隱寫(xiě)術(shù)作為一種保障信息安全的新型手段,在過(guò)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(xiě)術(shù)的對(duì)手—隱寫(xiě)分析同樣也得到了長(zhǎng)足的發(fā)展,其在維護(hù)商業(yè)信息和國(guó)家安全方面發(fā)揮重要的作用,具有很高的應(yīng)用價(jià)值和學(xué)術(shù)意義。目前,隱寫(xiě)分析主要通過(guò)機(jī)器學(xué)習(xí)的分類方法實(shí)現(xiàn),學(xué)術(shù)界已經(jīng)在實(shí)驗(yàn)室環(huán)境下取得了良好的檢測(cè)效果,然而在面對(duì)復(fù)雜的實(shí)際環(huán)境應(yīng)用時(shí)卻存在如圖像源、隱寫(xiě)算法、嵌入率等不匹配問(wèn)題。這種分類器的訓(xùn)練數(shù)據(jù)與實(shí)際檢測(cè)數(shù)據(jù)的不匹配會(huì)明顯地降低隱寫(xiě)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(xiě)算法失配引起的隱寫(xiě)分析能力下降。（1）論文提出了一種離線方法,通過(guò)匹配與測(cè)試圖像具有近似或相同圖像源的圖像來(lái)解決圖像源不匹配問(wèn)題。首先,設(shè)計(jì)一組頻率特征Ns ND（Non-stego noise distribution）特征來(lái)描述圖像源的噪聲分布,其不包括隱寫(xiě)術(shù)引起的噪聲。然后,基于設(shè)計(jì)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(lái)測(cè)量測(cè)試圖像與包含多種圖像源的大型圖像庫(kù)中的圖像之間的相似度,并匹配最相似的圖像組成測(cè)試圖像的訓(xùn)練集。本方法在四... 

【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)】：76 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

圖像隱寫(xiě)與隱寫(xiě)分析模型

第二章相關(guān)基礎(chǔ)知識(shí)7一般流程。圖2.2自適應(yīng)隱寫(xiě)算法框架Fig2.2Theframeworkofadaptivesteganographyalgorithm對(duì)于S-UNIWARD和HILL算法，它們都是通過(guò)失真函數(shù)將修改像素的成本與每個(gè)像素相關(guān)聯(lián)。更明確的說(shuō)，對(duì)于一個(gè)給定的載體圖像X，令(X)為圖像中的像素矩陣，其每一個(gè)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(duì)像素進(jìn)行排名，可以計(jì)算出一組像素，其修改會(huì)引起最小的可檢測(cè)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(gè)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(gè)方向上小波系數(shù)有較大變化時(shí)，()UX的元素才很校最后，HILL隱寫(xiě)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(gè)高通濾波器1H和兩個(gè)低通濾波器1L和2L。更準(zhǔn)確地說(shuō)，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(xiě)分析在傳統(tǒng)的隱寫(xiě)分析工作中，人們通常使用一個(gè)只有幾十個(gè)維度統(tǒng)計(jì)特征作為載密圖像的統(tǒng)計(jì)特征。其中，典型的統(tǒng)計(jì)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(jì)矩陣[45]，空域奇異值分解特征[46]，共生矩陣統(tǒng)計(jì)[47,48]和馬爾可夫轉(zhuǎn)移概率矩陣[49]。但是，隨著圖像隱寫(xiě)術(shù)的不斷發(fā)展，新提出的隱寫(xiě)術(shù)算法可以保持更復(fù)雜的圖像統(tǒng)計(jì)特征，這常常使基于低維統(tǒng)計(jì)特征的隱寫(xiě)分析方法失敗。為了與更高級(jí)的自適應(yīng)隱寫(xiě)算法作斗爭(zhēng)，隱寫(xiě)分析所采用圖像統(tǒng)計(jì)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(guò)，不論是基于深度學(xué)習(xí)的方式還是基于人工手動(dòng)特征方式的隱寫(xiě)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(xiě)分析一般需要兩個(gè)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(duì)“人”的精力的消耗以及經(jīng)驗(yàn)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(xiě)分析對(duì)比Fig2.3Thecomparisonoftraditionalmachine-learningbasedsteganalysisanddeep-learningbasedsteganalysisSRM[32]即為一種能夠獲得更豐富的圖像統(tǒng)計(jì)特性的隱寫(xiě)特征。不管哪種隱寫(xiě)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(xiě)信號(hào)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(jì)算方法見(jiàn)式（2.3）：(),ijijijijR=XNcX（2.3）


本文編號(hào)：3438976