基于空域和DWT 域特征的工程图隐写分析*

刘昌鑫 欧阳春娟 郭 鸣 唐卫东

（井冈山大学计算机科学系，江西 吉安 343009）

AutoCAD 是当前最为流行的工程图设计软件，广泛应用于机械、电子、建筑、航天和纺织等制造业领域。为了保护设计的工程图形的版权，目前提出了一些针对工程图的信息隐藏方法［1］，但是专门针对工程图的隐藏检测的研究相对很少。

图像隐写分析是检测给定的载体图像中是否含有隐藏信息。图像隐藏盲检测由于不需要原始载体图像的信息，通过分析隐写图像的特征，利用分类器区分出载体图像和隐写图像，因此图像隐藏盲检测方法适用性更强，已经成为目前隐写分析的研究热点。Farid等［2］提取DCT 域中的小波高阶统计量作为特征，采用Fisher 线性分类器进行分类，利用小波子带系数抽取72 个高阶统计量作为特征，取得了一定的检测效果。Avcibas［3］使用回归分析法对隐写前后的图像质量进行分析，从而区分未隐藏信息的载体图像和隐藏信息的载密图像。Fridrich［4］提出了针对JPEG 图像的通用隐写分析方法，提取23 个对数据隐写比较敏感的特征，实验中取得很好的效果，但是特征提取算法比较复杂，运算量大。Wen -Nung Lie［5］分别从空域和DCT域提取像素的梯度能量和Laplacian 参数作为特征量，对BMP 图像有较好的检测效果。

上面的图像隐藏盲检测方法都是使用标准图像库的图像，专门针对AutoCAD 工程图的检测方法很少涉及。本文采用常用的Farid 提出的高阶统计量和空域的图像梯度能量作为特征，把所有选择的特征输入SVM 训练分类，实验结果显示该方法也能够检测图像是否隐藏信息。

1 特征提取

1.1 空域图像特征的提取

文献［5］提取图像的梯度能量作为空域特征来进行盲检测。对于一幅N ×M 大小的图像，设图像的像素值为I（x，y），则图像能量定义为

梯度能量反映了局部区域像素值变化的大小和方向，梯度的大小反映了像素值变化的快慢，梯度的方向反映了区域内像素变化的趋势。数据嵌入后图像的梯度能量增加，导致相邻像素值之间的偏离度变化，所以可以将梯度能量作为空域特征。基于梯度能量的图像空域特征f1计算如下：

（1）计算垂直梯度能量GEV

其中NH和NW分别代表兴趣区域（ROI）的宽度和高度，I（x，y）表示在（x，y）位置的像素值。

（2）计算水平梯度能量GEH

（3）计算总梯度能量f1

1.2 DWT 域特征的提取

文献［2］对每个图像进行n 级Haar 小波分解，各级分解的3 个垂直、水平和对角子带用Vi（x，y）、Hi（x，y）和Di（x，y）表示，其中i 为小波分解的尺度。对小波分解后每层的垂直、水平和对角子带系数分别计算均值、方差、偏斜度、峰值4 个高阶统计量，共得到4×3 ×（n-1）维小波子带系数高阶统计量，这些特征标识了小波分解后各子带系数的分布特性。

由于图像小波分解子带各方向和各层间小波系数具有相关性，可以利用小波系数的线性预测误差分别计算对角、垂直和水平子带的误差，得到一组小波域特征值。第i 层小波垂直子带系数的线性预测误差模型用式（5）表示，其中wk为权重。

式（5）用矩阵形式表示为

其中，V 是所有系数Vi（x，y）组成的列向量；矩阵Q 为式（6）相邻系数组成的列向量；w=（w1，…，w7）T。由式（6）可得向量V 的均方误差为

为了使线性预测误差最小，对式（7）求导后令其等于零，可求出w 向量为

得到线性预测误差为

同理可以计算出水平子带和对角子带的线性预测误差。依次对水平、垂直和对角子带的线性预测误差系数计算均值、方差、偏斜度和峰值4 个高阶统计量。高阶统计量对嵌入信息很敏感。

2 实验结果与分析

选择AutoCAD 工程图作为载体图像，对载体图像进行预处理，图像格式转化为JPEG 图像，图像的大小为1207 ×533，如图1 所示。采用JSteg Shell 2.0 隐写工具，隐藏图像是大小为64 ×64 的二值图像。实验结果显示隐藏信息后的图像（图略）与原图一样，人眼无法区别。

随机选择多幅载体图像，使用隐写工具Jsteg 分别以0.2，0.5，0.7 的嵌入率在载体图像中嵌入隐密信息，得到相应的含密图像。含密图像用于训练和测试。对图像进行3 级小波分解，每层3 个子带LH、HL 和HH，分别对每层的每个子带求4 个高阶统计量（均值、方差、偏斜度和峰值），可得到36 个小波子带系数高阶统计特征值。利用小波线性预测误差可以得到另外36 个特征值。加上图像的梯度能量特征值，总共73个特征值。实验采用SVM（Support Vector Machine）［6］来分类图片，72 维输入，核函数为RBF，输出即为判断待检测工程图是否含有隐藏信息的一维向量数据。实验显示采用本文算法和SVM 分类器，可以区分载体工程图和载密工程图。

3 结语

虽然采用小波域高阶统计量和图像梯度能量作为特征，可以检测出含密工程图是否含有隐藏信息，但是由于CAD 图形相对于JPEG 图像具有数据冗余小、容易受到攻击等特点，本文算法并没有考虑CAD 图形独特性，同时提取72 维特征，运算量也较大。因此，必须开发更有效的检测算法，判断CAD 图形中是否含有隐藏信息。

［1］彭飞，孙星明.一种利用HVS 与标注特征的2 维工程图信息隐藏算法［J］.中国图象图形学报，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.