在图像隐写分析中，这几个特征是比较经典的
图像隐写分析中DCT特征与Markov特征展现出了极大的潜力，小波变换的奇异值分解（Wavelet Singular Value Decomposition ， WSVD）特征也有奇效，本文实现前人论文的特征提取编程代码，基于matlab
先说说理论知识
扩展DCT统计特征提取
大多数的隐密算法都是对JPEG图像的DCT系数进行操作，以此来嵌入秘密信息。DCT系数统计特征，旨在捕捉DCT系数的统计量的特征，以此来区分载体图像和隐密图像。
DCT系数统计算法由Fridrich【1】提出，其中包含了DCT系数直方图，共生矩阵，空域块间相关性等部分。首先用DCT系数替换相同位置的原始图像像素，使用dij(k) 来表示DCT系数矩阵，其中i，j=1, … ,8，k=1, … ,nB。而dij(k)则代表的是在第k个8×8 DCT块中处于(i，j)位置的DCT系数，而DCT块一共有nB 块。为了减少计算量和特征维度，在计算特征之前需要进行预处理，将所有DCT系数值范围限定在[-5，5]之间，大于和小于该范围内的值全部变换为-5到+5之间。
其中，Ir和Ic表示图像DCT系数块的两种排列方式，分别是行扫描顺序和列扫描顺序。
接下来的两个特征Bα是从解压的JPEG图像中计算，也是一种块间相关性的特征：
在DCT系数统计的隐密分析中，Fridrich首次提出了用于隐密分析的“校准”概念和计算原理：特征计算函数F，训练或测试图像J1，将图像J1解压到空域并沿各个方向裁剪四个像素，然后使用同J1相同的量化表压缩得到的图像J2。f表示最终获取的特征，而最后的特征由f=F(J1)-F(J2)计算得到。
采用如此计算方式的原理如下：裁剪之后的图像和原始图像内容上大体上完全一致，虽然裁剪之后的图像失去了原来的DCT分块，但是其统计特征应与原来相差不多。而这个过程会对嵌入的信息十分敏感，使裁剪前后的特征差别较大。经过实验证明，如此提取特征的方法非常有效果。
总结来说，DCT系数统计特征对DCT系数全局和局部进行了统计分析，并且捕获DCT系数的块间相关性和空域像素的相关性等特征。对于JPEG图像来说，所有隐密算法都是针对DCT系数进行修改，该算法确实是有一定的效果。实验中，该特征集展现了不错的分析效果，在0.2的嵌入率情况下可以达到平均95%的准确率，但是对MB算法的效果一般，尤其是MB2。
原始DCT统计特征已经有一定的检测效果，本文先对其进行扩展，加强特征的检测效果。对于全局直方图函数H，可以得到范围在[-5，+ 5]中的元素个数的差异，包括全局直方图和局部直方图，局部直方图选择的位置为{(1, 2)，(2, 1)，(3, 1)，(2, 2)，(1, 3)}。 因此，直方图特征是：
如此的DCT扩展特征共有193维，其特征组成见下表。
实现代码
基于matlab的代码如下，需要安装jpegtoolbox工具箱，这个工具我记得需要编译，晚上就可以找到安装方法很方便：
function [y,DctinsteadIm,DctinsteadImJ2]=DCT193featureNEW(x,impath,quality)
%提取DCT特征 193维 因为需要获取图像的dct系数 也需要做裁剪 随意需要提供的参数如下：
%impath 图像的路径
%quality 图像的质量因数 例如80
%输出
%y 193维特征
%DctinsteadIm 原始图像dct系数
%DctinsteadIm2 裁剪之后图像dct系数
% disp('----分配初始变量----');
blocknum=zeros(1,2); %长 宽
% Qtable=[16 11 10 16 24 40 51 61; %量化矩阵
% 12,12,14,19,26,58,60,55;
% 14,13,16,24,40,57,69,56;
% 14,17,22,29,51,87,80,62;
% 18,22,37,56,68,109,103,77;
% 24,35,55,64,81,104,113,92;
% 49,64,78,87,103,121,120,101;
% 72,92,95,98,112,100,103,99];
%保存数据
blockn=zeros(1,2);
%
selectorder=[2,3,9,10,17]; %选择的dct系数所在的位置
dorder=[-5,-4,-3,-2,-1,0,1,2,3,4,5]; %范围
dualorder=[2,3,4,9,10,11,17,18,25]; %双柱状图 特征选择
%需要根据尺寸大小改变的存储dct系数和挑选dct系数的矩阵 这里用的512*512尺寸 故64*64块
selectHj1dct=zeros(1,64*64); %每块里选择一个系数进行统计保存矩阵 块数
selectHj2dct=zeros(1,64*64);
alldct=zeros(1,512*512); %总体dct保存矩阵 块数*64
finallrdct=zeros(2,512*512);
finallcdct=zeros(2,512*512);
%保存特征的矩阵
featureall=zeros(1,193);
featureHj1=zeros(1,11);
featureHj2=zeros(1,11);
%blockn 存储块顺序 为Nb-1
% disp('----读取图像----');
for transform=1:2
if transform==1 %此处循环两次 做出 H1和 H2
x=double(x);
% im=(x-128);
JPEGOBJ = jpeg_read(impath);
dct = JPEGOBJ.coef_arrays{1};
DctinsteadIm=dct; %保存DCT矩阵输出
wh=size(dct); %亮度图像的尺寸 1为高 2为宽
else
origianwh=wh; %裁剪保存后读取 获得J2
im=x(5:wh(1)-4,5:wh(2)-4);
%图像保存需要uint8格式 计算需要double格式 需要转换
im=uint8(im);
if exist('tempcutim.jpg','file')
delete('tempcutim.jpg');
end
imwrite(im,'tempcutim.jpg','Quality',quality);
