一、互联网图像隐写检测方法研究（论文文献综述）
刘甜梦[1]（2021）在《基于深度对抗网络的数字图像隐写方法研究》文中研究表明隐写作为信息隐藏领域一个重要的研究方向,是网络化时代信息隐蔽通信的重要手段。传统的数字图像隐写方法人工设计隐藏位置和隐藏策略,同时隐藏容量普遍较低。近年来,随着人工智能技术的发展,研究人员尝试利用深度学习进行自动化信息隐藏方法的设计,但现有方法仍然在不可感知性、隐藏容量和鲁棒性等方面存在不足。针对此问题,本文利用生成对抗网络（Generatative Adversarial Networks,GAN）,结合自编码器（Autoencoder,AE）、注意力机制（Attention Mechanism）以及隐写分析等理论与方法,设计了鲁棒而安全的图像隐写方案。本文的主要工作如下:（1）首先阐述了通用的图像隐写流程,对隐写的信息嵌入和提取过程分别进行了建模,然后分析和总结了现有的数字图像隐写方法存在的问题,例如在图像视觉质量和隐写容量之间达成均衡性的问题,载密图像遭受不同攻击（裁剪、缩放、像素丢失和JPEG压缩等）时重构秘密信息的鲁棒性等问题。（2）针对现有数字图像隐写方法嵌入容量与不可感知性难以取得平衡的问题,提出了一种基于自编码器和生成对抗网络的数字图像隐写模型。通过预训练自编码器将实际秘密图像转换到潜在特征空间,所嵌信息是真实秘密图像的样本特征信息,有助于实现高嵌入的隐写模型。利用一种经过优化的生成对抗网络将秘密图像嵌入到载体图像中,得到较高感知质量的载密图像,同时设计了包含对抗性训练的提取模型从载密图像中重建秘密图像,保证提取的秘密图像的视觉质量。为了更符合人类视觉系统,本文设计了一种结合L1、L2、MSE和SSIM的混合损失函数,并利用基于VGG-19的感知损失,提高了载密图像和提取图像的真实性。实验结果表明,本模型在LFW、PASCAL-VOC 2012和COCO等公开数据集上的不可感知性和嵌入容量方面表现良好,实现了 44.17db的嵌入效率和39.11db的提取效率,保证了载密图像和提取的秘密图像的真实性。此外,与目前基于载体合成的图像隐写算法相比,本方法不需要创建载体图像库,得到的载密图像更加接近真实的自然图像,且实现了较高的隐写容量。（3）针对现有利用深度学习将秘密数据与载体图像进行融合的隐写方法鲁棒性弱的问题,提出了一种结合注意力机制和对抗学习思想的高鲁棒性数字图像隐写方法。通过注意力机制学习载体图像每个像素数据的概率分布选择嵌入的比特量,将低强度和高强度的消息分别嵌入到图像视觉显着区和视觉不显着区,有助于增强模型的鲁棒性,以抵抗各种图像失真。同时加入了判别器网络和噪声层,将裁剪、缩放、像素丢失和JPEG压缩等噪声引入到编解码架构中,使模型在遭受各种攻击情况下仍能对秘密信息进行鲁棒重构,且模型更容易训练。实验结果表明,在保证载密图像质量的前提下,本算法有更强的鲁棒性,载密图像在裁剪、缩放和像素丢失等多种攻击下仍能以较高的准确率提取出秘密信息,特别是针对缩放和像素丢失攻击下的平均误码率可达0.008。
王泽[2]（2021）在《基于深度学习的联合隐写分析模型的研究与实现》文中认为隐写算法和隐写分析技术在相互对抗中不断提升。隐写算法负责嵌入秘密信息,隐写分析负责检测秘密信息的存在。随着自适应隐写算法的发展,隐写分析研究变得更加困难。深度学习的飞速发展为隐写分析带来了新的研究思路。本文围绕深度学习中的图像隐写分析问题开展研究,主要包括以下三部分内容:（1）研究灰度图多图像域联合隐写分析问题。现有灰度图隐写分析工作仅孤立地关注空间域或变换域特征,而实际上隐写操作的干扰会同时反映在空间域和变换域。因此提出跨域检测机制,模拟空域富模型（Spatial Rich Model,SRM）和变换域离散余弦变换残差的特征提取方法来联合提取空间域和变换域的隐写信号;同时,提出非线性检测机制,模拟空间域SRM的MinMax方法以适应隐写信号的非线性嵌入状态;并提出迁移学习方法,采用嵌入较少隐写信号的图像集初始化模型网络,以便增强模型对隐写信号的灵敏感知能力。最终设计实现灰度图联合隐写分析模型Wang-Net。仿真结果表明,Wang-Net在嵌入率为0.2的WOW隐写算法、嵌入率为0.2的S-UNIWARD隐写算法、嵌入率为0.4的WOW隐写算法和嵌入率为0.4的S-UNIWARD隐写算法下的隐写检测准确率分别为81.2%、77.7%、92.0%和88.8%,各准确率分别比同期前沿算法Zhu-Net高4.6%、5.8%、3.8%和 4.1%。（2）研究彩色图颜色通道联合隐写分析问题。针对当前彩色图隐写分析工作未考虑颜色通道间隐写痕迹的问题,提出跨通道检测机制,设计了矢量特征提取策略（简称VFES）、多平面特征提取策略的多平面特征提取方法1（简称MpFES1）和多平面特征提取方法2（简称MpFES2）。在VFES中,采用彩色图红绿蓝颜色像素矢量作为基本单元,以便联合提取颜色通道内和颜色通道间的隐写残差;在MpFES1中,采用可沿x和y轴旋转的平面作为基本单元,以便联合提取空间多平面内的隐写残差;在MpFES2中,采用xoy、xoz和yoz所在的空间平面作为基本单元,以便联合提取颜色通道内和通道间的隐写残差。仿真结果表明,MpFES2下模型的平均隐写检测准确率是92.6%,分别比常规特征提取策略（简称CFES）和同期前沿的分通道特征提取策略（简称ScFES）高约4.0%、1.0%;VFES下模型的平均隐写检测性能虽然略差于ScFES,但优于CFES,未来可研究像素颜色分量残差值空间结构的保全方法;MpFES1下模型的平均隐写检测性能虽然较差,但其新型矢量隐写算法检测准确率比逐通道隐写算法检测准确率高4.5%以上,未来可研究同阶残差求和操作引发的干扰的弱化方法。综合来说,MpFES2拥有最优的隐写检测能力,将其作为本文的彩色图联合隐写分析模型。（3）设计实现联合隐写分析系统,它既联合了灰度图和彩色图隐写分析功能,又在灰度图隐写分析系统中联合提取空间域和变换域隐写信号、在彩色图隐写分析系统中联合提取颜色通道内和通道间隐写信号。仿真结果表明此联合隐写分析系统可发挥灰度图WOW隐写算法、灰度图S-UNIWARD隐写算法、彩色图逐通道隐写算法和彩色图矢量隐写算法的检测功能,具有一定的应用价值。
