于以上分析，將Contourlet變換引入隱寫(xiě)分析，并采用相關(guān)性模型來(lái)提取特征，這是一個(gè)很好的研究思路。相關(guān)的研究有文獻(xiàn)［4，5］，但是前者對(duì)同樣采用了Farid的線性相關(guān)模型，后者使用了互信息，兩者都不能完全刻畫(huà)Contourlet系數(shù)不同尺度和方向的相關(guān)性。本文采用Contourlet域隱馬爾科夫樹(shù)(CDHMT)模型來(lái)描述Contourlet系數(shù)的相關(guān)性。實(shí)驗(yàn)結(jié)果表明，本文提出的方法是一種更加有效的隱寫(xiě)分析方法。

1 特征提取

Farid提取的小波高階統(tǒng)計(jì)特征分為兩個(gè)部分，一部分是圖像小波分解后各個(gè)尺度在水平、垂直和對(duì)角三個(gè)方向的均值、方差、斜度和峭度，第二個(gè)統(tǒng)計(jì)特征子集是基于系數(shù)量值的最佳線性預(yù)測(cè)器所產(chǎn)生的對(duì)數(shù)誤差值，在各個(gè)尺度、子帶上計(jì)算上述4個(gè)統(tǒng)計(jì)特征而形成的，兩個(gè)特征子集共計(jì)24(N-1)維特征(N為小波分解的尺度)。受她的啟發(fā)，我們?cè)贑ontourlet域也將提取類(lèi)似的統(tǒng)計(jì)特征，第一個(gè)特征子集是圖像Contourlet分解后各個(gè)尺度、各個(gè)方向子帶的均值、方差、斜度和峭度，第二個(gè)特征子集是采用基于CDHMT模型的預(yù)測(cè)誤差值，再同樣計(jì)算上述4個(gè)統(tǒng)計(jì)量而得到的。在此基礎(chǔ)上對(duì)特征值進(jìn)行加權(quán)處理，形成最終的特征集。

1.1 預(yù)測(cè)誤差的計(jì)算

Farid采用的線性預(yù)測(cè)器來(lái)形成預(yù)測(cè)值。這種方法有兩個(gè)缺陷:一是沒(méi)有完全揭示出系數(shù)之間的相關(guān)性，二是鄰近小波系數(shù)的權(quán)重不好確定，主要依靠經(jīng)驗(yàn)，如果權(quán)重確定的不當(dāng)，對(duì)分類(lèi)結(jié)果影響很大。在此采用CDHMT模型來(lái)形成預(yù)測(cè)值。

在圖像隱寫(xiě)分析中，一般都假設(shè)嵌入的秘密信息是高斯白噪聲，即隱寫(xiě)過(guò)程可以表示為

u、v和e分別指載體圖像、隱寫(xiě)后的圖像和嵌入圖像的Contourlet系數(shù)，問(wèn)題就轉(zhuǎn)化為已知 v，盡可能準(zhǔn)確地估計(jì)出u。

由隱寫(xiě)圖像，可以計(jì)算出相應(yīng)的CDHMT模型參數(shù)θv，減去噪聲的方差，可以得到估計(jì)圖像的模型參數(shù)θu。如下式:

這里(j，k，n)是指 Contourlet分解中尺度 j、方向 k 的子帶中第n個(gè)系數(shù)，m是該系數(shù)的狀態(tài)?？梢杂妹商乜宸椒ü烙?jì)出來(lái)。(y)+的定義是

如果給定狀態(tài) Sj，k，n=m，Contourlet系數(shù)服從零均值的高斯分布，那么問(wèn)題就簡(jiǎn)化為從零均值高斯噪聲中估計(jì)出一個(gè)零均值高斯信號(hào)。這個(gè)問(wèn)題已經(jīng)有現(xiàn)成的解法［6］

而在使用EM算法進(jìn)行CDHMT模型訓(xùn)練的時(shí)候，已經(jīng)可以計(jì)算出 p(Sj，k，n=m|vj，k，n，θu)，因此得到以下式子

預(yù)測(cè)誤差就可以通過(guò)公式得到

分別在各個(gè)尺度和方向的子帶中計(jì)算均值、方差、斜度和峭度就可以得到第二個(gè)特征子集。因此，在尺度j，方向k的子帶上得到的特征集合是

1.2 特征加權(quán)

