二阶差分Markov特征的LSB匹配隐写检测

合集下载

一种基于2-D Markov链模型的图像信息隐藏检测方法

摘要：通过设定图像预测错误门限，并结合支持向量机（ｕｐｒＶｃｒａｈｅＳＭ）对图像数据进行分ＳｐｏｅｏＭｃ模型的信息隐藏检测系统。在嵌入率为０１ｐ．ｂｐ时，分别应用扩频（ｐｅｄｓｒａ
ＢａｅｎＤａｋｖＣｈｉｓｄｏ２．Ｍｒｏａｎ
ＴＡＮｉｈ，ＺＨＡＯｉｎ，ＺＨＵｉＨａｓｕＨｕｍｉ；Ｌ，ＧＵＯｉｈｎ。ＤＩＹｚｅＮＧａｙａＸｉｏｎ
，
（．ｅａｔｎｆｌｃｏｉＩｆｒｔｎＥｇｎｅｎ，Ｆｓａｎｖｒｉ，ｏｈｎ５８０，ｈｎ；１ＤｐｒｍｅｔｅｔｎｃｎｏｍａｏｎｉｅｒｇｏｈｎＵｉｅｓｙＦｓａ２００ＣｉａｏＥｒｉｉｔ
～
９％以上。０
关键词：信息隐藏；马尔科夫链；预测错误；支持向量机；检测
中图分类号：Ｔ３９Ｐ０
文献标志码：Ａ
文章编号：５９— ５９（０１３０５ — ４０２６７２１）０ — ０３０
ＩａｅＩｆｒａｉｎＨｉｎｇＤｅｅｔｏｅｈｏｍｇｎｏｍｔｏｄｉｔｃｉｎＭｔｄ
ｏａａｈｄｎｅｈｄｒｓｅｔｖｌ，ｃｒｅｔｎｄｔｃｉｎｒｔｓｒｌｂｖ０％ｄｄｔｉｉｇｍｔｏｅｐｃｉｅｙｏｃｉｅｅｔｏａｅａｅａｌａｏｅ９ｏ．ＦｏｅｅｃＬＳｒｇｎｒＢｉ
ｍｅｈｏ．ｔｅｍｅｈｄａｈｅｅｅｅｔｏａｅｆｏ５ｔｄｈｔｏｃｉｖｓａｄｔｃｉｎｒｔｒｍ０％ｔ０％ａｏｅｗｉｈ０．ｐｏ９ｂｖｔ０１ｐ一０．ｂｐａｏｓｂ３ｐｖｒｕｉｅｅｉｇｄｔａｅ．ｍｂｄｄｎａａｒｔｓＫｅｒｙｗｏｄｓ：ｉｆｒａｉｎｈｄｎｎｏｍｔｉｉｇ；Ｍａｋｖｃａｎ；ｐｅｉｔｎ— ｒｏｏｒｏｈｉｒｄｃｉｅｒ；Ｓｐｒｃｏｃｉｅ；ｄｔｃｉｎｏｕｐｏＶｅｔｒＭａｈｎｓｔｅｅｔｏ

基于LSB算法的图像信息隐藏与检测

基于LSB算法的图像信息隐藏与检测数字图像隐写分析基于LSB算法的图像信息隐藏与检测学院名称计算机科学与技术学院专业班级学⽣姓名学号指导教师2016.05.01基于LSB算法的图像信息隐藏与检测摘要：LSB替换隐写基本思想是⽤嵌⼊的秘密信息取代载体图像的最低⽐特位，原来的的7个⾼位平⾯与替代秘密信息的最低位平⾯组合成含隐藏信息的新图形。

⽂章⾸先简单叙述了BMP位图⽂件的⽂件格式,然后根据24位真彩⾊BMP位图格式与显⽰⽅式的特殊性,直接改变图像中像素的最后⼀位值来嵌⼊秘密⽂件,提出了⼀种对⽂字信息进⾏加密的有效⽅案。

关键词：LSB，信息隐藏，信息安全，BMP位图Image information hiding and detection based on LSBalgorithmAbstract: LSB replacement steganography basic idea is to use the embedded secret information to replace the image of the lowest bits, the original 7 high plane and the least significant bit plane of alternative secret information into new graphics containing hidden information.This paper simple describes the BMP file format of the bitmap file, and then according to the 24 true color BMP bitmap format and the particularity of display mode, directly change the values of pixels in the image of the last to embed secret files, puts forward a effective scheme of text information is encrypted.Key words: LSB, Information hiding,information security,bit map file⽬录第1章绪论 (5)1.1 LSB算法原理 (5)第2章 LSB隐写实现 (7)2.1 LSB隐藏过程 (7)2.2 LSB隐写实例效果 (8)第3章 LSB信息提取 (10)3.1 LSB信息提取过程 (10)3.2 LSB信息提取实例效果 (10)参考⽂献 (13)第1章绪论1.1 LSB算法原理LSB是L.F.Turner和R.G.van Schyndel等⼈提出的⼀种典型的空间域信息隐藏算法。

lsb隐写的数学建模

lsb隐写的数学建模（实用版）目录1.隐写术简介2.基于数学建模的隐写技术3.LSB 隐写算法的原理及其应用4.LSB 隐写算法的优缺点5.我国在隐写技术研究方面的进展正文1.隐写术简介隐写术，即隐藏信息的技术，是一种将秘密信息嵌入到正常文本、图像、音频等多媒体载体中的技术。

