隐写算法检测+实验报告

上传者: 45715236 | 上传时间: 2021-03-22 09:00:35 | 文件大小: 156.65MB | 文件类型: ZIP
信息隐藏是利用人类感觉器官对数字信号的感觉冗余和图像、语音等信源的数字冗余特性,将秘密消息隐藏在载体中进行传递,使观察者和监视系统无法觉察到信息的存在,以实现隐蔽通信等功能的技术。载体可以是文本、图像、语音、视频、IP数据报等。 隐写分析(steganalysis)是指在已知或未知嵌入算法的情况下,从观察到的数据检测判断其中是否存在秘密信息,分析数据量的大小和数据嵌入的位置,并最终破解嵌入内容的过程。 第一步是构建Stego。本文首先介绍了JPEG图像隐写术的发展状况,概略的介绍了JPEG图像的结构以及隐写检测思路。然后深入分析nsF5和J-UNIWARD的隐写代码及其原理,运用两种修改后和完善后的代码构建隐秘图像库Stego。 第二步是进行特征的提取。由于DCT特征在特征维数相对比较低的同时,具有相对更高的效率,有助于实验过程的便利及提高最终结果的成功率,所以选取DCT特征作为训练分类器的依据。我们使用残差图像的离散余弦变换(DCTR)算法分别对构建的cover和stego图像库提取信息。DCTR算法用JPEG中的DCT基来获得残差直方图,因此特征提取只需要计算64个8x8核DCT基,利用这些卷积核与解压JPEG图像卷积得到一个二维矩阵,然后将这个二维矩阵量化、截断得到子图像,最后根据这些子图像提取出直方图特征,再将这些直方图特征通过对称性原则对其进一步压缩,融合成8000维的特征向量。 第三步:因为待检测的jpeg图像可能采取两种不同的隐写算法,所以我们采用通用盲检测的方法进行检测。通用盲检测的优点是对多种类型的隐写算法有效,适应性强,经过样本学习,对未知算法或新算法有效,具有泛化能力,期间尝试应用Libjpeg提取JPEG质量因子来提高检测的正确率。同样,通用盲检测也有缺点,相对于针对特定隐写的检测算法来说,可靠性低一些,检测可靠性随嵌入信息的减少剧烈下降,检测前需要学习,需保证训练数据和测试数据统计上的一致性。我们采取集成分类器,通过集成分析投票的方式来提高检测结果的可靠性。结果是根据投票结果来确定的,投票值的大小不同表明检测对于图片是否被隐写的确定程度不同,我们认为值在0左右徘徊的是不确定的项,所以决定将投票值10以下的也认为是未隐写的图片,结果略有提高,最终正确率为0.731。

文件下载

评论信息

免责申明

【只为小站】的资源来自网友分享,仅供学习研究,请务必在下载后24小时内给予删除,不得用于其他任何用途,否则后果自负。基于互联网的特殊性,【只为小站】 无法对用户传输的作品、信息、内容的权属或合法性、合规性、真实性、科学性、完整权、有效性等进行实质审查;无论 【只为小站】 经营者是否已进行审查,用户均应自行承担因其传输的作品、信息、内容而可能或已经产生的侵权或权属纠纷等法律责任。
本站所有资源不代表本站的观点或立场,基于网友分享,根据中国法律《信息网络传播权保护条例》第二十二条之规定,若资源存在侵权或相关问题请联系本站客服人员,zhiweidada#qq.com,请把#换成@,本站将给予最大的支持与配合,做到及时反馈和处理。关于更多版权及免责申明参见 版权及免责申明