基于滤波复原的小波特征LSB匹配隐写分析方法

空域LSB匹配数字隐写是隐写分析中的难点问题,尤其是在低嵌入率下的检测.本文将LSB匹配数字隐写过程看作是一种被加性噪声污染的图像退化过程,从而引入图像复原技术,提出一种基于中值滤波复原的小波特征LSB匹配隐写分析方法.实验结果表明,针对经过JPEG压缩的图像,本文方法在性能上有了很大的提高,尤其在低嵌入率条件下优势更加明显,并且事先不用估计嵌入率,方法简单,易于实现.最后指出本文方法能够消除不同图像内容引起特征巨大变化的一种有效手段,达到正确检测秘密信息的目的.     

基于局部相关性的LSB匹配隐写分析

针对LSB匹配嵌入机制,提出一种利用局部区域像素之间相关性的LSB匹配隐写分析方法。根据较高位平面灰度之间的距离选择图像的平坦区域,将随机性较强的最低两个和三个位平面取出,统计相同灰度值图像块的个数,使用中值滤波对图像进行滤波复原处理,得到差异特征。引入和图像的均值进一步提高检测性能,共计得到4维特征使用Fisher线性分类器判别载体、载密图像。实验证明,该方法对未压缩高精度图像具有较好的检测性能。     

基于隐写编码和Markov模型的自适应图像隐写算法

如何构造大容量、低失真和高统计安全的隐写算法一直是隐写研究的难点和热点.提出一种兼顾感知失真和二阶统计安全的自适应图像隐写算法设计思路.算法将载体各部分的平滑度引入隐写编码的生成过程,自适应地利用一簇隐写编码在载体各部分的合理运用降低载密图像失真度;在隐秘信息嵌入方式上利用基于Markov链模型的动态补偿方法提高载密图像统计安全性;算法对载体最低有效位和次最低有效位进行嵌入以保证嵌入容量.实验表明算法在相同嵌入量下相较双层随机LSB匹配算法以及仅使用一种隐写编码的算法,失真度更低且载体统计分布的改变更小,而在失真度和统计分布改变相近时嵌入容量更大.     

一种针对LSB匹配隐写的负载定位新算法

针对最不重要比特位(Least significant bit, LSB)匹配隐写算法,本文提出了一种新的负载定位算法。将隐写负载定位看作二分类问题,将载密图像每个像素位置看作待分类样本,通过提取载密图像集中每个像素位置在8个方向上的相邻像素差分平方均值特征,利用支持向量机(Support vector machine,SVM)分类器,将每个像素位置划分到正确的类别——负载位置或非负载位置。本文从理论和实验两方面验证了所提分类特征的有效性。针对LSB匹配隐写,本文方法与最大后验概率(Maximum a posteriori, MAP)载体估计方法做出比较,在低嵌入率条件下,本文方法的定位性能有明显提高。     

基于Markov链安全性的LSB匹配隐写算法

隐秘信息的安全性是隐写算法关注的核心问题之一,设计大容量、高安全性的隐写嵌入算法是隐写方法的研究重点.基于Markov链安全标准,以Markov链散度距离最小作为优化嵌入条件,指导LSB匹配嵌入函数,提出了一种优化LSB匹配隐写算法.实验表明该隐写算法在大容量嵌入的同时,保持了载密图像的二阶统计特性,提高了隐写的安全性.     

基于区域随机性度量的LSB匹配隐写分析

依据图像信源区域平稳性质,分析LSB匹配隐写对图像区域统计特性的影响,提出一种基于区域随机性特征的隐写分析方法.运用分块处理划分图像区域,对各区域像素进行Hilbert扫描并提取像素最低有效位比特序列,进而将比特序列作异或运算所得到的参量定义为区域随机性度量指标,最后统计并分析区域随机性指标直方图,提取直方图信息熵、特殊取值及原点矩3类特征,结合Fisher线性分类器对载体、载密图像进行判别.实验结果表明,该方法在不同图像库和不同嵌入率条件下对LSB匹配隐写均表现出良好的检测性能,与现有典型检测算法相比其检测性能具有明显提高.     

基于图像相邻像素相关性的LSB匹配隐写分析

LSB匹配隐写是图像隐写分析中的重点研究问题。根据图像相邻像素的相关性, 提出了一种新的隐写分析算法。通过图像复原算法计算出复原图像, 利用高阶Markov链模型分别对待检测图像和复原图像建模, 根据LSB匹配隐写对高阶Markov链模型经验矩阵的影响, 提取复原图像和待检测图像的统计特征组合成新的27维特征向量对支持向量机进行训练。实验表明提出的算法对LSB匹配隐写有较好的分析效果, 特别在嵌入率低的情况下, 算法具有较好的分析能力。     

基于小波估计和直方图特征的LSB匹配分析

针对隐写分析中的难点——空域LSB匹配隐写进行检测和分析,描述LSB匹配加性隐写的特点,将匹配隐写建模为图像受到一定强度的脉冲噪声干扰,采用小波变换对退化的图像进行恢复作为载体的估计。对检测图像和恢复图像提取多个直方图特征比值作为特征向量,利用支持向量机对500幅高质量未压缩的自然图像组成的载体、载密图像库进行检测,结果证明该算法在低嵌入率下可获得较好的检测效果。     

