基于空域和DWT 域特征的工程圖隱寫分析*

劉昌鑫 歐陽春娟 郭 鳴 唐衛東

（井岡山大學計算機科學系，江西 吉安 343009）

AutoCAD 是當前最為流行的工程圖設計軟件，廣泛應用于機械、電子、建筑、航天和紡織等制造業領域。為了保護設計的工程圖形的版權，目前提出了一些針對工程圖的信息隱藏方法［1］，但是專門針對工程圖的隱藏檢測的研究相對很少。

圖像隱寫分析是檢測給定的載體圖像中是否含有隱藏信息。圖像隱藏盲檢測由于不需要原始載體圖像的信息，通過分析隱寫圖像的特征，利用分類器區分出載體圖像和隱寫圖像，因此圖像隱藏盲檢測方法適用性更強，已經成為目前隱寫分析的研究熱點。Farid等［2］提取DCT 域中的小波高階統計量作為特征，采用Fisher 線性分類器進行分類，利用小波子帶系數抽取72 個高階統計量作為特征，取得了一定的檢測效果。Avcibas［3］使用回歸分析法對隱寫前后的圖像質量進行分析，從而區分未隱藏信息的載體圖像和隱藏信息的載密圖像。Fridrich［4］提出了針對JPEG 圖像的通用隱寫分析方法，提取23 個對數據隱寫比較敏感的特征，實驗中取得很好的效果，但是特征提取算法比較復雜，運算量大。Wen -Nung Lie［5］分別從空域和DCT域提取像素的梯度能量和Laplacian 參數作為特征量，對BMP 圖像有較好的檢測效果。

上面的圖像隱藏盲檢測方法都是使用標準圖像庫的圖像，專門針對AutoCAD 工程圖的檢測方法很少涉及。本文采用常用的Farid 提出的高階統計量和空域的圖像梯度能量作為特征，把所有選擇的特征輸入SVM 訓練分類，實驗結果顯示該方法也能夠檢測圖像是否隱藏信息。

1 特征提取

1.1 空域圖像特征的提取

文獻［5］提取圖像的梯度能量作為空域特征來進行盲檢測。對于一幅N ×M 大小的圖像，設圖像的像素值為I（x，y），則圖像能量定義為

梯度能量反映了局部區域像素值變化的大小和方向，梯度的大小反映了像素值變化的快慢，梯度的方向反映了區域內像素變化的趨勢。數據嵌入后圖像的梯度能量增加，導致相鄰像素值之間的偏離度變化，所以可以將梯度能量作為空域特征。基于梯度能量的圖像空域特征f1計算如下：

（1）計算垂直梯度能量GEV

其中NH和NW分別代表興趣區域（ROI）的寬度和高度，I（x，y）表示在（x，y）位置的像素值。

（2）計算水平梯度能量GEH

（3）計算總梯度能量f1

1.2 DWT 域特征的提取

文獻［2］對每個圖像進行n 級Haar 小波分解，各級分解的3 個垂直、水平和對角子帶用Vi（x，y）、Hi（x，y）和Di（x，y）表示，其中i 為小波分解的尺度。對小波分解后每層的垂直、水平和對角子帶系數分別計算均值、方差、偏斜度、峰值4 個高階統計量，共得到4×3 ×（n-1）維小波子帶系數高階統計量，這些特征標識了小波分解后各子帶系數的分布特性。

由于圖像小波分解子帶各方向和各層間小波系數具有相關性，可以利用小波系數的線性預測誤差分別計算對角、垂直和水平子帶的誤差，得到一組小波域特征值。第i 層小波垂直子帶系數的線性預測誤差模型用式（5）表示，其中wk為權重。

式（5）用矩陣形式表示為

其中，V 是所有系數Vi（x，y）組成的列向量；矩陣Q 為式（6）相鄰系數組成的列向量；w=（w1，…，w7）T。由式（6）可得向量V 的均方誤差為

為了使線性預測誤差最小，對式（7）求導后令其等于零，可求出w 向量為

得到線性預測誤差為

同理可以計算出水平子帶和對角子帶的線性預測誤差。依次對水平、垂直和對角子帶的線性預測誤差系數計算均值、方差、偏斜度和峰值4 個高階統計量。高階統計量對嵌入信息很敏感。

2 實驗結果與分析

選擇AutoCAD 工程圖作為載體圖像，對載體圖像進行預處理，圖像格式轉化為JPEG 圖像，圖像的大小為1207 ×533，如圖1 所示。采用JSteg Shell 2.0 隱寫工具，隱藏圖像是大小為64 ×64 的二值圖像。實驗結果顯示隱藏信息后的圖像（圖略）與原圖一樣，人眼無法區別。

隨機選擇多幅載體圖像，使用隱寫工具Jsteg 分別以0.2，0.5，0.7 的嵌入率在載體圖像中嵌入隱密信息，得到相應的含密圖像。含密圖像用于訓練和測試。對圖像進行3 級小波分解，每層3 個子帶LH、HL 和HH，分別對每層的每個子帶求4 個高階統計量（均值、方差、偏斜度和峰值），可得到36 個小波子帶系數高階統計特征值。利用小波線性預測誤差可以得到另外36 個特征值。加上圖像的梯度能量特征值，總共73個特征值。實驗采用SVM（Support Vector Machine）［6］來分類圖片，72 維輸入，核函數為RBF，輸出即為判斷待檢測工程圖是否含有隱藏信息的一維向量數據。實驗顯示采用本文算法和SVM 分類器，可以區分載體工程圖和載密工程圖。

3 結語

雖然采用小波域高階統計量和圖像梯度能量作為特征，可以檢測出含密工程圖是否含有隱藏信息，但是由于CAD 圖形相對于JPEG 圖像具有數據冗余小、容易受到攻擊等特點，本文算法并沒有考慮CAD 圖形獨特性，同時提取72 維特征，運算量也較大。因此，必須開發更有效的檢測算法，判斷CAD 圖形中是否含有隱藏信息。

［1］彭飛，孫星明.一種利用HVS 與標注特征的2 維工程圖信息隱藏算法［J］.中國圖象圖形學報，2009，14（6）：1102 -1107.

［2］H.Farid.Detecting hidden messages using higher-order statistical models［C］// Proc.Of IEEE International Conference on Image Processing，New York，2002，2：905 -908.

［3］I.Avcibas，N.Memon，B.Sankur.Steganalysis using image quality metrics［C］//Proc.SPIE Electronic Imaging，Security and Watermarking of Multimedia Contents II，2001，4314：523 -531.

［4］J.Fridrich.Feature-based steganalysis for JPEG images and its implications for future design of steganographic schemes［C］//6th Information Hiding Workshop，LNCS，Springer-Verlag，2004，3200：67 -81.

［5］W.N.Lie，G.S.Lin.A feature -based classification technique for blind image steganalysis［J］.IEEE Transaction on Multimedia，2005，7（6）：1007 -1020.

［6］C.C.Chang，C.J.Lin，LIBSVM -a library for support vector machines，http：//www.csie.ntu.edu.tw/～cjlin/libsvm.