JPEGOBJ2 = jpeg_read('tempcutim.jpg'); %再次读取
dct = JPEGOBJ2.coef_arrays{1};
DctinsteadImJ2=dct;
wh=size(dct);
end
% disp('----开始分块----');
blockn(transform)=-1;
blocknum(1)=fix(wh(1)/8)-1; %取整计算分块数目
blocknum(2)=fix(wh(2)/8)-1;
for j=0:blocknum(1)
for i=0:blocknum(2)
blockn(transform)=blockn(transform)+1; %确定存储坐标
block=dct(j*8+1:(j+1)*8,i*8+1:(i+1)*8); %截取相应大小
DCTblock=block'; %转置一下 要不的话是先列后行的
alldct(blockn(transform)*64+1:(blockn(transform)+1)*64)=DCTblock(:);
end
end
finallrdct(transform,1:(blockn(transform)+1)*64)=alldct(1:(blockn(transform)+1)*64); %所有系数一维矩阵 按行
blockn(transform)=-1;
% disp(size(finalldct));
% disp(blockn);
for i=0:blocknum(2)
for j=0:blocknum(1)
blockn(transform)=blockn(transform)+1;
block=dct(j*8+1:(j+1)*8,i*8+1:(i+1)*8); %截取相应大小
DCTblock=block'; %转置一下 要不的话是先列后行的
% disp(DCTblock');
alldct(blockn(transform)*64+1:(blockn(transform)+1)*64)=DCTblock(:);
end
end
finallcdct(transform,1:(blockn(transform)+1)*64)=alldct(1:(blockn(transform)+1)*64); %所有系数一维矩阵 按列
end
% disp(blockn(1));
% disp(blockn(2));
%dct系数处理 范围[-5，+5]
finallrdct(finallcdct<-5)=-5;
finallrdct(finallcdct>5)=5;
finallcdct(finallcdct>5)=5;
finallcdct(finallcdct<-5)=-5;
% disp(finallrdct);
% disp(finallcdct);
% disp(blockn);
% disp('----全局dct系数直方图----');
% 特征1 全局dct系数直方图 11维度
% Hs(J1)-Hs(J2), s ∈ {-5, . . . , 5}, 选择范围在-5到5的元素作为特征
% 将两个图像的做差
for k=1:11
featureHj1(k)=length(find(finallrdct(1,:)==dorder(k)));
featureHj2(k)=length(find(finallrdct(2,1:64*(blockn(2)+1))==dorder(k)));
end
% disp(featureHj1);
% disp(featureHj2);
featureall(1:11)=featureHj1-featureHj2;
% disp('----局部dct系数直方图----');
%特征2 dct系数直方图 11*5=55特征
%Hijs(J1)-Hijs(J2), s ∈ {-5, . . . , 5},(i,j)=(1, 2), (2, 1), (3, 1), (2, 2), (1, 3)
for secfeaturenum=1:5
featureHj1= featureHj1*0;
featureHj2= featureHj2*0;
selectHj1dct=selectHj1dct*0;
selectHj2dct=selectHj2dct*0;
for n=1:blockn(1)+1
selectHj1dct(n)=finallrdct(1,(n-1)*64+selectorder(secfeaturenum));
end
for n=1:blockn(2)+1
selectHj2dct(n)=finallrdct(2,(n-1)*64+selectorder(secfeaturenum));
end
for k=1:11
featureHj1(k)=length(find(selectHj1dct(1:blockn(1)+1)==dorder(k)));
featureHj2(k)=length(find(selectHj2dct(1:blockn(2)+1)==dorder(k)));
end
% disp(featureHj1);
% disp(featureHj2);
featureall(secfeaturenum*11+1:11+secfeaturenum*11)= featureHj1-featureHj2;
end
% disp('----双柱状图----');
%特征3 双柱状图的8*8矩阵 9*11=99维度
%g^d, d ∈ {-5, . . . ,+5},
%gij^d 所有块i，j位置与d相等为1 否为0的累加和
%(i, j) ∈ {(2, 1), (3, 1), (4, 1), (1, 2), (2, 2), (3, 2), (1, 3), (2, 3), (1, 4)
featureHj1= featureHj1*0;
featureHj2= featureHj2*0;
for q=1:9 %9个位置
for k=1:11 %11个特征
for p=0:blockn(1)
if finallrdct(1,p*64+dualorder(q))==dorder(k)
featureHj1(k)=featureHj1(k)+1;
end
end
for p=0:blockn(2)
