导读:本文包含了隐写分析技术论文开题报告文献综述及选题提纲参考文献，主要关键词:隐写分析,卷积神经网络,变换域隐写分析
隐写分析技术论文文献综述
甘霖[1]（2019）在《基于卷积神经网络的隐写分析技术研究》一文中研究指出随着隐写算法的不断发展进步,使得信息隐藏的安全性和隐蔽性越来越高,越来越多的隐写算法被应用于信息隐藏之中。然而,隐写算法除了用于版权认证、军事隐蔽通信等正当用途之外,也有可能被滥用于各种破坏社会稳定的非法活动中。隐写算法是一把双刃剑,需要合理使用。通用隐写分析技术,主要是利用图像中的某些特征变化结合监督学习,构建出基于特征的图像分类器,然后判定图像是否含有隐秘信息。然而传统的通用隐写分析技术正面临着图像特征越来越复杂,人工设计越来越困难这一问题。基于卷积神经网络的通用隐写分析技术正是为了解决此问题而生,也是目前隐写分析技术研究的热点和难点之一。本文主要研究基于卷积神经网络的通用隐写分析模型,利用了图像邻域像素相关性以及通道间相关性等特征,分别可检测灰度图变换域载密图像和彩色图变换域载密图像。本文主要的贡献如下:1)滤波器是卷积神经网络的重要组成部分,然而前人并没有给出如何选择滤波器。本文提出了帮助选择卷积神经网络滤波器的评判指标。卷积神经网络的隐写分析模型的性能很大程度上依赖于滤波器设计的好坏,该指标能够有助于筛选出合适的滤波器。实验结果表明,本文提出的滤波器评判指标能指导滤波器的选择,提升模型的性能。2)前人对于卷积神经网络与隐写分析结合的研究成果几乎都集中于灰度图空域,仅有的灰度图变换域隐写分析模型HCNN的结构较为复杂,包含了量化、截断的操作以及并行的子网络结构。基于此,本文提出了一个基于卷积神经网络的灰度图变换域隐写分析模型,称为JPEGCNN。本文在HCNN的基础上,优化了滤波器的设计,同时简化了模型结构。实验结果表明,JPEGCNN能较好地检测Jsteg、nsf5、MB1、MB2,J-UNIWARD等灰度图变换域隐写算法。相对于HCNN,JPEGCNN简化了结构,参数量下降为HCNN的二十分之一,同时依然能够保持检测精度不下降。3)现实中大部分场景使用的图像为彩色图像,然而针对彩色图像的基于卷积神经网络的隐写分析模型尚未有人研究。通过研究和设计不同的特征提取方式,将针对灰度图变换域的隐写分析模型JPEGCNN扩展到彩色图变换域,本文统称为COLOR-JPEGCNN。COLOR-JPEGCNN细分又可分为,基于RGB叁通道融合的RGBMERGE-JPEGCNN模型,基于RGB叁通道迭加的RGBADD-JPEGCNN模型和基于RGB叁通道间关系的CHANNEL-JPEGCNN模型。实验结果表明,COLOR-JPEGCNN能较好地检测Color-Jsteg、Color-nsf5,Color-MB 1,Color-MB2,Color-J-UNIWARD等彩色图变换域隐写算法。(本文来源于《北京邮电大学》期刊2019-06-10）
李望望[2]（2019）在《面向iLBC语音流的隐写与隐写分析技术研究》一文中研究指出由于加密技术不能很好地满足用户对隐私信息的保护,而隐写术可以掩饰隐私信息的存在,已成为信息安全领域的重要研究分支。近年来,随着VOIP(Voice over Internet Protocol)的快速发展,以低比特率压缩语音流为隐藏载体的秘密通信已逐渐成为隐写术研究的重点问题之一。然而,现有的语音隐写技术存在嵌入容量不高,并且不能抵抗相应隐写分析技术检测等问题。另一方面,为防止隐写术的过度利用,隐写分析技术可以有效地监督和检测数字载体,这对防止机密资料流失、监视非法信息,从而保障国家的安全和社会的稳定具有十分重要的意义。基于此,本学位论文面向iLBC(Internet Low Bit Rate Codec)语音流研究信息隐写与隐写分析技术,主要包含以下叁个方面:(1)调研了iLBC编码语音流作为隐藏载体的研究现状,分析了当前音频隐写技术普遍存在的一些问题。