这种技术可以使得信息的传递更加安全，不易被察觉。

在信息技术高速发展的今天，隐写术在保密通信、数据传输、知识产权保护等方面具有广泛的应用前景。

2.基于数学建模的隐写技术数学建模是一种将现实世界中的问题抽象成数学问题，进而求解的方法。

在隐写技术中，数学建模主要通过对载体的统计特性进行分析，以找到合适的嵌入位置和方式，从而实现秘密信息的隐藏。

基于数学建模的隐写技术具有较强的理论基础，可以保证隐写信息的安全性和可靠性。

3.LSB 隐写算法的原理及其应用LSB（Least Significant Bit，最低有效位）隐写算法是一种典型的基于数学建模的隐写技术。

该算法通过修改图像中每个像素的最低有效位，将秘密信息嵌入到图像中。

由于最低有效位的修改对图像质量影响较小，因此难以被察觉。

LSB 隐写算法广泛应用于图像、音频等多媒体数据的保密传输。

4.LSB 隐写算法的优缺点LSB 隐写算法的优点：（1）隐蔽性强，难以察觉；（2）对载体质量影响较小；（3）可适应不同载体的格式；（4）便于实现和操作。

LSB 隐写算法的缺点：（1）嵌入容量有限；（2）抗干扰能力较弱；（3）秘密信息提取过程相对复杂。

5.我国在隐写技术研究方面的进展我国在隐写技术研究方面取得了显著的成果。

相关研究机构和院校在理论研究、算法设计、应用开发等方面都取得了一系列重要成果。

此外，我国还积极参与国际隐写技术领域的合作和交流，不断推动隐写技术的发展。

总之，LSB 隐写算法作为一种基于数学建模的隐写技术，具有较强的实用性和广泛的应用前景。

lsb信息隐藏

LSB算法的信息隐藏实验单位：三系一队姓名：马波学号：3222008030LSB信息隐藏实验一、实验目的1.掌握LSB算法原理2.熟悉信息隐藏与提取的流程3.锻炼算法的程序实现能力二、实验原理1.信息隐藏用秘密信息比特替换载体中的最不重要部分，可以达到对信息隐藏的目的。

在数字图像中，每个字节的最低位对图像信息的影响最小，因此将数字图像的最低位用信息比特替换可以实现信息隐藏。

由于载体图像的每个字节只隐藏一个秘密信息比特，所以只有当载体图像的大小是秘密信息大小的8倍以上时才能完整的将秘密信息隐藏。

提取信息位并隐藏的示意图：2.信息提取在隐藏了秘密信息的数字图像中，每个字节的最低位就是秘密信息比特位，只需将这些信息比特提取出来并组合，就可以恢复出原来的秘密信息。

提取信息示意图：三、实验内容A.将秘密信息隐藏在载体的最低位，检验算法的鲁棒性（1）读入秘密信息(此实验中秘密信息为二值图像)（2）把秘密信息的比特位放入载体的最低位（3）给隐藏了秘密信息的图像加入大小为1的噪声加入噪声大小为1时：加入噪声为2时：B．将秘密信息隐藏在载体的最高位，检验算法的鲁棒性（1）读入秘密信息(此实验中秘密信息为二值图像)（2）把秘密信息的比特位隐藏在载体的最高位（3）分别给隐藏了秘密信息的图像加入大小为1和2的噪声C．将秘密信息隐藏在载体的第三位，检验算法的鲁棒性（1）同A中的（1）（2）把秘密信息比特位隐藏在载体的第三位（3）分别给隐藏了秘密信息的图片加入大小为1、2和3的噪声五、实验总结1.当秘密信息隐藏在最低位时，对载体的改变小，载体质量较高。

但鲁棒性较差，有噪声干扰时很容易发生信息丢失从而无法恢复出秘密信息2.当秘密信息隐藏在最高位时，图像的鲁棒性增强，受到较大噪声干扰时仍能恢复出秘密信息，但对图像的改变较大，隐藏的位数越高图像的质量越低。

3.当隐藏的信息位介于最低位和最高位时，选择合适的位置，既可以提高信息隐藏的鲁棒性，又对图像的质量影响不大，所以，进行信息隐藏时可以考虑LSB的改进。

信息隐藏实验(LSB隐写,随机LSB隐写,RS隐写分析)

信息隐藏实验二LSB隐写分析姓名：周伟康学号：班级：一：实验要求1、针对自己实现的隐写算法（嵌入、提取），计算隐蔽载体的PSNR值，通过PSNR值来评估隐写对图像质量的影响，并与主观感受做对比。

2、实现一种隐写分析方法，对隐蔽载体进行检测（卡方、RS……）二：实验步骤1、编写随机选点函数，完善顺序和随机两种LSB信息嵌入和提取。

%随机间隔选点函数%[row, col] = randinterval(test, 60, 1983);function [row, col] = randinterval(matrix, count, key)[m, n] = size(matrix);interval1 = floor(m * n / count) + 1;interval2 = interval1 - 2;if interval2 == 0error('载体太小，不能将秘密消息隐藏其内！');endrand('seed', key);a = rand(1, count);%initializerow = zeros([1 count]);col = zeros([1 count]);r = 1; c = 1;row(1,1) = r;col(1,1) = c;for i = 2 : countif a(i) >= 0.5c = c + interval1;elsec = c + interval2;endif c > nr = r + 1;if r > merror('载体太小，不能将秘密消息隐藏其内！');endc = mod(c, n);if c==0c = 1;endendrow(1, i) = r;col(1, i) = c;end选取8*8的矩阵测试2、对比原始图像和隐藏信息后图像，计算隐蔽载体的均方差（MSE）进而计算峰值信噪比（PSNR），评估隐写对图像质量的影响。