邓利芳[3]（2021）在《基于空域富模型的图像隐写分析技术研究》文中认为图像隐写术是一种重要的隐蔽通信技术,它利用像素值或者DCT系数的微小变化隐藏秘密信息。然而,隐写技术有利有弊,其在为国家安全、军事情报、商务机密等提高通信安全的同时,也为非法分子窃取机密信息、破坏信息完整等违法活动提供了便利。隐写分析作为隐写术的对抗技术,主要是通过对载体提取的相关特性进行分析来判断是否存在隐藏信息。近年来,许多隐写分析特征都取得了良好的性能。隐写分析技术的研究进展有利于检测隐写术的安全性;同时有助于阻止机密信息泄露和遏制病毒等有害信息的传播,具有重要的理论意义和现实意义。空域图像隐写分析主要分为基于传统手工特征和深度学习的隐写分析方法,目前主流和先进的传统隐写分析特征是富模型特征,基于深度学习的隐写分析也常利用富模型特征中设计的滤波器来初始化预处理层。因此,本文为了提高空域图像隐写分析算法的检测性能,对基于富模型的传统隐写分析算法和深度学习隐写分析方法进行研究,主要内容包括:（1）结合混合核特征映射的空域图像隐写分析。这项工作主要是针对富模型特征维数达到数万维,使用公开数据集BOSSBasev1.01时,现有的方法不能直接对富模型特征进行核变换和近似映射。本文提出了一种将高维富模型特征先分割再映射,映射后的特征拼接后再用集成分类器分类的思想,并且通过构造一种新的混合核函数来改进特征近似映射算法,从而提高隐写检测性能。（2）基于嵌入概率和类间距的富模型特征选择算法。由于富模型特征提取方案中统计了大量对隐写分析无效的特征,影响了分类精度和分类成本。然而,传统的费舍尔准则特征选择算法忽略了特征间的相关性。因此,提出首先根据不同嵌入概率简化特征,然后采用类间距和Person相关系数进行属性可分性度量,根据度量值选择更有效的特征,降低特征维数。（3）基于可分离卷积和局部源残差学习的图像隐写分析。虽然富模型及选择通道版本的隐写分析取得了较高的检测准确率,但是富模型特征维度高,计算比较困难,算法的鲁棒性差。而基于深度学习的图像隐写分析方法,其检测性能的提高通常是通过结构扩展和启发式技巧来实现的。因此,该部分结合富模型和深度学习,引入可分离卷积、局部源残差和全局协方差池改进CNN网络框架,提高检测性能。综上所述,本文基于富模型特征分别提出了特征映射算法和特征选择方法;并且结合富模型特征,提出了基于可分离卷积和局部源残差学习的隐写分析网络。最后,通过大量实验验证了所提方法的有效性。
李伟祥[4]（2021）在《高效隐写编码与JPEG代价函数增强方法研究》文中研究指明随着信息技术与互联网的快速发展,包括商业、军事和个人隐私在内的大量敏感机密数据在网络上进行传输,保障数据通信的安全正变得日益重要。数字隐写是实现隐蔽通信或隐蔽存储的一类信息隐藏技术,它通过将隐私数据隐藏在数字多媒体文件（如图像、音视频、文本等）中,以不引起视/听觉和统计可察觉变化的方式来完成含密载体的公开传递或隐秘储存,从行为安全的视角规避了恶意第三方的窥探和破坏,有效保障了隐私数据的机密性。JPEG图像作为互联网上最为流行的图像,已经成为设计隐写算法的重要载体。隐写分析是检测隐写的对抗技术,高维隐写分析特征和深度学习隐写分析器的日益强大,对JPEG图像的隐写安全性提出了挑战。为了提高隐写安全性,JPEG图像隐写已经发展到了自适应隐写阶段,以尽可能减小消息嵌入过程对图像的修改。当前主流的自适应隐写算法是基于“STC编码+代价函数”的最小化代价隐写模型来设计的,其中代价函数用于定义每个载体元素的修改代价,编码算法在实现消息嵌入的同时能够最小化隐写修改总代价。尽管STC提供了一种逼近最优的自适应隐写码方案,但从底层编码技术的关键性来看,自适应隐写码仅有STC这一类选项对于隐写发展有着潜在的威胁;而且随着JPEG图像变得越来越大,在长载体上执行STC嵌入会导致时耗过大的问题。另一方面,当前JPEG代价函数在定义DCT系数的±1修改代价时是加性且对称的,这并没有很好地利用自然图像的邻域相关性和图像处理过程中的有用边信息。围绕上述问题,本学位论文针对隐写算法设计的三个关键环节:隐写编码—嵌入提速—代价函数开展研究。从JPEG图像出发,先使用基于块边界连续的非加性代价函数或基于边信息估计的非对称代价函数来定义DCT系数的修改代价,通过载体缩减算法减小载体长度,再使用基于极化码的隐写编码算法完成消息嵌入。显然,本文研究内容可最终生成一系列安全高效的JPEG图像隐写算法。现将本文的主要研究工作及其创新性总结如下。1.提出了基于极化码的自适应隐写码极化码是目前唯一被理论证明的可达香农极限的纠错码方案,有着低复杂度的编译码算法。利用隐写信道与二进制对称信道的等价关系,本文使用隐写嵌入率和隐写代价来计算极化码校验矩阵和译码信道初始参数,并基于序贯删除列表译码算法设计了自适应隐写编码算法,同时提出了三种策略将算法扩展至任意码长。实验结果表明基于极化码的隐写码方案适用于任意码长和任意代价函数,与STC相比,能以更低的嵌入时耗逼近隐写代价理论界。该隐写码方案扩充了自适应隐写码的多样性,突破了隐写算法设计对STC的依赖。2.提出了基于载体缩减的JPEG快速嵌入方法为了应对长载体隐写的实时通信需求,STC建议通过减小编码参数h来加速消息嵌入,但这在一定程度上损害了隐写安全性。从缩减载体（即减小载体长度n）的角度来考虑嵌入提速的问题,本文分析并证明了缩减载体会增大隐写代价的有损性以及构造缩减载体的最优性等性质,并根据这些性质和DCT系数分布特性设计了基于量化步长排序、载体折叠和近似代价同步的缩减载体构造算法。实验结果表明,该缩减载体构造算法在维持隐写安全性不变的前提下能够成倍降低嵌入时耗。基于载体缩减的JPEG快速嵌入方法是处于隐写码和代价函数之间的承接技术,因此适用于不同的隐写码方案和代价函数。3.提出了基于块边界连续的JPEG非加性代价函数定义非加性代价,即在隐写时考虑不同元素修改之间的相互影响,是隐写领域的公开问题之一。现有JPEG代价函数都是基于加性代价模型来设计的,它们假设DCT系数的修改之间是相互独立的,忽略了不同系数修改之间的相互作用。从维护自然图像的邻域相关性出发,本文分析了相邻块间相同频率DCT系数的联合修改对空域块边界的影响,提出了“块边界连续性”原则用于设计水平/竖直相邻块间系数的非加性代价函数。在该原则指导下,有些块间系数被鼓励同向修改,有些则被鼓励反向修改。实验结果表明,该非加性代价函数可增强任意加性代价函数的隐写安全性,有效抑制了隐写修改造成的块效应。“块边界连续性”原则给出了一种计算JPEG非加性代价的有效方法,为后续JPEG非加性代价的深入研究奠定了基础。4.提出了基于边信息估计的JPEG非对称代价函数当拥有原始空域图像时,“边信息已知”JPEG隐写使用JPEG压缩过程中的取整误差（即边信息）来调制DCT系数的修改代价,获得超高的隐写安全性。然而在现实场景中,隐写者只有一张JPEG图像而没有原始空域图像,也就无法获得取整误差。从估计原始空域图像来获取取整误差的角度出发,本文提出了基于“边信息估计”JPEG隐写的一般性框架,借鉴图像处理领域的去块效应方法来估计边信息,并基于隐写代价调制中的关键少数因素,设计了合理利用取整误差的极性和幅值的非对称代价调制函数。实验结果表明,该非对称代价函数可大幅增强任意对称代价函数的隐写安全性,某些情况下甚至超过了“边信息已知”隐写算法。具有高安全性的边信息估计隐写推动了大容量JPEG图像隐写的发展,其框架为后续相关研究指明了方向。
