基于图像复杂度和分类器融合的通用盲检测

现有通用盲检测方法大多没有考虑图像内容对隐写分析性能的影响,对此提出一种利用图像内容复杂度进行预分类和多分类器融合的隐写分析方法。在训练阶段,首先根据图像复杂度把图像分为若干类,然后针对每一类别训练分类器,并计算其模糊测度。在测试阶段,先判断待测图像的类别,然后将其送入到已训练好的各个分类器中,得到多个局部决策值,之后对其进行模糊积分融合得到最终的检测结果。实验结果表明,所提方法提升了通用盲检测算法在混合图像库中的检测性能。     

基于图像复杂度和分类器融合的通用盲检测

现有通用盲检测方法大多没有考虑图像内容对隐写分析性能的影响,对此提出一种利用图像内容复杂度进行预分类和多分类器融合的隐写分析方法。在训练阶段,首先根据图像复杂度把图像分为若干类,然后针对每一类别训练分类器,并计算其模糊测度。在测试阶段,先判断待测图像的类别,然后将其送入到已训练好的各个分类器中,得到多个局部决策值,之后对其进行模糊积分融合得到最终的检测结果。实验结果表明,所提方法提升了通用盲检测算法在混合图像库中的检测性能。     

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.     

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.     

自上而下注意图分割的细粒度图像分类

目的 针对细粒度图像分类中的背景干扰问题,提出一种利用自上而下注意图分割的分类模型。方法 首先,利用卷积神经网络对细粒度图像库进行初分类,得到基本网络模型。再对网络模型进行可视化分析,发现仅有部分图像区域对目标类别有贡献,利用学习好的基本网络计算图像像素对相关类别的空间支持度,生成自上而下注意图,检测图像中的关键区域。再用注意图初始化GraphCut算法,分割出关键的目标区域,从而提高图像的判别性。最后,对分割图像提取CNN特征实现细粒度分类。结果 该模型仅使用图像的类别标注信息,在公开的细粒度图像库Cars196和Aircrafts100上进行实验验证,最后得到的平均分类正确率分别为86.74%和84.70%。这一结果表明,在GoogLeNet模型基础上引入注意信息能够进一步提高细粒度图像分类的正确率。结论 基于自上而下注意图的语义分割策略,提高了细粒度图像的分类性能。由于不需要目标窗口和部位的标注信息,所以该模型具有通用性和鲁棒性,适用于显著性目标检测、前景分割和细粒度图像分类应用。     

核空间中智模糊聚类及图像分割应用

目的 为了更有效地提高中智模糊C-均值聚类对非凸不规则数据的聚类性能和噪声污染图像的分割效果,提出了核空间中智模糊均值聚类算法。方法 引入核函数概念。利用满足Mercer条件的非线性问题,用非线性变换把低维空间线性不可分的输入模式空间映射到一个先行可分的高维特征空间进行中智模糊聚类分割。结果 通过对大量图像添加不同的加性和乘性噪声进行分割测试获得的核空间中智模糊聚类算法提高了现有算法的对含噪声聚类的鲁棒性和分类性能。峰值信噪比至少提高0.8 dB。结论 本文算法具有显著的分割效果和良好的鲁棒性,并适应于医学,遥感图像处理需要。     

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.     

采用金字塔纹理和边缘特征的图像烟雾检测

目的 与传统点式感烟器相比,图像烟雾检测具有响应速度快、非接触等显著优势,但烟雾形状、色彩、纹理千差万别,造成现有算法推广性能不好,亟需提高特征推广性能.为此提出了一种采用图像金字塔纹理和边缘多尺度特征的烟雾检测算法.方法 首先,该算法将图像进行金字塔分解,然后在每层图像上提取局部二元模式(LBP)和边缘方向直方图(EOH),采用不同池化方法得到金字塔局部二元模式(PLBP)和金字塔边缘方向直方图(PEOH)序列特征,分别用于表征烟雾纹理和边缘信息,首尾相连这些直方图后,采用支持向量机(SVM)进行训练、识别烟雾.结果 这金字塔纹理和边缘特征具有很好的分类性能,能够在比较大的图像库上达到94%以上的检测率和3.0%以下的误报率.结论 本文算法提取的纹理、边缘特征,对光照、尺度具有一定不变性,实验结果也表明本文特征对烟雾检测具有较好的推广性能.     