基于区域随机性度量的LSB匹配隐写分析

基于区域随机性度量的LSB匹配隐写分析熊钢;平西建;张涛;李侃【摘要】依据图像信源区域平稳性质,分析LSB匹配隐写对图像区域统计特性的影响,提出一种基于区域随机性特征的隐写分析方法.运用分块处理划分图像区域,对各区域像素进行Hilbert扫描并提取像素最低有效位比特序列,进而将比特序列作异或运算所得到的参量定义为区域随机性度量指标,最后统计并分析区域随机性指标直方图,提取直方图信息熵、特殊取值及原点矩3类特征,结合Fisher线性分类器对载体、载密图像进行判别.实验结果表明,该方法在不同图像库和不同嵌入率条件下对LSB匹配隐写均表现出良好的检测性能,与现有典型检测算法相比其检测性能具有明显提高.【期刊名称】《计算机研究与发展》【年(卷),期】2013(050)005【总页数】9页(P942-950)【关键词】隐写分析;LSB匹配;图像区域;随机性;直方图【作者】熊钢;平西建;张涛;李侃【作者单位】解放军信息工程大学郑州 450002;解放军信息工程大学郑州450002;解放军信息工程大学郑州 450002;解放军西安通信学院西安710106【正文语种】中文【中图分类】TP309随着信息隐藏技术的发展，隐写分析已成为多媒体信息安全领域的一个研究热点，其中由于图像像素的最低有效比特位（least significant bit，LSB）隐写方法的广泛应用，其相对的隐写分析更是得到了学术界高度关注．目前针对LSB替换的隐写分析方法较为成熟，而LSB匹配隐写［1］对LSB替换进行了改进，其安全性较高，从而使得检测LSB匹配成为图像隐写分析的研究难点之一．现有针对LSB匹配的隐写分析方法主要有：从像素直方图考虑，Harmsen等人［2］提出的直方图特征函数质心算法及 Ker［3］，Li等人［4］对此的一系列改进算法；Zhang等人［5］提出1维直方图局部极值法，Cancelli等人［6］提出2维直方图局部极值方法．基于相邻像素 Markov性质，张涛等人［7］采用差分直方图统计分布特征实现检测，Pevny等人［8］提出基于SPAM特征的检测算法；从图像位平面随机性出发，Huang等人［9］采用像素最低2比特位的灰度级变化率作为检测特征；Liu等人［10］基于LSB平面内部以及与其他位平面之间的相关性进行检测；Wang等人［11］提出统计图像LSB序列中短重码距离的检测算法．以上文献多是针对秘密消息嵌入机制对整体图像统计特性的影响进行研究，然而，研究表明［12］，对图像进行隐写检测操作不仅与隐写算法的嵌秘机制有关，而且与图像内容的复杂度和统计分布密切相关．本文将图像建模为区域平稳信源，针对LSB匹配嵌入机制对图像区域统计特性的影响，提取图像区域随机性度量特征提高隐写分析性能．有效比特位平面（LSB位平面）中，记待嵌入的秘密消息比特序列为 M：｛b0，b1，…，bm－1｝，从载体图像（共有n个像素）中随机选择一个子像素集合X：｛x0，x1，…，xm－1｝（m≤n），其嵌入规则如式（1）所示：1 算法原理1．1 LSB匹配嵌入机制LSB匹配隐写将秘密消息隐藏在图像的最低其中，j＝0，1，…，m－1，xCj，xSj 分别表示载体、载密图像的像素灰度值，bj为待嵌入的秘密消息比特，k为独立随机变量，在｛－1，＋1｝上服从均匀分布．嵌入率ρ＝（m/n）×100%，当ρ＝100%时表示对图像的全部像素嵌秘，当0＜ρ＜100%时表示对随机选择的部分像素嵌秘．1．2 不同内容图像随机性变化规律实际应用中，一幅图像总是由多种单一的景物构成（如图1（a）所示），由于同一物体的颜色、纹理等属性具有某种同一性关系（如图1（b）～（d）所示），因此物体内部区域的数据具有统计一致性，为此通常将图像信源建模为区域平稳信源．图像区域平稳特性使得其子区域数据具有较强的相关性，然而，LSB匹配隐写嵌入的强随机性秘密消息，会使得图像区域相关性发生变化．下面通过统计不同内容图像的LSB位平面随机性，具体分析图像区域统计特性的改变．针对实验需求，自建一个原始未压缩灰度图像库．库内图像由Nikon D40X相机拍摄，原图大小为3 872×2 592，裁剪原图中的平坦区域、人工纹理区域、自然纹理区域构成3类子图像如图1所示．子图像大小为512×512，各500幅，共计1 500幅．Fig．1 Three sorts of sample images of the self－built image database．图1 自建图像库3类子图像裁剪示例将图像LSB位平面的每一行比特串接起来，得到LSB序列SY，采用统计检验方法定量分析LSB匹配隐写对自建3类子图像随机性产生的影响．在此选用统计检验中的Maurer通用检验统计量指标PTM［13］、游程检验统计量指标PTR［13］、DFT 检验统计量指标PTD［13］来定量刻画图像LSB序列SY的随机性．序列SY的随机性判决准则为：PT≤0．01时不随机，PT＞0．01时可判定为真随机序列，并且PT越大序列SY随性越强．实验中将3类子图像以LSB匹配隐写方法进行100%嵌密，得到3类载密图像，最后载体、载密图像总共3 000幅．测试中Maurer检验的序列长度Y＝1 310 720（5幅图像LSB序列长度之和）；游程检验、DFT检验的序列长度Y＝262 144（1幅图像的LSB序列长度），对每一类图像库中各图像的指标值取平均得到实验结果如表1所示：Table 1 Comparison of the Statistical Test Indices of the Three Sorts of Subimages in the Self－Built Database表1 自建图像库3类子图像各统计检验指标值比较Maurer test PTM Run test PTR DFT test PTD Database Cover Stego Cover Stego Cover Stego 0．48 Artificial 0．27 0．52 0．22 0．50 0．41 0．51 Natural 0．43 0．51 0．38 0．51 0．50 Smooth 0．01 0．50 0．03 0．51 0．22 0．49分析表1可得：3类载体图像LSB序列的随机性随着图像复杂度的增大而增强（表中粗体数字）；3类载密图像LSB序列体现出较强随机性，且强弱一致，与图像复杂度无关；3类子图像对应的载体、载密LSB序列随机性差异由大到小为平坦图像、人工纹理图像、自然纹理图像，由此表明隐写前后图像随机性变化与图像内容复杂度相关，图像越平坦变化越大．2 算法操作依据1．2节分类图像随机性变化分析结果，下面基于图像区域平稳特性，并借鉴JPEG压缩标准，采用分块处理将整体图像划分为若干内容平坦的子区域，进而度量其随机性．2．1 图像区域随机性度量指标在实际应用中，由于原始图像尺寸较小，分块处理后块内子区域的像素数量较少，因此不能运用统计检验方法度量其随机性，为此下面定义有效的图像区域随机性度量指标．2．1．1 图像预处理1）图像分块．将大小为M×N的图像I进行大小为B×B的不重叠分块处理，此过程记为Blocking（I），则图像分块处理如式（2）所示：其中，“∪”表示集合并运算，Blocki表示第i个图像分块像素集合表示总分块数目（表示对x向下取整）．为便于运算，B＝2n，2）图像分块像素Hilbert扫描．Hilbert扫描方式有其独到之处，它能够保证扫描所得图像像素序列中相邻像素对（pj，pj＋1）在原图中的空间位置相邻，从而提高了像素序列的相关性．