乔彦[5]（2021）在《高动态范围图像隐写技术研究》文中指出互联网自1969年诞生以来,在各个领域都有不可忽视的建树,同时也给信息安全领域带来了极大的挑战。信息隐藏技术是针对信息安全问题发展起来的,利用不同形式的传播载体实现秘密信息的传递,其中一个分支就是隐写。以图像为载体的隐写技术,从修改操作的作用域进行划分,有空域和变换域两种,并逐渐从无差别对待所有像素点的非自适应隐写发展到关注图像内容并结合编码的自适应隐写,随着深度学习领域的日益火爆和计算机算力的提升,利用深度学习网络模型进行训练直接生成隐写图像以及利用对抗思想进行隐写分析也成为当今图像隐写技术很有前景的发展方向。但现有研究大部分都将LDR图像作为隐写载体,在隐写安全性和隐写容量的权衡上还有一定的局限。高动态范围图像与传统图像相比,其浮点数数据类型的特性能够提供极大的动态范围,从而将自然场景中的色彩、亮度等各种细节真实地展现出来,因此在数字图像领域受到越发广泛的关注。同时,浮点数数据类型也使得HDR图像的冗余空间更大,这也为图像隐写技术提供了新的思路。本文对HDR图像的不同存储格式进行细致研究,以传统图像隐写术和基于深度学习的图像隐写术为理论基础,提出了两种不同的以HDR图像作为载体图像的隐写算法:1)基于RGBE格式的HDR图像隐写算法结合自适应隐写算法思想,将图像分为平坦区域和边缘区域,根据HDR图像像素点的指数值确定像素修改幅度从而对其进行修改,实现秘密信息的嵌入。经验证,本算法生成的隐写图像的可感知概率很低,能够达到SCOA安全等级,与现有的基于HDR图像的隐写算法相比,生成的隐写图像质量更好。2)基于卷积网络的HDR图像隐写算法利用Open EXR格式提取HDR图像小数空域的后八位比特作为隐写载体,设计了以Residual Block为基础模块的隐藏网络和提取网络,并将余弦相似性函数加入损失函数中,衡量图像对之间的颜色失真,最终实现将一张LDR图像隐藏到相同尺寸的HDR图像中。从主观视觉和客观指标两个方面对生成的图像进行质量评估,均取得了不错的效果。除此,实验证明所提算法能够抵抗隐写分析工具的攻击,安全性较高。
伍迁[6]（2021）在《一种多载体与多算法结合的隐写系统的研究与实现》文中指出互联网的快速发展在给人们带来便利的同时,也给人们的生活带来诸多安全隐患,其中信息安全尤为重要。为提高传输信息的安全性,保护个人隐私,很多学者在从事隐写技术研究,它是利用载体的冗余,将秘密信息嵌入到载体中通过公共信道进行传输,避免第三方的怀疑,从而实现秘密信息的传递。图像是隐写常用的载体之一,传统的以图像为载体的隐写术都是以单张图像作为载体,但单张图像作为载体隐写容量有限。为适应实际需求,确保秘密信息的安全传输,于是基于多载体的图像隐写术成为研究热点之一。本文将围绕多种载体图像与多个隐写算法的结合来展开研究,主要工作如下:1.为研究载体格式与隐写容量、安全性的关系,本文首先建立了包含常见多种格式的图像库,如bmp、jpg、png等格式,然后选取具有不同特点的隐写算法构建算法库,包括具有较大隐写容量并且计算复杂度较低的LSBM（Least Significant Bit Matching）算法,适用于JPEG图像的最早经典算法JSteg隐写算法,嵌入效率较高的F5隐写算法,能够有效抵抗隐写分析检测的基于JEPG域的自适应隐写算法J-UNIWARD（JPEG UNIversal WAvelet Relative Distortion）隐写算法及其改进隐写算法,以及进一步提高算法隐写容量的UERD（Uniform Embedding Revisited Distortion）隐写算法。几种隐写算法共同组成了本文的算法库用来满足隐写时面对的不同需求,并根据每种算法的安全性将其分为不同的等级。2.设计了一种优先遍历的最短路径隐写策略。在相同的实验环境下,对算法库中的每种隐写算法做抗隐写分析能力检测,设定嵌入率为0.1-0.5。记下在不同嵌入率下嵌入完成所需要的时间,记为P1,同时记下该嵌入率下的隐写分析错误率,记为P2。然后将秘密信息按内容的重要程度进行划分为不同的密级,选择对应等级的隐写算法。综合考虑P1、P2,根据最短路径原则选择对应的隐写算法以及最佳的嵌入嵌入率,根据算法适用的图像格式以及隐写时对载体图像的修改方式的差异从图像库中选择能使算法性能达到最优的图像作为隐写的载体图像。本文在理论验证的基础上,通过实验验证了这一方法的可行性,同时通过隐写分析实验证明,将多载体与多算法结合在保证安全性的前提下有效的解决了单载体隐写容量不足的问题,同时避免了资源的浪费。
余聪[7]（2021）在《基于深度学习的生成式图像隐写算法研究》文中研究说明隐写是一种基于信息隐藏的隐蔽通信技术或隐蔽存储方法,通过难以感知的方法将秘密信息隐藏在可以公开的载体中。在隐写与隐写分析的长期对抗发展过程中,隐写研究者提出了丰富的图像隐写思路与方法。无嵌入图像隐写算法不存在被修改的载体图像,虽然理论上具有很高的安全性,但是普遍存在图像特性单一和生成图像质量差的问题。嵌入式图像隐写算法通过修改载体图像的方法进行秘密信息写入,因此容易留下修改痕迹而受到隐写分析模型的攻击。面对现有隐写方法存在的问题,本文针对性地提出了不同的图像隐写算法。首先本文从无嵌入隐写的方式出发,提出了一种基于自注意力机制的生成式隐写算法。利用生成对抗网络的样本生成能力,通过秘密信息直接生成载秘图像。同时针对现有工作存在图像质量差和图像背景异常等问题,设计实现了自注意力机制,在计算全局像素相关性的基础上,纠正图像生成的扭曲和伪影。在软间隔损失的基础上设计了适应于隐写判别器损失函数,保障秘密信息容量的基础上极大地提高了生成图像的质量。提取器通过精度阈值的设置,避免了参数过度优化而造成图像质量降低的问题。其次本文从有嵌入隐写的方式出发,提出了一种基于自编码网络的图像风格化隐写模型。根据图像自适应正则化方法可实现任意风格迁移的特点,设计实现了一种能够在图像风格化过程中进行隐写的网络模型。通过主动对图像进行艺术加工的行为掩护秘密信息的嵌入,在一定程度上提高了嵌入式隐写的安全性。针对图像风格化过程,图像内容将被大幅度保留现象,设计可学习的预处理滤波器提取图像纹理内容特征作为秘密信息嵌入概率,将信息隐藏在图像内容之中。接收方将风格化图像滤波处理后,再进行秘密信息的恢复。最后,本文设计了不同的实验以证明所提出算法模型的有效性,并通过不同的评价指标衡量算法的性能。实验结果表明,本文所提出的算法能够生成更高质量的近似自然图像;所设计的模型能够进行秘密信息的嵌入与提取,隐写容量也优于现有的隐写方法。
