隨著互聯(lián)網(wǎng)以及信息技術(shù)的不斷發(fā)展,政府、企業(yè)以及個(gè)人越來(lái)越依賴圖像、視頻等數(shù)字媒體來(lái)進(jìn)行消息的獲取和傳遞,而隱寫術(shù)可以將某些秘密信息隱藏于正常載體之中進(jìn)行傳輸,從而掩蓋秘密信息的存在。JPEG圖像是目前網(wǎng)絡(luò)上最常見的圖像格式,也是信息傳輸過程中應(yīng)用最為廣泛的數(shù)字媒體。因此JEPG圖像隱寫分析在維護(hù)國(guó)家安全,保護(hù)商業(yè)機(jī)密以及個(gè)人隱私等方面具有重要的戰(zhàn)略意義。本文圍繞JPEG圖像隱寫分析問題進(jìn)行研究,為面向JEPG圖像自適應(yīng)隱寫的分析檢測(cè)提供更有效的方法。目前,傳統(tǒng)的隱寫分析方法大多依賴于人工設(shè)計(jì)的特征,而隨著自適應(yīng)隱寫方法的應(yīng)用,隱寫分析的特征越來(lái)越復(fù)雜,其維度也越來(lái)越高,導(dǎo)致人工設(shè)計(jì)的難度日益增加。深度學(xué)習(xí)近年來(lái)在諸多模式識(shí)別領(lǐng)域里取得了巨大的成功,并逐漸應(yīng)用在了圖像隱寫分析領(lǐng)域。但在已有的基于CNN的隱寫分析結(jié)構(gòu)中,網(wǎng)絡(luò)結(jié)構(gòu)大多單一,未能突破CNN結(jié)構(gòu)本身所帶來(lái)的尺度相對(duì)單一的限制。而且,當(dāng)前基于深度學(xué)習(xí)的隱寫分析模型基本都是CNN結(jié)構(gòu),很少有復(fù)雜的混合網(wǎng)絡(luò)模型,沒有將不同的神經(jīng)網(wǎng)絡(luò)的優(yōu)勢(shì)結(jié)合起來(lái)應(yīng)用到隱寫分析研究中。針對(duì)上述問題,本文展開以下方面研究:首先,由于殘差網(wǎng)絡(luò)能夠通過加深... 

【文章來(lái)源】：合肥工業(yè)大學(xué)安徽省 211工程院校 教育部直屬院校

【文章頁(yè)數(shù)】：68 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
致謝
摘要
abstract
第一章 緒論
    1.1 研究背景及意義
    1.2 國(guó)內(nèi)外研究現(xiàn)狀
        1.2.1 隱寫算法
        1.2.2 傳統(tǒng)隱寫分析
        1.2.3 基于深度學(xué)習(xí)的自適應(yīng)隱寫分析方法
        1.2.4 LSTM模型
    1.3 主要研究?jī)?nèi)容
    1.4 課題來(lái)源與內(nèi)容組織
        1.4.1 課題來(lái)源
        1.4.2 內(nèi)容組織
第二章 相關(guān)基礎(chǔ)知識(shí)
    2.1 圖像隱寫方法
        2.1.1 自適應(yīng)隱寫算法
        2.1.2 J-UNIWARD算法
    2.2 圖像隱寫分析方法
        2.2.1 基于人工設(shè)計(jì)特征的隱寫分析算法
        2.2.2 基于深度學(xué)習(xí)的隱寫分析
    2.3 長(zhǎng)時(shí)短時(shí)記憶網(wǎng)絡(luò)(LSTM)
第三章 基于卷積神經(jīng)網(wǎng)絡(luò)的JPEG域自適應(yīng)隱寫分析
    3.1 殘差網(wǎng)絡(luò)與并行網(wǎng)絡(luò)的結(jié)合
    3.2 針對(duì)JPEG域自適應(yīng)隱寫的復(fù)合深度學(xué)習(xí)框架
        3.2.1 網(wǎng)絡(luò)模型的預(yù)處理層
        3.2.2 模型的總體結(jié)構(gòu)
        3.2.3 RC-CNN網(wǎng)絡(luò)結(jié)構(gòu)
        3.2.4 RCR-CNN網(wǎng)絡(luò)結(jié)構(gòu)
    3.3 實(shí)驗(yàn)結(jié)果與分析
        3.3.1 數(shù)據(jù)源
        3.3.2 實(shí)驗(yàn)準(zhǔn)備與相關(guān)配置
        3.3.3 混合模型中的參數(shù)的設(shè)置
        3.3.4 實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)
        3.3.5 網(wǎng)絡(luò)規(guī)模的對(duì)比
        3.3.6 RCR-CNN和 RC-CNN的有效性
        3.3.7 并行子網(wǎng)結(jié)構(gòu)的有效性
    3.4 本章小結(jié)
第四章 基于LSTM和 CNN的新型混合神經(jīng)網(wǎng)絡(luò)模型
    4.1 混合網(wǎng)絡(luò)模型的必要性
    4.2 基于LSTM和 CNN的混合網(wǎng)絡(luò)總體結(jié)構(gòu)
    4.3 CNN與 LSTM的結(jié)合方式
    4.4 LSTM結(jié)構(gòu)
        4.4.1 雙向LSTM
        4.4.2 LSTM的內(nèi)部結(jié)構(gòu)
    4.5 實(shí)驗(yàn)結(jié)果與分析
        4.5.1 數(shù)據(jù)源
        4.5.2 實(shí)驗(yàn)準(zhǔn)備與相關(guān)配置
        4.5.3 混合模型中的參數(shù)的設(shè)置
        4.5.4 實(shí)驗(yàn)結(jié)果評(píng)價(jià)指標(biāo)
        4.5.5 混合模型的有效性
        4.5.6 RCR-CNN網(wǎng)絡(luò)模型的改進(jìn)
    4.6 本章小結(jié)
第五章 總結(jié)與展望
    5.1 總結(jié)
    5.2 展望
參考文獻(xiàn)
攻讀碩士學(xué)位期間的學(xué)術(shù)活動(dòng)及成果情況



本文編號(hào)：3205196