為了增強(qiáng)特征的魯棒性，我們對(duì)上述提取的兩組特征進(jìn)行加權(quán)處理，權(quán)重的依據(jù)是各子帶的標(biāo)準(zhǔn)差的大小。Contourlet變換各子帶的標(biāo)準(zhǔn)差反映了各子帶灰度相對(duì)于灰度均值的離散情況，標(biāo)準(zhǔn)差越大，則灰度級(jí)分布越分散，高頻分量越高，應(yīng)該賦予其較大的權(quán)值;反之，則賦予其較小的權(quán)值。通過(guò)加權(quán)使得不同子帶信息的重要性反映到最終的特征量中。

設(shè)尺度為j、方向?yàn)閗的子帶的權(quán)重為wj，k，定義為

這里需要用到各個(gè)子帶的標(biāo)準(zhǔn)差，這個(gè)值不需要重新計(jì)算，因?yàn)樵谇蠼釩DHMT模型參數(shù)的時(shí)候就已經(jīng)計(jì)算出來(lái)了，計(jì)算權(quán)重的時(shí)候可以直接使用。那么，經(jīng)過(guò)加權(quán)處理后形成的最終特征集合就是

1.3 特征歸一化

為了消除各特征之間量綱、量級(jí)等不同的影響，消除量度偏差，且使各個(gè)特征數(shù)據(jù)具有可比性，在分析之前需要對(duì)原始特征數(shù)據(jù)進(jìn)行歸一化處理。本文的歸一化采用高斯歸一化方法［7］，其特點(diǎn)是少量超大或超小的元素值對(duì)整個(gè)歸一化后的元素值分布影響不大。

2 分類(lèi)器SVM

SVM(支持向量機(jī))在解決小樣本、非線性樣本以及高維機(jī)器學(xué)習(xí)問(wèn)題中表現(xiàn)出許多特有的優(yōu)勢(shì)，此外，許多學(xué)者的研究成果都表明，SVM的分類(lèi)效果“似乎”優(yōu)于其他傳統(tǒng)分類(lèi)工具。因此，本文同樣采用SVM作為通用隱寫(xiě)分析的分類(lèi)器。

3 實(shí)驗(yàn)結(jié)果

實(shí)驗(yàn)所用的原始圖像是從NRCS圖像數(shù)據(jù)庫(kù)中隨機(jī)選取的2500幅彩色JPEG圖像。將選取的圖像從中央截取512×512大小的一塊，并轉(zhuǎn)化為灰度圖像后，作為實(shí)驗(yàn)用圖像。將得到的灰度圖像隨機(jī)平均分為5組，每組500幅，第1組不嵌入任何數(shù)據(jù)，第2組到第5組圖像分別使用時(shí)空域的± LSB［8］、DCT 域的 F5［9］、DWT 域的 CDMAICA［10］等 4 種隱寫(xiě)算法嵌入秘密信息，每組圖像都隨機(jī)選取400幅用于訓(xùn)練，剩余的100幅用于測(cè)試。實(shí)驗(yàn)的時(shí)候，使用第1組分別和其他4組進(jìn)行組合，測(cè)試對(duì)這4種嵌入算法的識(shí)別性能。按照嵌入強(qiáng)度的不同重復(fù)做上述實(shí)驗(yàn)，嵌入強(qiáng)度分別為0.01、0.05、0.1 和 0.15，單位是 bpp(bit per pixel)。

特征提取時(shí)使用Contourlet Hidden Markov Tree toolbox工具箱，對(duì)每幅圖像進(jìn)行3層分解，每層分別有4、8和8個(gè)方向子帶。這樣每幅圖像提取8×(4+8+8)=160維的特征。SVM采用OSU SVM Toolbox工具箱，采用RBF核，默認(rèn)參數(shù)。定義識(shí)別率為正確識(shí)別的圖像數(shù)目與總測(cè)試圖像數(shù)目的百分比，實(shí)驗(yàn)結(jié)果如表1所示。

表1 本文方法的識(shí)別率

從實(shí)驗(yàn)和結(jié)果中可以發(fā)現(xiàn):