郑钢[8]（2021）在《基于LSTM和强化学习的图像隐写分析算法研究》文中指出随着数字多媒体与计算机技术的发展,隐写术能以更加难以察觉的方式将秘密信息隐藏在数字多媒体中（如文本、图像和音视频等）。隐写术的滥用不仅威胁到每个公民的隐私安全,更关系到整个国家的繁荣与稳定。为了提高隐写检测准确率,隐写分析者提出了基于卷积神经网络的高级图像自适应检查算法。这类算法通过不断学习网络模型结构中的相关参数,挖掘数据中隐含的复杂关系,提取图像中的数据特征。这不仅大大降低了对研究人员经验和精力的要求,而且提高了隐写检测正确率。但现有卷积神经网络的隐写分析算法的网络结构相对单调简单,没有充分考虑到图像自适应隐写术的特性。同时,手动构建卷积神经网络是一个非常花费研究人员的时间和机器算力的过程,而且构建出来的网络易出错。针对上述问题,本论文分别提出了两种不同的图像隐写分析方法。主要创新点如下:首先为了进一步提高隐写分析的性能,论文提出了一种基于卷积神经网络的混合网络模型——SRNet-res-LSTM。该方法利用残差结构将目前先进的隐写分析网络之一SRNet和LSTM（Long Short-Term Memory）结合起来。该模型使用卷积神经网络提取图像特征,然后将提取的特征转移到LSTM结构中并优化特征之间的联系,以便保留有效的隐写分析特征,而忽略不利的特征。实验结果表明,基于卷积神经网络和LSTM的混合网络模型相较于单一的卷积神经网络,提高了对图像自适应隐写算法的检测精准度。其次针对手动构建卷积神经网络过于花费时间和算力,本文提出了一种自动化构建图像隐写分析网络模型的方法,用于检测图像自适应隐写术。使用具有ε-greed策略的经典强化学习方法Q-learning算法来训练学习智能体。我们将智能体在行动空间中的行动顺序建模成构建隐写分析网络的过程。智能体可以从搜索空间搜索出多种适用于隐写分析的高性能网络。我们在自动化构建图像隐写分析网络模型方面进行了探索,提出了一个基于模块的有行动限制的搜索空间,其中包含适用于隐写分析任务的三种特定类型的模块:噪声残差提取模块,特征提取模块,特征分类模块。采用基于模块的搜索空间策略可以有效缩减搜索空间,从而提高自动化构建隐写分析网络的效率。我们还设计了相关实验以证明方法的有效性,实验结果证明,构建的隐写分析网络对比当前的自动构建卷积神经网络方法生成的网络有性能优势。
潘晓鸽[9]（2021）在《基于空域图像LSB隐写算法研究》文中认为随着计算机网络技术的飞速发展,人们的交流变得更加便捷。然而,在网络中的交流可能会涉及一些重要内容,比如:个人的账户密码、企业的机密、国家的保密文件等。在传输的过程中,数据的安全性也受到人们的关注,隐写术也应运而生。隐写的载体可以是图像、文本、视频、音频等。日常沟通中图像占有较大的比重,因此本文采用的以图像为载体。针对隐写图像安全性、鲁棒性和最佳嵌入位置等方面的不足,研究与分析相关成果的基础上,提出了一些新的隐写算法。本文的主要工作与创新点如下:（1）提出了一种基于最低有效位（LSB）和相邻像素值的隐写算法。首先,该算法将每个平面的个体贡献考虑在内,先将红色（R）、绿色（G）和蓝色（B）三个平面分割成大小为1×2的不相交的块。然后,计算每个平面的容差能力嵌入秘密消息,根据计算结果嵌入秘密消息。第三,在嵌入秘密消息时采用奇偶对比嵌入的方法,使得嵌入前后图像像素值变化较小。最后,通过测量均方误差（MSE）、峰值信噪比（PSNR）来评估所提出算法的性能。实验结果表明,所提出的隐写算法与其他同类算法相比,具有更好的安全性和隐写图像质量。（2）提出了一种基于最低有效位（LSB）隐写技术的人工鱼群（AFS）增强算法。首先,该算法提出块分配列表,将人工鱼群算法应用在散列域内求最优值中,其结果用于寻找最佳嵌入位置。其次,该算法提升了隐蔽图像的质量,同时鲁棒性得以增强,在传输的过程中容忍失真。第三,该算法利用AFS算法选择的像素点位置,通过像素强度量化来嵌入秘密图像像素数据,在图像压缩和噪声条件下,也能提取出秘密数据。我们用标准图对所提出的技术的性能进行了评估,实验结果表明,该方法能够产生更好质量的隐写图像,即使隐写图像受到压缩或噪声攻击,也能有效地恢复隐藏图像。
黄锦静[10]（2020）在《纹理敏感的可变尺度深度隐写算法研究》文中研究说明图像隐写用于将数字证书、密钥等重要信息嵌入到图像中,从而实现在公共信道中安全地传输,对信息隐藏和隐私保护具有重要作用。随着深度学习的发展,出现了深度图像隐写模型,弥补了传统方法需要手工设计特征的缺点,但是还有一些重要的不足。目前的深度图像隐写模型没有很好地考虑载体图像不同位置像素点的纹理复杂度差异,使得其生成的载密图像在视觉质量上存在颜色和亮度失真。只能处理固定尺寸的秘密信息,且忽略了载密图像存在的数据类型转换或JPEG压缩带来的损失,大大限制了其实用性。本文针对目前深度图像隐写模型存在的不足进行了深入的研究,具体工作如下:1.提出可变尺度的深度隐写分析模型（RMCNN）,一个带有残差块的50层卷积神经网络,通过同时优化残差计算、特征提取和分类器提高隐写分析的准确性。RMCNN引入了通过全局池化提取固定维度的统计矩特征的Moment层,从而实现对不同尺寸的图像的隐写检测,为后续的图像隐写模型提供必要的支持。2.提出纹理敏感的可变尺度深度隐写模型（STGAN）,将可变尺度的秘密信息（包括图像、文本和二进制数据）隐藏到自然图像。该模型是一个端到端的网络,包含隐写网络、提取网络和隐写判别器三个部分,其中前两个子网络为特征图尺寸不变的全卷积网络,而隐写判别器为RMCNN,故其可以处理不同尺寸的图像。为提升载密图像的视觉质量,提出一个基于纹理的损失函数TL,赋予像素与纹理复杂度成反比的惩罚权重,在纹理丰富的区域嵌入更多信息。为提取网络的鲁棒性,构建包含截断层和JPEG模拟层的噪音层,确保其能从带有相应损失的载密图像中恢复出秘密信息。此外,当秘密信息是文本或者二进制数据时,以二维码为中间载体,不用改变STGAN的结构即可实现可变尺度的信息隐写。3.为了验证STGAN模型的有效性,本文进行了大量实验。STGAN具有较强的鲁棒性,能以任意的自然图像为载体,以可变尺寸的图像和文本为秘密信息,生成视觉质量优异的载密图像,与载体图像之间的SSIM指标大于0.98。当以BOSSbass图像集为载体且嵌入容量为1 bpp时,ATS的检测准确率为0.523,表明STGAN保证了秘密信息的安全性。
二、互联网图像隐写检测方法研究（论文开题报告）
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
