基于二阶差分Markov特征的LSB匹配隐写检测

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于二阶差分Markov特征的LSB匹配隐写检测范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

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：A

lsb matching steganalysis based on second-order differential-based Markov feature

ZHAO Yan-li*， LI Zheng-yan

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 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 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为广泛。基于空域隐写的研究起步较早[1]，典型的隐写方法如最不重要位（Least Significant Bit，LSB）替换隐写、加减K（Plus or Minus K， PMK）隐写、MLSB替换隐写等。基于频域的典型隐写方法有Jsteg、F5、Outguess、基于模型（Model-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）、样本对分析（Sample Pair Analysis， SPA）、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。

针对LSB匹配隐写的检测方面，已有方法有：文献[4]通过对文献[5]中基于特征函数质心的盲检测方法进行改进，提出了针对灰度图像LSB匹配隐写的检测方法。文献[6]基于LSB匹配隐写将会对图像局部极值噪声影响的特点，提出了一种LSB匹配隐写检测方法。文献[7]基于相邻像素差值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征进行分类检测。文献[8]使用小波变换对载体图像进行估计，通过提取估计图像与待检测图像多个直方图特征的比值作为特征向量对LSB匹配进行检测。文献[9]以8邻域像素与中心像素的差值作为局部像素之间的相关性，提出了基于区域相关性的检测方法。文献[10]通过在8个方向上计算空域相邻像素之间的差值矩阵，并分别计算各方向的Markov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。

1 相关工作

本章首先对LSB匹配隐写的嵌入策略进行介绍，然后介绍文献[10]所提取的高阶统计特征。

1.1 LSB匹配隐写

LSB替换隐写中，若嵌入比特与像素的LSB不同，则用信息比特替换LSB，可表示为：