图像自适应隐写的失真函数演化方法研究

发布时间：2021-09-29 00:59

　　信息技术的发展与互联网的进步使网络交互变得日趋便利与频繁,关于军事、政治、金融、商业等对国家、企业或个人而言十分敏感的信息大量充斥在网络交互中。为了确保数据的安全,通常使用加密技术,将明文隐秘消息编码成无意义的密文,但这个行为本身带来了潜在隐患,暴露了隐秘信息的存在,从而引来攻击。而具有传输行为“伪装性”的数字信息隐藏技术,能够在保障传输信息的内容安全的同时,也使得传输信息的行为难以被感知。作为信息隐藏技术的重要组成部分,图像自适应隐写技术在信息安全的保障中发挥了重要作用,该技术通过对载体图像元素定义合理的失真,选择合适的载体元素嵌入秘密消息。然而随着高维特征自适应隐写分析与深度学习隐写分析技术的快速发展,图像自适应隐写面临了新的挑战,传统单一形式的失真函数已不再能满足隐写的安全性要求,因此研究图像自适应隐写的失真函数演化方法,以进一步提高隐写的抗检测能力,具有重要的意义和价值。提升图像自适应隐写的抗检测能力需要解决三个关键问题,一是打破隐写算法本身的单一性,二是干扰高维特征自适应隐写分析的针对性检测,三是对抗深度学习隐写分析的高效学习能力。围绕这三个关键问题,本文研究了图像自适应隐写... 

【文章来源】：中国科学技术大学安徽省 211工程院校 985工程院校

【文章页数】：144 页

【学位级别】：博士

【部分图文】：

010年美俄间谍案新闻报道

自适应隐写分析通常会在高概率修改的载体位置提取特征，实准确率的检测，而对于深度学习隐写分析而言，这种确定的失真函数本身就个学习对象。深度学习网络强大的学习能力能够准确学习到失真函数的定式，准确找到载密图像中修改点的位置，从而有效提取特征，进行分类识别为了对抗这种高强度的检测分析，一些开创性的工作被提出［８５，８６］。Ｓｈｉ［８５人利用生成对抗网络ＧＡＮ?（Ｇｅｎｅｒａｔｉｖｅ?Ａｄｖｅｒｓａｒｉａｌ?Ｎｅｔｗｏｒｋｓ）生成的方式，ＧＯ失真函数作为输入，通过判决器，在噪声Ｎ的基础上生成了服从ＨＵＧＯ率分布的失真样本，形成了修改模式不固定的新失真函数。生成对抗网络??发自博弈论中的二人零和博弈（ｔｗｏ－ｐｌａｙｅｒｇａｍｅ），ＧＡＮ模型中的两个博弈别由生成式模型（ｇｅｎｅｒａｔｉｖｅ?ｍｏｄｅｌ）和判别式模型（ｄｉｓｃｒｉｍｉｎａｔｉｖｅ?ｍｏｄｅｌ）。生成模型捕捉样本数据Ｘ的分布，用服从某一分布（均匀分布，高斯分）的噪声Ｚ生成一个类似真实训练数据的样本Ｎ，追求效果是越像真实样本；判别模型是一个二分类器，估计一个样本来自于训练数据（而非生成数概率，如果样本来自于真实的训练数据，判别模型输出大概率，否则，判别输出小概率。基于生成对抗网络的隐写失真函数生成模型如图１．４所示。??

１．４论文体系结构??本学位论文围绕失真函数的演化方法，着重开展四个研究内容，学位论文共??分为七章，论文体系安排与各研宄点之间的关联如图１．５所示。本学位论文各章??９??


本文编号：3412886