基于四叉樹分割的JPEG隱寫分析

汪 然 平西建 許漫坤 李文祥 張 濤

?

基于四叉樹分割的JPEG隱寫分析

汪 然*平西建 許漫坤 李文祥 張 濤

(信息工程大學信息系統工程學院 鄭州 450002)

當前主要的隱寫分析方法都是對整幅圖像進行特征提取，而忽略了圖像的內容差異。該文提出一種基于四叉樹分割的JPEG隱寫分析方法，該方法根據圖像塊的紋理復雜度進行圖像分割，對具有相同統計特性的子圖像分別進行隱寫檢測特征的提取，并構造相應的分類器，通過加權融合得到最終的檢測結果。實驗結果表明該方法具有良好的性能，尤其是在訓練與測試圖像的統計特性具有較大差異時，該算法的檢測準確率提高更加明顯。

信息隱藏；JPEG隱寫分析；圖像分割；四叉樹；紋理復雜度

1 引言

目前，JPEG隱寫分析采用了多種多樣的方法進行特征提取，并且得到了良好的檢測結果，但是大部分隱寫分析方法對整幅圖像采用相同的過程進行特征提取，而忽略了圖像本身固有的統計特性，這會導致隱寫檢測的準確性受到圖像內容和質量的影響，并過分依賴于所使用的圖像庫。當訓練和測試庫不匹配時，算法性能會發生明顯下降，因而難以應用于實際。圖像是以一定的空間結構載荷所需要傳遞的視覺信息，通?？梢詫⑵淇醋骶哂袇^域平穩性的馬爾可夫信源。隱寫所造成的改變不僅與隱寫機制有關，還與載體數據的統計特性密切相關。一些研究者已經注意到了載體，載密數據統計特性與隱寫分析結果之間的關系，并提出了一系列基于圖像內容的隱寫分析方法。文獻[13]將圖像按一定尺寸進行分塊，并根據隱寫檢測特征對圖像塊分類，對每類圖像塊分別進行隱寫分析。文獻[14]則將整體圖像按照內容復雜度分類至不同的子圖像庫，對每個子圖像庫分別進行隱寫分析。在相同的實驗條件下，上述兩種方法均能提高算法的檢測性能。然而，前一種方法未根據圖像內容對圖像塊進行分類，圖像分塊尺寸的選擇難以自適應地平衡圖像內容的同一性和差異性，而且由于該算法對每一個圖像分塊均需提取274維隱寫檢測特征，當圖像尺寸較大時，就會造成維數災難。而后一種方法是對圖像的整體內容進行分類，未考慮圖像信源統計特性的差異性。

本文提出一種基于圖像內容的JPEG隱寫分析方法。該方法采用圖像塊的DCT系數特征衡量圖像的紋理復雜度，以基于四叉樹的方法將圖像分割為若干互相重疊的子圖像，對每一類子圖像分別提取隱寫檢測特征，通過加權融合得到最終的檢測結果。實驗結果表明，本文算法具有較好的檢測性能，尤其是在訓練和測試圖像的統計特性具有較大差異時，檢測準確率的提高更加明顯。

2 基于內容的JPEG隱寫分析算法

將秘密信息嵌入自然圖像后，具有強隨機性的秘密信息對內容不同的圖像子區域的統計特性會產生不同的影響，而對相似內容的子區域會產生相似的影響。因此，可將圖像分割為若干子圖像，將其按圖像紋理復雜度分為若干類別。這樣，每個類別內的載體子圖像的統計特性更加相似，隱寫檢測特征在不同載體子圖像間的差異較小，使得載體與載密圖像之間的可分性更好。根據上述思想，本文提出一種新的隱寫分析方法，其流程如圖1所示。在訓練過程中，根據圖像8×8分塊的紋理復雜度對給定圖像進行分割，對分割所得到的每一類具有相同或相近紋理特征的子圖像分別提取隱寫分析特征，并建立分類器進行訓練。在測試過程中，同樣先對給定圖像進行分割，然后將對每一幅子圖像所提取的特征送入相應的分類器，通過加權融合得到總的判決結果。

2.1 四叉樹分割

四叉樹圖像分割方法[15]采用遞歸分解的原則，將每一個圖像塊分成4個大小相同的子塊，對每一個子塊提取根據圖像統計特性定義的區域屬性一致性測度，并設定判別準則來決定是否繼續迭代分割。該分割方法具有靈活度高，分塊速度快的優點，并且分割所得到的子圖像塊具有規則的形狀，有利于后續操作，適合作為隱寫分析特征提取的預處理過程。

