基于小波域隐马尔可夫模型的小波隐写分析

基于精确描述图像小波系数间统计特性的小波域二维隐马尔可夫模型(HMM)参数集合,提出一种针对小波域信息隐藏算法的新型隐写分析技术。通过使用二维HMM对小波系数进行建模,对生成的HMT森林在隐写前后的参数集合构造隐写分类特征,采用SVM分类器进行隐写判别。实验表明该方法适用于小波域隐写术的检测,对小波域QIM、MFP和BPCS隐写有较好的检测性能。     

结合混合核特征映射的空域图像隐写分析

为了将高维富模型特征投影与分类器结合,降低隐写图像的检测误差,提出对高维富模型特征分割再结合混合核的特征投影算法的隐写分析方法。将高维特征纵向分解为若干特征块,对每个特征块投影,投影后的特征块拼成新的特征。设计非线性混合核函数代替单核函数进行特征投影,以克服样本规模巨大、多维数据的不规则等现象。投影后的特征用FLD（Fisher Linear Discriminant）集成分类器分类。实验结果表明,该方法进一步降低了隐写图像的检测错误率,同时有效降低了运行内存需求。     

图像隐写分析技术综述

通过归纳典型专用隐写分析方法和通用隐写分析方法的机制,指出在该领域中,低嵌入率的检测问题、图像源不匹配问题和隐写分析方法的适用性问题是3个亟待解决的问题,进而提出基于富模型和数字取证的隐写分析是两大研究趋势,前者合并不同域的差异特征后,利用集成分类器区分载体和含密图像,后者先用数字取方法证识别图像的类型,再采用该类的隐写分析器检测图像,由此克服图像源不匹配问题,提高检测性能.     

基于场论聚类的集成分类器隐写分析算法

针对目前隐写分析中特征空间有待提高的问题,提出一种基于场论聚类的隐写分析算法。算法提取共生矩阵特征、差分特征等多维特征用以描述图像,再利用场论进行聚类,从中选择代表性特征用以训练个体分类器,最后通个加权融合法完成对个体分类器进行集成。实验表明,该算法能够有效提高隐写分析的检测率。     

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。     

一种用于隐写测评的图像纹理复杂度估计方法

在评估图像隐写算法安全性及隐写分析性能时,隐写嵌入率等参数是重要的评价指标,而图像纹理差异对评价的影响很容易被忽略。为此,基于图像高维统计模型,提出一种新的针对隐写应用的图像纹理复杂度度量方法,用于衡量图像间的纹理差异。根据纹理复杂度对图像进行分类,单独在每一类不同纹理复杂度的图像集上评估隐写分析的检测性能。实验结果表明,该方法能有效地评价隐写的安 全性。     

基于多小波统计特征的通用隐写分析算法

针对现有隐写分析算法检测性能较差的问题,提出一种基于多小波统计特征的通用隐写分析算法。该算法采用多小波变换对样本图像进行多尺度分解,在各子带中提取广义高斯模型和多小波高阶统计特征,通过结合支持向量机分类器对大量图像样本进行隐写分析。结果表明,与经典的Farid算法相比,该算法提取的多小波统计特征更有效,且具有更高的检测率。     

基于分组卷积和快照集成的图像隐写分析方法

现存的大多数隐写分析方法的泛化能力较弱,无法对未知隐写算法有效检测,使得其分类的准确性在实际运用过程中大幅度降低。针对这个问题,提出了一种基于分组卷积和快照集成的图像隐写分析方法(snapshot ensembling steganalysis network, SENet)。首先,残差卷积块和分组卷积块对图像的特征进行提取并利用;其次,在每个训练周期中得到性能最好的模型作为快照模型;最后将选定的快照模型进行集成后对图像进行分类。该方法应用分组卷积和快照集成的技术,避免了传统集成方法的高训练成本以及单一分类器泛化能力有限的问题。实验结果表明,该方法可以提升隐写分析模型的准确率,并且在训练集和测试集失配时,也能够有效地进行分类,具有较高的模型泛化能力。     

基于分数阶小波变换的图像隐写分析

为了提高现有的图像隐写分析算法的检测性能,提出一种基于分数阶小波变换的图像隐写分析算法。该算法首先通过二维分数阶小波变换将图像映射到分数阶小波时频域内。然后在时频域内使用主成分分析提取隐写图像高频子带的主成分特征统计量、计算主成分的信息熵、构建敏感特征向量。最后采用支持向量机(SVM)对该算法所提特征进行分类。通过仿真实验利用所提算法分别对三种隐写算法下不同嵌入率的隐写结果进行检测,结果表明该算法可有效提高隐写分析准确率。     

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.     

