论文部分内容阅读
图像隐写是一种将需要秘密传输的信息藏在图像冗余部分的图像处理技术。作为图像隐写技术的逆向技术,隐写分析技术随着图像隐写技术的发展而受到广泛关注,并成为研究的热点。隐写分析技术虽然已经取得了很多成果,但还存在诸多问题,如隐写分析的检测准确率还不够高,不能准确判断图像是否被隐写;隐写分析检测速度较慢,达不到实时检测等。以上问题导致了隐写分析还不能在现实生活中被使用,其实用性亟待提高。分类算法是隐写分析的重要组成部分,特征提取和分类器分类构成了隐写分析的基本模型。分类算法不仅影响检测准确率,同时还会影响隐写分析的检测速度,所以找到一种适合于隐写分析的分类算法成为了提高检测性能的关键。本文对当前隐写和隐写分析算法的研究进展进行了介绍,并着重分析几种具有代表性的算法。在对现有隐写分析的分类算法进行研究的基础上,提出了基于核协同分类器(Kernel Collaborative Representation based Classification,KCRC)的通用隐写分析和基于L曲线截断迭代重加权最小二乘算法(L-curve Truncated Regularized Iteratively Re-weighted Least Squares,LTR-IRLS)分类器的专用隐写分析。在通用隐写分析领域,研究了稀疏表示分类算法,针对其存在的算法复杂度高、检测准确率不足等问题,提出在通用隐写分析中使用核协同表示分类器。实验证明,该分类器与CC-PEV特征提取算法相结合在检测速度与集成分类器相近的情况下,针对最低有效比特位(Least Significant Bit,LSB)匹配、F5等隐写方法的检测准确率有了提高。在专用隐写分析领域,研究了逻辑回归算法及其改进算法,针对其检测速度低的问题,提出了一种改进逻辑回归分类算法,即LTR-IRLS算法。实验证明,与高斯核支持向量机(Gaussian Support Vector Machine,G-SVM)分类器相比,该分类器与相邻像素差(Subtractive Pixel Adjacency Matrix,SPAM)特征提取算法相结合在检测准确率不变的情况下,检测速度有了量级上的提高。