利用多核增强学习的立体图像舒适度评价模型

目的 传统的立体视觉舒适度评价模型,在学习阶段一般采用回归算法,且需要大量的包含主观测试数据的训练样本,针对这个问题,提出一种利用多核增强学习分类算法的立体图像舒适度评价模型。方法 首先,考虑人们在实际观测图像时,对于先后观测到的不同图像进行相互比较的情况,将评价模型看成是偏好分类器,构造包含偏好标签的偏好立体图像对（PSIP）,构成PSIP训练集;其次,提取多个视差统计特征和神经学模型响应特征;然后,利用基于AdaBoost的多核学习算法来建立偏好标签与特征之间的关系模型,并分析偏好分类概率（即相对舒适度概率）与最终的视觉舒适度之间的映射关系。结果 在独立立体图像库上,与现有代表性回归算法相比较,本文算法的Pearson线性相关系数（PLCC）在0.84以上,Spearman等级相关系数（SRCC）在0.80以上,均优于其他模型的各评价指标;而在跨库测试中,本文算法的PLCC、SRCC指标均优于传统的支持向量回归算法。结论 相比于传统的回归算法,本文算法具有更好的评价性能,能够更为准确地预测立体图像视觉舒适度。     

联合多重对抗与通道注意力的高安全性图像隐写

目的 现有基于对抗图像的隐写算法大多只能针对一种隐写分析器设计对抗图像,且无法抵御隐写分析残差网络(steganalysis residual network,SRNet)、Zhu-Net等最新基于卷积神经网络隐写分析器的检测。针对这一现状,提出了一种联合多重对抗与通道注意力的高安全性图像隐写方法。方法 采用基于U-Net结构的生成对抗网络生成对抗样本图像,利用对抗网络的自学习特性实现多重对抗隐写网络参数迭代优化,并通过针对多种隐写分析算法的对抗训练,生成更适合内容隐写的载体图像。同时,通过在生成器中添加多个轻量级通道注意力模块,自适应调整对抗噪声在原始图像中的分布,提高生成对抗图像的抗隐写分析能力。其次,设计基于多重判别损失和均方误差损失相结合的动态加权组合方案,进一步增强对抗图像质量,并保障网络快速稳定收敛。结果 实验在BOSS Base 1.01数据集上与当前主流的4种方法进行比较,在使用原始隐写图像训练后,相比于基于U-Net结构的生成式多重对抗隐写算法等其他4种方法,使得当前性能优异的5种隐写分析器平均判别准确率降低了1.6%;在使用对抗图像和增强隐写图像再训练后,相比其他4种方法,仍使得当前性能优异的5种隐写分析器平均判别准确率降低了6.8%。同时也对对抗图像质量进行分析,基于测试集生成的2 000幅对抗图像的平均峰值信噪比(peak signal-tonoise ratio,PSNR)可达到39.925 1 dB,实验结果表明本文提出的隐写网络极大提升了隐写算法的安全性。结论 本文方法在隐写算法安全性领域取得了较优秀的性能,且生成的对抗图像具有很高的视觉质量。     

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.

     

Calibration based universal JPEG steganalysis

For steganalysis of JPEG images,features derived in the embedding domain appear to achieve a prefer-able performance. However,with the existing JPEG steganography,the minor changes due to the hid-den secret data are not easy to be explored directly from the quantized block DCT (BDCT) coefficients in that the energy of the carrier image is much larger than that of the hidden signal. In this paper,we present an improved calibration-based universal JPEG steganalysis,where the microscopic and macro-scopic calibrations are combined to calibrate the local and global distribution of the quantized BDCT coefficients of the test image. All features in our method are generated from the difference signal be-tween the quantized BDCT coefficients of the test image and its corresponding microscopic calibrated image,or calculated as the difference between the signal extracted from test image and its correspond-ing macroscopic calibrated image. The extracted features will be more effective for our classification. Moreover,through using the Markov empirical transition matrices,both magnitude and sign dependen-cies along row scanning and column scanning patterns existed in intra-block and inter-block quantized BDCT coefficients are employed in our method. Experimental results demonstrate that our proposed scheme outperforms the best effective JPEG steganalyzers having been presented.     

