隱寫術(shù)作為一種保障信息安全的新型手段,在過去二十幾年的研究和應(yīng)用中得到了廣泛的關(guān)注。作為隱寫術(shù)的對手—隱寫分析同樣也得到了長足的發(fā)展,其在維護商業(yè)信息和國家安全方面發(fā)揮重要的作用,具有很高的應(yīng)用價值和學(xué)術(shù)意義。目前,隱寫分析主要通過機器學(xué)習(xí)的分類方法實現(xiàn),學(xué)術(shù)界已經(jīng)在實驗室環(huán)境下取得了良好的檢測效果,然而在面對復(fù)雜的實際環(huán)境應(yīng)用時卻存在如圖像源、隱寫算法、嵌入率等不匹配問題。這種分類器的訓(xùn)練數(shù)據(jù)與實際檢測數(shù)據(jù)的不匹配會明顯地降低隱寫分析的性能。本文提出了兩種方法,分別緩解由圖像源失配和隱寫算法失配引起的隱寫分析能力下降。（1）論文提出了一種離線方法,通過匹配與測試圖像具有近似或相同圖像源的圖像來解決圖像源不匹配問題。首先,設(shè)計一組頻率特征Ns ND（Non-stego noise distribution）特征來描述圖像源的噪聲分布,其不包括隱寫術(shù)引起的噪聲。然后,基于設(shè)計的Ns ND特征,提出了一種相似圖像源匹配方法。在此方法中使用JS（Jensen-Shannon）散度來測量測試圖像與包含多種圖像源的大型圖像庫中的圖像之間的相似度,并匹配最相似的圖像組成測試圖像的訓(xùn)練集。本方法在四... 

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

【文章頁數(shù)】：76 頁

【學(xué)位級別】：碩士

【部分圖文】：

圖像隱寫與隱寫分析模型

第二章相關(guān)基礎(chǔ)知識7一般流程。圖2.2自適應(yīng)隱寫算法框架Fig2.2Theframeworkofadaptivesteganographyalgorithm對于S-UNIWARD和HILL算法，它們都是通過失真函數(shù)將修改像素的成本與每個像素相關(guān)聯(lián)。更明確的說，對于一個給定的載體圖像X，令(X)為圖像中的像素矩陣，其每一個元素代表相應(yīng)像素增加或減少1的成本。根據(jù)像素在(X)中的值對像素進(jìn)行排名，可以計算出一組像素，其修改會引起最小的可檢測性。例如，S-UNIWARD的失真函數(shù)U定義為：311),(mkUkkXKXK==+(2.1)其中，表示邊緣填充的卷積乘積，mkK是將Kk旋轉(zhuǎn)0180后的結(jié)果，kK中1≤k≤3是Daubechies-8小波核的三個濾波方向，而σ是穩(wěn)定常數(shù)。應(yīng)當(dāng)注意的是，乘法逆是按元素應(yīng)用的。當(dāng)且僅當(dāng)在三個方向上小波系數(shù)有較大變化時，()UX的元素才很校最后，HILL隱寫方案的失真函數(shù)H基于卷積積的組合。但是，與S-UNIWARD的失真函數(shù)U相反，此函數(shù)組合了一個高通濾波器1H和兩個低通濾波器1L和2L。更準(zhǔn)確地說，H定義為：21111211(),where242,121HXLHXHL==(2.2)其中1L，2L分別是3×3和5×5的均值矩陣。2.1.2自適應(yīng)圖像隱寫分析在傳統(tǒng)的隱寫分析工作中，人們通常使用一個只有幾十個維度統(tǒng)計特征作為載密圖像的統(tǒng)計特征。其中，典型的統(tǒng)計特征有：直方圖特征函數(shù)質(zhì)心[43]，基于

合肥工業(yè)大學(xué)碩士學(xué)位論文8小波系數(shù)分析的概率密度函數(shù)矩陣[44]，小波特征函數(shù)的統(tǒng)計矩陣[45]，空域奇異值分解特征[46]，共生矩陣統(tǒng)計[47,48]和馬爾可夫轉(zhuǎn)移概率矩陣[49]。但是，隨著圖像隱寫術(shù)的不斷發(fā)展，新提出的隱寫術(shù)算法可以保持更復(fù)雜的圖像統(tǒng)計特征，這常常使基于低維統(tǒng)計特征的隱寫分析方法失敗。為了與更高級的自適應(yīng)隱寫算法作斗爭，隱寫分析所采用圖像統(tǒng)計特征已逐漸向更大的維度和更高的復(fù)雜性方向發(fā)展[50-52]。不過，不論是基于深度學(xué)習(xí)的方式還是基于人工手動特征方式的隱寫分析方法，都可以總結(jié)為如圖2.3所示的框架，從圖中可以看出基于人工隱寫分析一般需要兩個步驟分別為特征提取和分類器訓(xùn)練，而基于深度學(xué)習(xí)的網(wǎng)絡(luò)是端到端的系統(tǒng)，只需輸入足夠的訓(xùn)練集圖像即可，減少了對“人”的精力的消耗以及經(jīng)驗的依賴。圖2.3基于手工方式與基于深度學(xué)習(xí)方式的隱寫分析對比Fig2.3Thecomparisonoftraditionalmachine-learningbasedsteganalysisanddeep-learningbasedsteganalysisSRM[32]即為一種能夠獲得更豐富的圖像統(tǒng)計特性的隱寫特征。不管哪種隱寫算法，其本質(zhì)相當(dāng)于改變圖像的某些像素的數(shù)值以嵌入秘密信息。因此獲得圖像的殘差是提高隱寫信號與圖像噪聲以及圖像紋理信息比值有效方法。圖像殘差的計算方法見式（2.3）：(),ijijijijR=XNcX（2.3）


本文編號：3438976