3种Hilbert扫描矩阵示例如图2所示：Fig．2 Hilbert matrixes show．图2 Hilbert矩阵示例记图像分块Blocki内像素Hilbert扫描过程为ScanH，则此过程如式（3）所示：其中，i＝1，2，…，NB，GHi 表示分块 Hilbert扫描所得序列，gHij表示序列GHi中第j位像素．3）图像分块LSB序列提取．记提取每个分块序列GHi中每一像素最低有效比特位过程为Elsb，则图像分块LSB序列SHi提取过程如式（4）所示：2．1．2 定义图像区域随机性指标设图像分块Hilbert扫描得到长为L＝B×B的LSB序列为SH，序列SH进行间隔1异或运算结果为SHxor1，计算如式（5）所示：其中，l＝1，2，…，L－1，⊕表示比特异或运算符；s H（l），s Hxor1（l）分别为序列 SH，SHxor1中的第l位比特值．统计序列SHxor1中比特1的数目记为NXOR，其计算如式（6）所示：基于式（5）（6）计算得到各图像分块的NXOR值，统计整幅图像NXOR值的归一化直方图h，计算如式（7）所示：1，…，T｝，T（0≤T≤L－1）表示直方图h的统计阈值，T越小其统计的分块的NXOR值越小，相应的分块越平坦．NXOR归一化直方图是其取值的经验概率分布，能够反映图像分块NXOR的分布情况．下面提取一幅载体图像及满嵌后载密图像参数NXOR的归一化直方图（分块大小B＝4），统计结果如图3所示：其中，冲击函数Fig．3 NXORhistograms of the cover and stego experimental image with different threshold T．图3 载体/载密图像随机性指标NXOR的直方图分析图3（b）（c）得到，随着 NXOR取值增大，载体图像NXORC概率从大于载密图像NXORS概率变化为小于NXORS概率．由此表明，数字隐写后NXOR 取值有增大趋势，并且此变化具有一般性，下面基于性质1具体说明．性质1．给定载体图像分块及其满嵌后的载密图像分块，载体图像分块LSB序列参数NXORC的均值小于载密图像分块参数NXORS的均值．在证明性质1之前先给出两个假设：假设1．依据图像区域平稳特性，分块区域内通常只包含单一内容，因此载体图像分块区域内像素具有较强的相关性；假设2．设随机变量NXOR服从二项分布，其参数为L－1，p，记为NXOR～B （L－1，p）．证明．记载体 NXORC的均值为EC，载密NXORS的均值为ES．根据假设1，载体序列SH中的强相关性使得相邻比特相等的概率大于不相等的概率，即p（sl＝sl＋1）＞p（sl≠sl＋1），因此异或结果序列SxHor 1中各比特位取值为1发生的概率0≤pC＜；然而，载密序列SH体现出强随机性，使得p（sl＝sl＋1）＜p（sl≠sl＋1），因此其对应的异或运算序列SxHor 1中各比特位取值为1发生的概率，综上可得载体SxHor1中各比特位取值为1发生的概率小于载密SxHor1中各比特位取值为1发生的概率，即pC＜pS．又由假设2可得EC，ES 的计算如式（8）（9）所示：由此可得EC＜ES．证毕．由以上分析可知，图像分块LSB序列SH随机性越强，NXOR的取值越大，反之序列SH的随机性越弱NXOR的取值越小，因此定义NXOR为图像区域随机性度量指标，下面对NXOR进行特征分析和提取．2．2 特征分析与提取2．2 ．1 NXOR信息熵特征随机变量NXOR的平均信息量（即信息熵HNXOR）可以度量其取值概率分布的总体特性，因此可通过式（7）估计得到各取值t发生的概率p（t），并计算NXOR的信息熵HNXOR：其中，I（t）＝－logp（t）表示符号t的自信息．依据信源熵的性质，可得载体图像的信息熵HCNXOR大于载密图像的信息熵HSNXOR，分析如下．设载体图像NXORC的概率分布矢量为PC＝，载密图像NXORS的概率分布矢量为（T＋1）｝是信源的等概分布矢量，以‖·‖表示向量2－范数，因此得到：比较图3中载体图像与载密图像两者的NXOR概率分布可以发现，NXORC相对于NXORS的概率分布更加平坦，通常情况下成立．又因为信息熵函数由此可得，2．2．2 NXOR概率值特征1）NXOR分布最大值概率特征是一个对称、上凸函数，因此可得式（11）：比较图3中载体NXORC与载密NXORS两者的概率分布可以发现，数字隐写后NXOR概率取值在最大值处明显降低，因此提取最大概率值作为特征：由3σ准则（即ξ＝3σ时）得出p｛｜NXOR－u｜＜ξ｝≥（σ2/ξ2）＝（σ2/9σ2）≈0．888 9．在实验中，τ取3σ区域门限值较为合适：τ＝．例如当分块大小为B ＝4时，τ＝1．通常情况下，NXOR在［0，τ］范围的概率p（0），p（1），…，p（τ）取值较小，因此计算概率值对应的指数函数值作为3σ区域的概率特征，如式（14）所示：2）NXOR在3σ区域概率特征根据2．1．2节分析，NXOR取值较小时，载体图像中NXORC概率大于载密图像中NXORS概率，此现象在NXOR取值0附近更为明显，下面确定τ的取值，以提取NXOR∈［0，τ］区域的概率值为特征．设NXOR的数学期望为E （NXOR）＝u，方差为Var（NXOR）＝σ2，由Chebyshev不等式得出，∀ξ∈ZZ＋以下不等式成立：通常情况下，即FCk＞FSk，k＝3，4，…，3＋τ．2．2．3 NXOR原点矩特征据性质1可得载体NXORC的均值为小于载密NXORS的均值，因此进一步将NXOR取值归一化，并提取一阶原点矩M1（NXOR归一化取值的均值）为特征，计算如式（15）所示：M1描述了NXOR取值的整体分布情况，通常有载体MC1小于载密MS1．从UCID图像库［14］中随机选取200幅图像，构成载体图像和LSB匹配100%嵌入的载密图像，对两类图像提取NXOR的熵特征、最大值概率、3σ区域的概率特征和原点矩特征，统计结果如图4所示（图像分块大小为B＝4，T＝15）．图4结果表明，各特征实验统计结果与理论分析相符合，从而验证了图像区域随机性指标NXOR概率分布特征在载体、载密图像之间存在统计差异，由此表明采用NXOR概率分布特征可以有效区分载体和载密图像．时，根据式（10）、式（12）、式（14）、式（15）提取 N XOR的直方图特征构成2×（4＋τ′）（τ′＝min（τL－1，τL/｜｜2－｜｜－））维特征向量FNXOR：Fig．4 Statistical results of probability distribution features of the randomness measurement index NXORof sample images．图4 样本图像随机性度量指标NXOR概率分布特征统计结果当式（7）中参数T＝L－1，T根据式（16）对降采样图像I＊提取特征向量，并计算校准特征：此外，为了进一步降低图像特征值动态取值范围，采用文献［2］中提出的降采样校准技术对原始特征进行校准．令I（i，j）和I＊（i，j）分别表示原始图像和降采样图像像素的灰度值，降采样过程如式（17）所示：LSB匹配隐写主要改变图像LSB位平面（设像素以8比特表示，则是第8位平面）的随机性，然而据文献［9］等研究，隐写对图像次低有效位平面（第7位平面）随机性也会产生影响，因此将以上特征提取方法作用于图像LSB位平面和次低有效位平面分别得到特征向量FcalNXOR1，FcalNXOR2，将两者结合最后得到图像I的4×（4＋τ′）维隐写检测特征向量FI：2．