基于权值分配的隐写分析算法

SRM算法是目前隐写分析中广泛使用的方法,但未能有效检测自适应隐写算法。为提高针对自适应隐写算法的检测率,该文通过改进SRM算法,利用不同区域的像素对隐写检测贡献的差异性,提出了一种基于权值分配的隐写分析算法。理论证明了权值分配能够提高隐写检测特征的分类能力,并设计了一种基于权值分配的特征提取框架。首先依据像素失真代价确定优先像素集,之后设计合理的权值函数对不同区域的像素噪声残差分配权值,最后提取四阶共生矩阵作为隐写检测特征。实验结果表明,在检测以HILL为代表的自适应隐写算法时,与SRM和PSRM检测算法相比,所提算法的平均错误率分别降低了2.09%和1.53%,说明能够有效实施针对自适应隐写算法的检测。     

Digital image steganalysis based on the reciprocal singular value curve

Embedding secret messages in steganographic approaches is similar to adding some weak noises to the original media. One of the traditional ways for image steganalysis is computing a feature sets using noise residuals. From another perspective, the disturbance of natural image statistics can be explored to extract the feature vector for steganalysis. In fact, the alteration of natural scene statistics can be investigated to reveal the presence of secret messages embedded in images. Hence, the feature vectors can be constructed using such changes. In the proposed scheme, the alteration of singular value curve is used to construct the steganalysis feature vector. Two spatial and JPEG based feature vectors are extracted in the proposed statistical exploitation. The experimental results illustrate the acceptable performance of the proposed feature vectors for both universal and JPEG based steganalysis methods.

     

分类与分割相结合的JPEG图像隐写分析

目的 隐写分析研究现状表明,与秘密信息的嵌入过程相比,图像内容和统计特性差异对隐写检测特征分布会造成更大的影响,这导致图像隐写分析成为了一个"相同类内特征分布分散、不同类间特征混淆严重"的分类问题。针对此问题,提出了一种更加有效的JPEG图像隐写检测模型。方法 通过对隐写检测常用的分类器进行分析,从降低隐写检测特征类内离散度的角度入手,将基于图像内容复杂度的预分类和图像分割相结合,根据图像内容复杂度对图像进行分类、分割,然后分别对每一类子图像提取高维富模型隐写检测特征,构建分类器进行训练和测试,并通过加权融合得到最终的检测结果。结果 在实验部分,对具有代表性的隐写检测特征集提取了两类可分性判据,对本文算法的各类别、区域所提取特征的可分性均得到明显提高,证明了模型的有效性。同时在训练、测试图像库匹配和不匹配的情况下,对算法进行了二分类测试,并与其他算法进行了性能比较,本文算法的检测性能均有所提高,性能提升最高接近10%。结论 本文算法能够有效提高隐写检测性能,尤其是在训练、测试图像库统计特性不匹配的情况下,本文算法性能提升更加明显,更适合于实际复杂网络下的应用。     

基于卷积神经网络的低嵌入率空域隐写分析

近年来,基于深度学习的空域隐写分析研究在高嵌入率下已经取得了较好的成果,但是对低嵌入率的检测效果还不太理想.因此设计了一种卷积神经网络结构,使用SRM滤波器进行预处理来获取隐写噪声残差,采用3个卷积层并对卷积核大小进行合理设计,通过适当选择批量归一化操作和激活函数来提升网络的性能.实验结果表明：与现有方法相比,所提出的网络结构对WOW,S-UNIWARD和HILL这3种常见的空域内容自适应隐写算法取得了更好的检测效果,且在低嵌入率0.2bpp,0.1bpp和0.05bpp下的检测效果有非常明显的提升.还提出了逐步迁移（step by step）的迁移学习方法,进一步提升低嵌入率条件下的隐写分析效果.     