基于W2ID准则的RichModel隐写检测特征选取方法

数字隐写是信息安全领域一个重要分支,其通过将秘密信息嵌入到数字图像、声音、视频等文件中并通过公开信道(如:Email邮箱、微博推文和即时通信等)进行传递,从而实现信息的隐蔽通信.图像自适应隐写是近年来数字隐写技术的研究热点,而Rich Model特征是检测图像自适应隐写的一大类主流高维特征,这类高维特征在实现对图像自适应隐写较高检测正确率的同时,带来了高额的计算开销和和存储开销,并使得隐写检测中的分类器训练变得极为困难.为此,本文提出了一种基于加权类间距离和类内距离差异准则(W2ID准则)的图像Rich Model隐写检测特征选取方法(记为W2ID-α方法).首先,在对Fisher-based方法这一隐写检测特征经典选取方法进行原理分析的基础上,指出该方法可能存在误删有用特征分量、保留冗余和冲突特征分量的不足;然后,通过将"类内距离差异"原则引入到隐写检测特征分量的可分性度量,提出了基于类间距离和类内距离差异的特征可分性度量准则(简记为2ID准则),给出了类内距离差异的一个相关性质;同时,为了合理体现"类间距离"的重要性,本文提出了基于频数统计加权法的权重分配算法,为该准则分配合理权重,使得对特征分量可分性的度量结果相比传统的Fisher准则更为准确;最后,依据W2ID准则的度量结果,基于决策粗糙集α-正域约简方法约简隐写检测特征分量,并在约简特征分量过程中,将每次处理一个特征分量改进为每次处理一组特征分量,以提升决策粗糙集α-正域约简的效率.提出的W2ID-α方法因无需设置可分性下限,避免了阈值设置不准确可能造成去除有用特征分量的问题,从而消除了现有Steganalysis-α隐写检测特征选取方法依赖经验参数的问题.基于数字隐写领域通用的BOSSbase-1.01图像库10 000幅原始图像和基于经典SI-UNIWARD隐写方法生成的多组隐写图像,针对从这些图像组每幅图像中提取的35263维J+SRM特征和17000维GFR特征(两类典型的图像Rich Model隐写检测特征),进行了一系列特征选取实验,结果表明:本文提出的W2ID-α方法能够在大幅降低Rich Model隐写检测特征维数的同时,基于选取后特征的隐写检测提高了对隐写图像的检测正确率,与Fisher-based、Steganalysis-α和PCA-based等现有典型特征选取方法相比具有显著优势,如对嵌入率=0.1的SI-UNIWARD隐写图像,基于提出的W2ID-α方法将J+SRM特征从35 263维降到2723维的同时,还提高了 3.63%的检测正确率.     

基于模糊C均值聚类与单类支持向量机的音频隐写分析方法

针对传统的二分类音频隐写分析方法对未知隐写方法的适应性较差的问题,提出了一种基于模糊C均值(FCM)聚类与单类支持向量机(OC-SVM)的音频隐写分析方法。在训练过程中,首先对训练音频进行特征提取,包括短时傅里叶变换(STFT)频谱的统计特征和基于音频质量测度的特征,然后对所提取的特征进行FCM聚类得到C个聚类,最后送入多个超球面的OC-SVM分类器进行训练;检测过程中,对测试音频进行特征提取,根据多个超球面OC-SVM分类器的边界对待测音频进行检测。实验结果表明,该隐写分析方法对于几种典型的音频隐写方法能够较为正确地检测,满容量嵌入时,测试音频的总体检测率达到85.1%,与K-means聚类方法相比,所提方法的检测正确率提高了至少2%。该隐写分析方法比二分类的隐写分析方法更具有通用性,更适用于隐写方法事先未知情况下的隐写音频的检测。     

针对特定测试样本的隐写分析方法

现今主流的图像隐写分析方法主要聚焦于设计检测特征,用以提高通用盲检测（UBD,Universal Blind Detection）模型的检测准确率,这类检测方法与待测图像无关,难以做到精准检测。本文在拥有大数据训练资源的前提下,研究了隐写对图像特征的影响,找出了隐写分析与图像特征之间的重要关系,基于此提出了一种为测试样本选择专用训练集的隐写分析方法。以经典的JPEG隐写算法nsF5和主流的JPEG隐写分析特征（CC-PEV、CC-Chen、CF^*、DCTR和GFR）为例组织实验,结果表明本文方法的检测准确率高于其他同类方法。     