(2)针对如何权衡嵌入容量、不可感知性以及不可检测性的问题,提出了一种基于增益量化过程的iLBC语音隐写方案。首先对iLBC增益量化过程中的量化表进行合理划分,然后根据不同的秘密信息比特选择相应的分组对增益进行量化,最后将增益量化索引进行打包并发送到解码端,解码端按照相反的嵌入过程可以提取秘密信息。(3)针对增益量化隐写方法,分析iLBC语音流中增益量化索引序列的相关性经隐写嵌入秘密信息后有哪些改变,并提取四种变化程度最大的相关性特征。在此基础上,基于长短时记忆(LSTM,Long Short-Term Memory)网络进行隐写分析,实验验证了特征的有效性。(本文来源于《合肥工业大学》期刊2019-05-01）
高伟[3]（2019）在《图像隐写分析及HDR图像隐写技术研究》一文中研究指出21世纪是一个万物互联的时代,随着移动互联网的快速覆盖,人与人、人与物之间被连接的越来越紧密,AI、大数据、云计算等技术的落地为我们的生活带来很多便利。然而,与此同时,也带来了隐患,人们的隐私数据不断被泄露,信息安全正在面临严峻的考验。图像隐写技术是通过利用图像冗余空间携带秘密信息并同时隐藏这个事实本身的一种信息安全技术,能为隐私保护和安全通信保驾护航。因此,受到国内外信息安全领域研究者的高度关注。近年来,图像隐写术的研究主要集中在空域和JPEG变换域,隐写技术由比较开放的非自适应隐写阶段走向编码与失真评估结合的自适应隐写阶段,隐写系统的综合性能得到了极大的提高。然而,二者无一例外都是低动态范围(Low Dynamic Range,LDR)图像,而非近年来在数字图像领域有着革命进步意义的高动态范围(High Dynamic Range,HDR)图像。相比于LDR图像,HDR图像具有更加广阔的冗余空间,因此对HDR图像隐写技术进行研究具有重要的理论和现实意义。本文在阐述数字图像隐写技术和HDR图像编码技术的基础上,提出一种基于HDR图像载体的隐写算法。该算法在IEEE754编码标准的基础上,通过研究单精度浮点数有效数字对图像比特平面的影响,准确定义隐写域,通过对图像隐写机制进行深入研究设计多平面携密、各平面独立的二元嵌入模式,从而实现能够平衡安全性和隐写容量的自适应隐写算法设计,提高了高嵌入率场景下隐写算法的安全性。除此以外,通过研究隐写技术的对立面-隐写分析技术,并对基于像素修改的隐写技术及马尔科夫链特征族进行深入的研究,指出了基于像素修改的隐写技术存在的缺陷,并针对现有隐写分析特征的不足提出了一种基于噪声残差相关性的隐写分析特征。实验结果表明,通过引入噪声残差相关性,传统马尔科夫特征组特征特征的隐写分析性能将得到一定程度的提高。(本文来源于《电子科技大学》期刊2019-03-31）
黄美伦[4]（2019）在《面向自适应多速率语音的隐写分析技术研究》一文中研究指出随着自适应多速率(Adaptive multi-rate,AMR)语音在IP电话及移动通信领域的广泛应用,基于AMR语音的隐写方法层出不穷。然而,与大多数安全技术类似,基于AMR语音的隐写技术若被不法分子利用,将会给信息安全带来巨大的安全隐患。因此,面向AMR语音的隐写分析技术成为了一个重要的研究课题。从已有研究成果来看,该技术仍存在诸多问题亟待解决,例如检测特征维度过高等。论文针对已有研究存在的问题,结合AMR语音编码的原理,分别对基音延迟参数域、固定码本参数域和线性预测参数域上的隐写分析方法进行了深入研究,具体研究工作如下:(1)针对现有研究存在特征维度过高和对AMR语音基音延迟特性表述欠完整的问题,提出了一种基于基音延迟统计特性的隐写分析方法。该方法对已有特征进行细致筛选提出了低维度但高效的基音延迟值二阶差分统计特征,并引入奇偶统计特征以弥补基音延迟值二阶差分统计特征表达能力的不足。