自适应阈值小波滤波复原在隐写分析中的应用

将空域图像的数字隐写过程看作是一种被加性噪声污染的图像退化过程,从而引入图像复原技术来进行秘密消息的检测。将自适应阈值小波滤波应用于隐写分析,并结合图像滤波前后的差异性特征提出一种新的LSB匹配隐写分析方法。实验结果表明,该方法要优于Ker的校准法,尤其对未压缩的高精度原始图像的检测更为有效,并且不用估计嵌入率,方法简单,易于实现。     

基于像素差分相关性的LSB匹配隐写分析

针对空间域LSB匹配隐写,提出了一种基于像素差分相关性的隐写分析方法.采用图像的直方图、差分直方图的平滑度、梯度能量、图像平滑度,像素差分的一维和高维统计分布等作为分类特征,结合Fisher线性判别进行隐写分析.实验结果表明,新算法对于LSB匹配的检测具有较高的准确性,且计算复杂度低.该算法还可应用于其他空间域隐写方法的检测.     

二值文本图像隐写分析算法

提出了一种基于模式分析的二值文本图像隐写分析算法。在深入研究当前国内外二值图像信息隐藏和隐写分析算法的基础上,提出了图像"模式"的概念,并将图像模式按照修改其中心像素对人体视觉的影响程度分成三类,建立了二值图像最佳嵌入位置模式库;通过分析二值文本图像的模式在嵌入信息前后的变化特征,提出了基于模式分析的二值文本图像隐写分析算法。实验证明该算法是一种性能较佳的二值文本图像隐写分析算法。     

精细化辨识时空特征的视频隐写分析

视频隐写分析技术可以侦测出含有隐藏秘密信息的视频,为社会安全提供保障。视频除了含有图像内的空间信息,还蕴含着相邻帧图像之间的时间信息。针对这一特点,提出一种精细化辨识时空特征的视频隐写分析方法。该方法对视频在时间和空间维度的特征量进行精细化建模。采用Marcov对视频空间层次上的块内和块间过程进行建模,以提取空间特征量。利用差值分析视频时间层次上的变化,以提取时间特征量,并将时间和空间特征量输入到SVM模型中进行训练和检测。实际测试结果表明,该方法能够有效区分载密视频和非载密视频,对3 100段测试视频样本的检测准确率高达97.13%。     

抗统计分析的新型LSB隐写算法

针对目前广泛使用的最低比特位(LSB)信息隐藏算法容易被基于统计检测的隐写分析方法如RS分析或X2分析等检测出来,提出一种新型的LSB隐写算法,能有效地抵抗基于统计检测的隐写分析。对传统LSB缺点和统计检测方法的特点做了分析,改进了传统的LSB隐写算法。采用模拟实验方法证明,改进后的新型LSB隐写分析算法能有效地抵抗统计分析检测。     

基于L-R非线性迭代的降质图像复原算法

为克服图像传输和获取过程中受模糊、失真等因素影响所造成的图像降质,提出一种基于L-R非线性迭代的降质图像复原算法。建立图像退化和恢复模型,并给出复原图像的评价测度。仿真实验结果表明,与传统的维纳滤波相比,该算法在存在多种随机噪声的情况下,能达到较好的图像复原效果。     

基于模式分析的二值文本图像隐写分析算法

在研究已有的二值图像信息隐藏和隐写分析算法基础上,给出图像“模式”的概念,按修改图像模式中心像素对人体视觉的影响程度将图像模式分成3类,建立二值图像最佳嵌入位置模式库,通过分析二值文本图像的模式在嵌入信息前后的变化特征,提出基于模式分析的二值文本图像隐写分析算法。实验证明,该算法的性能较佳。     

基于分割的空域图像隐写分析

提出一种基于图像内容的空域隐写分析方法, 该方法对图像进行分割, 使分割得到的每一类子图像具有相同的统计特性, 并对每一类子图像提取更加敏感的隐写分析特征, 分别构造分类器进行训练和测试, 由此对分割所得到的每一幅子图像都可以得到一个检测结果. 对整幅图像的判决结果通过加权融合得到. 实验结果表明,该方法具有良好的性能, 尤其是针对自适应隐写方法, 该算法的检测准确率提高更加明显.     

基于多样性特征的JPEG图像隐写分析

随着隐写分析技术的发展,新的特征提取算法不断出现,但目前还没有一种较好的通用特征能对JPEG图像进行有效的隐写分析。针对上述问题,提出一种从多域空间提取特征的通用隐写分析算法。采用残差共生矩阵与直方图统计函数计算DCT域、空域、小波域各域系数(像素)之间的依赖性关系,并结合校准方式从中提取特征。对多样性特征维数高的问题,采用前向选择与穷举结合的方法对其降维,以提高分类精度与节约分类时间。对4种典型的JPEG隐写算法在小嵌入率下进行实验,结果表明,与已有的检测方法相比,多域空间提取的多样性特征检测准确率能提高2%以上,适应性更广。     

特征维数对隐写检测的影响分析

通过实验验证并分析图像隐写检测过程中特征维数对隐写检测正确率的影响,对比使用人工选取与机器降维的隐写图像识别率。结果表明,低维特征更有利于简化分类器的设计,降低计算复杂度,提高隐写检测正确率,且机器降维后的特征相比人工选取的特征拥有更好的隐写检测效果。