[发明专利]一种基于集成学习的JPEG图像负载定位方法

说明书

本发明提供一种基于集成学习的JPEG图像负载定位方法，具体包括以下步骤：步骤1、收集N幅基于同一嵌入位置密钥并且使用相同DCT域隐写算法嵌入的载密JPEG图像；步骤2、对所有图像进行霍夫曼解码，得到量化的DCT系数矩阵；将每一幅图像中所有系数块相同位置的系数组合，得到共64幅同频子图；步骤3、针对步骤2中同频子图提取8维残差特征；步骤4、针对步骤2中同频子图提取72维SPAM特征；步骤5、将步骤3的8位残差特征向量与步骤4的72维SPAM特征向量拼接成80维特征向量；步骤6、使用堆叠法(Stacking)结合K折交叉验证进行模型融合；使用步骤5中的80维特征向量进行训练得到最终的模型。

技术领域

本发明涉及图像隐写分析领域，具体涉及一种基于集成学习的JPEG图像负载定位方法。

背景技术

在当今时代，快速发展的数字多媒体技术在给我们带来便捷的同时也带来了新的安全威胁，移动大数据的迅猛发展使得海量的多媒体信息在网络中传播，这使得信息隐藏技术逐渐成为信息安全领域的一个重要课题，并引起各国政府、科研机构的广泛关注。而隐写技术作为信息隐藏技术的一个重要分支，也随之受到越来越多的关注。嵌入的隐秘信息既不会改变载体的视听效果，也不会改变载体文件的大小和格式，因此可以实现不为人知的隐蔽通信。区别于传统密码通信，“正在进行通信”这一事实本身也被隐藏起来了，因此具有极强的隐蔽性。随着隐写术的快速发展,大量隐写方法涌现出来,隐写术的滥用严重威胁着网络信息安全,因此研究反隐写技术是有关领域研究者面临的紧迫任务，其中最重要的反隐写技术就是隐写分析。

在研究中我们通常将隐写分析分为四个层面进行描述：1、判断图像是否嵌入秘密信息； 2、对嵌入信息的大小即嵌入率进行有效估计；3、判断秘密信息的嵌入位置(负载定位)； 4、重建嵌入的秘密信息。现今大多隐写分析仅仅停留于对图像是否载密的判断，而本发明则聚焦于对含密图像进行负载定位。

发展现状：目前一些先进的算法已经提出了在空域中对载密图像负载定位的有效方法， 2008年，在对大量负载位置相同的隐写图像研究分析后，Ker将加权载密图像(Weighed- stego,WS)隐写分析的思想应用于图像隐秘的定位，提出了针对LSBR的定位方法：WS残差法。该方法使用一个线性滤波器来估计载体图像,从而计算每个像素嵌入位置的平均残差实现负载定位。该方法首次提出了残差的概念，为之后的隐写分析奠定了研究基础。随后， Ker和Lubenko提出了一种基于小波滤波残差的负载定位算法用于空域LSB匹配，该算法小波变换处理含密图像并制令低频子带，然后利用小波绝对矩(Wavelet absolutemoment, WAM)滤波器将获得的小波残差逆变换为空间残差，从而实现负载定位。紧接着，Quach提出了最大后验概率(Maximum aposteriori,MAP)载体估计方法，该方法提升了对于载体图像估计的准确性，同时也增强了WS和WAM对于负载定位的检测性能。2014年，Quach进一步提出了一种基于马尔可夫模型或马尔可夫随机场模型的方法，对载体图像进行建模，利用成对约束来捕获载体图像的自然二维统计信息，采用Viterbi解码算法和最小化二值变量函数(QPBO)算法进行载体图像的最佳估计，进一步提高了估计准确性。同年,闫晓蒙等人提出,LSBM隐写负载定位问题可以被看作是一个二元分类问题,加密图像的每个像素位置作为待分类样本,借鉴SPAM特征提取载密图像集中每个像素位置的8个方向上的相邻像素差分平方均值特征。然后利用SVM分类器对每个像素进行二元分类，从而实现LSBM隐写的负载定位。

不同于空域嵌入负载定位，针对JPEG图像在DCT域(频域)上的隐写却很少有可靠算法进行负载定位。这主要是因为JPEG图像中相邻的DCT系数之间的相关性较弱，因此难以准确地估计载体图像，使用传统的载体估计式负载定位方法会有很大的难度。