基于多视角的特征提取图像隐写分析技术

1、基于多视角的特征提取图像隐写分析技术    英文题名 Research on Multi-view Features of Image Steganalysis Technique  关键词 信息隐藏; 隐写术; 隐写分析; 提取特征; DCT; DWT; DFT; 空域; 预测图像; ONPP降维; 支持向量机; 英文关键词 Information Hiding; Steganography; Steganalysis; Feature Extracted; DCT; DWT; DFT; Spatial Domain; Image Predi

2、ction; ONPP reducing dimension; Support Machine Vector （SVM）; 中文摘要 随着计算机技术和网络多媒体技术的飞速发展,信息安全越来越受到人们的关注。隐写分析技术作为信息安全研究领域新的分支,主要对隐蔽信道中载体信息进行有效的检测,为信息安全的发展注入了新的活力。特别是美国发生9.11事件以来,隐写分析更加受到重视,它对国家、国防以及军事安全方面起到极其重要的作用。隐写分析技术近几年发展非常迅速,为信息检测提供了比较成熟的方案。因此,隐写分析具有较高的学术研究价值和广泛的应用价值。 本文提出了一套完善的特征提取算法,并运用先进的降维技术处

3、理高维数据,提高了分类性能。主要成果性工作包括： (1)通过研究图像隐写前后在DCT域、DWT域、DFT域及空域的特征系数的变化,对于DCT域、DWT域、DFT域和空域系数分别提出了一类图像特征提取算法。同时引入图像预测技术,在预测图像中提取出特征系数,对原图像特征进行校正,减小载体图像本身的差异对特征的影响,提高分类性能。 (2)提出基于ONPP的随机子空间集成的策略。降低了特征维数,避免了高维的数据易引起的维数灾难。ONPP构造样本之间的流形结构,并保持样本集的全局几何特征。此降维方案即保持了系统的高性能,又减少算法复杂度和. 英文摘要 With the rapid development

4、 of computer science and web multimedia technology, Information Security gets more and more attention. Steganalysis is a new branch of information security, which mainly researches on the effective detection of the cover image and boosts the development of information security. Especially after the

5、9.11 event, steganalysis became more important, which plays an important role in national defence and military security. From the former LSB-based method to the universal algorithms 致谢 5-6 中文摘要 6-7 ABSTRACT 7-8 1 引言 12-26     1.1 选题背景和研究意义 12     1.2 多媒体信息安全 12-16  

6、;   1.3 信息隐藏领域国内外的现状与发展 16     1.4 信息隐藏技术 16-23         1.4.1 信息隐藏的概念 17-18         1.4.2 信息隐藏的基本模型 18-19         1.4.3 信息隐藏技术的一般特性 19-20      &#

7、160;  1.4.4 信息隐藏分类 20-23     1.5 隐蔽通信技术 23-24     1.6 本文的主要研究工作 24-26 2 数字图像隐写术与隐写分析算法 26-48     2.1 数字图像隐写术介绍 26-28         2.1.1 数字图像隐写术原理 26-28         2.1.2 隐写术的主要应用领域 28  

8、;   2.2 位图(BMP)与有损压缩图像(JPEG)的隐写算法 28-34         2.2.1 基于图像空域的隐写术 28-31         2.2.2 基于图像变换域的隐写术介绍 31-34     2.3 数字图像隐写分析 34-39         2.3.1 数字图像隐写分析现状 34-36   

9、;      2.3.2 隐写分析在信息隐藏检测技术中的地位 36-38         2.3.3 数字图像隐写分析原理 38         2.3.4 隐写分析技术指标 38-39     2.4 位图(BMP)与有损压缩图像(JPEG)的隐写分析算法 39-47         2.4.1 基于图像空

10、域的隐写分析介绍 39-44         2.4.2 基于图像变换域的隐写分析介绍 44-47     2.5 本章小结 47-48 3 基于多视角的特征提取及有效性分析 48-66     3.1 基于Markov模型的特征提取 48-52         3.1.1 特征向量分析 48-49         3.1.2

11、算法流程图 49-50         3.1.3 特征提取过程 50-52     3.2 基于小波系数高阶矩的统计特征提取 52-59         3.2.1 图像统计矩特征 52-55         3.2.2 特征向量分析 55-56         3.2.3 算法流程图

12、56-57         3.2.4 特征提取过程 57-59     3.3 基于DFT变换估计功率谱特征 59-62         3.3.1 图像傅里叶变换及其功率谱定义 59-60         3.3.2 算法流程图 60-61         3.3.3 特征提取过程 6