本文主要提出一款精简64位RISC处理器存储管理单元结构并详细分析其设计过程。在该MMU结构中,TLB采用叁个分离的TLB,TLB采用基于内容查找的相联存储器并行查找,支持粗粒度为64KB和细粒度为4KB两种页面大小,采用多级分层页表结构映射地址空间,并详细论述了四级页表转换过程,TLB结构组织等。该MMU结构将作为该处理器存储系统实现的一个重要组成部分。
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
三、互联网图像隐写检测方法研究（论文提纲范文）
（1）基于深度对抗网络的数字图像隐写方法研究（论文提纲范文）
| 摘要 |
| abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究进展 |
| 1.2.1 传统隐写算法 |
| 1.2.2 基于深度学习的图像隐写算法 |
| 1.3 主要研究内容和论文结构安排 |
| 1.4 本章小结 |
| 2 相关理论基础 |
| 2.1 图像隐写术的基本原理与框架 |
| 2.2 图像隐写分析 |
| 2.3 隐写算法的评价准则 |
| 2.3.1 隐写性能指标 |
| 2.3.2 评估指标 |
| 2.4 深度学习相关理论 |
| 2.4.1 生成对抗网络 |
| 2.4.2 自编码器 |
| 2.4.3 VGG-19模型 |
| 2.4.4 注意力机制 |
| 2.5 本章小结 |
| 3 基于自编码器和生成对抗网络的图像隐写算法 |
| 3.1 设计思路 |
| 3.2 算法框架设计 |
| 3.2.1 算法流程 |
| 3.2.2 网络模型结构 |
| 3.2.3 训练过程 |
| 3.2.4 损失函数设计 |
| 3.3 实验结果与分析 |
| 3.3.1 实验设置 |
| 3.3.2 不可感知性分析 |
| 3.3.3 提取图像质量分析 |
| 3.3.4 隐写容量分析 |
| 3.4 本章小结 |
| 4 基于注意力机制和对抗学习的图像隐写算法 |
| 4.1 设计思路 |
| 4.2 算法流程 |
| 4.3 网络模型设计 |
| 4.3.1 生成模型 |
| 4.3.2 提取模型 |
| 4.3.3 判别模型 |
| 4.3.4 噪声层 |
| 4.3.5 损失函数与训练过程 |
| 4.4 实验结果与分析 |
| 4.4.1 实验设置 |
| 4.4.2 鲁棒性分析 |
| 4.4.3 载密图像质量分析 |
| 4.5 本章小结 |
| 5 总结与展望 |
| 5.1 工作总结 |
| 5.2 本文的主要贡献 |
| 5.3 未来研究展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间主要研究成果 |
（2）基于深度学习的联合隐写分析模型的研究与实现（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第一章 绪论 |
| 1.1 研究背景及研究意义 |
| 1.2 国内外研究现状 |
| 1.2.1 隐写算法概述 |
| 1.2.2 传统隐写分析研究现状 |
| 1.2.3 基于CNN的隐写分析研究现状 |
| 1.3 研究内容 |
| 1.4 论文结构 |
| 第二章 研究基础 |
| 2.1 隐写分析系统 |
| 2.2 性能评价指标 |
| 2.3 深度学习卷积神经网络 |
| 2.3.1 卷积神经网络概述 |
| 2.3.2 卷积运算 |
| 2.3.3 池化和激活函数 |
| 2.4 本章小结 |
| 第三章 灰度图联合隐写分析模型设计与实现 |
| 3.1 问题分析 |
| 3.2 联合隐写分析模型框架 |
| 3.2.1 预处理阶段 |
| 3.2.2 特征提取阶段 |
| 3.2.3 分类阶段 |
| 3.3 非线性和跨域检测机制 |
| 3.3.1 非线性检测机制 |
| 3.3.2 跨域检测机制 |
| 3.4 仿真及分析 |
| 3.4.1 实验环境 |
| 3.4.2 非线性检测机制仿真分析 |
| 3.4.3 跨域检测机制仿真分析 |
| 3.4.4 迁移学习仿真分析 |
| 3.5 本章小结 |
| 第四章 彩色图联合隐写分析模型设计与实现 |
| 4.1 问题分析 |
| 4.2 跨通道检测机制理论分析 |
| 4.3 彩色图隐写算法安全性分析 |
| 4.4 VFES仿真及分析 |
| 4.4.1 最大均值差异仿真分析 |
| 4.4.2 空间统计分析 |
| 4.4.3 模型仿真分析 |
| 4.4.4 小结 |
| 4.5 多平面特征提取策略仿真及分析 |
| 4.5.1 策略设计 |
| 4.5.2 空间统计分析 |
| 4.5.3 模型仿真分析 |
| 4.5.3.1 MpFES1下模型仿真分析 |
| 4.5.3.2 MpFES2下模型仿真分析 |
| 4.5.4 小结 |
| 4.6 本章小结 |
| 第五章 联合隐写分析系统设计与实现 |
| 5.1 联合隐写分析系统设计 |
| 5.1.1 需求分析 |
| 5.1.2 系统架构设计 |
| 5.2 隐写分析系统设计与实现 |
| 5.2.1 灰度图系统设计与实现 |
| 5.2.2 彩色图系统设计与实现 |
| 5.3 联合隐写分析系统应用及测试 |
| 5.4 本章小结 |
| 第六章 总结与展望 |
| 6.1 工作总结 |
| 6.2 研究展望 |
| 参考文献 |
| 致谢 |
| 攻读学位期间发表的学术论文目录 |
（3）基于空域富模型的图像隐写分析技术研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像隐写术的发展和现状 |
| 1.2.2 传统隐写分析技术的研究现状 |
| 1.2.3 富模型特征选择算法的研究现状 |
| 1.2.4 基于神经网络的隐写分析研究现状 |
| 1.3 论文的研究内容 |
| 1.4 论文的组织结构 |
| 2 隐写与隐写分析基本理论与方法 |
| 2.1 数字图像自适应隐写概述 |
| 2.1.1 自适应隐写算法综述 |
| 2.1.2 隐写术评价指标 |
| 2.2 基于人工特征的图像隐写分析方法 |
| 2.2.1 通用隐写分析特征 |
| 2.2.2 非线性特征映射 |
| 2.2.3 分类器及评价指标 |
| 2.3 基于深度学习的图像隐写分析方法 |
| 2.3.1 卷积神经网络 |
| 2.3.2 基于卷积神经网络的隐写分析模型 |
| 2.4 本章小结 |
| 3 结合混合核特征映射的空域图像隐写分析 |
| 3.1 隐写分析框架及特征处理 |
