劉昌鑫 歐陽(yáng)春娟 郭 鳴 唐衛(wèi)東

（井岡山大學(xué)計(jì)算機(jī)科學(xué)系，江西 吉安 343009）

AutoCAD 是當(dāng)前最為流行的工程圖設(shè)計(jì)軟件，廣泛應(yīng)用于機(jī)械、電子、建筑、航天和紡織等制造業(yè)領(lǐng)域。為了保護(hù)設(shè)計(jì)的工程圖形的版權(quán)，目前提出了一些針對(duì)工程圖的信息隱藏方法［1］，但是專門針對(duì)工程圖的隱藏檢測(cè)的研究相對(duì)很少。

圖像隱寫分析是檢測(cè)給定的載體圖像中是否含有隱藏信息。圖像隱藏盲檢測(cè)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(qū)分出載體圖像和隱寫圖像，因此圖像隱藏盲檢測(cè)方法適用性更強(qiáng)，已經(jīng)成為目前隱寫分析的研究熱點(diǎn)。Farid等［2］提取DCT 域中的小波高階統(tǒng)計(jì)量作為特征，采用Fisher 線性分類器進(jìn)行分類，利用小波子帶系數(shù)抽取72 個(gè)高階統(tǒng)計(jì)量作為特征，取得了一定的檢測(cè)效果。Avcibas［3］使用回歸分析法對(duì)隱寫前后的圖像質(zhì)量進(jìn)行分析，從而區(qū)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(duì)JPEG 圖像的通用隱寫分析方法，提取23 個(gè)對(duì)數(shù)據(jù)隱寫比較敏感的特征，實(shí)驗(yàn)中取得很好的效果，但是特征提取算法比較復(fù)雜，運(yùn)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(shù)作為特征量，對(duì)BMP 圖像有較好的檢測(cè)效果。

上面的圖像隱藏盲檢測(cè)方法都是使用標(biāo)準(zhǔn)圖像庫(kù)的圖像，專門針對(duì)AutoCAD 工程圖的檢測(cè)方法很少涉及。本文采用常用的Farid 提出的高階統(tǒng)計(jì)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(xùn)練分類，實(shí)驗(yàn)結(jié)果顯示該方法也能夠檢測(cè)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(xiàn)［5］提取圖像的梯度能量作為空域特征來(lái)進(jìn)行盲檢測(cè)。對(duì)于一幅N ×M 大小的圖像，設(shè)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(qū)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(qū)域內(nèi)像素變化的趨勢(shì)。數(shù)據(jù)嵌入后圖像的梯度能量增加，導(dǎo)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(jì)算如下：

（1）計(jì)算垂直梯度能量GEV

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

（2）計(jì)算水平梯度能量GEH

（3）計(jì)算總梯度能量f1

1.2 DWT 域特征的提取

文獻(xiàn)［2］對(duì)每個(gè)圖像進(jìn)行n 級(jí)Haar 小波分解，各級(jí)分解的3 個(gè)垂直、水平和對(duì)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(duì)小波分解后每層的垂直、水平和對(duì)角子帶系數(shù)分別計(jì)算均值、方差、偏斜度、峰值4 個(gè)高階統(tǒng)計(jì)量，共得到4×3 ×（n-1）維小波子帶系數(shù)高階統(tǒng)計(jì)量，這些特征標(biāo)識(shí)了小波分解后各子帶系數(shù)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(shù)具有相關(guān)性，可以利用小波系數(shù)的線性預(yù)測(cè)誤差分別計(jì)算對(duì)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(shù)的線性預(yù)測(cè)誤差模型用式（5）表示，其中wk為權(quán)重。

式（5）用矩陣形式表示為

其中，V 是所有系數(shù)Vi（x，y）組成的列向量；矩陣Q 為式（6）相鄰系數(shù)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(yù)測(cè)誤差最小，對(duì)式（7）求導(dǎo)后令其等于零，可求出w 向量為

得到線性預(yù)測(cè)誤差為

同理可以計(jì)算出水平子帶和對(duì)角子帶的線性預(yù)測(cè)誤差。依次對(duì)水平、垂直和對(duì)角子帶的線性預(yù)測(cè)誤差系數(shù)計(jì)算均值、方差、偏斜度和峰值4 個(gè)高階統(tǒng)計(jì)量。高階統(tǒng)計(jì)量對(duì)嵌入信息很敏感。

2 實(shí)驗(yàn)結(jié)果與分析

選擇AutoCAD 工程圖作為載體圖像，對(duì)載體圖像進(jìn)行預(yù)處理，圖像格式轉(zhuǎn)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(shí)驗(yàn)結(jié)果顯示隱藏信息后的圖像（圖略）與原圖一樣，人眼無(wú)法區(qū)別。

隨機(jī)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(yīng)的含密圖像。含密圖像用于訓(xùn)練和測(cè)試。對(duì)圖像進(jìn)行3 級(jí)小波分解，每層3 個(gè)子帶LH、HL 和HH，分別對(duì)每層的每個(gè)子帶求4 個(gè)高階統(tǒng)計(jì)量（均值、方差、偏斜度和峰值），可得到36 個(gè)小波子帶系數(shù)高階統(tǒng)計(jì)特征值。利用小波線性預(yù)測(cè)誤差可以得到另外36 個(gè)特征值。加上圖像的梯度能量特征值，總共73個(gè)特征值。實(shí)驗(yàn)采用SVM（Support Vector Machine）［6］來(lái)分類圖片，72 維輸入，核函數(shù)為RBF，輸出即為判斷待檢測(cè)工程圖是否含有隱藏信息的一維向量數(shù)據(jù)。實(shí)驗(yàn)顯示采用本文算法和SVM 分類器，可以區(qū)分載體工程圖和載密工程圖。

3 結(jié)語(yǔ)

雖然采用小波域高階統(tǒng)計(jì)量和圖像梯度能量作為特征，可以檢測(cè)出含密工程圖是否含有隱藏信息，但是由于CAD 圖形相對(duì)于JPEG 圖像具有數(shù)據(jù)冗余小、容易受到攻擊等特點(diǎn)，本文算法并沒有考慮CAD 圖形獨(dú)特性，同時(shí)提取72 維特征，運(yùn)算量也較大。因此，必須開發(fā)更有效的檢測(cè)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(biāo)注特征的2 維工程圖信息隱藏算法［J］.中國(guó)圖象圖形學(xué)報(bào)，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.