数字图像水印攻击方法新分类

分析了数字图像水印攻击方法及对策,提出了一种新的数字图像水印攻击分类,可以完善已有攻击分类.数字水印基准测试软件为数字水印算法提供一种评测标准.在文献[7,8]的基础上,介绍了新的数字水印攻击基准Certimark,并对Checkmark和Stirmark中典型的射影攻击和旋转攻击进行了分析比较.     

用心的艺术设计,成就创意灵感的课堂

在课堂教学中,我们经常找寻教学理论的身影,也经常感受到很多好的教学法,当这些理论和方法熟记于心之后,我们需要的是用智慧去设计课堂,艺术不是遥远而深刻的主题,在生活中只要用心,处处充满艺术的气息。     

对DCT域连续LSB隐写术的提取攻击

基于JPEG图像的空域特征,针对DCT域连续LSB隐写术提出一种唯载密提取攻击方法。根据JPEG图像编码块在空域的块不连续性,将嵌入消息起止点估计问题转化为序列突变点的估计问题,建立逼近理想序列模型估计序列突变点。新模型不仅适用于对连续JSteg算法的提取攻击,对一类可抵抗χ²检验攻击的连续JSteg改进算法同样有效。实验结果表明,对消息嵌入起止点的平均估计误差约为260个系数。     

抵抗共谋攻击的服务器辅助验证签名方案

为了使服务器辅助验证算法一次能够验证由不同私钥签名的多个消息,提出了一个基于聚合签名的服务器辅助验证方案,由服务器执行验证算法中计算代价大的对运算,有效的减少了验证阶段的计算量。在服务器可知道签名密钥的假设下,证明了该方案在共谋和选择性消息攻击下是安全的。     

综合分块主色和相关反馈技术的图像检索方法

图像数据的无序激增使得基于内容的图像检索技术成为研究热点,为了克服普通颜色特征不考虑颜色的空间分布的缺点,提出了一种多分辨率分块主色法的空间颜色素引技术,同时,还将相关反馈技术融合到多分辨率分块主色算法中,以改善检索效果,据此,实现了一个图像检索原型系统－－SmartEye,并依据所设计的评价实验,将SmartEye的检索结果与其它相关的方法进行了比较和分析,实验表明,文中的方法是比较有效的。     

基于KQML语言的医学图像agent协调系统设计

1.引言生物技术、计算机技术和数字图像技术的发展使医学图像技术数字化和网络化,多模式诊断图像如CT、MRI、PET、SPET和超声图像的出现和应用,使现在医学诊断和护理治疗得到了质的发展。医学图像处理本质上是一种应用算法(也称作图像滤波器)来强化和分析医学图像的计算技术。这些诊断图像尺寸都很大,处理起来需要消耗较大的计算资源,不适合单机处理。随着网络技术的发展,网络计算已经成为一种正在兴起的计算模式。而传统计算中的封闭性,即只能利用本地资源,对于医学图像处理而言,需要综合更多的知识,因此需要分布的和基于网络的处理。为了充分利用网络计算资源,需要进行分布式计算处理并加强计算体之间的协调交互。近年     

透过DirectX8看DirectX9

DirectX8.0 ps和vs让我们无奈的等待 去年年初DirectX8发布了,一场无奈的战争开始了。DirectX8可真是个好东西,它发布没多久,全球知名的显卡测试软件制造商在2001年4月份发布了3Dmark2001,支持DirectX8的全部特效。令人无奈的是当时绝大部分显卡都不能完成此软件的全部测试,其中的4个场景跑不     

基于行为语义分析的Web恶意代码检测机制研究

在Web安全问题的研究中,如何提高Web恶意代码的检测效率一直是Web恶意代码检测方法研究中需要解决的问题。为此,针对跨站脚本漏洞、ActiveX控件漏洞和Web Shellcode方面的检测,提出一种基于行为语义分析的Web恶意代码检测机制。通过对上述漏洞的行为和语义进行分析,提取行为特征,构建Web客户端脚本解析引擎和Web Shellcode检测引擎,实现对跨站脚本漏洞、ActiveX控件漏洞和Web Shellcode等的正确检测,以及对Web Shellcode攻击行为进行取证的功能。实验分析结果表明,新的Web恶意代码检测机制具有检测能力强、漏检率低的性能。     

基于图像的捕捉和展示双轴陀螺仪运动的处理系统远程控制DSP

文章展示一种基于远程控制DSP的实时图像并进行高分辨率的CMOS图像传感器的处理系统的设计.该系统是利用R-DImPr实现API,并支持基于两个步进电机的两个轴的运动图像传感.远程控制系统是通过一个图形用户界面(GUI)通过互联网或以太网,用户可以配置一些图像传感器的参数,如获取时间和曝光时间等.GUI可以控制步进电机调整图像传感器的位置和图像处理算法的选择.实践证明该系统可以集成先进的图像处理算法,结构灵活开放,同时在嵌入式监视或机器视觉系统中应用效是较好.     

基于深度神经网络的对抗样本技术综述

深度学习在完成一些难度极高的任务中展现了惊人的能力,但深度神经网络难以避免对刻意添加了扰动的样本（称为“对抗样本”）进行错误的分类。“对抗样本”逐渐成为深度学习安全领域的研究热点。研究对抗样本产生的原因和作用机理,有助于从安全性和鲁棒性方面优化模型。在掌握对抗样本原理的基础上,对经典对抗样本攻击方法进行分类总结,根据不同的攻击原理将攻击方法分为白盒攻击与黑盒攻击两个大类,并引入非特定目标攻击、特定目标攻击、全像素添加扰动攻击和部分像素添加扰动攻击等细类。在ImageNet数据集上对几种典型攻击方法进行复现,通过实验结果,比较几种生成方法的优缺点,分析对抗样本生成过程中的突出问题。并对对抗样本的应用和发展作了展望。