针对JPEG图像重压缩的盲隐写分析_赵世为

1322010年11月刊计算机工程应用技术信息与电脑 China Computer&Communication

引言随着网络技术的发展和数字时代的来临，网络中信息的隐藏技术逐渐成为信息安全研究的热点，作为信息隐藏技术的一个重要分支，数字隐秘技术成为众多科研人员十分关注的研究方向。JPEG图像是一种在网络中非常流行而且被广泛使用的图像文件格式。用它作为信息隐藏的载体在网络上进行秘密通信具有很强的隐蔽性，所以针对JPEG图像的隐写与隐写分析受到了许多专家学者的重视。现阶段针对图像的隐写分析技术有很多，但其中专用隐写分析比较常见，比如针对LSB位嵌入信息的攻击[1]，针对BPCS隐写的隐写分析[2]，还有针对YASS隐写的隐写分析方法等[3]。由于很难找到一种或几种特征同时适用于多种隐写方法，所以通用隐写分析难度较大，现有的检测方法效果也不太理想。本文针对JPEG图像重压缩隐写算法，设计了一种检测方法，取得了较好的效果。1. 隐秘检测的分类设计目前，比较常用的隐写算法主要有：Jsteg、MB1、MB2、JPHide&Seek、Outguess、F5等。其中Outguess和F5算法较为特殊，它们是先将JPEG图像进行解压缩，而后在嵌入消息时又进行了重压缩，利用这两种算法压缩时，质量因子的默认值分别为75和80。由此，可将这六种算法分为两大类，即单压缩算法与重压缩算法。文献[4]中将重压缩隐写图像与载体图像、单压缩图像分开，但为了使分类更加细化，本文主要分为两大类，如下图所示： 图12. 特征提取及盲检测算法设计根据模型，首先要检测图像是否经过重压缩，文献[5]中已经阐述了对于质量因子估计的详细过程，这里要强调一点，若质量因子为75或80，只能怀疑该图像是经过OutGuess或F5隐写的图像，也有可能该图像是载体图像或经过单压缩的隐写图像，所以还需要进一步进行分析。下面主要介绍图像经过重压缩检测之后，对其进行的特征提取和分类，来判断其是否是经过隐写的图像。根据Jessica Fridrich和Tomas Pevny经典方法[6]，现实对原始图像

统计特性的估计。首先对待检测图像进行解压缩、裁剪，再用与相同的量化表进行重压缩，得到原始图像的估计图像。F5算法[7]会增加DCT系数中0的个数，而且会轻微减少所有非零

系数的个数，由此破坏了DCT系数直方图统计特性，假设DCT系数服从广义高斯分布，则经过F5隐写后的图像与载体图像相比，DCT系数直方图的方差会变小，其差分直方图的方差也会变小[8]，所以选择差

分直方图作为隐写分析特征之一。设载体图像和隐密图像的DCT系数直方图方差分别为和，

、，其中、分别为载体图像和隐写图

像的DCT系数总和。隐写前后直方图差异为，其中为原始图像

直方图，为经过裁剪之后图像的直方图。

隐写前后差分直方图差异为：。由于F5算法与Outguess算法都破坏了图像的连续性，所以，分别

对块内与块间进行扫描，建立马尔可夫模型，取高维特征。由于JPEG图像的DCT系数大部分能量集中在低频部分，所以，根据文献[9]中的方法，并加以改进，取低频中m=21个系数进行实验。

实验中所采用的图像大小为，则每幅图像的子块总数为： 。首先对块内进行Zigzag扫描，如下所示：

针对JPEG图像重压缩的盲隐写分析赵世为 潘晓中 武警工程学院电子技术系网络与信息安全武警部队重点实验室，陕西 西安 710086摘要：将JPEG图像隐写算法分为两大类，即单压缩隐写算法与重压缩隐写算法。针对JPEG重压缩隐写方法，将直方图特征与马尔可夫模型相结合，所选特征输入到贝叶斯分类器，对实验图像进行分类，达到了较好的效果。关键词：JPEG图像；重压缩；隐写分析；马尔可夫模型；贝叶斯分类器中图分类号：TP391 文献标识码：A 文章编号：1003-9767（2010）11-0132-02133