以支持向量机为分类器,通过大量的样本对所提出的方法进行了性能评估,并与已有方法进行比较。实验结果表明,本方法在不同嵌入率和不同样本长度条件下均能得到较现有方法更好的检测效果。(2)为了解决现有方法检测特征维度过高的问题,提出了一种基于XGBoost(e Xtreme Gradient Boosting)的AMR固定码本域隐写分析方法。该方法利用XGBoost算法对基于脉冲值对统计特性的特征进行特征选择,得到有效且维度更低的特征集合。选用XGBoost作为分类器,通过大量的样本对所提出的方法进行了性能评估,并与相关工作进行性能对比。结果表明,本方法特征维度(最低70维,最高不超过289维)明显低于目前最好方法的498维,而其检测性能优于次最优方法,且并不逊色于当前最好方法。(3)为实现线性预测参数域上隐写方法的高效检测,提出了一种基于空间局部统计特性的隐写分析方法,其原理是将一维参数序列转换成二维“参数块”,利用卷积神经网络从整体上对语音参数块的空间局部统计特性进行建模,并提取有效特征。以支持向量机为分类器,通过大量的样本对所提出的方法进行了性能评估,并与已有方法进行比较。实验结果表明,本方法在检测线性预测参数上的隐写方法是可行有效的,且较之已有方法具有更好的检测性能。(本文来源于《华侨大学》期刊2019-03-17）
张弘,尤玮珂,赵险峰[5]（2018）在《视频隐写分析技术研究综述》一文中研究指出作为当今最流行的传播媒介之一,数字视频被普遍视为一种理想的隐蔽通信载体,视频隐写和视频隐写分析技术也因此吸引了信息隐藏领域研究者的广泛关注,成为该领域的研究热点之一。近年来,视频隐写技术的快速发展,使得视频隐写分析面临着巨大的挑战。本文对当前视频隐写分析领域的研究现状进行了综述概括,重点阐述了关于压缩域视频隐写分析技术的研究进展。针对不同类型的嵌入域,分别归纳了相应隐写分析技术的原理,并对其中的经典方法进行了详细介绍和分析。此外,还对未来视频隐写分析领域可能的研究重点和发展方向进行了讨论和展望。(本文来源于《信息安全学报》期刊2018年06期）
魏程程[6]（2018）在《数字图像隐写与隐写分析技术的研究》一文中研究指出近年来,随着全球信息化水平的不断提高和信息安全的重要性日趋增强,隐写分析成为信息安全领域的一个新的重要研究热点。隐写分析技术,是对嵌入秘密信息导致的载体信息的一些统计特征的变化进行分析,来判断载体中是否隐藏有秘密信息。隐写分析技术在网络信息过滤、维护社会稳定、国家的安全发展等方面具有十分重要的现实意义。(本文来源于《信息与电脑(理论版)》期刊2018年12期）
王晨[7]（2018）在《压缩感知在图像隐写分析的应用技术》一文中研究指出当前,图像空间域隐写分析是信息隐藏通信的最新技术,而图像空间域特征提取又是隐写分析的重要步骤。本文主要研究基于压缩感知理论实现的图像空间域特征提取和通用隐写分析算法,研究成果主要如下:(1)压缩感知过完备字典的结构对图像空域特征的感知性能有重要影响,因此,过完备字典的设计是图像空域特征提取的关键问题之一。本文结合分块压缩感知理论及其过完备字典的稀疏表示,首先实现了一种自适应指纹图像空域特征方法。该方法根据指纹图像块随机投影能量大小分布特点,构建了图像的结构自适应多成分稀疏表示模型,并将其分类为平滑、边缘和纹理结构的同性区域,设计了与其结构形态相一致的多成分过完备字典。图像重构时,利用了字典下的多成分结构和稀疏表示的先验知识。实验结果验证了本方法的有效性。(2)又根据灰度图像的纹理特征,实现了一种图像空间域通用隐写分析的压缩感知方法。首先,用方向提升小波变换对图像进行稀疏表示,再用直方图的方法统计变换后的稀疏系数;然后,使用广义高斯分布模型设计压缩感知的测量矩阵,且使用该矩阵感知稀疏系数并得到观测值,再将该值作为纹理特征向量;最后,本文通过使用支持向量机实现了图像隐写的分类判断。结果证明:本文方法对空间域隐写的分析具有较好的检测性能,并能够有效减低感知特征的维数,实现了较高的分析精度。(本文来源于《广东技术师范学院》期刊2018-06-01）
