摘要：盲检测分析是图像信息隐藏分析算法的一个重要部分，其关键就是选取对隐藏过程比较敏感的合适的特征统计量和合适的检测分类器。本文提出了基于神经网络的图像盲检测算法，为实现盲检测的目的，在空域中提取差分直方图n阶矩，在DWT域内提取了小波系数直方图n阶特征矩作为特征统计量，并输入神经网络，进行分类。实验仿真表明，该方法基本能够实现盲检测的目的，检测率较高。
关键词：信息隐藏；图像隐藏分析；盲检测；BP神经网络；

1 信息隐藏分析概述
    信息隐藏技术作为一种密写技术（steganography），是伪装式保密通信的一个重要分支。它把通信内容嵌入到图像、视频、声音或其它数字媒体中进行传输，以达到保密通信的目的。图1表示了目前大 多数信息隐藏的嵌入和提取过程。信息隐藏主要分为两部分：隐藏技术和隐藏分析技术（steganalysis）。隐藏技术主要研究如何向载体中嵌入秘密信息，进行秘密通信；隐藏分析技术则主要研究对隐写信息的检测、破解或者对载密图像进行处理从而破坏嵌入信息，阻止秘密通信。近年来，针对信息隐藏和隐藏分析技术取得很大的进展，尤其是基于图像的信息隐藏和检测技术。很多文献都针对具体隐藏算法作了重点的研究，产生了各种隐
藏分析技术。
   总体来讲，现代信息隐藏分析技术可以分为两大类：一个是针对具体的隐藏算法的分析；另一类则是盲检测算法。目前，大多数的研究都仍然放在前一种，因为该类的隐藏分析算法具有很强的针对性，故检测率较高。但是，如果出现新的隐藏算法，该检测算法就无效了。而盲检测算法与前一种的最大区别就是当满足一定的假设条件后，它可以针对
一系列隐藏算法进行检测，具有通用性。本文提出基于神经网络的隐藏分析模型。为了实现盲检测的目的，分别从图像的空域和DWT域中提取统计量，作为神经网络的输入，进行训练和检测。

2  盲检测特征提取
    盲检测所提取的特征必须最具有“鉴别”能力，
能够对图像的变化相当敏感，而不依赖于原始图像。目前，已经提出了各种检测隐藏信息的检测算法，如通过检测LSB为平面的随机性，相邻像素灰度值的梯度能量，变换域系数的方差等等统计量来检测信息的存在性。一般来讲，很难从某个单独域中提取出的统计量来检测基于各种域的隐藏算法。通常都是从各种不同域内提取统计量进行综合，从而使盲检测算法对于空间域和变换域的信息隐藏算法都具有有效性。考虑到信息隐藏技术大多数都是空域LSB以及扩展频谱等主体算法，本文分别从空间域和DWT域提取特征统计量。
   从原始模拟图像到数字图像，要经过采样、量化和编码等一系列步骤，在这些处理过程中会带来各种各样的噪声，许多隐藏算法都是基于此原理来进行信息的掩密。目的是将嵌入信息进行处理，伪装成数字图像中的自然噪声，添加到图像中去。本文所提检测系统的的前提是基于加性噪声模型基础上，即假设嵌入信息为服从零均值正态分布的加性噪声，且与载体图像独立。
2.1 空间域的特征提取——差分直方图k阶矩
   LSB算法是空间域内主要的隐藏算法，包括LSB连续嵌入或者随机LSB替换。由文献[2]可知，图像的差分直方图D=ln(I(i,j))-ln(I(i,j+1))服从广义拉普拉斯分布

 图2、图3是原始图像和载密图像的差分直方图，对差分直方图进行拉普拉斯拟合，可以看出，图像在嵌入信息后，差分直方图的质心降低，拟合曲线比原来变得平坦，可以利用这个统计差异提取出图像在空域内的特征统计量。定义图像差分直方图的k阶矩（质心）可以表示为
                             

 其中，N为直方图的长度。
 根据概率统计的相关知识，随机变量的矩反映了随机变量的集中位置，所以，空间域内采用差分直方图k阶矩，作为特征统计量是符合要求的，满足隐藏分析时对特征统计量的“敏感性”要求。本文取差分直方图二阶矩（共2个统计量）作为空间域特征统计量。

2.2 DWT域的特征提取——小波子带特征函数n阶矩
    目前的很多信息隐藏分析算法都是检测图像灰度值或者转换域系数（如DCT）等的一阶统计特性分布，但是，本文选取DWT域内的高阶统计量，原因在于通过对大量图像的实验可知，当秘密信息嵌入载体图像后，这些高阶统计特性就会发生重大改变，最重要的是通过提取DWT域内的高阶统计量进行的检测算法对于那些针对一阶统计特性设计的隐写算法具有很有效的攻击性[3]。
一般都认为图像灰度值以及图像多分辨率小波分解后的子带系数均为随机变量。Farid[3]指出，图像在多分辨率小波分解之后，存在显著地高阶统计特性，嵌入信息前后会发生明显的变化。图4、图5分别为.原始图像和嵌入信息后的载密图像的尺度为2的水平小波系数直方图，由图中很明显可以看出，嵌入信息后，图像小波系数直方图变得平坦。因此，可以通过求图像多分辨率小波分解的子带系数直方图，得到小波直方图特征函数[5]。