則停止對圖像塊進行迭代分割。NZR特征能夠反映8×8分塊的復雜度，當一個圖像塊中所有的8×8分塊都具有相近的復雜度時，該圖像塊內部具有一致的區域屬性。圖2所示為一幅圖像在不同的值下經過四叉樹分割所得到的結果，可以看出，此分割方法可以較好地反映圖像的紋理特性，較大的圖像塊對應于平坦區域，而較小的塊則為復雜區域或圖像邊緣。的取值決定了分割的精細程度，當取值較小時，更多的子圖像塊被分解，分割過程對圖像紋理更加敏感，但是容易過分解，因而對紋理復雜的圖像分割效果不好；當取值較大時，邊緣信息不能準確刻畫；具體的值設定將在實驗部分進行說明。為了保留JPEG分塊的統計特性，本分割方法所得到的最小圖像塊尺寸為8×8。

圖2 四叉樹分割結果

2.2 圖像塊分類及類別融合

對給定圖像進行四叉樹分割之后，提取每一個分割所得圖像塊的NZR特征，并對這些特征進行聚類，將其分為互不重疊的集合以實現對圖像塊的分類。由于DCT系數特征集中分布于0值周圍，因此基于DCT系數的NZR特征在其值域上不是均勻分布的。如果采用目前比較常用的K均值聚類方法對特征進行聚類，就會將大量的圖像塊分類為平坦圖像，各類圖像塊的數目會有較大差異。為了避免這一現象，本文定義了一種部分平均聚類(Partly Equal Clustering, PEC) 方法。在給定的圖像庫中隨機選取一部分圖像，對所有圖像塊計算NZR特征，并將這些特征平均分類，使每個類別具有相同的圖像塊數目，不同類別間的邊界點作為聚類向量。用PEC方法進行聚類可以使每幅圖像中每個類別的圖像塊數目大致相等。

綜上所述，本文所提出的基于四叉樹的圖像分割方法主要包括了四叉樹分割，圖像塊分類及類別融合3個步驟，其分割流程如圖4所示。

2.3 隱寫檢測特征提取

定義1 歸一化全局直方圖

及其差分特征

其中為所有AC-DCT系數所組成的全局直方圖，

圖3 圖像分割結果

圖4 基于四叉樹的圖像分割流程

定義2 歸一化單頻率直方圖

及其差分特征

定義3 捕捉塊間相關性的變量

定義4塊效應

定義5 共生矩陣

進而可以定義水平方向概率轉移矩陣：

表1圖像分割數目和紋理區域間的映射關系

圖像分割數目N紋理區域 平坦中等復雜 3{1}{2}{3} 4{1,2}{3}{4} 5{1,2,3}{4}{5} 6{1,2,3}{4,5}{6}

2.4 訓練和測試

3 實驗結果

為了檢測本文算法的性能，本節采用在隱寫分析中常見的通用圖像庫進行實驗，包括BOWS2圖像庫[16]，Camera圖像庫[17]，UCID圖像庫[18]，BOSSbase 0.92[19]以及從每個庫中選取的1000幅圖像所組成的混合圖像庫。這些圖像來源廣泛，內容豐富，能夠全面驗證算法的性能。對載體圖像以nsF5, F5,MB1, JPHide和PQ等隱寫方法和不同的嵌入率生成載密圖像庫。在實驗中，除了PQ隱寫和第3.4節實驗，其它圖像的壓縮質量因子均為75。采用SVM分類器[20]進行分類，40%的圖像用于訓練，其余60%用于測試。

3.1 圖像分割參數的影響

3.2 性能比較

為了測試本文算法在不同情況下的性能，分別針對訓練圖像庫與測試圖像庫匹配及不匹配的情況進行實驗。對5種隱寫方法在3種嵌入率下，采用不同圖像庫時，本文算法與文獻[9]，文獻[12]及文獻[13]算法進行了比較。表2給出了在訓練庫與測試庫匹配的情況下幾種算法的實驗結果，該實驗在BOWS2庫隨機選取3000幅圖像進行實驗。對所有算法隨機選擇相同的圖像用于訓練和測試，重復實驗5次，取每次結果的平均值進行比較。實驗結果表明，對于5種隱寫方法，本文算法的性能均優于其它算法，尤其是對JPHide的檢測效果改進更加明顯?；诜謮K思想的文獻[13]性能優于原始采用274維特征的方法，但是與本文算法相比性能略差。表3所示為在訓練與測試庫不匹配的情況下幾種算法的實驗結果，實驗中訓練圖像為UCID庫中隨機選取的1000幅圖像，測試庫為BOSSbase庫中的3000幅圖像。從表中可以看出，本文算法性能明顯優于其它算法。當訓練與測試庫不一致時，本文算法的性能所受到的影響并不明顯，這是因為本文算法充分考慮了圖像的內容和統計特性。上述實驗表明，當圖像來源和統計特性有較大差異時，本文算法能夠獲得更加優異的檢測結果。