熊来福[8]（2018）在《基于图像的隐写分析技术研究》一文中研究指出隐写术是一种将数据隐藏到图像中的技术,其最初的设计目的是为了提供比传统加密技术更加安全的数据传输保护技术。与传统信息加密技术相比,隐写术不仅能保护传输的数据,更能保护通信信道。近年来随着网络的普及和计算机技术的发展,隐写术以其数据保护特点带来了一定的安全威胁,已有报道不法分子使用隐写术进行数据的传递、木马指令的发送、信息窃取等。在这种背景下,与隐写术截然相反的隐写分析技术很快地成为了信息安全领域的研究热点。本文对于隐写分析技术的研究主要分为两个方面,分别对主动隐写分析技术和被动隐写分析技术进行了研究。本文所使用的隐写分析模型是目前隐写分析中效果较好的富模型。面对隐写术带来信息泄漏等安全威胁,目前隐写分析对隐写术的检测能力存在诸多弊端,提出了一种主动攻击隐写分析方法。该方法根据隐写术对图像频域影响的特点,将图像进行快速傅里叶变换后,分别对高频数据和低频数据分开处理,低频数据使用最大后验估计的维纳滤波器滤波,高频数据则依据Markov模型对图像像素进行预测并实现滤波,最后将分别得到的高频分量和低频分量进行融合。实验结果显示该方法能够非常好地去除隐写数据,并且不会引起图像质量的下降。在对隐写术的检测方面,改进了富模型隐写分析方法。富模型通过多种滤波核获得图像残差,并经过截断量化求共生矩阵来得到隐写分析特征。通过分析发现其残差包含大量的冗余信息,并且隐写分析的维数过高,使得算法得复杂性太大,隐写分析效率降低。文章改进了富模型的滤波核并将共生矩阵降维,使用基于FLD的集成分类器进行分类。实验结果显示,对算法的改进提升了算法的隐写分析能力和检测的稳定性。基于以上隐写分析方法研究,本文设计并实现了图像清洗系统,用于企业的文件外发控制,防止图像文件载密带来信息泄漏。该系统不仅支持图像文件清洗,还支持office文档中嵌入图像的清洗,以及文件类型检查和校验。(本文来源于《北京化工大学》期刊2018-05-30）
徐潇雨[9]（2018）在《基于卷积神经网络的隐写分析技术研究》一文中研究指出隐写术将秘密信息隐藏在公开载体中传输,以达到隐蔽通信的目的。隐写术的非法使用已对国家安全、军事安全构成严重威胁。研究隐写分析技术对于遏制隐写术的非法使用有重要意义。本文基于卷积神经网络这一典型的深度学习模型,展开了隐写分析技术研究。本文的主要工作如下:1.在分析总结深度学习基本思想、卷积神经网络结构、卷积神经网络训练方法的基础上,提出了基于卷积神经网络的隐写分析框架。该框架中的关键环节包括:划分图像库,即将已有的图像库分为训练图像库和验证图像库,训练图像库用于训练深层卷积神经网络,验证图像库用于在训练中检测当前网络的训练效果;构建网络结构,即依据隐写分析任务的特点构建卷积神经网络结构,结构包括预处理层、针对隐写特点的处理层、常规卷积模块、全连接层和Softmax层等;训练深层网络,即根据目标函数和特定的训练算法优化网络中的权值参数,使网络判决更精准;基于卷积网络的隐写分析,指出基于卷积网络实施隐写分析应分为同源和非同源两种情况,在同源情况下,针对隐写特点设置随机子空间处理和子区域联合判决等策略,用以实施隐写分析,在非同源情况下,采用生成匹配图像、卷积网络特征提取等策略实施隐写分析。2.针对已有的基于深层神经网络的隐写分析方法与隐写特点结合不够紧密的问题,提出了基于随机子空间的卷积网络的隐写检测方法。该方案重点设计了基于随机子空间的卷积网络结构,利用所设计的网络直接实施隐写检测。