与图像灰度直方图类似，小波系数直方图也反映了小波系数的概率分布。设x[n]为图像灰度直方图或小波系数直方图，对其进行DFT变换：
                           
其中，N为直方图的长度，              
特征函数的n阶矩表示为：
                             

根据离散Chebyshev不等式[7(pp.239-240)]，小波子带直方图特征函数的n阶矩在嵌入信息后也会减小。多分辨率小波子带特征函数矩能够很好的反映图像密写前后统计特性的变化。因此，利用图像直方图特征函数矩和小波子带直方图特征函数矩作为特征向量，完全满足特征提取的要求。本文对图像进行2级小波分解，小波子带特征函数二阶矩（共16个统计量）作为DWT域内的特征统计量。    
3  基于神经网络检测隐藏信息
     很多文献中的盲检测分类器都是线性分类器，单纯用线性判别函数对于获得最小误差率还是显得不够，势必影响分类的精确性。而神经网络具有不错的模拟非线性的能力。对于信息隐藏过程比较
敏感的统计量，网络将赋予较高的权值系数，反之，则赋予较低的权值系数。通过对图像的训练样本数据分析可知，图像的信息隐藏是一个非线性过程，使用线性分类器势必影响分类的精确性。而神经网络具有不错的模拟非线性的能力。本文采取神经网络中比较经典的BPNN（Backpropagation Neural Network）算法，它是1986年由Rumelhart等人提出的一种能向着满足给定的输入输出关系方向进行自组织的前溃型神经网络。该方法是基于误差提取下降准则的一种自然延伸。BP网络一般由输入层、隐含层和输出层组成，各层间实行全连接。当输出层上的实际输出与给定的输出不一致时，修正各层间的权值，直至最终给定的输入输出关系为止。功能强大，反向传播训练也十分简单。采用三层网络结构：输入层（16+2=18个节点），隐含层（20个节点）和输出层（1个节点）。在网络的训练过程中，最重要的问题是网络的收敛速度。为了加速收敛和防止振荡，采用了改进的BP算法，即引入附加动量项，采用动量——自适应学习法调整网络参数。附加动量法就是在每个加权调节量上加上一项正比于前次加权变化量的值（动量项），并根据逆传播法产生新的权值变化。加入动量项后，促使权值的调节向误差区面底部的平均方向变化，从而防止产生大的震荡，即动量起到缓冲平滑的作用。初始冲量值为0.3，初始学习速率为0.7。动量值的自适应调整公式如下：

4 实验结果及分析
    实验采用的自然图像来自图库[8]，图片的平均尺寸为1000*1500，均为JPEG彩色图片。为方便仿真，实验中每幅彩色图片均转化为8比特的灰度图像（灰度值=0.299R+0.587G+0.114B）。实验中，采用以下几种软件和技术1）Cox水印技术[8]；2）Photoshop水印插件[9]；3）BDV Data Hider软件；4）ImageHide2004软件；5）Stools软件。这几种技术或软件在因特网上应用比较广泛，易获取，是流行密写技术或软件的代表，且均符合加性噪声模型。
为了能够测试算法性能，实验中采用文献[6]的方法，仿真分为两阶段：第一阶段利用本文算法对不同软件分别进行训练和检测，结果如表1所示；第二阶段利用本文算法对各种软件交叉混合地进行训练和检测，结果如表2、表3所示（表中bpp指嵌入率，表示图片每像素平均嵌入信息的比特数）。

5  结束语
     本文提出了基于神经网络的图像盲检测算法，通过图像隐写信息后在空域和变换域中的统计特性的变化，利用神经网络模拟非线性的特征，对图像隐藏信息与否进行检测。仿真实验表明本文所提出的算法总体性能较好，基本上能够检测基于加性噪声模型的各种密写技术和软件，对于未知隐写算法也能够进行检测，具有一定的灵活性。
 参 考 文 献
 [1] Wen-Nung Lie and Guo-Shiang Lin, A Feature-Based Classification Technique for Blind Image Steganalysis, IEEE Transaction on multimedia,  VOL7, NO.6, December 2005
 [2] Huang JG, Mumford D. Statistics of natural images and models. In: Proc. of the IEEE Int’l. Conf. on Computer Vision and Pattern Recognition’99, Vol I. Ft. Collins: IEEE Computer Society, 1999. 1541~1547.
 [3] H.Farid, Detecting hidden messages using higher-order statistical models, in Proc. IEEE International Conference on Image Processing, Rochester, NY, Sept. 20–23, 2002, pp. 23–23.
 [4] J.J.Harmsen and W.A.Pearlman, Steganalysis of Additive Noise Modelable Information Hiding, SPIE/IS&T Electronic Imaging 2003, Proceeding SPIE Vol.5022, Jan.2003
 [5] Guorong Xuan, Yun Q.Shi, Jianjiong Gao, Dekun Zou, Chengyun Yang, Steganalysis based on multiple features formed by statistical moments of wavelet characteristic functions”  M. Barni et al.(Eds.): IH 2005, LNCS 3727,pp. 262-277,2005 springer-verlag Berlin Heidelberg 2005
 [6] I. Avcibas, N. Memon, and B. Sankur: Steganalysis Using Image Quality Metrics, in E.Delp et al. (eds.): Proc. SPIE Electronic Imaging, Security and Watermarking of MultimediaContents II, vol. 4314, pp. 523–531, 2001.
 [7] D. S. Mitrinovic, J. E. Pecaric and A. M. Fink: Classical and New Inequalities in Analysis. The Netherlands. Kluwer Academic Publishers (1993)
[8] http://philip.greenspun.com