| 3.1.1 提出的隐写分析框架 |
| 3.1.2 提取富模型隐写分析特征 |
| 3.1.3 特征分割 |
| 3.2 非线性特征映射的核函数构造 |
| 3.2.1 核函数 |
| 3.2.2 非线性混合核 |
| 3.3 非线性映射过程 |
| 3.3.1 从核到到特征映射 |
| 3.3.2 结合混合核的特征Nystr?m近似映射 |
| 3.4 实验及分析 |
| 3.4.1 实验基础 |
| 3.4.2 实验结果和分析 |
| 3.5 本章小结 |
| 4 基于嵌入概率和类间距的特征选择隐写分析方法 |
| 4.1 不同嵌入率的图像隐写特征 |
| 4.2 特征选择方法 |
| 4.2.1 基于嵌入概率的特征选择 |
| 4.2.2 基于类间距和Person相关系数的特征选择 |
| 4.3 实验与分析 |
| 4.3.1 实验设置 |
| 4.3.2 实验结果与分析 |
| 4.4 本章小结 |
| 5 基于可分离卷积和局部源残差学习的空域图像隐写分析方法 |
| 5.1 Inception结构和可分离卷积 |
| 5.2 基于可分离卷积和局部源残差学习的隐写分析框架 |
| 5.2.1 预处理层 |
| 5.2.2 可分离卷积 |
| 5.2.3 增强的残差和局部源残差学习 |
| 5.2.4 全局协方差池 |
| 5.3 实验与分析 |
| 5.3.1 数据集及预处理 |
| 5.3.2 实验环境及参数设置 |
| 5.3.3 实验结果及分析 |
| 5.4 本章小结 |
| 6.总结与展望 |
| 6.1 本文工作总结 |
| 6.2 工作展望 |
| 致谢 |
| 参考文献 |
| 攻读学位期间的研究成果 |
（4）高效隐写编码与JPEG代价函数增强方法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 第1章 绪论 |
| 1.1 研究背景与意义 |
| 1.1.1 隐写码在隐写算法中的地位 |
| 1.1.2 JPEG图像隐写在社交网络中的流行性 |
| 1.1.3 本文的选题意义 |
| 1.2 国内外研究现状与发展趋势 |
| 1.2.1 隐写码 |
| 1.2.2 JPEG代价函数 |
| 1.2.3 非加性代价函数 |
| 1.3 论文的研究内容与创新点 |
| 1.4 论文的结构安排 |
| 第2章 基本理论与方法 |
| 2.1 隐写模型 |
| 2.2 隐写码 |
| 2.3 自适应隐写 |
| 2.3.1 最小化代价隐写模型 |
| 2.3.2 隐写代价的计算原则 |
| 2.3.3 非加性代价嵌入模型 |
| 2.3.4 非对称代价应用场景 |
| 2.4 隐写分析与隐写安全性 |
| 2.4.1 人工高维特征与集成分类器 |
| 2.4.2 基于CNN的隐写分析器 |
| 2.4.3 隐写安全性 |
| 2.5 本章小结 |
| 第3章 基于极化码的自适应隐写码 |
| 3.1 引言 |
| 3.2 预备知识 |
| 3.2.1 极化码的编译码算法 |
| 3.2.2 隐写二元信道与二进制对称信道的关系 |
| 3.3 基于SCL译码算法的自适应隐写码 |
| 3.3.1 确定隐写校验矩阵 |
| 3.3.2 将隐写代价引入译码过程 |
| 3.3.3 隐写码的编解码算法 |
| 3.4 任意码长的极化隐写码 |
| 3.4.1 基于分段嵌入的载体切分 |
| 3.4.2 基于湿点填充的载体扩展 |
| 3.4.3 基于折叠处理的载体缩减 |
| 3.4.4 三种策略的对比 |
| 3.5 模拟实验结果与分析 |
| 3.5.1 码长为2的次幂 |
| 3.5.2 码长为任意码长 |
| 3.5.3 本节小结 |
| 3.6 图像隐写实验 |
| 3.6.1 实验设置 |
| 3.6.2 空域图像隐写 |
| 3.6.3 JPEG图像隐写 |
| 3.6.4 本节小结 |
| 3.7 本章结论 |
| 第4章 基于载体缩减的JPEG图像快速嵌入方法 |
| 4.1 引言 |
| 4.2 载体缩减的性质 |
| 4.2.1 最小化代价模型与Gibbs修改概率的最优性 |
| 4.2.2 载体缩减的抽象及代价有损性 |
| 4.2.3 载体缩减的最优性 |
| 4.2.4 载体缩减的最优性与缩减率的关系 |
| 4.2.5 本节小结 |
| 4.3 缩减载体的构造算法 |
| 4.3.1 基于“量化步长排序”的构造算法 |
| 4.3.2 基于“载体折叠”的构造算法 |
| 4.3.3 结合“量化步长排序”与“载体折叠”的构造算法 |
| 4.3.4 结合“载体平滑”与“代价湿化”的构造算法 |
| 4.3.5 本节小结 |
| 4.4 实验结果与分析 |
| 4.4.1 不同构造算法的平均代价 |
| 4.4.2 与减小h的方法的对比 |
| 4.4.3 在其他基准h的STC和不同基准l的SPC上的性能 |
| 4.4.4 本节小结 |
| 4.5 本章结论 |
| 第5章 基于块边界连续的JPEG非加性代价函数 |
| 5.1 引言 |
| 5.2 DCT系数修改的空域影响 |
| 5.2.1 单个系数的修改 |
| 5.2.2 两个块间相同频率系数的修改 |
| 5.3 “块边界连续性”原则 |
| 5.3.1 原则描述与推导 |
| 5.3.2 验证实验 |
| 5.4 JPEG非加性代价的计算 |
| 5.4.1 2-系数块的联合代价 |
| 5.4.2 2-系数块联合代价的更新 |
| 5.4.3 4-系数块的联合代价 |
| 5.5 实验结果与分析 |
| 5.5.1 实验设置 |
| 5.5.2 三种非加性代价的对比 |
| 5.5.3 对加性代价的提升 |
| 5.5.4 本节小结 |
| 5.6 本章结论 |
| 第6章 基于边信息估计的JPEG非对称代价函数 |
| 6.1 引言 |
| 6.2 “边信息估计”JPEG隐写的一般性框架 |
| 6.3 估计边信息的方法 |
| 6.3.1 人工设计的方法 |
| 6.3.2 基于CNN的方法 |
| 6.3.3 性能评价 |
| 6.4 对“边信息已知”代价调制的探究 |
| 6.4.1 “边信息已知”代价调制及其退化算法 |
| 6.4.2 “边信息已知”代价调制中的关键少数 |
| 6.4.3 本节小结 |
| 6.5 基于估计边信息的代价调制算法 |
| 6.5.1 幅值完全的调制算法 |
| 6.5.2 唯极性的调制算法 |
| 6.5.3 最小基础代价优先的调制算法 |
| 6.5.4 幅值二级管理的调制算法 |
| 6.5.5 结合最小代价优先与幅值二级管理的调制算法 |
| 6.5.6 本节小结 |
