失配情况下数字图像隐写分析方法研究
发布时间：2021-10-16 02:31
隐写术作为一种保障信息安全的新型手段,在过去二十几年的研究和应用中得到了广泛的关注。作为隐写术的对手—隐写分析同样也得到了长足的发展,其在维护商业信息和国家安全方面发挥重要的作用,具有很高的应用价值和学术意义。目前,隐写分析主要通过机器学习的分类方法实现,学术界已经在实验室环境下取得了良好的检测效果,然而在面对复杂的实际环境应用时却存在如图像源、隐写算法、嵌入率等不匹配问题。这种分类器的训练数据与实际检测数据的不匹配会明显地降低隐写分析的性能。本文提出了两种方法,分别缓解由图像源失配和隐写算法失配引起的隐写分析能力下降。（1）论文提出了一种离线方法,通过匹配与测试图像具有近似或相同图像源的图像来解决图像源不匹配问题。首先,设计一组频率特征Ns ND（Non-stego noise distribution）特征来描述图像源的噪声分布,其不包括隐写术引起的噪声。然后,基于设计的Ns ND特征,提出了一种相似图像源匹配方法。在此方法中使用JS（Jensen-Shannon）散度来测量测试图像与包含多种图像源的大型图像库中的图像之间的相似度,并匹配最相似的图像组成测试图像的训练集。本方法在四...
【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】：76 页
【学位级别】：硕士
【部分图文】：
图像隐写与隐写分析模型
第二章相关基础知识7一般流程。图2.2自适应隐写算法框架Fig2.2Theframeworkofadaptivesteganographyalgorithm对于S-UNIWARD和HILL算法，它们都是通过失真函数将修改像素的成本与每个像素相关联。更明确的说，对于一个给定的载体图像X，令(X)为图像中的像素矩阵，其每一个元素代表相应像素增加或减少1的成本。根据像素在(X)中的值对像素进行排名，可以计算出一组像素，其修改会引起最小的可检测性。例如，S-UNIWARD的失真函数U定义为：311),(mkUkkXKXK==+(2.1)其中，表示边缘填充的卷积乘积，mkK是将Kk旋转0180后的结果，kK中1≤k≤3是Daubechies-8小波核的三个滤波方向，而σ是稳定常数。应当注意的是，乘法逆是按元素应用的。当且仅当在三个方向上小波系数有较大变化时，()UX的元素才很校最后，HILL隐写方案的失真函数H基于卷积积的组合。但是，与S-UNIWARD的失真函数U相反，此函数组合了一个高通滤波器1H和两个低通滤波器1L和2L。更准确地说，H定义为：21111211(),where242,121HXLHXHL==(2.2)其中1L，2L分别是3×3和5×5的均值矩阵。2.1.2自适应图像隐写分析在传统的隐写分析工作中，人们通常使用一个只有几十个维度统计特征作为载密图像的统计特征。其中，典型的统计特征有：直方图特征函数质心[43]，基于
合肥工业大学硕士学位论文8小波系数分析的概率密度函数矩阵[44]，小波特征函数的统计矩阵[45]，空域奇异值分解特征[46]，共生矩阵统计[47,48]和马尔可夫转移概率矩阵[49]。但是，随着图像隐写术的不断发展，新提出的隐写术算法可以保持更复杂的图像统计特征，这常常使基于低维统计特征的隐写分析方法失败。为了与更高级的自适应隐写算法作斗争，隐写分析所采用图像统计特征已逐渐向更大的维度和更高的复杂性方向发展[50-52]。不过，不论是基于深度学习的方式还是基于人工手动特征方式的隐写分析方法，都可以总结为如图2.3所示的框架，从图中可以看出基于人工隐写分析一般需要两个步骤分别为特征提取和分类器训练，而基于深度学习的网络是端到端的系统，只需输入足够的训练集图像即可，减少了对“人”的精力的消耗以及经验的依赖。图2.3基于手工方式与基于深度学习方式的隐写分析对比Fig2.3Thecomparisonoftraditionalmachine-learningbasedsteganalysisanddeep-learningbasedsteganalysisSRM[32]即为一种能够获得更丰富的图像统计特性的隐写特征。不管哪种隐写算法，其本质相当于改变图像的某些像素的数值以嵌入秘密信息。因此获得图像的残差是提高隐写信号与图像噪声以及图像纹理信息比值有效方法。图像残差的计算方法见式（2.3）：(),ijijijijR=XNcX（2.3）
本文编号：3438976
【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】：76 页
【学位级别】：硕士
【部分图文】：
图像隐写与隐写分析模型
第二章相关基础知识7一般流程。图2.2自适应隐写算法框架Fig2.2Theframeworkofadaptivesteganographyalgorithm对于S-UNIWARD和HILL算法，它们都是通过失真函数将修改像素的成本与每个像素相关联。更明确的说，对于一个给定的载体图像X，令(X)为图像中的像素矩阵，其每一个元素代表相应像素增加或减少1的成本。根据像素在(X)中的值对像素进行排名，可以计算出一组像素，其修改会引起最小的可检测性。例如，S-UNIWARD的失真函数U定义为：311),(mkUkkXKXK==+(2.1)其中，表示边缘填充的卷积乘积，mkK是将Kk旋转0180后的结果，kK中1≤k≤3是Daubechies-8小波核的三个滤波方向，而σ是稳定常数。应当注意的是，乘法逆是按元素应用的。当且仅当在三个方向上小波系数有较大变化时，()UX的元素才很校最后，HILL隐写方案的失真函数H基于卷积积的组合。但是，与S-UNIWARD的失真函数U相反，此函数组合了一个高通滤波器1H和两个低通滤波器1L和2L。更准确地说，H定义为：21111211(),where242,121HXLHXHL==(2.2)其中1L，2L分别是3×3和5×5的均值矩阵。2.1.2自适应图像隐写分析在传统的隐写分析工作中，人们通常使用一个只有几十个维度统计特征作为载密图像的统计特征。其中，典型的统计特征有：直方图特征函数质心[43]，基于
合肥工业大学硕士学位论文8小波系数分析的概率密度函数矩阵[44]，小波特征函数的统计矩阵[45]，空域奇异值分解特征[46]，共生矩阵统计[47,48]和马尔可夫转移概率矩阵[49]。但是，随着图像隐写术的不断发展，新提出的隐写术算法可以保持更复杂的图像统计特征，这常常使基于低维统计特征的隐写分析方法失败。为了与更高级的自适应隐写算法作斗争，隐写分析所采用图像统计特征已逐渐向更大的维度和更高的复杂性方向发展[50-52]。不过，不论是基于深度学习的方式还是基于人工手动特征方式的隐写分析方法，都可以总结为如图2.3所示的框架，从图中可以看出基于人工隐写分析一般需要两个步骤分别为特征提取和分类器训练，而基于深度学习的网络是端到端的系统，只需输入足够的训练集图像即可，减少了对“人”的精力的消耗以及经验的依赖。图2.3基于手工方式与基于深度学习方式的隐写分析对比Fig2.3Thecomparisonoftraditionalmachine-learningbasedsteganalysisanddeep-learningbasedsteganalysisSRM[32]即为一种能够获得更丰富的图像统计特性的隐写特征。不管哪种隐写算法，其本质相当于改变图像的某些像素的数值以嵌入秘密信息。因此获得图像的残差是提高隐写信号与图像噪声以及图像纹理信息比值有效方法。图像残差的计算方法见式（2.3）：(),ijijijijR=XNcX（2.3）
本文编号：3438976
本文链接：https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3438976.html
