一种JPEG图像通用隐写分析方法

摘要

本发明提供一种JEPG图像通用隐写分析方法，包括训练过程和预测过程，训练过程包括对训练样本集中所有图像进行特征提取，对所得特征用分类器进行训练，得到模型；预测过程包括对待测图像进行同样方式的特征提取，并在同样分类器条件下，用训练过程中训练好的模型进行预测，得到最终结果；其特征在于：以训练样本集中所有图像和待测图像为原始图像进行特征提取，提取实现方式如下，对原始图像进行全局校准处理，得到全局校准图像；分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对所得计算结果进行差分得到特征。本发明进一步提高了对于JPEG隐写图像的检测率。

主权项

一种JEPG图像通用隐写分析方法，包括训练过程和预测过程，所述训练过程包括对训练样本集中所有图像进行特征提取，对所得特征用分类器进行训练，得到模型；所述预测过程包括对待测图像进行同样方式的特征提取，并在同样分类器条件下，用训练过程中训练好的模型进行预测，得到最终结果；其特征在于：以训练样本集中所有图像和待测图像为原始图像进行特征提取时，提取实现方式如下，对原始图像进行全局校准处理，得到全局校准图像；分别对原始图像和全局校准图像进行多向差分Markov概率矩阵的计算，对所得计算结果进行差分得到特征；所述对原始图像进行全局校准处理，得到全局校准图像的实现方式如下，将原始图像解压至空域，然后裁去最上四行像素和最左四列像素，并重新用与原始图像相同的质量因子压缩，得到全局校准图像，对某图像进行多向差分Markov概率矩阵的计算如下，计算DCT域的水平、垂直、对角和反对角差分矩阵F_h，F_v，F_d，F_m如下：F_h(u，v)＝F(u，v)‑F(u+1，v)F_v(u，v)＝F(u，v)‑F(u，v+1)F_d(u，v)＝F(u，v)‑F(u+1，v+1)F_m(u，v)＝F(u+1，v)‑F(u，v+1)其中，(u,v)表示矩阵的第u行第v列的元素；转移概率矩阵也有四个方向，计算公式如下，其中，参数m，n的取值由阈值T确定，取值为{‑T，‑T+1，…，‑1，0，1，…，T‑1，T}；δ函数为选择函数，p{}表示概率值；从同一个系数出发的四个差分系数是相关的，通过如下计算获取多向差分Markov特征，其中，P_HH，P_HV,P_HD，P_HM为水平方向转移概率矩阵、水平垂直转移概率矩阵、水平对角转移概率矩阵和水平反对角转移概率矩阵，P_H为最终的水平转移概率矩阵；P_VH,P_VV,P_VD,P_VM为垂直水平转移概率矩阵、垂直方向转移概率矩阵、垂直对角转移概率矩阵和垂直反对角转移概率矩阵，P_V为最终的垂直转移概率矩阵；P_DH,P_DV,P_DD,P_DM为对角水平转移概率矩阵、对角垂直转移概率矩阵、对角方向转移概率矩阵和对角反对角转移概率矩阵，P_D为最终的对角转移概率矩阵；P_MH,P_MV,P_MD,P_MM为反对角水平转移概率矩阵、反对角垂直转移概率矩阵、反对角对角方向的转移概率矩阵和反对角方向转移概率矩阵，P_M为最终的反对角转移概率矩阵；参数m、n的取值为{‑T，‑T+1，…，‑1，0，1，…，T‑1，T}，T为差分矩阵的阈值；对所得计算结果进行差分得到特征的实现方式如下，设原始图像的多向差分Markov特征为F_ori，全局校准图像的多向差分Markov特征F_crop，最终的特征值F＝F_ori‑F_crop。