【摘 要】
：
隐写术是一种将信息或数据隐藏到数字图像中的技术。根据是否带有隐藏信息,可以将图像分为含密图像和载体图像。数字图像在表示上具有很高的冗余度,因此可用于隐藏数据。图像隐写术主要可以分为空间域和变换域。图像隐写术的最基本技术是利用最低有效位（LSB）替换隐写算法。存在大量可以将秘密信息或数据隐藏到数字图像中的隐写技术。每种方法各有利弊。因此,有必要建立更准确的隐写分析技术,能够检测出使用各种隐写方法所产
论文部分内容阅读
隐写术是一种将信息或数据隐藏到数字图像中的技术。根据是否带有隐藏信息,可以将图像分为含密图像和载体图像。数字图像在表示上具有很高的冗余度,因此可用于隐藏数据。图像隐写术主要可以分为空间域和变换域。图像隐写术的最基本技术是利用最低有效位（LSB）替换隐写算法。存在大量可以将秘密信息或数据隐藏到数字图像中的隐写技术。每种方法各有利弊。因此,有必要建立更准确的隐写分析技术,能够检测出使用各种隐写方法所产生的隐藏信息。本工作旨在提出一种以更好的视觉质量提高隐藏容量的算法,首先采用无损霍夫曼压缩技术来压缩秘密信息,此外,还测量了从载体图像中获取的信息块与秘密信息块之间的相似性,以减小载体图像中比特的变化。本文将所提出的技术的结果与现有技术进行了比较,所得的参数,即峰值信噪比（PSNR）、均方误差（MSE）和归一化互相关（NCC）均优于现有技术。所提工作的实验结果显示了出色的性能。这给实际的部署和未来工作提供进一步的帮助。
其他文献
网格作为一种新兴的互联网技术,其根本目的是对广域计算资源进行聚合以及对广域信息资源进行共享。在开放网格服务体系结构中,强调以服务的形式封装和提供各种资源,而网格的强动态性导致网格服务不断地进行创建和删除,海量的临时性短暂服务与服务请求聚焦在整个网格系统,对服务进行高精度、高响应和高效率发现的难度也在不断上升。传统模式的网格技术常采取集中式的注册中心或聚合目录进行服务资源的注册和发现,但随着时间推移
与访问控制模型相关的安全性问题发现,随着有关人员和组织的更多数据被放入云中,人们对信息安全性问题的关注开始逐渐增长,确切地讲域的安全性。不管围绕云的所有构建如何,努力的客户仍会毫不犹豫地在云中传达其业务。安全性是减少云计算发展的现实问题之一,数据安全性和保险带来的不便一直困扰着市场。许多访问模型都是可访问的,但是这些模型不能满足安全性要求,因为每个服务提供商都必须这样做,并且云计算始终受到黑客的攻
精准的定位与对环境的感知是智能移动机器人正常工作的前提条件,随着研究的深入,SLAM技术应运而生。使用单一传感器对机器人进行定位难以保证其在各种环境下长期稳定工作,越来越多的多传感器融合的定位方案正在被研究与应用。视觉传感器在短时快速运动或无纹理区域易发生特征点的缺失,无法保证良好的特征跟踪和位姿估计性能,惯性测量单元（IMU）能很好的弥补该不足,而视觉传感器信息也恰好能对IMU漂移的影响进行校正
在数字图像编辑中,图像通常由图层构成,图层则用于分离和表示图像的不同部分。图层方便了对图像的操作,例如用户可以增加或删除图层,也可以对图层进行色调的变化、图层的替换等操作,方便实现图像的编辑。然而图像一旦栅格化后,图层就不复存在。在本论文中,图层被定义为颜色近似均质的图像段。论文针对颜色层分解技术进行研究,旨在将给定的图像分解为多个高质量的颜色图层,从而方便图像编辑。论文主要工作有:（1）针对分层
如今软件技术的发展已经十分迅速,软件产品的功能和结构变得越来越复杂,并且软件的迭代周期也越来越短,可是传统的软件开发模式效率不高,不仅需要频繁的重复操作,而且容易积累较多问题,使得产品的发布时间被延迟,于是就需要一种效率更高更方便的软件开发方式。持续集成作为一种高效的敏捷开发实践,已经被广泛的使用,持续集成通过频繁的获取最新的代码并且进行构建,帮助开发人员及时的发现开发中出现的问题,从而保证开发项
随着信息技术的迅猛发展以及大数据时代的到来,数据挖掘技术得到了极大的促进与发展。然而,在训练数据挖掘模型的过程中可能会涉及到用户的个人信息,对这些数据的不当使用容易带来严重的隐私泄露问题,对个人乃至社会造成不良的影响,同时也极大的阻碍了数据的共享和挖掘技术的发展。目前,具有隐私保护的数据挖掘算法成为了一个热门的研究方向,其核心任务在于如何平衡隐私保护和模型准确性之间的矛盾。差分隐私技术提供了一种具
随着嵌入式系统技术的日益成熟,处理器的运算能力越来越强大,运算速度越来越快,人们对于嵌入式系统的应用也越来越多。但是在许多工业应用中,对于所使用工具的安全性和可靠性有极高的要求,一般的嵌入式操作系统,如Linux,安卓等还不能满足工业级别的安全要求,这就对既能够达到工业级安全认证要求,又可以快速运算的嵌入式系统产生了迫切的需求。本文所阐述的是一款同时拥有IEC 61508安全完整性三级认证（SIL
离散纵标法（SN）是常用的确定论屏蔽计算方法之一,空间网格划分对于SN方法求解粒子输运问题的计算精度至关重要。复杂屏蔽模型存在强非均匀效应,要求不同区域的几何描述精度不同。采用传统笛卡尔直角网格进行全局均匀细分往往会引入难以承受的计算成本,对输运计算效率和计算机存储提出挑战。本课题针对大尺寸复杂屏蔽问题,基于SN方法研究非均匀间断网格并行输运扫描算法,并采用角度多重网格加速方法进一步提高并行计算效
车联网（Internet of Vehicles,IoV）作为物联网（Internet of Things,IoT）的延伸,不仅可以为人们提供高效和舒适的驾驶体验,而且能够促使交通业务的多样化。为了获得高可靠性与低时延的车用无线通信技术（Vehicle To Everything,V2X）服务,广泛部署的移动边缘计算（Mobile Edge Computing,MEC）被认为是一个最有潜力的方案之
深度卷积神经网络被广泛应用于单图像超分辨率重建领域,显著提升了重建方法的性能。加深网络深度往往可以获取更高的性能。但是,当前超分辨率重建方法常采用增加卷积层层数或者卷积层个数的方式提高重建图像的性能,当卷积层层数或者个数增加时,模型的参数量,运行时间以及计算量也随之增加。现实世界中,由于硬件设备资源有限,此类方法实际应用中表现大打折扣。本文通过调研分析当前性能优越的单图像超分辨率重建方法,提出一种