圖5 分割參數對檢測正確率的影響

3.3 針對自適應隱寫方法的檢測結果

為了證明本文算法對自適應隱寫方法同樣有效，在BOWS2圖像庫上對PQt, PQe, BCH以及BCHopt隱寫方法進行了測試，實驗結果如表4所示。從表中可以看出，對上述4種自適應隱寫方法，本文算法均能明顯提高算法的檢測性能，說明基于圖像內容的隱寫分析方法對自適應算法更加有效。

表2在BOWS2圖像庫上的檢測正確率比較(%)

隱寫方法嵌入率文獻[9]算法(274維)文獻[12]算法(548維)文獻[13]算法(分塊)本文算法 nsF50.0251.9250.0852.6752.75 0.0558.1759.0059.3359.42 0.1070.0866.7570.9672.33 F50.0258.8959.3359.6759.33 0.0575.8371.5076.4678.58 0.1092.6791.3393.1295.17 MB10.0264.9261.5064.7566.42 0.0580.6780.8382.7187.67 0.1095.1794.5093.3397.17 JPHide0.0281.7582.0882.0093.58 0.0582.9284.9285.6394.42 0.1090.5090.3388.7596.33 PQ0.0271.8370.0875.8775.00 0.0583.5084.1785.0087.42 0.1094.8391.4292.0895.75

表3訓練、測試庫不匹配時的檢測正確率比較(%)

隱寫方法嵌入率文獻[9]算法文獻[12]算法文獻[13]算法本文算法 nsF50.0250.5050.0050.7351.25 0.0551.1753.5855.3456.17 0.1063.9262.6764.4566.42 F50.0252.0055.2556.4257.67 0.0569.2570.6774.6877.00 0.1079.2580.7583.5686.17 MB10.0262.0061.0861.7864.25 0.0576.8374.5080.5282.25 0.1090.3393.2594.6894.33 JPHide0.0274.9275.6277.8985.58 0.0576.6778.4278.9888.08 0.1085.5685.9284.8791.33 PQ0.0269.1766.7570.8275.42 0.0579.8381.2580.9885.08 0.1088.4290.0890.5492.75

3.4 針對混合質量因子圖像的檢測結果

4 結論

本文提出了一種基于紋理復雜度的JPEG隱寫檢測算法，該算法采用四叉樹分割方法，對8×8分塊后的圖像塊進行分類和合并，從而將圖像分割成一些互相重疊的子圖像，對具有相同紋理復雜度的子圖像分別提取隱寫檢測特征，并構造分類器。在測試階段，每幅子圖像的隱寫檢測特征通過相應的分類器進行測試，對每個分類器的檢測結果進行加權融合得到最終的檢測結果。由于本文算法進行了圖像分割和多次特征提取，因而復雜度要高于文獻[9]算法，在同等實驗條件下，本文算法的特征提取及訓練分類時間均為文獻[9]算法的3.3倍左右。但實驗結果表明，本文算法能夠有效提高JPEG盲檢測算法的性能，尤其是在圖像來源和內容差異較大的情況下，這種改善更加明顯。

表4對4種自適應隱寫方法的檢測正確率比較(%)

隱寫方法嵌入率文獻[9]算法文獻[12]算法文獻[13]算法本文算法 PQt0.2066.7565.5069.7877.42 0.3074.9276.0875.9684.50 PQe0.2068.6770.4271.2576.75 0.3077.9280.0081.2585.75 BCH0.1562.4263.5463.8365.93 0.2067.3468.2268.7571.54 BCHopt0.1560.1361.2762.0963.83 0.2065.3165.8665.1369.82

隱寫方法嵌入率文獻[9]算法文獻[12]算法文獻[13]算法本文算法 nsF50.0248.0949.1350.0051.71 0.0550.0049.6650.9457.21 0.1064.5665.0366.2369.96 F50.0254.3452.7855.9957.63 0.0568.1369.3471.4273.63 0.190.0388.9790.7692.00 MB10.0259.0657.7860.0462.58 0.0579.0980.0981.5385.29 0.1094.3893.9494.2395.67 JPHide0.0268.3869.4171.5681.50 0.0569.6672.3473.4583.09 0.1082.4485.7285.7785.63

[1] Latham A. JP hide&seek [OL]. http:// linux01. gwdg. de/~alatham/stego.html, 2011.