结合高效特征融合的可变尺寸图像隐写分析

为提升隐写分析的效率和准确率,并适应多尺寸输入图像,提出一个基于高效特征融合的可变尺寸图像隐写分析模型。在预处理层中,将经空域富模型的多阶高通滤波器初始化的多尺寸卷积核加入网络学习中,以提升模型的收敛效率和检测性能;在特征提取层中,采用特征融合思想,设计两个由Ghost瓶颈层、残差模块、密集连接模块组成的子网络,并融合输出的抽象隐写语义特征和非线性的高维隐写特征,以获得隐写特征的依赖性信息,增强模型的特征表达能力;采用改良版空间金字塔池化以自适应可变尺寸的图像样本,并丰富隐写特征的多样性。经仿真分析可知,模型能正确捕获关键的隐写信号,具备较高的收敛效率,在嵌入率为0.2、0.4的WOW隐写算法的检测准确率分别为82.6%和96.5%,在嵌入率为0.2、0.4的S-UNIWARD隐写算法的检测准确率分别为81.4%和95.2%,显著高于SRM和YedroudjNet隐写分析模型。     

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。     

基于多残差马尔科夫模型的图像拼接检测

针对传统马尔科夫特征计算差值矩阵的方式单一、拼接检测鲁棒性不强的问题,提出彩色多残差马尔科夫特征拼接检测模型。该模型引入隐写检测模型(Rich Models for Steganalysis,SRM)中的多种残差类型来改进传统马尔科夫特征,从R,G,B 3个通道分别提取10种不同类型的马尔科夫特征,训练30个独立的SVM分类器,最后通过决策判断进行分类预测。该方法在哥伦比亚大学彩色拼接检测库上达到了95.40%的准确率。     

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DCT系数多方向相关性的信息隐藏盲检测方法

给出了一种JPEG域基于离散余弦变换(DCT)系数多方向相关性的图像信息隐藏盲检测方法。首先利用DCT系数多方向相关性构造差值彼邻相关矩阵,然后利用此矩阵提取48维特征向量,最后使用支持向量机(SVM)区分载体、载密图像。该方法应用于6种典型的JPEG图像隐写算法,实验结果表明,该方法对这些隐写算法都能够进行比较可靠的检测。     

融合最小化失真与模型保持的隐写算法

目的 为了保证载密图像的抗统计分析能力同时避免对特定载体模型的过度优化,提出一种以最小化失真为目标的隐写算法。方法 算法以各方向元素基团为基本单元定义失真函数,以Fisher准则函数的极大值为标准对失真参数进行优化,将失真函数与统计特征相关联。在秘密信息的嵌入过程中,首先依据邻域系统将图像载体分为若干元素阵列,令不同的阵列对应不同的特征子集,再利用Gibbs抽样和STC(Syndrome-trellis code)编码实现对这些有所差异的特征子集的集成,从而在最小化失真的同时保持载体的统计特征。结果 在3组不同维数的检测算法下比较该算法与同类算法的分类误差。结果表明,该算法能更好地保持统计模型,嵌入率为0.5 bit/pixle时相应特征集的检测误差仍高于0.4,面临高维检测时算法同样具有较高的安全性。结论 该算法借助最小失真思想实现了隐写前后统计特征的保持,且有效避免了在不完整模型上的过度优化,拥有比同类算法更好的适应性和安全性。     

基于新残差网络的图像隐写分析方法

卷积神经网络在隐写分析领域取得了一系列进展,但现有网络结构大多都是专用隐写分析,只针对某一类隐写算法有效.为了提高模型的泛化能力,提出了一种基于新残差网络的图像隐写分析算法.构建了残差分组融合网络结构(W-R2 N),采用分组融合的方式来提高提取多尺度特征的能力,增大每层网络的感受野范围,并且增加每组卷积的对角相关性.相对于Xu-Net和SRNET在S-UNIWARD嵌入率为0.4 bpp情况下隐写分析准确率分别提高了17.13％和0.81％.实验结果表明,相对于现有卷积神经网络,该模型泛化能力更好,并且能够有效提高隐写分析的准确率.     