Feature mining and pattern classification for steganalysis of LSB matching steganography in grayscale images

In this paper, we present a scheme based on feature mining and pattern classification to detect LSB matching steganography in grayscale images, which is a very challenging problem in steganalysis. Five types of features are proposed. In comparison with other well-known feature sets, the set of proposed features performs the best. We compare different learning classifiers and deal with the issue of feature selection that is rarely mentioned in steganalysis. In our experiments, the combination of a dynamic evolving neural fuzzy inference system (DENFIS) with a feature selection of support vector machine recursive feature elimination (SVMRFE) achieves the best detection performance. Results also show that image complexity is an important reference to evaluation of steganalysis performance.     

Image complexity and feature mining for steganalysis of least significant bit matching steganography

The information-hiding ratio is a well-known metric for evaluating steganalysis performance. In this paper, we introduce a new metric of image complexity to enhance the evaluation of steganalysis performance. In addition, we also present a scheme of steganalysis of least significant bit (LSB) matching steganography, based on feature mining and pattern recognition techniques. Compared to other well-known methods of steganalysis of LSB matching steganography, our method performs the best. Results also indicate that the significance of features and the detection performance depend not only on the information-hiding ratio, but also on the image complexity.     

基于深度残差网络的语音隐写分析方法

针对目前以WAV格式语音为载体的最低有效位（LSB）隐写方法的检测性能较低的问题,提出了一种基于深度残差网络的语音隐写分析方法。首先,通过多组高通滤波器组成的固定卷积层来计算输入语音信号的残差信号,并利用截断线性激活单元对得到的残差信号进行截断操作;然后,通过卷积层与设计的残差块的堆叠来构建深度网络,以提取深层次的隐写特征数据;最后,利用全连接层与Softmax层组成的分类器输出最终的分类结果。实验结果表明,在Hide4PGP和LSBmatching两种隐写方法的不同密信嵌入率下,所提出模型的检测正确率都要优于现有的基于卷积神经网络（CNN）的隐写分析方法。对于0.1 bps嵌入率的Hide4PGP隐写方法,该隐写分析模型的检测正确率比LinNet提高了近7个百分点。     

基于对称α稳态模型的JPEG通用隐写分析

针对JPEG隐写术检测问题,提出一种基于DCT系数分布模型的通用隐写分析方法。根据DCT系数统计分布规律,建立双参数对称α稳态模型,并将模型参数估计问题转化为离散的函数参数优化问题,利用改进的遗传算法进行求解。提取分布模型的参数作为隐写分析的特征,并运用图像校准技术进行校准以提高特征的敏感性。设计与特征相匹配的、具有线性阶计算复杂度的单类分类器进行隐写判别。实验结果表明,该方法可以有效地检测JPEG隐写术,当嵌入率为25%时,平均检测率达到76.1%,相比传统基于模型的隐写分析方法提高5.5%,具有更高的检测性能。     

Steganography algorithms recognition based on match image and deep features verification

Steganography algorithms recognition is a sub-section of steganalysis. Analysis shows when a steganalysis detector trained on one cover source is applied to images from an unseen source, generally the detection performance decreases. To tackle with this problem, this paper proposes a steganalytic scheme for steganography algorithms recognition. For a given testing image, a match image of the testing image is achieved. The match image is generated by performing a Gaussian filtering on the testing image to remove the possible stego signal. Then the match image is embedded in with recognized steganography algorithms. A CNN model trained on a training set is used to extract deep features from testing image and match images. Computing similarity between features with inner product operation or weighted-χ², the final decision is made according to similarity between testing feature and each class of match feature. The proposed scheme can also detect steganography algorithms unknown in training set. Experiments show that, comparing with directly used CNN model, the proposed scheme achieves considerable improvement on testing accuracy when detecting images come from unseen source.     

负载自适应的批量隐写研究

为了进一步提高批量隐写的安全性, 针对以往自适应批量隐写方案的不足设计了一种简单可靠的新方案。首先借助基于随机森林的集成分类器确定当前隐写分析技术下图像的隐写容量, 在此基础上确定各个图像嵌入的信息量, 方案最大程度地利用了载体资源, 并通过对秘密信息进行分割分组进一步增强了安全性。实验结果表明, 隐写容量计算中的安全判定方法准确性高, 在保证低漏检率的同时避免了较高的虚警率, 且运行时间更短。