专利名称：基于高阶统计量的图像隐藏盲检测系统的制作方法
技术领域：
本发明涉及的是一种信息技术领域的系统，具体地说，是一种基于高阶统计量的图像隐藏盲检测系统。
背景技术：
信息隐藏将交流的信息隐藏在已有信息中，同密码学相比较，允许敌方进行检测，截获，而不违反系统的安全限制。信息隐藏的目的是将信息隐藏在其它无害的信息中，而且不允许敌方检测到其它信息的存在。隐藏的载体是一般的数字信息，目前最常见的是JPEG图片。被隐藏的信息是任何能够嵌入数据流中的信息，嵌入信息和信息载体一起形成了伪载体。
目前用于信息隐藏的工具主要有F5，Outguess，Jpeg等，但是还没有专门的图像隐藏盲检测系统。对于图像隐藏信息方面，国际上曾提出过一些方法，如farid提出的盲检测方法，首先利用多级离散小波分解提取训练图片集的高阶统计特性，获得图片的特征向量，然后用费舍尔线性分离器(FLD)对训练图片集的特征向量进行分类，根据某种算法获得分类门限，对特征向量空间进行划分，得到若干区间，再对待测图片的高阶统计量进行计算，看其落在哪个区间，就可判断图片是否含有隐藏信息。FLD虽然能处理更多的参数，可是它的识别函数是线性的，难以处理多维数据的分类问题。
发明内容
本发明的目的在于克服现有技术中的不足，提供一种基于高阶统计量的图像隐藏盲检测系统。使其通过分析待测图片的高阶统计量，检测出图片是否含有用F5，Outguess工具隐藏的信息。
本发明是通过以下技术方案实现的，本发明包括预处理器，训练器，控制期和分析器。控制器是控制系统各个构件的核心部分和整个系统的输入输出界面，控制器控制和调用预处理器、分析器和训练器，当用户输入的信息是分析某待测图片是否含隐藏信息时，控制器从磁盘载入需要的分析器，将输入的待测图片交给预处理器进行预处理，然后分发给相关的分析器，并返回给用户一个综合的分析结果；当控制器接收到用户的输入信息是训练新的分析器时，直接调用预处理器和训练器训练图片库，再将生成的分析器存储在磁盘中，以供控制器在以后检测图片是否含隐藏信息时调用。
预处理器是对输入图片进行预处理，包括灰度化，规范图片大小和提取图片特征值，灰度化是对图片进行色彩模式转化(如JPEG图片)，以获得灰度化图片；然后对灰度化后的图片进行规范大小，如把各种大小(360*460，520*391等)的图片统一规范为640*480的图片；最后对规范大小后的图片提取特征向量，进行2级离散小波分解，并计算各级小波系数的前四个高阶统计量均值，方差，斜度和峰度(mean，variance，skewness，kurtosis)，这样每幅图片就可得到24个特征向量。
训练器是通过训练模糊神经网络来构建各类分析器的，它先把训练图片库的图片送入预处理器，获得图片集的特征向量，再用这些特征向量训练模糊神经网络，即可生成相应格式的分析器。训练器的功能是通过训练模糊神经网络来生成各种包含模糊规则库的分析器。在用户向控制器输入训练信息的同时(即要求生成某种新类型的分析器)，还须提供一个训练图片库。训练器先把图片集送入预处理器进行预处理，然后把预处理器返回的特征值作为模糊神经网络的输入向量。在本系统中每幅图片有24个特征值，若训练图片库有1800幅图片，那么模糊神经网络的输入就是1800个24维的向量。用这些输入向量训练一个模糊神经网络，就可生成一个特定类型的分析器。按照此种方法构建其它类型的模糊神经网络，反复训练后可得到其他类型的分析器。
控制器是整个系统的核心构件，也是系统的输入输出界面，它可接收用户输入的需求信息，选用相应的构件进行分析处理，最后返回相应的处理结果给用户。当用户输入需要检测某幅图片的信息时，即需要分析一幅或一系列图片是否含有隐藏信息，以及使用了何种隐藏工具时，控制器首先装载所需的分析器，接收外界输入的待测图片，然后把待测图片送入预处理器，提取出特征向量，再将待测图片的特征向量分发给相应的分析器，比如，将JPEG图片的特征向量分发给F5隐藏的JPEG分析器和Outguess隐藏的JPEG分析器，控制器根据各分析器返回的结果，最终返回一个综合的结果。当用户输入的信息是需要生成某种新类型的分析器时，控制器调用预处理器，对用户提供的训练图片库进行预处理，获得图片集的特征值，将这些特征值送入模糊神经网络进行训练，就可生成新的分析器。
本系统已经训练生成的分析器包括F5隐藏的JPEG图片分析器、F5隐藏的GIF图片分析器、Outguess隐藏的JPEG图片分析器和Outguess隐藏的GIF图片分析器，每类分析器都可被控制器所调用，它们是由训练器通过训练模糊神经网络来生成的，每类分析器可以被控制器调用，对相应格式的图片进行分析检测，看其是否含有相应的隐藏工具隐藏的信息。如F5隐藏的JPEG图片分析器，它实质上是一个模糊神经网络，把JPEG格式的图片特征向量送入此分析器进行分析，可以得到一个介于0-1的值。如果这个值大于0.5，说明图片含有F5隐藏的信息，是非自然图片；如果这个值小于0.5，说明图片不含有隐藏信息，是自然图片。
