论文部分内容阅读
信息/数据隐藏(Information or Data hiding)是信息安全领域的重要研究方向。隐写术作为信息隐藏的重要分支以表面上正常的信息载体作为掩护,在其中嵌入秘密信息。隐藏的数据不改变载体的格式和大小,同时也不改变载体的听视觉效果,以此实现不为人所知的隐蔽通信。对隐写术的攻击或检测分析技术被称作隐写分析(Steganalysis)技术,其目的是检测载体中是否隐写了秘密信息,以便于进一步采取相应措施来阻止非法隐秘通信。目前用于隐写的载体,以数字图像的使用最为广泛,因此以它为载体的隐写分析研究成为极为重要的内容。隐写分析是对抗隐写术的关键,也是衡量隐写安全性的一个重要标准;其既在对抗新型隐写算法的进程中不断发展,又反过来促使隐写算法的持续改进。本文首先针对广泛应用的加性隐写噪声模型,从突出隐写噪声的角度,利用自然图像相邻像素之间具有一定相关性和统计对称性的特点,提出一种新的通用隐写分析算法,以此对三种常用典型的隐写算法进行检测,实验结果表明与WAM(Wavelet Absolute Moment)相比,虽然本文提取的特征维数偏高,但是无论是对低嵌入率还是高嵌入率的检测都具有明显的优势;与当前流行的SPAM(Subtractive Pixel Adjacency Matrix)相比,本文算法在高嵌入率时检测LSB(Least Significant Bit,最不重要比特位)替换的检测率略低,而在低嵌入率0.15bpp时检测率高于SPAM;同等维数条件下,本文算法在检测LSBM(LSB Matching, LSB匹配)和LSBMR(LSB Matching Revisited,LSB匹配改进)时的检测率均略高于SPAM,在低嵌入率下优势较为明显。其次在特定隐写分析研究中,由于自适应隐写具有良好的感官不可觉察性和难检测性,选择具有代表性的基于LSB匹配改进的边缘自适应隐写算法(Edge Adaptive imagesteganography based on LSB Matching Revisited, EALSBMR)作为分析对象,本文提出从隐写前后图像的八方向绝对差分直方图中提取特征构建检测器。和目前典型隐写分析算法对比,在较低嵌入率下的隐写进行检测的结果表明该算法优于SPAM以及NIP(NeighborhoodInformation of Pixels),在嵌入率为0.5bpp时,检测率可以达到97.12365%。最后,在对EALSBMR的进一步研究中发现该隐写算法在最后的修正阶段产生了直方图异常的现象,即像素差值T+1的频数大于T,本文由此提出将像素差分直方图中系数在[0,31]范围内的频数相减得到32维特征向量来反映EALSBMR造成的差分直方图的“异常”,输入支持向量机(Support Vector Machines, SVM)构建出一种能更有效检测EALSBMR的隐写分析算法,并考虑特征融合进行仿真实验。实验结果表明:结合的特征并没有表现出一定的优势,仅在0.75bpp、1bpp嵌入率时略高于本文算法,而在≤0.5bpp时的检测效果不及本文算法;在0.1bpp嵌入率下,虽然本文算法检测率达到了87.7893%,但是极低嵌入率时的隐写对于隐写分析来说仍是挑战。