论文部分内容阅读
隐写算法和隐写分析技术在相互对抗中不断提升。隐写算法负责嵌入秘密信息,隐写分析负责检测秘密信息的存在。随着自适应隐写算法的发展,隐写分析研究变得更加困难。深度学习的飞速发展为隐写分析带来了新的研究思路。本文围绕深度学习中的图像隐写分析问题开展研究,主要包括以下三部分内容:(1)研究灰度图多图像域联合隐写分析问题。现有灰度图隐写分析工作仅孤立地关注空间域或变换域特征,而实际上隐写操作的干扰会同时反映在空间域和变换域。因此提出跨域检测机制,模拟空域富模型(Spatial Rich Model,SRM)和变换域离散余弦变换残差的特征提取方法来联合提取空间域和变换域的隐写信号;同时,提出非线性检测机制,模拟空间域SRM的MinMax方法以适应隐写信号的非线性嵌入状态;并提出迁移学习方法,采用嵌入较少隐写信号的图像集初始化模型网络,以便增强模型对隐写信号的灵敏感知能力。最终设计实现灰度图联合隐写分析模型Wang-Net。仿真结果表明,Wang-Net在嵌入率为0.2的WOW隐写算法、嵌入率为0.2的S-UNIWARD隐写算法、嵌入率为0.4的WOW隐写算法和嵌入率为0.4的S-UNIWARD隐写算法下的隐写检测准确率分别为81.2%、77.7%、92.0%和88.8%,各准确率分别比同期前沿算法Zhu-Net高4.6%、5.8%、3.8%和 4.1%。(2)研究彩色图颜色通道联合隐写分析问题。针对当前彩色图隐写分析工作未考虑颜色通道间隐写痕迹的问题,提出跨通道检测机制,设计了矢量特征提取策略(简称VFES)、多平面特征提取策略的多平面特征提取方法1(简称MpFES1)和多平面特征提取方法2(简称MpFES2)。在VFES中,采用彩色图红绿蓝颜色像素矢量作为基本单元,以便联合提取颜色通道内和颜色通道间的隐写残差;在MpFES1中,采用可沿x和y轴旋转的平面作为基本单元,以便联合提取空间多平面内的隐写残差;在MpFES2中,采用xoy、xoz和yoz所在的空间平面作为基本单元,以便联合提取颜色通道内和通道间的隐写残差。仿真结果表明,MpFES2下模型的平均隐写检测准确率是92.6%,分别比常规特征提取策略(简称CFES)和同期前沿的分通道特征提取策略(简称ScFES)高约4.0%、1.0%;VFES下模型的平均隐写检测性能虽然略差于ScFES,但优于CFES,未来可研究像素颜色分量残差值空间结构的保全方法;MpFES1下模型的平均隐写检测性能虽然较差,但其新型矢量隐写算法检测准确率比逐通道隐写算法检测准确率高4.5%以上,未来可研究同阶残差求和操作引发的干扰的弱化方法。综合来说,MpFES2拥有最优的隐写检测能力,将其作为本文的彩色图联合隐写分析模型。(3)设计实现联合隐写分析系统,它既联合了灰度图和彩色图隐写分析功能,又在灰度图隐写分析系统中联合提取空间域和变换域隐写信号、在彩色图隐写分析系统中联合提取颜色通道内和通道间隐写信号。仿真结果表明此联合隐写分析系统可发挥灰度图WOW隐写算法、灰度图S-UNIWARD隐写算法、彩色图逐通道隐写算法和彩色图矢量隐写算法的检测功能,具有一定的应用价值。