当前位置:主页 > 科技论文 > 软件论文 >

面向数字图像的隐写分析方法研究

发布时间:2023-01-31 04:54
  信息隐藏是通过将秘密信息隐藏在多媒体载体中而不损坏载体质量的技术。由此可以实现在公开信道中传输秘密信息而不被第三方所察觉。与之相对应的是隐写分析技术,通过对载体文件进行统计特征分析判别该文件是否含有秘密信息。随着信息技术的发展,信息隐藏技术从最初的LSB位隐写发展到了目前的自适应隐写,安全性得到了大大提高。同时相应的隐写分析技术也出现了针对性的检测手段,从传统的特征构造机器学习方法到深度学习隐写分析方式。近年来多媒体文件在互联网中传输和交换愈发频繁,隐写载体的选择越来越多,图像成为了目前使用最多的多媒体类型。本文以空域图像和JPEG域图像作为隐写分析对象,进行相关的隐写分析研究:首先,本文提出一种针对空域图像的深度学习隐写分析网络。本文对空域图像的传统特征构造方式进行研究,借鉴噪声残差的量化截断过程,为了得到更有效的特征构造范围,提出了基于自适应参数调整的激活函数PTLU以及自适应量化Q层,通过神经网络的学习进行超参数调整。此外,考虑在自适应隐写过程中采用图像纹理位置作为嵌入点的特性,提出了基于残差特征金字塔结构构造多尺度特征的方式,构建隐写分析网络,同时可以以可视化的方式指导网络的训... 

【文章页数】:72 页

【学位级别】:硕士

【文章目录】:
摘要
ABSTRACT
1.绪论
    1.1 研究背景与意义
    1.2 国内外研究现状
    1.3 主要研究内容
    1.4 论文主要工作与结构
2.相关内容介绍
    2.1 .图像隐写方法简介
        2.1.1 .空域图像自适应隐写算法
        2.1.2 .JPEG域图像自适应隐写算法
    2.2 .图像隐写分析方法简介
        2.2.1 .空域图像隐写分析算法
        2.2.2 .JPEG域图像隐写分析算法
    2.3 .卷积神经网络
    2.4 .本章小结
3.空域图像的深度学习隐写分析方法研究
    3.1 .空域图像自适应隐写特性
        3.1.1 .空域隐写图像分析
        3.1.2 .空域图像特征局限性分析
    3.2 .自适应参数调整
        3.2.1 .隐写分析激活函数
        3.2.2 .自适应参数调整激活函数
    3.3 .针对空域图像的隐写分析框架
        3.3.1 .模型网络总体架构
        3.3.2 .残差特征金字塔
        3.3.3 .模型可视化分析
    3.4.实验
        3.4.1 .实验数据
        3.4.2 .实验相关配置
        3.4.3 .实验结果及分析
    3.5 .本章小结
4.JPEG域图像的深度学习隐写分析方法研究
    4.1 .JPEG域图像自适应隐写特性
        4.1.1 .JPEG域隐写图像分析
        4.1.2 .JPEG特征局限性分析
    4.2 .校准图像模块
        4.2.1 .块效应特征处理
        4.2.2 .Xception基础模块介绍
    4.3 .针对JPEG域图像的隐写分析框架
        4.3.1 .模型网络总体架构
        4.3.2 .模型各模块解析
        4.3.3 .模型可视化分析
    4.4.实验
        4.4.1 .实验数据
        4.4.2 .实验相关配置
        4.4.3 .实验结果及分析
    4.5 .本章小结
5.通用隐写分析模型方法研究
    5.1 .通用隐写分析模型特性
    5.2 .基于支持向量的分类模型
        5.2.1 .支持向量机
        5.2.2 .支持向量单类分类器
    5.3 .通用隐写分析模型构建
        5.3.1 .算法模型构建
        5.3.2 .模型复杂度分析
    5.4.实验
        5.4.1 .实验数据
        5.4.2 .实验相关配置
        5.4.3.平衡数据实验
        5.4.4.不平衡数据实验
    5.5 本章小结
6.总结
    6.1 工作总结
    6.2 工作展望
参考文献
攻读硕士学位期间发表的学术论文
致谢


【参考文献】:
期刊论文
[1]基于KFD指标聚类的高隐蔽性JPEG隐写分析[J]. 黄炜,赵险峰,盛任农.  计算机学报. 2012(09)
[2]一种快速支持向量机分类算法的研究[J]. 刘向东,陈兆乾.  计算机研究与发展. 2004(08)



本文编号:3733732

资料下载
论文发表

本文链接:https://www.wllwen.com/kejilunwen/ruanjiangongchenglunwen/3733732.html


Copyright(c)文论论文网All Rights Reserved | 网站地图 |

版权申明:资料由用户c72b4***提供,本站仅收录摘要或目录,作者需要删除请E-mail邮箱bigeng88@qq.com