SRM(空域富模型隱寫分析)
1.引言
圖像隱寫是將秘密信息按照一定的規律嵌入到載體圖像中，生成含密圖像，使得秘密信息傳輸難以被人察覺。傳統的空域隱寫算法LSB[1]或者JPEG域圖像隱寫方法Outgess[2]、nsF5[3]等，他們通過修改空域或DCT域系數，將二進制比特流嵌入到圖像中。然而這樣的隱寫算法難以抵擋SRM[4]、DCTR[5]等方法的攻擊。
為抵抗隱寫分析者的檢測，隱寫算法的設計者在設計隱寫算法時引入STC編碼方法[6]及嵌入失真函數[7]，將秘密信息嵌入到圖像中難以被統計建模的位置，而這些位置大多為紋理復雜度較高的區域，如HUGO[8]、WOW[9]、UNIWARD[10]等方法。為了針對此類自適應隱寫算法，基於DCTR的SCA-DCTR[11]隱寫分析方法也相應產生，此方法是由DCTR加入對於像素嵌入概率的估計，從而使得針對自適應隱寫方式有着較高的檢測准確率。但是基於SRM隱寫分析方法卻沒有類似的方式提高其對於自適應隱寫算法的分析准確率。
其中SRM是一種准確度較高的空域高維度圖像特征，通過各種濾波器對圖像進行濾波處理后得到相應的特征量。然而SRM只考慮的像素點及其相鄰位置像素的相關性，並沒有考慮圖像的紋理特征，沒有對隱寫時的未知進行預測，故在對於自適應隱寫方法進行分析的時候對於准確率會有一定的降低。針對此問題，本文在SRM特征上進行一定的改進，將其與圖像的紋理特征進行快速結合，使其對於自適應隱寫算法進行隱寫分析時准確率有所提高。
2.空域富模型
SRM是於2012年由Fridrich等人提出的一種高維度的空域隱寫分析圖像特征，是一種傳統的通用隱寫分析方法。通用隱寫分析是不針對一種隱寫算法的隱寫分析方法，其步驟是通過提取已知圖像的統計特征訓練分類器，再利用訓練好的分類器判別未知圖像是否含密，隱寫分析的步驟如圖1所示。其中特征提取及分類器訓練為傳統通用隱寫分析中較為重要的步驟，SRM即為一種建模的特征。
在文獻[4]中指出，SRM隱寫分析特征的抽取步驟分為：提取殘差圖像、殘差圖像的量化及截斷、提取共生矩陣。
2.1 提取殘差圖像
由於圖像隱寫是將二進制比特流嵌入到載體圖像的空域或JPEG域中，等同於是將一個微弱的噪聲與載體圖像加，生成一個含密圖像。這樣將噪聲疊加進來就會改變原始圖像中相鄰像素的相關性，殘差圖像亦然，故使用殘差圖像作為特征抽取的基底，這樣可以減少圖像內容對於隱寫分析特征抽取的影響。
2.2 提取共生矩陣生成特征
殘差圖像中一個像素點的幅值越大，則說明該像素點對應於領域像素的相關性較弱，由於殘差圖像中每個像素點的幅度各不相同，首先對圖像進行量化及截斷，希望能夠將殘差圖像的范圍限定在某一個區間，這樣能夠降低之后步驟的計算量。其量化及截斷的步驟如下：
上式中Q為量化因子，T為截斷閱值，\({trunc}_{T}\)表示截斷，\({round()}\)表示取整。根據不同的量化因子及截斷閥值，可以改變SRM的檢測性能，本文中取Q=1，T=2。
共生矩陣是統計某一距離上的一類像素的數量。由量化截斷后的殘差圖像提取共生矩陣，得到的共生矩陣即為SRM最終想要抽取的隱寫分析特征。所提取共生矩陣階數的大小會直接影響特征抽取的結果，階數過高會使得特征的統計無意義；階數如果過低，又會使得特征不夠豐富，降低分析准確率。本文中提取殘差圖像的四階共生矩陣作為隱寫分析特征，且Q = 1，T=2，在文獻中被稱作SRMQ1，即Q=1，T=2，d=4。
- 缺點：SRM無法對圖像的紋理信息進行辨識，遺漏了圖像的紋理信息。
圖像共生矩陣
這個矩陣反應的是相鄰像素之間的關系，相鄰可以是橫向的相鄰像素，縱向的相鄰，也能夠是斜方向的像素。
從這個矩陣可以看出一些邊緣，紋理 分布相關的信息。矩陣對角線的元素越大，一般而言，圖像越平滑。因為大部分是像素相似的像素對。
矩陣的大小根據像素最大最小值計算，但是一般還是256 * 256 大小的矩陣。矩陣描述如下：
X[i,j]=sum(像素A為i像素，像素B為j像素)這種情況的像素對的數量
直接把RGB輸入到了共生矩陣生成。變為了6通道的RGB x（橫 + 豎），即3x2=6 的共生矩陣。
本文的輸出為圖像是否經過篡改的二分類。 所以直接把像素的具體空間信息消除了。對於像素級的篡改檢測，這個共生矩陣 的作用不大。但是基於塊的方法感覺還是可以使用的。