3 算法流程综合图像预处理和隐写检测特征提取，得到本文算法的操作流程如下：① 对待检测图像I按照设定的分块大小B×B进行不重叠分块处理；②对各图像分块像素进行Hilbert扫描并提取LSB位平面序列SH；③ 对序列SH进行异或运算得到图像区域随机性度量指标NXOR；④ 计算NXOR的归一化直方图，据式（18）提取LSB位平面的特征向量FcalNXOR1；⑤重复步骤②～④提取图像次低有效比特位平面的特征向量FcalNXOR2；⑥ 根据式（19）得出4×（4＋τ′）维隐写检测特征向量FI，并结合Fisher线性分类器对载体、载密图像进行分类．3 实验结果及分析实验中主要以常用的 UCID，CAMERA［15］，NRCS［16］经灰度转化后的3个未压缩灰度图像库为基础进行测试，其中UCID图像大小为512×384或384×512，CAMERA图像大小为512×512，NRCS图像下采样到大小为500×700或700×500．使用常见的Fisher线性分类器进行分类，根据分类器不同阈值下的检测率（true positive rate，TP）和虚警率（false positive rate，FP）绘制 ROC（receiver operating characteristic）曲线，并利用ROC曲线下的面积（AUC）、虚警率等于漏检率时的检测率值（TP＿E）、检测率50%时的虚警率值（FP＿50）、检测率80%时的虚警率值（FP＿80）、虚警率和漏检率的最小平均值（Min＿E），这5个参数作为性能评价指标．前两个指标越接近于1，后3个指标越接近于0，则检测性能越好．为了验证所提方法的检测性能进行3组实验．3．1 不同分块大小检测性能测试随机选取UCID库中1 000幅未压缩图像构成载体图像库，使用LSB匹配方式嵌秘，分别得到嵌入率为10%，25%，50%，100%的载密图像库．在分块大小取B ＝2，4，8，16的情况下进行测试，取AUC为评价指标．每次实验随机选择图像库中的20%图像用于训练，剩余的80%用于测试．为了消除随机选取图像对检测结果的影响，重复进行20次实验取平均得到评价指标值，结果如表2所示．分析表2中结果可得：分块大小为4，8时的检测性能整体优于分块大小为2，16时的检测性能；当嵌入率较高时，小分块的检测性能相对较好，但是由于分块越小计算量越大，因此需根据图像内容的具体情况，灵活选取分块大小使得检测性能和计算量都取得较优效果．Table 2 Comparison of Detection Performance with Different Block Sizes表2 不同分块大小时检测性能比较ParameterEmbedding Rate/%B 2 4 8 16 AUC 10 0．66 0．71 0．69 0．65 25 0．73 0．77 0．75 0．74 50 0．80 0．84 0．84 0．84 100 0．94 0．89 0．91 0．893．2 不同图像库检测性能测试选取CAMERA，UCID，NRCS未压缩图像库，以及NRCS库进行质量因子为80的JPEG压缩后的图像库NRCS＿80构成4个测试图像库，每个图像库包括1 000幅载体图像．实验方法同上，统计结果如表3所示：Table 3 Comparison of Detection Performance on Different ImageDatabases with Block Size Being Four表3 不同图像库检测性能比较（B＝4）Database Embedding Rate/% AUC TP＿E/% FP＿80/% FP＿50/% Min＿E/%10 0．66 60．57 57．71 30．02 37．81 CAMERA 25 0．83 74．15 30．63 12．18 24．01 50 0．90 80．73 18．71 6．45 17．05 10 0．71 63．48 53．15 23．62 35．30 UCID 25 0．77 68．41 43．56 17．26 30．41 50 0．84 74．05 29．96 12．00 24．23 07 NRCS＿80 25 0．88 78．16 23．41 5．10 21．14 10 0．56 53．31 72．31 43．65 44．83 NRCS 25 0．61 56．13 67．18 38．18 42．44 50 0．69 62．32 54．41 27．61 36．03 10 0．83 73．01 34．23 9．22 26．50 0．90 80．03 19．93 4．57 18．73表3结果表明，在4个图像库上的不同嵌入率条件下，本文算法均有良好的检测性能，并且嵌入率越大性能越好．在相同嵌入率条件下比较，CAMERA和压缩后的NRCS＿80库检测效果最好（表中粗体数字），UCID图像库次之，未压缩的NRCS库的效果最差．其原因主要是CAMERA图像库中图像像素相关性较强，检测效果较好；UCID库内图像的尺寸较小，且图像内容更加复杂，因而对其检测更困难；NRCS库中的图像本身含有丰富的噪声，并且经过下采样处理，其数据相关性减弱故检测性能较低．NRCS＿80图像库因JPEG压缩的低通滤波效应，去掉了图像的高频噪声，使得图像位平面的相关性增强，其检测性能较好．3．3 不同算法性能比较将本文算法记为S5与常见4种典型的隐写分析算法S1至S4进行比较：S1：Wang等人所提短重码统计方法［11］，共1维特征；S2：Huang等人所提相邻像素灰度级变化率方法［9］，共1维特征；S3：Ker等人所提校准直方图和邻接直方图质心方法［3］，共2维特征；S4：Cancelli等人所提2维直方图局部极值方法［6］，共10维特征；S5：本文方法（Proposed），在B＝4，τ′＝1时，据式（19）共提取20维特征．实验中统计以上5种算法在嵌入率50%时CAMERA，UCID两个实验库上各自的ROC曲线以及性能指标，如图5和表4所示．图5和表4结果表明：同一图像库上，本文方法检测性能优于其他4种方法（如表4中粗体数字），5个评价指标提高幅度均在10%以上．检测性能提高的原因是所提特征对图像区域随机性的有效刻画以及特征维数的增加．Fig．5 ROC curves of five steganalysis algorithms on different databases．图5 不同图像库上5种检测算法的ROC曲线比较Table 4 Comparison of Detection Performance of Five Steganalysis Algorithms on Different Databases with Rate 50%表4 嵌入率50%时不同图像库上各算法的检测性能比较Database Algorithm AUC TP＿E/% FP＿80/% FP＿50/% Min＿E/%S1 0．65 60．56 56．70 32．10 38．17 S2 0．73 68．05 44．23 18．46 30．91 CAMERA S3 0．73 68．35 47．75 17．03 31．29 S4 0．77 69．23 36．15 21．96 26．59 S5 0．90 80．73 18．71 6．45 17．05 S1 0．58 54．61 66．67 40．61 42．53 S2 0．55 52．71 74．46 43．68 45．58 UCID S3 0．64 62．52 58．05 27．80 36．91 S4 0．68 61．66 53．22 29．42 35．66 S5 0．84 74．