[3] Sallee P. Model-based steganography[C]. Proceedings of Digital Watermarking Workshop, Seoul, Korea, 2003: 154-167.

[4] Fridrich J, Goljan M, and Soukal D. Perturbed quantization steganography[J]., 2005, 11(2): 98-107.

[5] Zhang R, Sachnev V, Botnan M,.. An efficient embedder for BCH coding for steganography[J]., 2012, 58(12): 7272-7279.

[6] Fridrich J. Feature-based steganalysis for JPEG images and its implications for future design of steganographic schemes[C]. Proceedings of Information Hiding Workshop, Toronto, Canada, 2004: 67-81.

[7] Shi Y, Chen C, and Chen W. A Markov process based approach to effective attacking JPEG steganography[C]. Proceedings of Information Hiding Workshop, Old Town Alexandria, 2006: 249-264.

[8] Liu Q, Sung A, Qiao M,.. Neighboring joint density-based JPEG steganalysis[J]., 2011, DOI:10.1145/ 1899412.1899420.

[9] Pevny T and Fridrich J. Merging Markov and DCT features for multi-Class JPEG steganalysis[C]. Proceedings of Electronic Imaging, Security, Steganography, and Watermarking of Multimedia Contents, San Jose, 2007: 1-13.

[10] Kodovsky J, Fridrich J, and Holub V. Ensemble classifiers for steganalysis of digital media[J]., 2012, 7(2): 432-444.

[11] Kodovsky J and Fridrich J. Steganalysis of JPEG images using rich models[C]. Proceedings of SPIE, Electronic Imaging, Media Watermarking, Security, and Forensics XIV, Vol. 8303, San Francisco, 2012, DOI: 10.1117/12.907495.

[12] Kodovsky J and Fridrich J. Calibration revisited[C]. Proceedings of ACM Multimedia and Security Workshop, Princeton, 2009: 63-74.

[13] Cho S, Cha B, Wang J,.. Block-based image steganalysis: slgorithm and performance evaluation[C]. Proceedings of IEEE Int. Symp. Circuits and Systems, Piscataway, NJ, 2010: 1679-1682.

[14] Amirkhani H and Rahmati M. New framework for using image contents in blind steganalysis systems[J]., 2011, 20(1): 013016-1-013016-14.

[15] Jacobs E, Fisher Y, and Boss R. Image compression: a study of the iterated transformation method[J]., 1992, 29(2): 127-142.

[16] Bas P and Furon T. Bows-2 [OL]. http://bows2.gipsa-lab. inpg.fr/BOWS2OrigEp3.tgz, 2011.

[17] Goljan M, Fridrich J, and Holotyak T. New blind steganalysis and its implications[C]. Proceedings of SPIE, Security, Steganography, and Watermarking of Multimedia Contents 6072,VIII, Vol. 2006: 1-13.

[19] Filler T, Pevny T, and Bas P. BOSS [OL]. http://boss. gipsa- lab.grenobleinp.fr/BOSSRank/, 2011.

[20] Chang C and Lin C. LIBSVM: a library for support vector machines [OL]. http://www.csie.ntu.edu.tw/~cjlin/libsvm. 2012.

汪 然： 女，1985年生，博士生，研究方向為信息隱藏和隱寫分析.

平西建： 男，1953年生，教授，研究方向為圖像處理和信息隱藏.

許漫坤： 女，1977年生，講師，研究方向為圖像處理和信息隱藏.

李文祥： 男，1986年生，博士生，研究方向為信息隱藏和隱寫分析.

張 濤： 男，1975年生，副教授，研究方向為圖像處理和信息隱藏.

JPEG Steganalysis Using Quad-tree Based Segmentation

Wang Ran Ping Xi-jian Xu Man-kun Li Wen-xiang Zhang Tao

(,,450002,)

The traditional image steganalysis methods are based on the features extracted from the whole image, while ignoring the differences of the image content. A new JPEG steganalysis algorithm using quad-treebased segmentation is proposed. First, the given images are segmented to sub-images according to the texture complexity. Then, then steganalysis features of each sort of sub-images with the same or close texture complexity are extracted separately to build a classifier. Finally, the steganalysis results of the whole image are obtained by weighted fusing of all the sub-image categories. Experimental results demonstrate that the proposed algorithm exhibits excellent performance and significantly improves the detection accuracy.

Information hiding; JPEG steganalysis; Image segmentation; Quad-tree; Texture complexity

TP391

A

1009-5896(2014)03-0631-08

10.3724/SP.J.1146.2013.00671

2013-05-16收到，2013-09-13改回

國家自然科學基金(61272490)資助課題

汪然 wangran721@gmail.com