网络结构中,使用富模型类特征的提取方法预处理图像,该处理方法首先采用多种高通滤波模板处理图像得到多种残差图,然后再计算残差图的共生矩阵,多个共生矩阵数据组合成为富模型类数据,此过程构成深层卷积神经网络的预处理层;分析得出FLD集成分类器对输入数据的处理等同于一个叁层神经网络,以卷积神经网络建模FLD集成分类器,在此基础上设计随机子空间处理模块,该模块作为网络的浅层部分,包括一个Randomdata层,一个卷积层和一个ReLU非线性激活层;进一步加深网络结构,拓展了深层处理模块;使用一个分类模块作为网络的输出模块,该模块包括一个全连接层和一个Softmax层,输出所输入样本属于某种类别的概率。3.针对已有的基于深层神经网络的隐写分析方法对当前安全性较高的自适应隐写算法隐写分析正确率仍然不够理想的问题,提出基于子区域联合判决的卷积网络隐写检测方法。理论分析得出,隐写分析与计算机视觉的一点不同是,任何一个图像子区域均可以构成一个有效样本。基于此,对一幅待判决图像进行分割以构建多样化的子样本图像。分割得到的各个子样本图像通过训练后的深层卷积神经网络形成多个子决策,对所有子决策使用多数投票法联合判决得到最终的判决结果,子样本图像的多样性确保了联合判决正确率的提升。为了提升所提方法的判决时间效率,分析得出任意一个图像子区域均可以映射为网络各层特征图中的一个子区域,进而提出一种用于判决的基于全卷积网络的并行加速策略,该全卷积网络将训练阶段使用的网络的最后一个全连接层改为卷积层,其余各层保持不变。4.针对已有的基于深层神经网络的隐写分析方法尚未考虑载体源适配的问题,研究了面向载体源失配的卷积网络隐写分析,提出一种基于卷积网络的去失配方案。理论分析得出载体源失配场景下已有方法判决正确率下降的原因是受到了图像内容的干扰,已有的残差滤波方法不能完全消除图像内容对隐写分析干扰。所提方法基于训练后的卷积神经网络,在判决中使用高斯低通滤波器处理待判决图像,去除可能存在的隐写信号并产生一幅与待判决图像具有相似图像内容的匹配图像。使用既定的隐写算法对匹配图像实施隐写嵌入,得到匹配图像的载密图像。待判决图像、匹配图像和匹配图像的载密图像分别通过训练后的卷积神经网络,取该网络的倒数第二层神经元取值作为隐写分析特征,得到待判决特征、匹配特征和匹配载密特征。分别计算匹配特征与待判决特征的相似度、匹配载密特征与待判决特征的相似度,依据两个相似度的高低得到最终判决结果。提出两种相似度计算方法,分别为内积法和带权重的卡方差法。所提隐写分析方法不仅可以用于隐写检测,还可以用于隐写算法识别,在隐写算法识别任务中可以对训练中未知的隐写算法进行识别。(本文来源于《战略支援部队信息工程大学》期刊2018-04-24）
沈强[10]（2018）在《基于深度学习的图像自适应隐写分析若干技术研究》一文中研究指出随着信息技术的飞速发展以及互联网的广泛应用,图像、音频、视频等数字媒体的传播和分享越来越普及。这些媒体逐渐成为军事、商业等机构以及个人获取和传递信息的重要载体,然而一部分载体可以通过隐写术从而实现隐蔽通讯携带秘密信息。数字图像作为一种常见的数字媒体,其冗余度高、处理方便等特点使其成为信息隐藏应用最为广泛的理想载体。目前隐写分析工作具有一定进展,但仍存在着一些不足:(1)图像自适应隐写算法提出以后,隐写分析特征需要考虑更为复杂的统计特性,特征集维度越来越高,特征设计难度不断加大,导致基于人工设计的传统隐写分析检测效果不尽人意;(2)深度学习近年来发展迅速,并在计算机视觉、机器翻译、语音识别等诸多领域取得巨大成功,目前也有不少学者将深度学习技术应用到隐写分析的检测当中,但大部分模型结构单一,在检测图像自适应隐写尤其低嵌情况下效果并不理想。针对以上问题,本文的主要研究内容包括:首先,本文提出一种基于卷积神经网络的空间域通用隐写分析算法,其主要包括两个模块。