本发明克服了由FLD识别函数的线性所引起的对隐藏信息的低精度识别问题，充分利用了模糊聚类的非线性和神经网络的学习能力，提高了识别精度。经过性能测试后表明本发明对F5，Outguess隐藏的信息有很高的识别率，可达到85％以上。而且本发明有很大的灵活性，可以通过训练器训练生成适用于其它图片格式或者其它隐藏工具的分析器。
图1系统构架2用于产生规则库的模糊神经网络具体实施方式
如图1所示，本系统主要包括4个部分预处理器，训练器，控制器和分析器。预处理器可以被训练器和控制器调用，对输入图片进行预处理，包括灰度化，规范图片大小以及提取图片特征值。本系统要求预处理器对所有灰度化后的图片统一规范为640*480大小的图片，然后对每幅图片进行2级离散小波分解，求出每一级的粗体内容和细节内容(水平、垂直、对角线子带的系数)，再计算各级小波系数的前四个高阶统计量均值，方差，斜度和峰度(mean，variance，skewness，kurtosis)，这样每幅图片就可得到24个特征向量。这些特征向量最后返回到调用预处理器的训练器或控制器，以便于它们进行其他操作。
训练器可以直接生成各类分析器，这主要是通过训练模糊神经网络来实现的。为了构造某种类型的分析器，如F5隐藏的JPEG图片分析器，需要组建一个模糊神经网络，如图2所示。此模糊神经网络的输入是图片的特征向量，每幅图片有24个特征向量，若输入图片有1800幅，那么模糊神经网络的输入就是1800个24维的特征向量。对输入特征向量进行模糊聚类，分成R组，然后生成R个相应的神经网络和一个隶属度神经网络，这个隶属度神经网络是用来给出与R个分组相应的神经网络对输入图片特征值的适用度μj，对这R+1个神经网络反复训练，就可生成适用度和R条模糊规则fj(x)，(j＝1，2，…，R)计算式子y=Σj=1rμj·fj(x)]]>就可得到整个模糊神经网络的输出。所以一个分析器就是输入为图片特征向量X，输出为y的一个模糊神经网络。训练器可以在控制器的调用下对给定的训练图片库进行反复训练，生成各种类型的包含模糊规则库的分析器。
控制器是整个系统的核心部分，也是系统的输入输出界面，它可直接调用预处理器、训练器和分析器。若控制器接收到用户的输入信息是检测图片是否含隐藏信息时，把待测图片送入预处理器进行预处理，获得图片的特征向量，然后根据图片格式调用相应的分析器进行分析，分析器输出一个值，范围是0到1之间，控制器根据各分析器返回的结果，最终返回一个综合的结果。比如待测图片格式为JPEG，控制器就调用F5隐藏的GIF图片分析器，Outguess隐藏的JPEG图片分析器，把图片的特征向量送入这两个分析器，这两个分析器会返回各自得结果r1，r2，这时，系统按照如下方式作决策
其中，＜0.5说明图片不含隐藏信息，≥0.5说明图片含有隐藏信息。由上表可知结果r＝max{r1，r2，…，rn}。比如，F5隐藏的JPEG图片分析器返回的概率值为0.82，但Outguess隐藏的JPEG图片分析器的概率值为0.7，那么系统就告诉用户该图片包含F5嵌入的隐藏信息，可能性为82％。若控制器接收到的用户信息是训练生成新的分析器时，直接调用训练器训练模糊神经网络来生成所需的分析器。
本系统已经训练生成的分析器有4个F5隐藏的JPEG图片分析器，F5隐藏的GIF图片分析器，Outguess隐藏的JPEG图片分析器和Outguess隐藏的GIF图片分析器。每个分析器都是由训练器生成，并且可以被控制器调用。分析器的输入是图片的特征向量值，输出是一个0～1的正整数。比如某JPEG格式的图片特征向量送入Outguess隐藏的JPEG图片分析器，输出0.8，说明此图片含有隐藏信息，且含有用Outguess隐藏的信息的概率是0.8。每一个分析器都是独立的模糊神经网络，可以单独对一个图片进行分析，输出一个概率值。
权利要求
1.一种基于高阶统计量的图像隐藏盲检测系统，其特征在于，包括预处理器，训练器，控制期和分析器，控制器控制和调用预处理器、分析器和训练器，当用户输入的信息是分析某待测图片是否含隐藏信息时，控制器从磁盘载入需要的分析器，将输入的待测图片交给预处理器进行预处理，然后分发给分析器，并返回给用户一个综合的分析结果；当控制器接收到用户的输入信息是训练新的分析器时，直接调用预处理器和训练器训练图片库，再将生成的分析器存储在磁盘中，以供控制器在以后检测图片是否含隐藏信息时调用。