if finallrdct(2,p*64+dualorder(q))==dorder(k)
featureHj2(k)=featureHj2(k)+1;
end
end
end
% disp(featureHj1);
% disp(featureHj2);
% disp(featureHj1-featureHj2);
featureall((5+q)*11+1:(6+q)*11)= featureHj1-featureHj2;
featureHj1= featureHj1*0; %清0
featureHj2= featureHj2*0;
end
% disp(douhism);
% disp(featureall);
% disp(douhism);
% disp('----块间相关性----');
%特征4 块间相关性
%temp=zeros(1,64);
alladd=0;
for s=0:blockn-1
temp=abs(finallrdct(1,(s+1)*64+1:(s+2)*64)-finallrdct(1,s*64+1:(s+1)*64))+abs(finallcdct(1,(s+1)*64+1:(s+2)*64)-finallcdct(1,s*64+1:(s+1)*64));
alladd=alladd+sum(temp);
%disp(temp);
%disp('-------------');
% disp(temprdec);
% disp(tempcdec);
% disp(alldct);
end
%disp(alladd/(2*(blockn+1)));
featured=alladd/(2*(blockn(1)+1));
featureall(166)=featured;
% disp('----图像计算相关性----');
%特征5 图像计算相关性 α=1，2
% 1
rb=(origianwh(1)-1)/8;
cb=(origianwh(2)-1)/8;
sumgrayd=0;
for rbi=1:rb
sumgrayd=sumgrayd+sum(abs(x(rbi*8,:)-x(rbi*8+1,:)));
end
for cbi=1:cb
sumgrayd=sumgrayd+sum(abs(x(:,cbi*8)-x(:,cbi*8+1)));
end
% disp(sumgrayd);
sumgrayd=sumgrayd/(rb*origianwh(2)+cb*origianwh(1));
featureall(167)=sumgrayd;
% % 2
sumgrayd=0;
for rbi=1:rb
sumgrayd=sumgrayd+sum((abs(x(rbi*8,:)-x(rbi*8+1,:))).^2);
end
for cbi=1:cb
sumgrayd=sumgrayd+sum((abs(x(:,cbi*8)-x(:,cbi*8+1))).^2);
end
% disp(sumgrayd);
sumgrayd=sumgrayd/(rb*origianwh(2)+cb*origianwh(1));
featureall(168)=sumgrayd;
% for rbi=1:rb
% for rbj=1:wh(2)
% te1=im(rbi*8,rbj);
% te2=im(rbi*8+1,rbj);
% sumgrayd=sumgrayd+(te1-te2)*(te1-te2);
% end
% end
%
% for cbi=1:cb
% for cbj=1:wh(1)
% te1=im(cbj,cbi*8);
% te2=im(cbj,cbi*8+1);
% sumgrayd=sumgrayd+(te1-te2)*(te1-te2);
% end
% end
% sumgrayd=sumgrayd/(rb*wh(2)+cb*wh(1));
% featureall(168)=sumgrayd;
%特征6 Cst 相关性特征
asd=0;
sumadd=0;
sumaddJ=0;
%两个系数的组合
for s=-2:2
for t=-2:2
asd=asd+1; %循环次数记录 25次 5*5=25
%具体系数的计算关系
for choose=1:64
for kuai=0:blockn(1)-1
if finallrdct(1,kuai*64+choose)==s&&finallrdct(1,(kuai+1)*64+choose)==t
sumadd=sumadd+1;
end
if finallcdct(1,kuai*64+choose)==s&&finallcdct(1,(kuai+1)*64+choose)==t
sumadd=sumadd+1;
end
end
end
sumadd=sumadd/((blockn(1)+1)*2);
for choose=1:64
for kuai=0:blockn(2)-1
if finallrdct(2,kuai*64+choose)==s&&finallrdct(2,(kuai+1)*64+choose)==t
sumaddJ=sumaddJ+1;
end
if finallcdct(2,kuai*64+choose)==s&&finallcdct(2,(kuai+1)*64+choose)==t
sumaddJ=sumaddJ+1;
end
end
end
sumaddJ=sumaddJ/((blockn(2)+1)*2);
featureall(168+asd)=sumadd-sumaddJ;
% disp(sumadd-sumaddJ);
sumadd=0;
sumaddJ=0;
end
end
%返回结果
y=featureall;
end【1】FRIDRICH J. Feature-Based steganalysis for JPEG images and its implications for future design of steganographic schemes[C].International Conference on Information Hiding, 2004:67-81.
6875
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
