基于K-L变换的特征融合隐写分析方法研究

摘要

蓬勃发展的互联网技术和数字多媒体信息，给人们带来了便捷的信息传递方式，但同时也给人们带来了信息安全方面的问题。信息隐藏技术作为一种重要的信息安全技术，已经成为该领域的一个研究热点。信息隐藏主要有两个分支：隐写技术和数字水印技术。前者的主要目的是隐蔽“正在通信”的行为；而后者主要应用于版权保护方面。而发现“正在通信”这一行为的技术，就是隐写分析技术。显然，对隐写技术与隐写分析技术的研究在国家安全、信息安全等方面都有着非常重要的意义。特别是在“911事件”之后，隐写技术与隐写分析技术引起了更多学者的关注。在众多形式的数字媒体中，最常见的就是数字图像，所以对数字图像的隐写以及通用隐写分析是本文的研究重点。 通用隐写分析是要找到一个特征向量，该特征向量在图像隐写前后有明显的变化或者说可以用分类器容易地区分开来。本论文对三种通用隐写分析方法进行研究，分别提取小波域高阶统计量、特征函数高阶统计矩和二阶直方图高阶统计量作为特征，并对其特征性能进行分析，发现每种方法的特征向量内部以及三种方法之间具有很强的相关性，而且它们在具有普遍通用性的同时，也有局部针对性，如：基于小波域高阶统计量的72维特征向量不能有效地帮助分类器对原始载体图像与steghide隐写图像进行分类。基于此，进一步对它们的特征进行融合，以实现获取一种通用性更强、区分性能更好的通用隐写分析的特征向量的目标。具体实现是：在合并三种通用隐写分析方法的特征向量的基础上，进行特征融合处理，生成一个新的特征向量，使新的特征向量的性能融合了众参与合并的特征向量的优点，从而达到更好的性能。本文通过进行去相关最彻底，变换后引起的均方误差最小的最佳变换——K-L变换，来实现该目标。为了更有效地评价四种通用隐写分析算法的特征向量的性能，分别对四种通用隐写分析方法采用两种重要的数据分析手段：相关性分析和方差分析，在冗余性和有效性两方面进行性能评价。 最后采用SVM分类器，区分两类图像的特征向量。在20种情况下对四种隐写分析方法进行仿真实验，从实验得到的分类正确率来说明特征融合后的特征向量比其他三种隐写分析方法的特征向量具有更广泛的通用性、与更好的分类性能，而且分类速度明显提高。同时，建立起20个隐写图像库，为以后的研究工作提供必要的图像素材。

目录

文摘

英文文摘

论文说明：图表目录

声明

第1章绪论

1.1论文选题背景及研究意义

1.2论文主要工作

1.3论文结构

第2章隐写技术

2.1信息隐藏

2.2隐写方法的算法原理

2.3本章小结

第3章隐写分析技术

3.1隐写分析的分类

3.2特定隐写方法的隐写分析

3.3通用隐写分析方法

3.4本章小结

第4章隐写算法及隐写分析方法的仿真及特征向量的相关性分析

4.1 LSB隐写的仿真实现及分析

4.2 JSTEG隐写的仿真实现及分析

4.3 F5隐写的仿真实现及工具使用总结

4.4 steghide隐写的仿真实现及分析

4.5直方图保持法隐写的仿真实现及分析

4.6基于小波域高阶统计量的通用隐写分析方法的仿真

4.7基于特征函数的通用隐写分析方法的仿真

4.8基于二阶直方图的通用隐写分析方法的仿真

4.9隐写分析特征向量的相关性分析

4.10本章小结

第5章基于K-L变换的特征融合通用隐写分析

5.1特征融合

5.2基于K-L变换的特征融合的隐写分析

5.3特征向量的方差分析

5.4仿真实验及结果分析

5.5本章小结

第6章总结与展望

6.1总结

6.2展望

参考文献

致谢