05 29．96 12．11 24．244 结束语针对当前图像隐写分析中LSB匹配隐写检测这一难点问题，将图像区域内容随机性分析与隐写检测相结合，提取对数字隐写敏感的图像区域随机性度量特征进行隐写检测．实验结果表明该方法能有效减小各图像库之间统计特性差异对检测性能的影响，与常见典型算法相比，检测性能进一步提高．此外，该方法适用于检测图像空域像素和频域系数的LSB隐写，具有较好的通用性．然而，在图像噪声较大和嵌入信息量不足的情况下，本文方法存在一定的误检率和漏检率．因此如何依据图像区域统计特性，建立更加有效的隐写分析方案将是下一步的改进方向．参考文献［1］ Sharp T．An implementation of key－based digital signal steganography ［G］ //LNCS 2137： Proc of the 4th Information Hiding Workshop．Berlin：Springer，2001：13－26［2］ Harmsen J J，Pearlman W A．Steganalysis of additive noise modelable information hiding［C］//Proc of SPIE Security and Wartermarking of Multimedia Contents V．Bellinghan，WA：SPIE，2003：131－142［3］ Ker A D．Steganalysis of LSB matching in grayscale images ［J］．IEEE Signal Processing Letters，2005，12（6）：441－444［4］ Li Xiaolong，Zeng Tieyong，Yang Bin．A further study on steganalysis of LSB matching by calibration ［C］//Proc of IEEE Int Confon Image Processing．Piscataway，NJ：IEEE，2008：2072－2075［5］ Zhang Jun，Cox I，Doёrr G．Steganalysis for LSB matching in images with high－frequency noise ［C］//Proc of IEEE Workshop on Multimedia Signal Processing．Piscataway，NJ：IEEE 2007：385－388 ［6］ Cancelli G，Doёrr G，Cox I，et al．Detection of ±1LSB steganography based on the amplitude of histogram local extrema［C］//Proc of IEEE Int Conf on Image Processing．Piscataway，NJ：IEEE，2008：1288－1291［7］ Zhang Tao，Zhang Yan，Li Wenxiang，et al．Steganalysis of LSB matching exploiting correlations between pixel differences ［J］． Journal of Computer Research and Development，2009，46（Suppl）：143－146（in Chinese）（张涛，张彦，李文祥，等．基于像素差分相关性的LSB匹配隐写分析［J］．计算机研究与发展，2009，46（增刊）：143－146）［8］ Pevny T，Bas P，Fridrich J．Steganalysis by subtractive pixel adjacency matrix［J］．IEEE Trans on Information Forensics and Security，2010，5（2）：215－224［9］ Huang Fangjun，Li Bin，Huang Jiwu．Attack LSB matching steganography by counting alteration rate of the number of neighbourhood gray levels［C］//Proc of IEEE Int Conf on Image Processing．Piscataway，NJ：IEEE，2007：401－404［10］ Liu Qingzhong，Sung A H，Chen Zhongxue，et al．Feature mining and pattern classification for steganalysis of LSB matching steganography in grayscale images ［J］．Pattern Recognition，2008，41（1）：56－66［11］ Wang Guoxin，Ping Xijian，Xu Mankun，et al．Steganalytic method based on short and repeated sequence distance statistics ［J］．Science in China Series F：Information Sciences，2008，51（10）：1466－1474［12］ Wang Ran，Ping Xijian，Zheng Ergong．Steganalysis of LSB matching based on local smoothness of histogram ［J］．Journal ofApplied Sciences，2012，30（1）：96－104 （in Chinese）（汪然，平西建，郑二功．基于直方图局部平滑度的LSB匹配隐写分析［J］．应用科学学报，2012，30（1）：96－104）［13］ Rukhin A，Soto J，Nechvatal J，et al．A statistical test suite for random and pseudorandom number generators for cryptographic applications，800－22［R］．Gaithersburg：The National Institute of Standards and Technology，2001：14－62［14］ Schaefer G，Stich M．UCID—An uncompressed colour imag database ［C］//Proc of SPIE Int Conf on Storage and Retrieval Methods and Application for Multimedia．Bellinghan，WA：SPIE，2004：472－480［15］Doёrr G．Image database for steganalysis studies［DB/OL］．［2010－05－27］．http：//www．cs．ucl．ac．uk/staff/I．Cox/Content/Downloads．html［16］ USDA．NRCS photo gallery ［DB/OL］．［2010－10－18］．http：//photogallery．nrcs．usda．gov。