深度学习模型在提取特征的过程中以像素为基本输入单元,不考虑自然图像的纹理分布,因此,根据自适应算法嵌入特点,提出一种区域选择模型,通过估计图像嵌入概率甄选出嵌入信息量大的区域,把有利于隐写分析的特征重点保留并映射,为后续神经网络提取特征去除冗余信息;提出一种包含叁个复合子网并行训练的混合学习模型框架,使学习网络在反馈学习阶段不易陷入局部最小值,另加入Batch Nomalization、Dropout层可有效降低模型规模、加快运行速度的同时保证分类结果的有效性;其次,由于具有不同方向的视觉注意力机制能够更好的专注于图像的纹理特征,本文提出一种基于视觉注意力机制以及强化学习的JPEG通用隐写分析方法。待训练图像由视觉注意力模型计算聚焦图像,后经由强化学习连续决策最后生成聚焦汇总图像,进而提高深度学习模型的学习能力,保证模型中噪声残差的数据完整性并提高模型的细粒度分类能力。本文还设计了一种选择信道方法,通过估计图像嵌入概率进而协助隐写分析工作。最后,本文通过实验证实了:某些情况下,提出的区域选择算法及复合深度学习网络在检测自适应隐写的空间域图像时具有一定的效果;视觉注意力机制以及深度强化学习在JPEG域隐写分析问题中具有一定效果。(本文来源于《合肥工业大学》期刊2018-04-01）
隐写分析技术论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
由于加密技术不能很好地满足用户对隐私信息的保护,而隐写术可以掩饰隐私信息的存在,已成为信息安全领域的重要研究分支。近年来,随着VOIP(Voice over Internet Protocol)的快速发展,以低比特率压缩语音流为隐藏载体的秘密通信已逐渐成为隐写术研究的重点问题之一。然而,现有的语音隐写技术存在嵌入容量不高,并且不能抵抗相应隐写分析技术检测等问题。另一方面,为防止隐写术的过度利用,隐写分析技术可以有效地监督和检测数字载体,这对防止机密资料流失、监视非法信息,从而保障国家的安全和社会的稳定具有十分重要的意义。基于此,本学位论文面向iLBC(Internet Low Bit Rate Codec)语音流研究信息隐写与隐写分析技术,主要包含以下叁个方面:(1)调研了iLBC编码语音流作为隐藏载体的研究现状,分析了当前音频隐写技术普遍存在的一些问题。(2)针对如何权衡嵌入容量、不可感知性以及不可检测性的问题,提出了一种基于增益量化过程的iLBC语音隐写方案。首先对iLBC增益量化过程中的量化表进行合理划分,然后根据不同的秘密信息比特选择相应的分组对增益进行量化,最后将增益量化索引进行打包并发送到解码端,解码端按照相反的嵌入过程可以提取秘密信息。(3)针对增益量化隐写方法,分析iLBC语音流中增益量化索引序列的相关性经隐写嵌入秘密信息后有哪些改变,并提取四种变化程度最大的相关性特征。在此基础上,基于长短时记忆(LSTM,Long Short-Term Memory)网络进行隐写分析,实验验证了特征的有效性。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
隐写分析技术论文参考文献
[1].甘霖.基于卷积神经网络的隐写分析技术研究[D].北京邮电大学.2019
[2].李望望.面向iLBC语音流的隐写与隐写分析技术研究[D].合肥工业大学.2019
[3].高伟.图像隐写分析及HDR图像隐写技术研究[D].电子科技大学.2019
[4].黄美伦.面向自适应多速率语音的隐写分析技术研究[D].华侨大学.2019
[5].张弘,尤玮珂,赵险峰.视频隐写分析技术研究综述[J].信息安全学报.2018
[6].魏程程.数字图像隐写与隐写分析技术的研究[J].信息与电脑(理论版).2018
[7].王晨.压缩感知在图像隐写分析的应用技术[D].广东技术师范学院.2018
[8].熊来福.基于图像的隐写分析技术研究[D].北京化工大学.2018
[9].徐潇雨.基于卷积神经网络的隐写分析技术研究[D].战略支援部队信息工程大学.2018
[10].沈强.基于深度学习的图像自适应隐写分析若干技术研究[D].合肥工业大学.2018