论文部分内容阅读
隐写和隐写分析是信息安全领域的一对矛盾。前者专注于把秘密信息隐藏在媒体中,后者致力于发现媒体中是否隐藏了秘密信息。隐写和隐写分析研究在国家安全、军事情报、政府机密、反恐斗争、商务机密等方面具有重要意义。图像内容自适应隐写方法通过对载体图像(自然图像)的不平滑区域进行微小的改动把秘密信息隐藏在图像中。隐藏了秘密信息的图像被称为载密图像。图像定性隐写分析是针对图像的二分类问题,其目标是判别一幅图像是载体图像还是载密图像。隐写会改变自然图像的相邻像素相关性,也会改变自然图像的残差图像(高频成分)的相邻像素相关性。主流的隐写分析方法抽取能描述残差图像相邻像素相关性的统计量作为隐写分析特征,然后利用机器学习工具训练隐写分析分类器。SRM(Spatial Rich Model)是一种典型的图像定性隐写分析方法。它设计了丰富多样的空域高通滤波器,并采用这些滤波器对图像滤波以获取丰富多样的残差图像;然后分别统计每种相邻残差样本模式在一幅残差图像中出现的频次,得到残差图像的共生矩阵;最后,把共生矩阵的元素重新排成向量作为隐写分析特征。在SRM研究工作的基础上,本文提出了新的隐写分析统计特征抽取和处理方法,取得的创新性成果如下。(1)提出一种相邻残差样本选择方法以提高隐写分析性能。通过分析不同类型的相邻残差样本对隐写分析的有效性,定义了无效、有效和高效的相邻残差样本集。隐写前后不变的相邻残差样本对隐写分析是无效的,并且它们会给隐写分析特征引入干扰。采用选择相邻残差样本抽取隐写分析特征的方法能削弱无效相邻残差样本对隐写分析特征的干扰。更进一步地,设计了多阶统计特征以增加特征多样性。实验结果表明提出的方法能取得比SRM方法更好的隐写分析性能。(2)提出一种基于随机投影的对SRM特征降维的方法—FPSRM(Fast Projections of Spatial Rich Model feature)。提高残差图像的截断阈值和共生矩阵的阶数能得到高维SRM特征,它能利用更多统计特征在更大邻域范围内描述残差图像的相邻像素相关性,但这会使隐写分析陷入维数灾难。注意到每一维SRM特征是一种相邻残差样本模式在残差图像中出现的频次,而一种相邻残差样本模式可以被看作高维空间中的一个点,所有相邻残差样本模式可以被看作高维空间中的点阵。提出的FPSRM方法对高维空间的点阵进行多次随机投影,每次投影都把包含在同一个随机超平面及其邻近区域内的相邻残差样本模式对应的特征相加得到一维特征。提出的方法能从不同的角度和尺度感知大量相邻残差样本的转移并对SRM特征降维。实验采用与SRM稍有不同的方法抽取了两种分别高达7,247,295维和658,845维的高维特征,然后分别将这两种高维特征投影得到较低维的FPSRM特征。实验表明提出的FPSRM方法的隐写分析性能优于典型的SRM和PSRM(Projections of Spatial Rich Model)方法,并且抽取FPSRM特征比抽取典型PSRM特征快。(3)提出一种特征随机子集归一化方法—NRS(Normalization on Random feature-Subset),以很小的计算复杂度代价提高已有隐写分析特征的隐写分析性能。注意到一幅载体图像与对应的载密图像的特征差异非常小,而不同载体图像的特征及其统计分布差异非常大。提出的方法首先从已有隐写分析特征中随机抽取特征子集,然后采用逐样本放缩方法对特征子集归一化,使不同图像的特征子集具有相同的1-范数。提出的方法能调整已有隐写分析特征的统计分布。对SRM特征进行了归一化实验,结果表明:在维数相同的情况下,使用归一化的SRM特征能获得比典型SRM特征更好的隐写分析性能;给典型SRM特征补充少量的归一化特征子集就能明显降低检测错误率;与抽取隐写分析特征的计算时间相比,NRS方法的计算时间可以忽略不计。使用提出的NRS方法同样能提高PSRM特征的隐写分析性能。