1)當(dāng)嵌入率在0.01 bpp時(shí)，識(shí)別率能達(dá)到60%以上;當(dāng)嵌入強(qiáng)度增加到0.15 bpp，識(shí)別率已經(jīng)達(dá)到90%左右，這證明了本章所提算法的有效性。而且隨著嵌入強(qiáng)度的增加，識(shí)別率也隨著上升。這是很自然的，因?yàn)榍度氲拿孛苄畔⒃蕉?，載體圖像的質(zhì)量降低就越明顯，也就更容易被檢測(cè)出來(lái)。

2)識(shí)別率隨嵌入強(qiáng)度上升的幅度是不一樣的。當(dāng)嵌入強(qiáng)度從0.01 bpp提高到0.05 bpp，識(shí)別率都增加了10個(gè)百分點(diǎn)以上;而嵌入強(qiáng)度再增加，識(shí)別率上升的幅度就不明顯了。在實(shí)驗(yàn)中也繼續(xù)增大嵌入率，當(dāng)嵌入率在0.20 bpp以上時(shí)，識(shí)別率變化不大，再繼續(xù)實(shí)驗(yàn)已經(jīng)沒(méi)有意義了。

為了形象直觀地說(shuō)明本文算法的性能，作者分別按照文獻(xiàn)［4，5，11］的特征提取方法，在上述的實(shí)驗(yàn)圖像集上重新做實(shí)驗(yàn)，計(jì)算各自的平均識(shí)別率，實(shí)驗(yàn)結(jié)果如圖1所示。從圖1中可以看出，本文所提的算法性能明顯優(yōu)于Farid的經(jīng)典算法，也同樣優(yōu)于兩種類(lèi)似的算法。

圖1 性能比較

4 結(jié)論

本文分析了小波高階統(tǒng)計(jì)量的缺陷，從兩個(gè)方面加以改進(jìn)，一是引入Contourlet分解，能夠更好地表現(xiàn)圖像的細(xì)節(jié)特征;二是采用CDHMT模型，能完整刻畫(huà)Contourlet系數(shù)的相關(guān)性。在此基礎(chǔ)上提出了一種基于Contourlet域高階統(tǒng)計(jì)量的隱寫(xiě)分析算法。實(shí)驗(yàn)結(jié)果表明，該算法是一種有效可行的隱寫(xiě)分析算法。

［1］Farid H.Detecting hidden messages using higher-order statistical models:Proceedings of International Conference on Image Processing，2002［C］.2002(2):II_905-II_908.

［2］Do M N，Vetterli M.The contourlet transform:an efficient directional multiresolution image representation［J］.Image Processing，IEEE Transactions on，2005，14(12):2091-2106.

［3］Sullivan K，Madhow U，Chandrasekaran S，et al.Steganalysis for Markov cover data with applications to images［J］.IEEE Transactions on Information Forensics and Security，2006，1(2):275-287.

［4］Hedieh S.A Steganalysis Method Based on Contourlet Transform Coefficients:Proceedings of International Conference on Intelligent Information Hiding and Multimedia Signal Processing，2008［C］.2008:245-248.

［5］Hongping X U，Jianhui X.Steganalysis method based on svm and statistic model in contourlet domain［J］.SPIE.2007，6786:67861C-67864C.

［6］Crouse M S，Nowak R D，Baraniuk R G.Wavelet-based statistical signal processing using hidden Markovmodels［J］.Signal Processing，IEEE Transactions on.1998，46(4):886-902.

［7］Ortega M，Rui Y，Chakrabarti K，et al.Supporting ranked Boolean similarity queries in MARS［J］.Knowledge and Data Engineering，IEEE Transactions on.1998，10(6):905-925.

［8］Sharp T.An Implementation of Key-Based Digital Signal Steganography［J］.LNCS.2001，2137:13-26.

［9］Westfeld A.F5-A Steganographic Algorithm:High Capacity Despite Better Steganalysis［J］.2001，2137:289-302.

［10］Gonzalez-Serrano F J，Molina-Bulla H Y，Murillo-Fuentes J J.Independent component analysis applied to digital image watermarking:Proceedings of International Conference on Acoustics，Speech，and Signal Processing，2001［C］.Salt Lake City，UT，USA，2001(3):1997-2000.

［11］Lyu S，F(xiàn)arid H.Detecting Hidden Messages Using Higher-Order Statistics and Support Vector Machines［J］.LNCS.2003，2578:340-354.