2.根据权利要求1所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的控制器，是控制系统各个构件的核心部分和整个系统的输入输出界面。
3.根据权利要求1所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的预处理器，是对输入图片进行预处理，包括灰度化，规范图片大小和提取图片特征值，灰度化是对图片进行色彩模式转化，以获得灰度化图片，然后对灰度化后的图片进行规范大小，最后对规范大小后的图片提取特征向量，进行2级离散小波分解，并计算各级小波系数的前四个高阶统计量均值，方差，斜度和峰度，这样每幅图片就可得到24个特征向量。
4.根据权利要求3所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的规范大小，是指把各种大小的图片统一规范为640*480的图片。
5.根据权利要求1所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的分析器，是指系统已经训练生成的分析器，包括F5隐藏的JPEG图片分析器、F5隐藏的GIF图片分析器、Outguess隐藏的JPEG图片分析器和Outguess隐藏的GIF图片分析器，对相应格式的图片进行分析检测，看其是否含有相应的隐藏工具隐藏的信息，得到一个介于0-1的值。
6.根据权利要求5所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的分析器，它们都可被控制器所调用，它们是由训练器通过训练模糊神经网络来生成的。
7.根据权利要求5所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的F5隐藏的JPEG图片分析器，实质上是一个模糊神经网络，把JPEG格式的图片特征向量送入此分析器进行分析，得到一个介于0-1的值，如果这个值大于0.5，说明图片含有F5隐藏的信息，是非自然图片；如果这个值小于0.5，说明图片不含有隐藏信息，是自然图片。
8.根据权利要求1所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的训练器，是通过训练模糊神经网络来构建各类分析器的，先把训练图片库的图片送入预处理器，获得图片集的特征向量，再用这些特征向量训练模糊神经网络，即可生成相应格式的分析器，在用户向控制器输入训练信息的同时，还须提供一个训练图片库，训练器先把图片集送入预处理器进行预处理，然后把预处理器返回的特征值作为模糊神经网络的输入向量。
9.根据权利要求1所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的控制器，是接收用户输入的需求信息，选用相应的构件进行分析处理，最后返回相应的处理结果给用户。
10.根据权利要求9所述的基于高阶统计量的图像隐藏盲检测系统，其特征是，所述的控制器，当用户输入需要检测某幅图片的信息时，即需要分析一幅或一系列图片是否含有隐藏信息，以及使用了何种隐藏工具时，控制器首先装载所需的分析器，接收外界输入的待测图片，然后把待测图片送入预处理器，提取出特征向量，再将待测图片的特征向量分发给相应的分析器；当用户输入的信息是需要生成某种新类型的分析器时，控制器调用预处理器，对用户提供的训练图片库进行预处理，获得图片集的特征值，将这些特征值送入模糊神经网络进行训练，就可生成新的分析器。
全文摘要
一种用于信息技术领域的基于高阶统计量的图像隐藏盲检测系统。包括预处理器，训练器，控制期和分析器，控制器控制和调用预处理器、分析器和训练器，当用户输入的信息是分析某待测图片是否含隐藏信息时，控制器从磁盘载入需要的分析器，将输入的待测图片交给预处理器进行预处理，然后分发给分析器，并返回给用户一个综合的分析结果；当控制器接收到用户的输入信息是训练新的分析器时，直接调用预处理器和训练器训练图片库，再将生成的分析器存储在磁盘中，以供控制器在以后检测图片是否含隐藏信息时调用。本发明对F5和Outguess隐藏的图片有很高的检测精度，并且具有灵活性，可以自行使用训练器生成其它图片格式或者隐藏工具的分析器。
文档编号G06K9/00GK1710594SQ20051002680
公开日2005年12月21日 申请日期2005年6月16日 优先权日2005年6月16日
发明者夏霙, 李生红, 李翔, 薛质, 胥锋 申请人:上海交通大学