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。     

Highly accurate real-time image steganalysis based on GPU

With the development of steganography, it is required to build high-dimensional feature spaces to detect those sophisticated steganographic schemes. However, the huge time cost prevents the practical deployment of high-dimensional features for steganalysis. SRM and DCTR are important steganalysis feature sets in spatial domain and JPEG domain, respectively. It is necessary to accelerate the extraction of DCTR and SRM to make them more usable in practice, especially for some real-time applications. In this paper, both DCTR and SRM are implemented on the GPU device to exploit the parallel power of the GPU and some optimization methods are presented. For implementation of DCTR, we first utilize the separability and symmetry of two-dimensional discrete cosine transform in decompression and convolution. Then, in order to make phase-aware histograms favorable for parallel GPU processing, we convert them into ordinary 256-dimensional histograms. For SRM, in computing residuals, we specify the computation sequence and spilt the inseparable two-dimensional kernel into several row vectors. When computing the four-dimensional co-occurrences, we convert them into one-dimensional histograms which are more suitable for parallel computing. The experimental results show that the proposed methods can greatly accelerate the extraction of DCTR and SRM, especially for images of large size. Our methods can be applied to the real-time steganalysis system.     

利用运动向量差值改善深度学习视频隐写分析

目的 针对现有深度学习视频隐写分析网络准确率不够高的问题,本文从视频压缩编码的原理出发,发掘嵌密编码参数与其他参数之间的关系,通过拓展检测空间,构造新的检测通道,改善现有深度学习视频隐写分析网络的检测性能。方法 以H. 265/HEVC(high efficiency video coding)压缩视频为例,首先通过分析运动向量的嵌密修改对运动向量差值的影响,指出可将运动向量差值作为新增的采样对象(或称检测对象);接着,提出一个构造运动向量差值检测矩阵的方法,解决了空域上采样样本稀疏、时域上样本空间位置无法对齐的问题;最后,将运动向量差值矩阵直接用于改善现有的VSRNet(video steganalysis residual network)、SCA-VSRNet(selection-channel-aware VSRNet)以及Q-VSRNet(quantitative VSRNet)等3个H. 265/HEVC深度学习视频隐写分析网络,分别得到IVSRNet(improved VSRNet)、SCA-IVSRNet(selection-channel-aware improved...     

引入超分辨率下采样误差的图像边信息估计隐写

目的 由于空域图像下采样过程中提供的量化误差边信息能够有效提升隐写安全性,为了得到下采样之前的高分辨率图像,提出一种基于超分辨率网络的空域图像边信息估计隐写方法。方法 受原始下采样边信息隐写方法的启发,使用超分辨率网络生成被称为预载体的高分辨率图像。同时利用现有的空域图像对称失真算法得到每个像素点的修改失真,然后以浮点型精度对预载体下采样,得到和载体同分辨率的图像形式,利用对应像素点间的差值指导像素点的修改方向,实现基于初始失真的非对称失真调整。首先以峰值信噪比和极性估计准确率为指标对比了多种超分辨率网络以及基于传统插值方法的上采样性能,并通过调整初始失真分别进行隐写和隐写分析实验,选择使安全性提升最大的残差通道注意力机制网络及其对应调整系数作为本文的下采样边信息估计隐写方法。结果 使用隐写领域中常用的3个数据库、两种传统初始失真函数以及两类隐写分析方法进行实验。在跨数据集的隐写安全性上,相比传统隐写方法,在对抗基于手工特征和基于深度学习的隐写分析时,本文方法的安全性均有显著提升,如在测试集载体图像上,嵌入率为0.5 bit/像素时,安全性分别提升6.67%和6.9%;在训练集载体图像上,本文方法的安全性在比传统方法有很大提升的基础上,甚至在一些情况下能够高于原始边信息隐写方法的安全性,如在对抗基于手工特征的隐写分析器且嵌入率为0.1 bit/像素时,安全性提升1.08%;在对抗基于深度学习的隐写分析器且嵌入率为0.5 bit/像素时,安全性提升0.6%。结论 实验表明,使用超分辨率网络作为下采样边信息估计的工具,并利用估计边信息调整嵌入修改的初始失真,能够有效提升传统隐写方法的安全性,并接近甚至在部分情况下超越了原始边信息隐写的安全性。除此之外,本文方法与原始边信息隐写方法具有不同的修改模式,而且具有更广泛的适用性。     

