基于SVM的图像隐写盲检测

论文摘要

隐写技术与隐写分析技术作为信息安全领域的一个研究热点,在短短几年时间里取得了很大进展。隐写术是利用人类感觉器官的不敏感性,以及图像本身存在的冗余,将秘密信息隐藏于一个数字媒体(如数字图像)中而不被察觉。隐写术的发展,在为社会带来一种新的隐蔽通信手段的同时也带来了新的威胁,因此隐写分析技术应运而生。隐写分析的目的在于揭示媒体中隐秘信息的存在性,甚至只是指出媒体中存在隐写信息的可疑性。它一方面可以防止隐写技术的非法应用,防止一些技术被滥用为犯罪活动、危害国家安全等;另一方面可以促进隐写算法的安全性的提高,推动信息隐藏算法的实用化。当前的隐写分析算法主要分为针对型隐写分析和盲检测。本文主要讨论图像中隐藏信息的盲检测问题。盲检测技术是根据隐藏信息嵌入前后,提取能反映图像细微变化的数学统计特征;然后借助分类器对提取的图像特征进行分类,从而区分出原始图像和含密图像。对于如何开展隐藏信息的盲检测研究,本论文做了一些有益的尝试。实验结果显示本文提出的盲检测方法取得了较好检测结果。论文的主要工作和贡献如下:1.总结了当前主要的盲检测特征提取算法,并指出其优缺点,为本文盲检测特征的提出提供指导。2.分析了隐藏信息的嵌入对灰度共生矩阵的影响,提取灰度共生矩阵作为图像特征。由于图像的灰度共生矩阵维数过大,提出了一种利用对图像邻近像素进行差分计算,并舍去差分计算后大像素值像素的方法,对灰度共生矩阵降维。3.从图像噪声的角度研究图像隐写的盲检测。根据信息隐藏的加性噪声模型,把隐藏信息的嵌入视作图像加性噪声的叠加,隐藏信息的嵌入必然会导致图像原有噪声的变化。文章从去噪算法、小波分析、邻域预测,三个方面分析和提取图像的噪声特征。4.针对纹理图像检测的困难,将纹理分类的方法引入到了图像隐写的盲检测中。采用纹理分类中基于局部线性变换技术的信号处理方法,提取局部离散余弦变换的中高频系数作为检测纹理图像的特征。

论文目录

• 摘要
• Abstract
• 第一章 绪论
• 1.1 研究背景和意义
• 1.2 研究现状
• 1.2.1 隐写分析技术分类
• 1.2.2 盲检测技术概述
• 1.2.3 盲检测技术的研究现状
• 1.3 论文的主要内容及结构
• 第二章 支持向量机分类器的基础理论
• 2.1 统计学习理论中的重要概念
• 2.1.1 经验风险的最小化原则
• 2.1.2 VC 维数与VC 上界
• 2.1.3 结构风险最小化原则
• 2.2 支持向量机分类
• 2.2.1 最优超平面
• 2.2.2 线性支持向量机分类器
• 2.2.3 非线性支持向量机分类器
• 2.3 核函数
• 2.4 SVM 训练算法的实现及发展现状
• 2.5 本章小结
• 第三章 基于灰度共生矩阵的盲检测
• 3.1 灰度共生矩阵
• 3.1.1 灰度共生矩阵的定义
• 3.1.2 灰度共生矩阵的特点
• 3.2 数据嵌入对灰度共生矩阵的影响
• 3.3 对普通图像的检测
• 3.3.1 三向差分图像
• 3.3.2 阈值差分图像的灰度共生矩阵
• 3.3.3 实验分析
• 3.3.4 结论
• 3.4 对JPEG 图像的检测
• 3.4.1 JPEG 简介和几种常见的JPEG 隐写算法
• 3.4.2 DCT 域差分共生矩阵特征
• 3.4.3 特征提取步骤
• 3.4.4 实验分析
• 3.4.5 结论
• 3.5 本章小结
• 第四章 基于图像噪声和纹理的盲检测
• 4.1 图像噪声和隐写分析
• 4.1.1 图像噪声定义
• 4.1.2 图像噪声分类
• 4.1.3 图像去噪
• 4.1.4 图像隐写的加性噪声模型
• 4.2 纹理与隐写分析
• 4.2.1 纹理的定义
• 4.2.2 纹理的分类
• 4.2.3 数据嵌入对纹理的影响
• 4.3 隐写特征提取
• 4.3.1 基于去噪算法的噪声特征
• 4.3.2 基于小波分析的噪声特征
• 4.3.3 基于领域预测的噪声特征
• 4.3.4 基于局部线性变换的纹理特征
• 4.4 实验分析
• 4.4.1 实验流程
• 4.4.2 图像库
• 4.4.3 SVM 分类器设计
• 4.4.4 实验条件和结果
• 4.5 本章小结
• 第五章 结束语
• 5.1 总结
• 5.2 展望
• 致谢
• 参考文献
• 附录：作者在攻读硕士学位期间发表的论文