通用型图像隐写分析的基础问题研究

【类型】学位论文

【作者】关晴骁 

【关键词】 梯度boosting 聚类 图像特征 邻域信息特征 隐写术 分类器训练 隐写分析

【学位授予单位】中国科学技术大学

【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。

【学位年度】2013-01

【学位名称】博士

【分类号】TP391.41

【导师姓名】谭铁牛