基于噪声感知残差网络的JPEG隐写分析方法

为了进一步挖掘自适应JPEG隐写图像中隐写噪声信号特征,提出基于噪声感知残差网络的JPEG隐写分析方法.该方法由噪声感知、噪声分析和判断三部分组成.其中,噪声感知部分提取图像噪声,利用图像去噪网络,更加全面地捕获隐写引入的扰动;噪声分析部分获得噪声信息的统计特征;判断部分确定图像是否携带隐写信息.此外,网络中的残差连接有效融合多尺度特征,并防止训练中出现梯度消失和爆炸.多种条件下的对比实验结果表明,该方法相较于对比算法,能够提升针对JPEG自适应隐写的检测性能并具有更好的泛化能力.     

Secure and imperceptible digital image steganographic algorithm based on diamond encoding in DWT domain

This paper presents a new efficient embedding algorithm in the wavelet domain of digital images based on the diamond encoding (DE) scheme. Current discrete wavelet transform (DWT) steganography adds an unacceptable distortion to the images and is considered as an ineffective in terms of security. Applying the DE scheme to the current DWT steganographic methods solves the problems of these methods, and reduces the distortion added to the images, and thus improves the embedding efficiency. The proposed algorithm first converts the secret image into a sequence of base-5 digits. After that, the cover image is transformed into the DWT domain and segmented into 2?×?1 coefficient pairs. The DE scheme is used then to change at most one coefficient of each coefficient pair to embed the base-5 digits. Experimental results depict that the proposed algorithm is more efficient in embedding compared to other methods in terms of embedding payload and image quality. Moreover, the proposed algorithm is attacked by well-known steganalysis software. Results are showing that the proposed algorithm is secure against the powerful universal steganalyzer “ensemble classifier” and the histogram attack. The results also reveal that the proposed algorithm is robust against different image processing attacks such as compression, added noise, and cropping attacks.     

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。     

针对LSB匹配隐写的图像复原隐写分析

最低有效位(LSB)匹配隐写是目前图像隐写分析的难点和热点之一.为了提高针对LSB匹配隐写的隐写分析算法性能,将图像退化复原理论与图像隐写分析相结合,提出一种新的隐写分析算法.首先将LSB匹配隐写过程建模为加性噪声造成的图像退化过程,提出了一种专用复原滤波算法;然后将载密图像的复原图像作为载体图像的估计图像,提取载密图像与估计图像的质心特征,结合Fisher线性判决器实现隐写分析.实验结果表明,复原滤波算法可有效地复原受LSB匹配隐写噪声污染的退化图像,隐写分析算法的总体性能优于Ker方法,尤其在低嵌入率条件下表现良好,适用于空间域图像LSB匹配隐写.     

一种基于线性规划特征选择和集成分类器的图像隐写分析方法

隐写分析是防范由隐写术进行信息隐藏所带来危害的有效方法。图像隐写分析方法主要用于检测图像是否被隐写术嵌入隐秘信息。通用型图像隐写分析能够针对广泛类型的隐写术进行检测,该类方法一般采用从图像提取的统计特征和分类器模型进行。当前的高性能隐写分析一般采用高维特征和集成分类器进行。高维特征能够较好地表达图像统计特性中被隐写术扰动的成分,但另一方面,高维特征具有较多的冗余和无效成分,因此进行特征选择能较好的提升效率。本文提出一种使用线性规划的特征选择模型,该模型可与集成分类器协同使用,同时考虑集成分类器中子分类器的检测精度和多个子分类器使用特征的多样性。实验证明,本文提出的方法对多个隐写术的检测性能有较好的提升。