| 6.6 实验结果与分析 |
| 6.6.1 调制算法的最优调制参数 |
| 6.6.2 不同代价调制算法的对比 |
| 6.6.3 DEBER隐写算法的通用性检验 |
| 6.6.4 本节小结 |
| 6.7 本章结论 |
| 第7章 总结与展望 |
| 7.1 论文总结 |
| 7.2 未来工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
（5）高动态范围图像隐写技术研究（论文提纲范文）
| 摘要 |
| abstract |
| 缩略词表 |
| 第一章 绪论 |
| 1.1 课题研究背景及意义 |
| 1.2 国内外研究历史与现状 |
| 1.2.1 基于数字图像的隐写算法研究现状 |
| 1.2.2 基于数字图像的隐写分析算法研究现状 |
| 1.3 本文的主要贡献 |
| 1.4 论文的组织结构 |
| 第二章 隐写和深度学习相关研究综述 |
| 2.1 HDR图像概述 |
| 2.1.1 HDR图像的生成和存储 |
| 2.1.2 色调映射 |
| 2.2 图像隐写技术与隐写分析技术综述 |
| 2.2.1 图像隐写模型 |
| 2.2.2 图像隐写分析技术 |
| 2.2.3 图像隐写性能指标 |
| 2.3 深度学习相关工作 |
| 2.3.1 深度学习与神经网络概述 |
| 2.3.2 卷积神经网络 |
| 2.3.3 残差网络 |
| 2.3.4 自动编码器 |
| 2.4 本章小结 |
| 第三章 基于RGBE格式的HDR图像隐写算法 |
| 3.1 HDR图像的视觉感知曲线 |
| 3.2 理论分析 |
| 3.2.1 RGBE格式简介 |
| 3.2.2 指数通道对图像失真的影响 |
| 3.2.3 像素等价状态 |
| 3.2.4 确定图像边缘 |
| 3.3 算法流程 |
| 3.3.1 秘密信息预处理 |
| 3.3.2 秘密信息嵌入和提取 |
| 3.4 实验结果及分析 |
| 3.4.1 性能分析 |
| 3.4.2 综合对比 |
| 3.5 本章小结 |
| 第四章 基于卷积网络的HDR图像隐写算法 |
| 4.1 图像隐写载体选取 |
| 4.2 基于卷积网络的图像隐写技术 |
| 4.2.1 训练数据集建立 |
| 4.2.2 残差卷积网络结构 |
| 4.3 算法流程及框架 |
| 4.4 复合损失函数 |
| 4.5 训练参数 |
| 4.6 实验结果与分析 |
| 4.6.1 损失函数性能比较 |
| 4.6.2 实验结果分析 |
| 4.7 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 后续工作展望 |
| 致谢 |
| 参考文献 |
| 攻读硕士期间的研究成果 |
（6）一种多载体与多算法结合的隐写系统的研究与实现（论文提纲范文）
| 摘要 |
| Abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 发展历程和研究现状 |
| 1.3 主要研究内容 |
| 1.4 论文的结构与安排 |
| 第二章 相关理论介绍 |
| 2.1 隐写术的几种基本指标介绍 |
| 2.2 几种隐写算法的介绍 |
| 2.2.1 LSB matching隐写算法 |
| 2.2.2 JSteg隐写算法 |
| 2.2.3 F5隐写算法 |
| 2.2.4 UERD隐写算法 |
| 2.2.5 J-UNIWARD隐写算法 |
| 2.2.6 基于J-UNIWARD的改进隐写算法 |
| 2.3 多载体图像隐写介绍 |
| 2.4 多载体多算法图像隐写算法 |
| 2.4.1 多载体隐写系统性能指标 |
| 2.5 隐写分析 |
| 2.6 本章小结 |
| 第三章 多载体与多算法结合的隐写系统设计与实现 |
| 3.1 系统的整体设计思路 |
| 3.2 算法库的建立 |
| 3.3 最优载体的选择 |
| 3.4 优先遍历最短路径策略 |
| 3.4.1 秘密信息切分 |
| 3.5 秘密信息嵌入和提取过程 |
| 3.5.1 秘密信息的嵌入过程 |
| 3.5.2 秘密信息的提取过程 |
| 3.6 本章小结 |
| 第四章 系统测试 |
| 4.1 系统功能测试 |
| 4.2 系统性能测试 |
| 4.3 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士期间发表的论文 |
| 致谢 |
（7）基于深度学习的生成式图像隐写算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 嵌入式隐写算法 |
| 1.2.2 无嵌入隐写算法 |
| 1.3 主要研究内容 |
| 1.4 课题来源与内容组织 |
| 1.4.1 课题的来源 |
| 1.4.2 内容组织 |
| 第二章 相关基础知识 |
| 2.1 自适应隐写 |
| 2.2 传统无嵌入隐写 |
| 2.2.1 基于载体选择 |
| 2.2.2 基于载体生成 |
| 2.2.3 行为隐写 |
| 2.3 基于生成对抗网络的嵌入式隐写 |
| 2.3.1 生成对抗网络 |
| 2.3.2 基于生成对抗网络的嵌入式隐写 |
| 2.4 基于生成对抗网络的无嵌入隐写 |
| 2.5 图像隐写算法的性能指标 |
| 2.5.1 隐写容量 |
| 2.5.2 安全性 |
| 2.5.3 不可感知性 |
| 第三章 基于生成对抗网络的无嵌入图像隐写算法 |
| 3.1 自注意力机制原理 |
| 3.2 生成对抗网络一般框架 |
| 3.3 基于生成对抗网络的无嵌入隐写方案 |
| 3.3.1 秘密信息的预处理过程 |
| 3.3.2 生成模型设计 |
| 3.3.3 判别模型设计 |
| 3.3.4 提取模型设计 |
| 3.4 实验及结果分析 |
| 3.4.1 实验环境搭建与数据集构建 |
| 3.4.2 生成图像结果评估 |
| 3.4.3 上采样方法对生成图像的影响 |
| 3.4.4 秘密信息准确率测试 |
| 3.4.5 隐写容量对比 |
| 3.4.6 不同场景的安全性分析 |
| 3.5 本章小结 |
| 第四章 基于自动编码的生成式风格化图像隐写算法 |
| 4.1 图像风格迁移原理 |
| 4.2 基于自编码网络的生成式风格化隐写算法设计 |
| 4.2.1 秘密信息的预处理过程 |
| 4.2.2 图像特征提取 |
| 4.2.3 艺术隐写图像的生成 |
| 4.2.4 秘密消息提取 |
| 4.2.5 风格迁移隐写损失函数设定 |
| 4.3 实验结果与分析 |
| 4.3.1 实验环境搭建与数据集构建 |
