基于深度学习的JPEG图像自适应隐写分析研究

发布时间：2021-05-25 10:41

　　随着互联网以及信息技术的不断发展,政府、企业以及个人越来越依赖图像、视频等数字媒体来进行消息的获取和传递,而隐写术可以将某些秘密信息隐藏于正常载体之中进行传输,从而掩盖秘密信息的存在。JPEG图像是目前网络上最常见的图像格式,也是信息传输过程中应用最为广泛的数字媒体。因此JEPG图像隐写分析在维护国家安全,保护商业机密以及个人隐私等方面具有重要的战略意义。本文围绕JPEG图像隐写分析问题进行研究,为面向JEPG图像自适应隐写的分析检测提供更有效的方法。目前,传统的隐写分析方法大多依赖于人工设计的特征,而随着自适应隐写方法的应用,隐写分析的特征越来越复杂,其维度也越来越高,导致人工设计的难度日益增加。深度学习近年来在诸多模式识别领域里取得了巨大的成功,并逐渐应用在了图像隐写分析领域。但在已有的基于CNN的隐写分析结构中,网络结构大多单一,未能突破CNN结构本身所带来的尺度相对单一的限制。而且,当前基于深度学习的隐写分析模型基本都是CNN结构,很少有复杂的混合网络模型,没有将不同的神经网络的优势结合起来应用到隐写分析研究中。针对上述问题,本文展开以下方面研究:首先,由于残差网络能够通过加深... 

【文章来源】：合肥工业大学安徽省 211工程院校 教育部直属院校

【文章页数】：68 页

【学位级别】：硕士

【文章目录】：
致谢
摘要
abstract
第一章 绪论
    1.1 研究背景及意义
    1.2 国内外研究现状
        1.2.1 隐写算法
        1.2.2 传统隐写分析
        1.2.3 基于深度学习的自适应隐写分析方法
        1.2.4 LSTM模型
    1.3 主要研究内容
    1.4 课题来源与内容组织
        1.4.1 课题来源
        1.4.2 内容组织
第二章 相关基础知识
    2.1 图像隐写方法
        2.1.1 自适应隐写算法
        2.1.2 J-UNIWARD算法
    2.2 图像隐写分析方法
        2.2.1 基于人工设计特征的隐写分析算法
        2.2.2 基于深度学习的隐写分析
    2.3 长时短时记忆网络(LSTM)
第三章 基于卷积神经网络的JPEG域自适应隐写分析
    3.1 残差网络与并行网络的结合
    3.2 针对JPEG域自适应隐写的复合深度学习框架
        3.2.1 网络模型的预处理层
        3.2.2 模型的总体结构
        3.2.3 RC-CNN网络结构
        3.2.4 RCR-CNN网络结构
    3.3 实验结果与分析
        3.3.1 数据源
        3.3.2 实验准备与相关配置
        3.3.3 混合模型中的参数的设置
        3.3.4 实验结果评价指标
        3.3.5 网络规模的对比
        3.3.6 RCR-CNN和 RC-CNN的有效性
        3.3.7 并行子网结构的有效性
    3.4 本章小结
第四章 基于LSTM和 CNN的新型混合神经网络模型
    4.1 混合网络模型的必要性
    4.2 基于LSTM和 CNN的混合网络总体结构
    4.3 CNN与 LSTM的结合方式
    4.4 LSTM结构
        4.4.1 双向LSTM
        4.4.2 LSTM的内部结构
    4.5 实验结果与分析
        4.5.1 数据源
        4.5.2 实验准备与相关配置
        4.5.3 混合模型中的参数的设置
        4.5.4 实验结果评价指标
        4.5.5 混合模型的有效性
        4.5.6 RCR-CNN网络模型的改进
    4.6 本章小结
第五章 总结与展望
    5.1 总结
    5.2 展望
参考文献
攻读硕士学位期间的学术活动及成果情况



本文编号：3205196