论文部分内容阅读
“机器学习”是实现人工智能的一种途径,它的目的是让计算机自动地从数据中学习规律,甚至是利用学习到的规律对未知数据进行预测。将机器学习应用于隐写术和隐写分析,能够促进隐写术和隐写分析的发展。例如:将机器学习中的“降维与稀疏学习”应用于隐写术中,可以利用压缩感知技术保护隐秘信息;另一方面,也可以利用压缩感知来提取特征信息,用于隐写分析。又如在监督学习中,我们利用生成的载体数据和含密数据来训练隐写分析的分类器,包括支持向量机、神经网络和集成分类器等。在非监督学习中,也能够根据提取的特征来自动地聚类载体图像和含密图像,实现自动分类的效果。目前对隐写术的研究主要在于两点:一是如何提高嵌入的信息容量而不影响原始载体的视听觉效果;二是如何提高隐写术自身的安全性,以保证隐秘信号不被发现。与之对应的,隐写分析的主要研究在于:如何能够在未知隐写算法的情况下,通过空域或频域特征来判断未知载体为含密载体或正常载体。本文主要从以上两个方向进行研究,论文的主要工作及创新内容如下:1.针对一般空域隐写术中,只对载体图像进行处理,而不对隐秘信息进行处理,且嵌入容量不高问题;本文提出了一种基于压缩感知和随机嵌入的空域隐写算法。算法使用压缩感知技术对原始隐秘图像进行降维加密,以这种方式提高原始图像的嵌入率;同时在k个LSB的位平面中,随机选择嵌入的位置,进行隐秘信息的嵌入;本文算法不会破坏载体的视觉效果,在与其他算法对比时,同一嵌入量能够带来较高的PSNR值;在与8DPVD算法对比时,本文算法具有更好的抗隐写分析性能。2.针对以往空域隐写分析需要提取比较多的特征进行训练分类器的问题,本文提出了一种基于分块压缩感知的隐写信号检测与恢复方法。使用压缩感知在隐写分析的作用主要有:提升分类时的正确率以及减少特征提取的数目。首先,用方向提升小波对图像做稀疏表示;然后使用归一化的高斯分布模型生成块压缩感知测量矩阵,这个测量矩阵可以用来感知方向提升小波系数。接着,我们用感知到的特征残差来重建原始秘密信号。算法与其他几种传统的空域分析方法比较,证明了本方法不仅具备分析空域隐写术的能力,而且能够在含密图像中恢复出原始信号。