基于二阶差分Markov特征的LSB匹配隐写检测

基于二阶差分Markov特征的LSB匹配隐写检测作者：赵艳丽李争艳来源：《计算机应用》2012年第12期摘要：针对安全性较高的最不重要位（LSB）匹配隐写算法，通过计算待检测图像像素水平和垂直方向的二阶差分，得到二阶差分矩阵并将其作为敏感特征提取源，提取差分矩阵的二阶Markov转移概率矩阵作为特征，提出了一种隐写检测算法。

实验结果表明：与基于一阶差分Markov转移概率矩阵的算法相比，该算法在保证检测较高正确率的情况下，在很大程度上提高了算法的检测速度，增强了算法的性能和实用性。

关键词：最不重要位匹配；隐写检测；二阶差分；Markov 特征中图分类号： TP309文献标志码：ALSB matching steganalysis based on second-order differential-based Markov featureZHAO Yan-li*， LI Zheng-yanCollege of Computer and Information Technology， Nanyang Normal University， Nanyang Henan 473061， ChinaAbstract：In this paper， the author put forward a Least Significant Bit （LSB） matching steganalytic algorithm. Through calculating the second-order differential of the image pixels on horizontal and vertical directions， the differential matrix was obtained and it was used as sensitive feature extracting source and the second-order Markov transformation matrix of the differential matrix was extracted as the features， according to the LSB matching steganography with high security. According to the experimental result shows that the algorithm proposed in the paper speedups the detection process in a large extent and enhances the performance and practicability of the steganalytic algorithm while maintaining high detection accuracy， compared with the algorithms based on first-order differential Markov transition probability matrix.英文关键词Key words：Least Significant Bit （LSB） matching； steganalysis； second-order differential； Markov feature0 引言目前，在数字图像隐写中，基于空域和频域隐写的研究最为广泛。

lsb隐写方法

lsb隐写方法LSB隐写技术详解什么是LSB隐写？LSB隐写全名为最低有效位（Least Significant Bit）隐写，是一种数字隐写技术。

它通过将秘密信息嵌入到数字媒体文件中，而不会引起明显的视觉或听觉变化。

最低有效位指的是像素值最右边的位，因为它对图像的感知变化最小。

嵌入秘密信息的方法1.LSB替换法在LSB隐写中，最常见的方法是利用最低有效位将秘密信息的二进制值直接替换到数字媒体文件（如图片或音频）的像素值或采样值中。

通过将秘密信息分割为一系列比特，并将其插入到图像或音频中不相关的位置，可以隐藏信息。

2.LSB匹配法除了替换法以外，还有一种方法叫做LSB匹配法。

这种方法使用像素值中的最低有效位来嵌入秘密信息，但是只在满足一定条件下进行替换。

例如，当像素的最低有效位为0时，接下来的三个像素的最低有效位从左到右依次也必须都为0，才能将秘密信息的比特嵌入其中。

3.LSB匹配与差异法LSB匹配与差异法是一种结合了LSB替换和LSB匹配的隐写方法。

它使用了部分随机性，以减少嵌入信息所引起的视觉和听觉变化。

首先通过LSB匹配法判断哪些像素可以嵌入信息，然后再使用替换法将秘密信息嵌入剩余的像素中。

提取秘密信息的方法•根据LSB替换法提取通过逐个获取像素值或采样值的最低有效位，并将其重组成二进制序列，就可以提取嵌入其中的秘密信息。

•根据LSB匹配法提取提取LSB匹配法嵌入的秘密信息需要根据规则进行匹配。

通过判断像素值最低有效位的变化，可以确定出哪些像素中嵌入了秘密信息。

•根据LSB匹配与差异法提取LSB匹配与差异法的提取过程相对复杂，并需要通过解密算法来提取嵌入的秘密信息。

具体步骤涉及像素排序、提取信息比特、解密等过程。

应用与风险LSB隐写技术有着广泛的应用，例如数字水印、信息隐藏、版权保护等。

它可以对信息进行隐藏保护，并且对原始文件的影响较小。

然而，LSB隐写技术也存在一些风险。

一旦秘密信息被发现，攻击者可能利用LSB隐写技术进行信息窃取、篡改甚至破坏。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

