基于域自适应的互联网图像失配隐藏分析研究

摘要

信息隐藏分析技术作为信息隐藏技术的对立面，旨在检测图像中是否含有秘密信息，进而阻断秘密通信的过程。作为信息安全的重要分支，它们被广泛的应用于军事、政治、商业等领域。随着互联网、数字通信技术的蓬勃发展，越来越多的人们使用网络传播和分享图像信息。同时JPEG图像因具有高质量、低存储空间、易传输等特点，是互联网中最流行的图像格式。互联网图像具有设备来源丰富、操作历史复杂、分享平台众多、数据内容海量等复杂特性，这对信息隐藏分析技术提出了更高的要求。众多学者提议将信息隐藏及其分析技术，从实验室环境转向更具有现实意义的互联网环境。 本文认为失配现象的主要原因是训练集和测试集的分布差异不同，因此解决失配问题的关键在于如何减小两个集合的分布差异，让在训练集上学习到的模型，可以有效地分类测试集样本。本文是针对互联网中JPEG图像的失配信息隐藏分析技术研究，首先阐述了互联网图像的特点，提出了两种基于域自适应的算法来缓解失配问题，实验内容基于3个来自互联网的图像库，根据失配产生原因的不同，可以分为两种常见的失配问题，载体来源失配（Cover Source Mismatched,CSM）和信息隐藏算法失配（Steganographic Algorithm Mismatched,SAM）。本文的主要内容有： (1)基于跨域特征变换（Cross Domain FeatureTransformation,CDFT）的失配信息隐藏分析方法，属于子空间学习的迁移学习方法。主要包含两个部分：特征对齐和求解特征变换矩阵。首先是对训练集和测试集的原始特征进行特征对齐，让它们的联合期望和标准差相等。然后是寻找潜在的特征子空间，在新的特征空间内，训练集和测试集的分布差异更小。在减小两个集合特征分布差异的同时，还要保持数据的流型结构和训练集的分类能力。算法的目标是求解特征变换矩阵。实验结果表明，CDFT在CSM和SAM两种失配条件下，拥有更好的检测性能。 (2)基于联合分布的域自适应分类器（Joint Distribution based Adaptive Classifier，JDAC）失配信息隐藏分析方法，属于域自适应分类器的迁移学习方法。算法的具体内容是在一个标准分类器中整合两个约束项，联合分布自适应和图拉普拉斯正则项，其中图拉普拉斯正则项也是基于联合分布的。本章算法不需要引入其他的分类器，目标函数就是求解一个自适应的分类器。实验结果表明，在CSM和SAM两种失配条件下，JDAC的检测性能比其他信息隐藏算法有明显的提高。

目录

声明

1 绪论

1.1 研究背景及意义

1.2 信息隐藏及其分析技术概述

1.2.1 信息隐藏技术

1.2.2 隐藏分析技术

1.3 国内外研究现状

1.4 本文研究内容和文章架构

2 互联网JPEG图像失配隐藏分析研究概述

2.1 互联网中JPEG图像的特点

2.2 JPEG图像的匹配信息隐藏分析

2.2.1 常用的信息隐藏分析特征

2.2.2 常用的分类器

2.3 JPEG图像的失配信息隐藏分析

2.3.1 失配现象及其分类

2.3.2 失配隐藏分析相关方法

2.4 本章小结

3 基于跨域特征变换的互联网图像失配信息隐藏分析

3.1 基于跨域特征变换的失配隐藏分析

3.1.1 特征对齐

3.1.2 减小特征平均差异

3.1.3 保持特征的流型结构

3.1.4 保持训练集分类能力

3.1.5 优化求解

3.2 实验结果与分析

3.2.1 实验设置和对比方法

3.2.2 实验结果与分析

3.3 本章小结

4 基于域自适应分类器的互联网图像失配隐藏分析

4.1 基于域自适应分类器的失配隐藏分析

4.1.1 基础分类器

4.1.2 联合分布自适应

4.1.3 图拉普拉斯正则项

4.1.4 优化求解

4.2 实验结果与分析

4.2.1 实验设置与对比方法

4.2.2 实验结果与分析

4.2.3 收敛性实验

4.2.4 参数敏感度实验

4.3 本章小结

结论

参考文献

攻读硕士学位期间发表学术论文情况

致谢

大连理工大学学位论文版权使用授权书