生成对抗网络驱动的图像隐写与水印模型

目的 图像信息隐藏包括图像隐写术和图像水印技术两个分支。隐写术是一种将秘密信息隐藏在载体中的技术,目的是为了实现隐秘通信,其主要评价指标是抵御隐写分析的能力。水印技术与隐写术原理类似,但其是通过把水印信息嵌入到载体中以达到保护知识产权的作用,追求的是防止水印被破坏而尽可能地提高水印信息的鲁棒性。研究者们试图利用生成对抗网络（generative adversarial networks,GANs）进行自动化的隐写算法以及鲁棒水印算法的设计,但所设计的算法在信息提取准确率、嵌入容量和隐写安全性或水印鲁棒性、水印图像质量等方面存在不足。方法 本文提出了基于生成对抗网络的新型端到端隐写模型（image information hiding-GAN,IIH-GAN）和鲁棒盲水印模型（image robust blind watermark-GAN,IRBW-GAN）,分别用于图像隐写术和图像鲁棒盲水印。网络模型中使用了更有效的编码器和解码器结构SE-ResNet（squeeze and excitation ResNet）,该模块根据通道之间的相互依赖性来自适应地重新校准通道方式的特征响应。结果 实验结果表明隐写模型IIH-GAN相对其他方法在性能方面具有较大改善,当已知训练好的隐写分析模型的内部参数时,将对抗样本加入到IIH-GAN的训练过程,最终可以使隐写分析模型的检测准确率从97.43%降低至49.29%。该隐写模型还可以在256×256像素的图像上做到高达1 bit/像素（bits-per-pixel）的相对嵌入容量;IRBW-GAN水印模型在提升水印嵌入容量的同时显著提升了水印图像质量以及水印提取正确率,在JEPG压缩的攻击下较对比方法提取准确率提高了约20%。结论 本文所提IIH-GAN和IRBW-GAN模型在图像隐写和图像水印领域分别实现了领先于对比模型的性能。     

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。     

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.     

融合区域和边缘特征的水平集水下图像分割

目的 水平集模型是图像分割中的一种先进方法,在陆地环境图像分割中展现出较好效果。特征融合策略被广泛引入到该模型框架,以拉伸目标-背景对比度,进而提高对高噪声、杂乱纹理等多类复杂图像的处理性能。然而,在水下环境中,由于水体高散射、强衰减等多因素的共同作用,使得现有图像特征及水平集模型难以适用于对水下图像的分割任务,分割结果与目标形态间存在较大差异。鉴于此,提出一种适用于水下图像分割的区域-边缘水平集模型,以提高水下图像目标分割的准确性。方法 综合应用图像的区域特征及边缘特征对水下目标进行辨识。对于区域特征,引入水下图像显著性特征;对于边缘特征,创新性地提出了一种基于深度信息的边缘特征提取方法。所提方法在融合区域级和边缘级特征的基础上,引入距离正则项对水平集函数进行规范,以增强水平集函数演化的稳定性。结果 基于YouTube和Bubblevision的水下数据集的实验结果表明,所提方法不仅对高散射强衰减的低对比度水下图像实现较好的分割效果,同时对处理强背景噪声图像也有较好的鲁棒性,与水平集分割方法（local pre-fitting,LPF）相比,分割精确度至少提高11.5%,与显著性检测方法（hierarchical co-salient detection via color names,HCN）相比,精确度提高6.7%左右。结论 实验表明区域-边缘特征融合以及其基础上的水平集模型能够较好地克服水下图像分割中的部分难点,所提方法能够较好分割水下目标区域并拟合目标轮廓,与现有方法对比获得了较好的分割结果。     

采用SVR模型进行嵌入率估计的隐写分析方法

为解决大多数通用隐写分析算法不能检测秘密信息长度的问题,提出了一种改进的能估计秘密信息长度的通用隐写分析方法。从隐写图中提取描述DCT域系数相关性的132维特征,用支持向量回归机学习图像特征和相应嵌入改变率之间的映射关系并建立模型,根据映射模型估计测试隐写图的嵌入改变率。使用典型的嵌入算法:F5、outguess与MB进行测验,仿真结果显示提出的秘密信息长度估计算法是切实可行的。     

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。     

提高小样本高光谱图像分类性能的变维卷积神经网络

目的 为了解决基于卷积神经网络的算法对高光谱图像小样本分类精度较低、模型结构复杂和计算量大的问题,提出了一种变维卷积神经网络。方法 变维卷积神经网络对高光谱分类过程可根据内部特征图维度的变化分为空—谱信息融合、降维、混合特征提取与空—谱联合分类的过程。这种变维结构通过改变特征映射的维度,简化了网络结构并减少了计算量,并通过对空—谱信息的充分提取提高了卷积神经网络对小样本高光谱图像分类的精度。结果 实验分为变维卷积神经网络的性能分析实验与分类性能对比实验,所用的数据集为Indian Pines和Pavia University Scene数据集。通过实验可知,变维卷积神经网络对高光谱小样本可取得较高的分类精度,在Indian Pines和Pavia University Scene数据集上的总体分类精度分别为87.87%和98.18%,与其他分类算法对比有较明显的性能优势。结论 实验结果表明,合理的参数优化可有效提高变维卷积神经网络的分类精度,这种变维模型可较大程度提高对高光谱图像中小样本数据的分类性能,并可进一步推广到其他与高光谱图像相关的深度学习分类模型中。