通用型图像隐写分析的基础问题研究

摘要

在当前网络传输的媒体数据中，可能含有使用隐写术方法隐藏的隐秘信息。隐写术通过使用正常的媒体数据对信息进行伪装，达到隐秘通信的目的。由于隐藏在媒体数据中的隐秘信息具有不可见性，依靠人眼观察无法判断是否存在隐藏信息，因此需要通过计算机手段来进行隐写分析。数字图像是当前使用最多的数字媒体之一，已有众多的针对数字图像的隐写术出现。针对这样的情况，设计能检测多种隐写术的通用型数字图像隐写分析，成为一个难点问题。
　　 本文主要研究针对检测数字图像隐写术的通用型隐写分析问题，主要使用从图像中提取的特征以及统计学习的分类，回归方法，对隐写图像进行检测并分析其中的隐秘信息。
　　 本文的主要贡献如下:
　　 1.提出了基于邻域信息的通用型隐写分析特征。特征是隐写分析重要部分。特征提供具有区分能力的信息，从而使得分类器能够从正常的图像中检测出含有隐藏信息的隐写图像。邻域信息特征使用一个邻域内相邻像素的像素灰度值提取多个邻域信息，然后将邻域信息处理，最后计算处理后邻域信息的直方图得到邻域信息特征。实验结果表明邻域信息特征能够有效地检测多种图像隐写术。
　　 2.提出了基于子空间学习和梯度boosting的定量隐写分析方法。定量隐写分析是指预测出隐写图像中隐藏信息的密度。通用型定量隐写分析方法使用图像中提取的特征和回归方法来实现。基于子空间学习和梯度boosting的定量隐写分析方法首先将多种特征组合，然后进行子空间融合。最后将融合后的特征输入到梯度boosting中得到预测结果。实验证明使用子空间学习和梯度boosting的定量隐写分析方法具有良好的精度和较低的时间复杂度。
　　 3.提出了基于聚类和支持向量机的实用化隐写分析方法。在隐写分析中，图像的内容对于隐写分析的精度有较大的影响。因此为了具备较好的泛化能力，必须具备大数量的训练样本。然而另一方面，大数量的训练样本给训练和测试带来较大的负担。在该方法中，训练样本被聚类划分为不同的子集进行训练，得到多个分类器。对于每个测试样本，计算样本的特征与聚类中心的距离，并使用距离最近的子集对应的分类器对其进行检测。

目录

声明

摘要

插图目录

表格目录

第一章 绪论

1．1 研究意义

1．2 隐写分析研究背景

1．3 研究的思路和方法

1．4 本文的组织结构

第二章 通用型图像隐写分析的研究现状

2．1 通用型图像隐写分析简介

2．1．1 检测隐写图像

2．1．2 定量隐写分析

2．2 通用型图像隐写分析使用的特征

2．2．1 针对检测空域图像隐写术的特征

2．2．2 针对检测JPEG图像隐写术的特征

2．2．3 检测跨域隐写术的特征

2．3 通用型图像隐写分析使用的分析方法

2．3．1 使用分类器检测隐写图像

2．3．2 使用回归方法的预测嵌入密度

2．3．3 使用聚类方法的隐写分析检测方法

2．4 通用型数字图像隐写分析的发展趋势

第三章 基于邻域信息的隐写分析特征

3．1 引言

3．2 基于邻域信息的特征的模型

3．2．1 提取邻域信息

3．2．2 邻域信息向量的处理

3．2．3 统计邻域类型

3．2．4 邻域信息模型的实例

3．3 基于邻域信息特征模型的实现

3．3．1 旋转不变状态邻域信息特征

3．3．2 带有中心各向相同信息的旋转不变状态邻域信息特征

3．3．3 排序不变状态邻域信息特征

3．3．4 带有中心各向相同信息的排序不变状态邻域信息特征

3．3．5 实验结果与分析

3．4 小结

第四章 基于子空间融合方法的定量隐写分析

4．1 引言

4．2 定量隐写分析的特征

4．3 基于子空间融合方法的定量隐写分析方法

4．4 基于梯度boosting的定量隐写分析

4．5 实验结果与分析

4．6 小结

第五章 基于聚类和支持向量机的实用性隐写分析

5．1 引言

5．2 图像内容对隐写分析的影响

5．3 基于聚类的图像样本划分

5．4 基于聚类和核支持向量机的隐写分析

5．5 实验结果与分析

5．6 小结

第六章 总结与展望

6．1 论文的工作总结

6．2 研究工作展望

参考文献

致谢

在读期间的论文发表和奖励