2010年11月刊计算机工程应用技术信息与电脑 China Computer&Communication

这样可得到一马尔可夫链，再根据此构造马尔可夫矩阵。再对块间进行扫描，扫描方式分为行扫描、列扫描两种：

例如图2经过DCT变换并量化后其中一块系数如下：

图2经过Zigzag扫描，取前21个系数可得：[1169,4,0,0,-2,2,-1,1,-2,0,-1,0,1,1,1,0,0,1,0,0,0]，为减少马尔可夫矩阵的维数，这里取阀值T=9，则马尔可夫链为：[11,4,0,0,-2,2,-1,1,-2,0,-1,0,1,1,1,0,0,1,0,0,0]，由此可生成马尔可夫矩阵得（只列出部分）：

由于该马尔可夫矩阵为对称矩阵，所以只取上三角元素作为特征，同前面所述差分直方图特征一同输入到贝叶斯分类器。

3. 分类器设计选择高斯模式类的贝叶斯分类器[10]，其判别函数为：

，此判别函数在将错误分类的平均失效率降到最低的能力方面是最佳的。其中，是类出现的概率，、分别为均值和方差，，。

4. 实验设计实验采用大小为 的图像，共5000幅，2000幅用来训练，400幅为原始图像，800幅为OutGuess嵌入信息后图像，800幅为F5嵌入信息后图像；再用3000幅来进行测试，其中1000幅为原始图像，1000幅为OutGuess嵌入信息后图像，1000幅为F5嵌入信息后图像。经过实验和

计算，OutGuess和F5对于所选图像的满嵌容量分别为2.5k和5k左右，所以，在进行实验时，分别对图像嵌入满嵌容量5%、10%、20%、30%的伪随机序列。实验结果见表3。

表3 嵌入量嵌入算法5%10%20%30%

OutGuess67%71%82%95%

F565%70%81%91%

5. 结束语本文采用直方图与马尔可夫模型相结的特征，对载体图像与隐写图像进行分类，运用贝叶斯分类器进行分类，达到了较好的效果，其中还有一些不足之处，如方案中某些细节还有待完善，检测效果还有待提高等等，这些都会在以后的工作中进行改进。

参考文献：[1] Andreas Westfeld Andreas Pfitzmann.Attacks on Steganographic Systems Breaking the Steganographic Utilities EzStego,Jsteg, Steganos,and S-Tools—and Some Lessons Learned[R]. Dresden:Dresden University of Technology Department of Computer Science.[2] 武嘉,张茹,钮心忻,杨义先.针对BPCS隐写的隐写分析法[J].北京邮电大学学报,2009,第32卷,第4期:113-121.[3] 刘洪,王建军.一种新的YASS的隐写分析方法[J].复旦学报:自然科学版,2009,第48卷,第4期: 443-450.[4] Tomas Pevny and Jessica Fridrich.Multi-Class Detector of Current Steganographic Methods for JPEG Format[EB/OL].http://www.ws.binghamton.edu/fridrich.[5] J.Fridrich and J.Lukas. Estimation of primary quantization matrix in double compressed JPEG images[R].2003.In Digital Forensic Research Workshop.[6] J. Fridrich. Feature-based steganalysis for JPEG images and its implications for future design of steganographic schemes.2005.Information Hiding,6th International Workshop,volume 3200 of Lecture Notes in Computer Science.[7] Andreas Weatfeld.F5—A Steganographic Algorithm High Capacity Despite Better Steganalysis [R].2001.Dresden:Technische Universiat Dresden, Institute for System Architecture.[8] 侯毅刚,芦竺丰,平西建,张涛.基于多特征的F5隐写分析算法[R].信息工程大学学报,2008,第9卷,第3期:314-318.[9] 童学锋,滕建忠,宣国荣,崔霞.基于马尔可夫模型的JPEG图像隐写分析[R].计算机工程,2008,第34卷,第23期:217-223.[10] Rafael C. Gonzalez, Richard E. Woods Digital Image Processing[M].北京:北京电子工业出版社,2007.

作者简介: 赵世为(1985－),男,硕士研究生,主要研究领域为信息隐藏与检测;潘晓中(1964－),男,硕士,教授,硕士研究生导师,主要研究领域为: 网络与信息安全。