13、1-62     3.4 基于图像灰度共生矩阵的特征提取 62-65         3.4.1 空间灰度共生矩阵分析 62-64         3.4.2 算法流程图 64         3.4.3 特征提取过程 64-65     3.5 本章小结 65-66 4 基于多视角特征提取的隐写分析系统 66-80  

14、;   4.1 基于多视角特征提取的盲隐写分析系统 66     4.2 基于多视角特征提取的隐写检测系统涉及的相关技术 66-73         4.2.1 预测图像技术 66-67         4.2.2 基于ONPP的子空间学习 67-70         4.2.3 支持向量机工作原理 70-73   &

15、#160; 4.3 基于多视角特征提取的隐写分析系统算法 73-75     4.4 实验结果和分析 75-79         4.4.1 实验数据 75-76         4.4.2 基于多视角特征与单视角结果对比 76-77         4.4.3 与其他先进算法比较 77-78      &#

16、160;  4.4.4 基于支持向量机的分类器与基于最近邻分类器对比 78-79     4.5 本章小结 79-80 5 总结和展望 80-82 参考文献 82-86         2.3.3 数字图像隐写分析原理 38         2.3.4 隐写分析技术指标 38-39     2.4 位图(BMP)与有损压缩图像(JPEG)的隐写分析算法 39-47   

17、;      2.4.1 基于图像空域的隐写分析介绍 39-44         2.4.2 基于图像变换域的隐写分析介绍 44-47     2.5 本章小结 47-48 3 基于多视角的特征提取及有效性分析 48-66     3.1 基于Markov模型的特征提取 48-52         3.1.1 特征向量分析 48-49  

18、       3.1.2 算法流程图 49-50         3.1.3 特征提取过程 50-52     3.2 基于小波系数高阶矩的统计特征提取 52-59         3.2.1 图像统计矩特征 52-55         3.2.2 特征向量分析 55-56   

19、      3.2.3 算法流程图 56-57         3.2.4 特征提取过程 57-59     3.3 基于DFT变换估计功率谱特征 59-62         3.3.1 图像傅里叶变换及其功率谱定义 59-60         3.3.2 算法流程图 60-61   &#

20、160;     3.3.3 特征提取过程 61-62     3.4 基于图像灰度共生矩阵的特征提取 62-65         3.4.1 空间灰度共生矩阵分析 62-64         3.4.2 算法流程图 64         3.4.3 特征提取过程 64-65     3.

21、5 本章小结 65-66 4 基于多视角特征提取的隐写分析系统 66-80     4.1 基于多视角特征提取的盲隐写分析系统 66     4.2 基于多视角特征提取的隐写检测系统涉及的相关技术 66-73         4.2.1 预测图像技术 66-67         4.2.2 基于ONPP的子空间学习 67-70       

22、;  4.2.3 支持向量机工作原理 70-73     4.3 基于多视角特征提取的隐写分析系统算法 73-75     4.4 实验结果和分析 75-79         4.4.1 实验数据 75-76         4.4.2 基于多视角特征与单视角结果对比 76-77         4.4.3 与其他先进

23、算法比较 77-78         4.4.4 基于支持向量机的分类器与基于最近邻分类器对比 78-79     4.5 本章小结 79-80 5 总结和展望 80-82 参考文献 82-86         2.3.3 数字图像隐写分析原理 38         2.3.4 隐写分析技术指标 38-39     2.4 位图

24、(BMP)与有损压缩图像(JPEG)的隐写分析算法 39-47         2.4.1 基于图像空域的隐写分析介绍 39-44         2.4.2 基于图像变换域的隐写分析介绍 44-47     2.5 本章小结 47-48 3 基于多视角的特征提取及有效性分析 48-66     3.1 基于Markov模型的特征提取 48-52     &

25、#160;   3.1.1 特征向量分析 48-49         3.1.2 算法流程图 49-50         3.1.3 特征提取过程 50-52     3.2 基于小波系数高阶矩的统计特征提取 52-59         3.2.1 图像统计矩特征 52-55      &

26、#160;  3.2.2 特征向量分析 55-56         3.2.3 算法流程图 56-57         3.2.4 特征提取过程 57-59     3.3 基于DFT变换估计功率谱特征 59-62         3.3.1 图像傅里叶变换及其功率谱定义 59-60         3.3.2 算法流程图 60-61         3.3.3 特征提取过程 61-62     3.4 基于图像灰度共生矩阵的特征提取 62-65         3.4.1 空间灰度共生矩阵分析 62-64