基于多分类器融合的未知嵌入率图像隐写分析方法

提出一种基于多分类器融合的未知嵌入率图像隐写分析方法.通过建立多个不同嵌入率下的训练分类器模型,得到对测试图像的多个局部决策值;然后将得到的局部决策值转化为证据,并根据各分类器的漏检率和虚警率,对各局部决策值分配权重;最后由基于权重系数的D-S(Dempster-Shafer)证据理论推理得到最终的决策.针对LSB匹配隐写的实验结果表明,本文方法改善了未知嵌入率下的隐写检测性能.     

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。     

结合重采样图像多分类的隐写分析算法

针对包含不同重采样图像和单次采样图像的混合异构图像进行隐写分析时,由于其统计特性的差异会造成隐写检测分类器中测试样本和训练样本的“失配”现象,从而降低隐写分析算法的检测性能.文章首先分析了不同插值算法和不同重采样因子的重采样图像作为训练样本和测试样本时,训练样本和测试样本“失配”对隐写分析的影响,随后构造了一种基于SVM的多分类器,用以对重采样图像进行多分类,最后提出了一种结合重采样图像多分类的隐写分析算法,降低了“失配”对隐写分析算法的影响,提高了混合异构图像环境下隐写分析算法的检测效果,并以LSBM隐写算法为例进行实验,实验结果验证了本算法的有效性.     

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。     

结合通道共生和选择集成的彩色图像隐写分析

目的 为了有效对抗针对彩色图像的隐写方案,提出一种新的基于RGB格式的彩色图像隐写分析方法.方法 该方法中的特征包括通道内特征和通道间特征,首先从通道内差分平面上提取共生矩阵特征构成通道内特征集合,通道内特征可以有效捕捉到每一个颜色通道内差分系数之间的相关性;然后对通道与通道相互之间的二次差分平面上提取共生矩阵特征构成通道间特征集合,通道间特征可以捕捉到两两通道之间的相关性.在分类阶段利用遗传算法对多个子分类器进行权值优化,选择权值最优的若干个子分类器,通过众数投票进行集成判决,最终获得最佳的检测性能.结果 针对误检率,提出的通道共生特征比SPAM特征要降低4%~5%,而选择性集成分类器要比完全集成分类器要降低1%~2%.结论 该方法具有较低的时间复杂度,适合小嵌入率的RGB格式彩色图像,在整体性能上优于已有的隐写分析方法.     

Reference Monitor Technology: Watching Your Every Keystroke

ABSTRACT

In modern electronic communication, ensuring security during transferring of data is crucial. Digital steganography is the technique that ensures the same, in which any secret data is hidden into the cover mediums such as images, audio or video files. Resistance to removal and invisibility of hidden data are the two important requirements of any steganographic system. This paper proposes a new approach to hide any secret data in images. Also, this paper proposes a new approach which hides an executable file in images. The executable files we have considered are Windows PE (Portable-Executable) files. Moreover from the experimental results, it is proven that the proposed approach is suitable for hiding all type of digital files including exe files. Also, comparing with the existing approaches, this approach shows better performance.     

针对QIM信息隐藏的高效盲检测算法

提出一种基于频谱分析和神经网络分类的盲检测算法,该算法不仅较准确地判断出图像中是否存在隐藏信息,而且可以确定信息隐藏的位置。针对基于QIM方法的信息隐藏,检测时所使用的特征量分别从DCT域和小波域中提取。使用标准图像集所做的实验结果验证了该算法的有效性。     

基于多分类支持向量机的隐写域盲检测

提出一种区分隐写域(包括像素域、DCT域、DWT域)的盲检测方法,构造图像特征向量,建立一个多分类的支持向量机,根据特征向量对图像进行训练。该方法能够识别隐藏信息和其隐写域。实验结果表明,当嵌入容量达到20%时,识别率提高到85%以上。     

字典隐藏法的脆弱性分析与改进

字典隐藏法是一类基于文本的信息隐藏方法,它利用用户字典将秘密消息直接变换生成结构与普通文本相似的隐密消息。该文通过对自然文本进行建模,分析隐密文本与自然文本的统计特征,得到其中的差异,证明了字典隐藏法存在一定的脆弱性。对传统字典法的用户字典加以改进,使得隐藏后得到的隐密文本与自然文本在常用统计特征上并无异样,弥补了传统字典法的不足,提高了算法的安全性。     

基于马尔可夫模型的JPEG图像隐写分析

论证了通用图像隐写分析是一个类间很聚合、类内很分散的2类模式识别的困难分类问题。提出一种基于JPEG图像量化DCT域的块内和块间2个马尔可夫链获得高维特征,给出2种高维特征的分类器,即改进贝叶斯分类器和CNPCA分类器,后者简单而性能略低,但仍略优于SVM分类器。针对4种公认的JPEG隐藏数据方法,即F5, Outguess, MB1和MB2进行隐写分析,在CorelDraw图像库上做实验,取得了较好的效果。