分，得到二阶差分矩阵并将其作为敏感特征提取源，提取差分矩阵的二阶 Markov 转移概率矩阵作为特征，提出了一种隐写检测算法。实验结果表明：与基于一阶差分 Markov 转移概率矩阵的算法相比，该算法在保证检测较高正确率的情况下，在很大程度上提高了算法的检测速度，增强了算法的性能和实用性。关键词：最不重要位匹配；隐写检测；二阶差分； Markov 特征中图分类号： TP309 文献标志码：A
LSB matching steganalysis based on secondorder differentialbased Markov feature
ZHAO Yanli ， LI Zhengyan
( College of Computer and Information Technology， Nanyang Normal University， Nanyang Henan 473061 ， China)
*
Abstract: In this paper， the author put forward a Least Significant Bit ( LSB) matching steganalytic algorithm． Through calculating the secondorder differential of the image pixels on horizontal and vertical directions， the differential matrix was obtained and it was used as sensitive feature extracting source and the secondorder Markov transformation matrix of the differential matrix was extracted as the features， according to the LSB matching steganography with high security． According to the experimental result shows that the algorithm proposed in the paper speedups the detection process in a large extent and enhances the performance and practicability of the steganalytic algorithm while maintaining high detection accuracy， compared with the algorithms based on firstorder differential Markov transition probability matrix． Key words: Least Significant Bit ( LSB) matching; steganalysis; secondorder differential; Markov feature
0
引言
目前，在数字图像隐写中，基于空域和频域隐写的研究最
［1 ］
和相邻局部极值差值作为特征提取源，提取其直方图统计特 8］征进行分类检测。文献［使用小波变换对载体图像进行估，典型的隐写方法计，通过提取估计图像与待检测图像多个直方图特征的比值 9］以 8 邻域像素作为特征向量对 LSB 匹配进行检测。文献［提出了基于与中心像素的差值作为局部像素之间的相关性， 10］通过在 8 个方向上计算区域相关性的检测方法。文献［并分别计算各方向的 Markov 空域相邻像素之间的差值矩阵，转移概率矩阵作为特征，提出了基于相邻像素差值矩阵（ Subtractive Pixel Adjacency Matrix， SPAM ）的盲检测方法，能够有效检测 LSB 匹配隐写。尽管在 LSB 匹配隐写检测方面已存在一些研究成果，然而，绝大多数检测正确率较低，尤其是对低嵌入率更低。文献［ 10］方法是目前为止针对 LSB 匹配隐写检测率较高的方法，然而，该方法所提取的特征维数较高，在实际检测中不免会影响检测效率。本文通过在提取特征时对图像进行预处理，提，，取较低维数的特征在保持检测正确率的同时提高隐写检测算法的效率，以提高实用性。
为广泛。基于空域隐写的研究起步较早
LSB ）替换隐写、如最不重要位（ Least Significant Bit，加减 K （ Plus or Minus K，PMK）隐写、 MLSB 替换隐写等。基于频域 F5 、 Outguess、基于模型（ Model的典型隐写方法有 Jsteg、 Based，MB）、干扰量化（ Perturbed Quantization，PQ ）等。本文以空域隐写为对象，研究设计相应的隐写分析方法。 LSB 替换隐写出现较早，由于其简单易用而被广泛使用，然而，它虽，。保持了图像的视觉特性却对其统计特性造成了破坏基于此，出现了较多精度较高的隐写分析方法，如能够估计信息嵌入比率的正则组和奇异组（ Regular and Signaler，RS ）、样本对 SPA）、分析（ Sample Pair Analysis，差值图像直方图（ Difference Image Histogram，DIH）、加权隐密（ Weighted Stego，WS ）等方法。因此，研究者对其进行了改进，提出了如最不重要多位（ Multiple LSB， MLSB）、 PMK 等隐写算法。其中， PMK 隐写当 K = 1 时即为 LSB 匹配隐写［2 － 3］，针对 LSB 替换隐写的检测方法对其失效，目前针对该方法的高效检测方法较少。 4］通针对 LSB 匹配隐写的检测方面，已有方法有：文献［ 5］中基于特征函数质心的盲检测方法进行改进，过对文献［ 6］基提出了针对灰度图像 LSB 匹配隐写的检测方法。文献［ LSB ，于匹配隐写将会对图像局部极值噪声影响的特点提出 7］基于相邻像素差值了一种 LSB 匹配隐写检测方法。文献［
基于二阶差分 Markov 特征的 LSB 匹配隐写检测
赵艳丽，李争艳
( 南阳师范学院计算机与信息技术学院，河南南阳 473061) ( * 通信作者电子邮箱 15839972900@ 126． com)
*
摘
要：针对安全性较高的最不重要位（ LSB）匹配隐写算法，通过计算待检测图像像素水平和垂直方向的二阶差
Journal of Computer Applications 计算机应用，2012，32( 12) : 3415 － 3417 文章编号： 1001 － 9081 （ 2012 ） 12 － 3415 － 03
ISSN 1001-9081 CODEN JY / / www． joca． cn doi： 10． 3724 / SP． J． 1087． 2012． 03415