| 4.3.2 不同风格化隐写图像对比 |
| 4.3.3 不同训练步长的风格差异 |
| 4.3.4 隐写与非隐写图像对比 |
| 4.3.5 图像量化评估 |
| 4.3.6 秘密信息准确率测试 |
| 4.3.7 隐写容量对比 |
| 4.4 本章小结 |
| 第五章 总结与展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（8）基于LSTM和强化学习的图像隐写分析算法研究（论文提纲范文）
| 致谢 |
| 摘要 |
| abstract |
| 第一章 绪论 |
| 1.1 研究背景及意义 |
| 1.2 国内外研究现状 |
| 1.2.1 图像自适应隐写算法 |
| 1.2.2 人工设计特征的图像隐写分析算法 |
| 1.2.3 基于卷积神经网络的图像隐写分析算法 |
| 1.3 主要研究内容 |
| 1.4 课题来源与内容组织 |
| 1.4.1 课题的来源 |
| 1.4.2 内容组织 |
| 第二章 相关基础知识 |
| 2.1 图像隐写通信的基本框架 |
| 2.2 图像自适应隐写术 |
| 2.3 隐写分析技术 |
| 2.3.1 人工设计特征的隐写分析算法 |
| 2.3.2 基于卷积神经网络的隐写分析算法 |
| 2.4 长短期记忆网络 |
| 2.5 强化学习 |
| 2.5.1 基于强化学习的自动化网络生成算法 |
| 2.5.2 Q-learning算法 |
| 第三章 基于卷积神经网络与LSTM的图像隐写分析 |
| 3.1 混合网络模型的优势 |
| 3.2 混合网络模型的总体架构 |
| 3.3 卷积神经网络与LSTM结构的结合方式 |
| 3.4 实验结果与分析 |
| 3.4.1 实验数据源与预处理 |
| 3.4.2 实验准备与相关配置 |
| 3.4.3 实验评价指标 |
| 3.4.4 LSTM相关参数设置 |
| 3.4.5 混合网络的性能 |
| 3.4.6 LSTM对 Xu Net的有效性 |
| 3.4.7 可视化分析 |
| 3.5 本章小结 |
| 第四章 自动化构建图像隐写分析网络模型 |
| 4.1 几种自动化构建网络算法介绍 |
| 4.2 自动化构建网络与隐写分析 |
| 4.3 自动化构建图像隐写网络算法的总体架构 |
| 4.3.1 模块化的空间搜索 |
| 4.3.2 对行动空间的限制 |
| 4.4 实验结果与分析 |
| 4.4.1 实验数据源与预处理 |
| 4.4.2 实验准备与相关配置 |
| 4.4.3 实验评价指标 |
| 4.4.4 Q-learning的有效性 |
| 4.4.5 自动化构建网络的性能 |
| 4.5 本章小结 |
| 第五章 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间的学术活动及成果情况 |
（9）基于空域图像LSB隐写算法研究（论文提纲范文）
| 摘要 |
| Abstract |
| 1 绪论 |
| 1.1 研究背景与意义 |
| 1.2 国内外研究现状 |
| 1.2.1 信息隐藏的发展 |
| 1.2.2 隐写分析的发展 |
| 1.3 本文的主要工作和组织结构 |
| 1.3.1 本文的主要工作 |
| 1.3.2 本文的组织结构 |
| 2 图像隐写及隐写分析技术 |
| 2.1 隐写与隐写分析理论基础 |
| 2.1.1 隐写系统模型 |
| 2.1.2 隐写术的分类及评价标准 |
| 2.1.3 隐写分析术的分类及性能 |
| 2.2 典型的隐写方法 |
| 2.2.1 空域隐写方法 |
| 2.2.2 变换域隐写方法 |
| 2.3 图像隐写分析技术 |
| 2.3.1 统计隐写分析算法 |
| 2.3.2 图像隐藏信息的隐写分析 |
| 2.3.3 通用盲检测分析方法 |
| 2.4 本章小结 |
| 3 基于LSB和相邻像素值的图像隐写算法 |
| 3.1 LSB与 PVD嵌入 |
| 3.2 算法的设计与描述 |
| 3.3 嵌入过程 |
| 3.4 提取过程 |
| 3.5 实验结果与分析 |
| 3.6 本章小结 |
| 4 基于LSB图像隐写技术的人工鱼群增强算法 |
| 4.1 引言 |
| 4.2 算法模型 |
| 4.3 人工鱼群算法 |
| 4.4 算法设计与实现 |
| 4.4.1 信息嵌入 |
| 4.4.2 信息提取 |
| 4.5 实验结果与分析 |
| 4.6 本章小结 |
| 5 总结与展望 |
| 5.1 总结 |
| 5.2 展望 |
| 参考文献 |
| 攻读硕士学位期间发表论文及科研成果 |
| 致谢 |
（10）纹理敏感的可变尺度深度隐写算法研究（论文提纲范文）
| 摘要 |
| ABSTRACT |
| 第1章 绪论 |
| 1.1 引言 |
| 1.2 研究背景和意义 |
| 1.3 研究现状 |
| 1.3.1 隐写方法研究 |
| 1.3.2 隐写载体研究 |
| 1.4 研究内容 |
| 1.5 组织结构 |
| 第2章 相关工作概述 |
| 2.1 引言 |
| 2.2 深度学习 |
| 2.2.1 卷积神经网络 |
| 2.2.2 残差神经网络 |
| 2.2.3 生成对抗网络 |
| 2.3 图像隐写分析 |
| 2.3.1 基于传统方法的图像隐写分析 |
| 2.3.2 基于深度学习的图像隐写分析 |
| 2.4 图像隐写术 |
| 2.4.1 基于传统方法的图像隐写术 |
| 2.4.2 基于深度学习的图像隐写 |
| 2.5 本章小结 |
| 第3章 可变尺度的深度隐写分析模型 |
| 3.1 引言 |
| 3.2 问题描述 |
| 3.3 总体框架 |
| 3.3.1 噪音残差计算 |
| 3.3.2 特征提取 |
| 3.3.3 分类器 |
| 3.4 模型结构选择 |
| 3.5 本章小结 |
| 第4章 纹理敏感的可变尺度深度隐写模型 |
| 4.1 引言 |
| 4.2 总体框架 |
| 4.3 隐写图像方法 |
| 4.3.1 STGAN模型 |
| 4.3.2 图像的纹理复杂度 |
| 4.3.3 图像有损问题研究 |
| 4.4 隐写文本方法 |
| 4.5 本章小结 |
| 第5章 实验设计与结果分析 |
| 5.1 实验条件 |
| 5.1.1 实验数据 |
| 5.1.2 评价指标 |
| 5.1.3 训练细节及参数设置 |
| 5.2 STGAN模型结构实验 |
| 5.2.1 实验设置 |
| 5.2.2 纹理损失效果评估 |
| 5.2.3 STGAN隐写多尺度信息的能力评估 |
| 5.2.4 噪音层效果分析 |
| 5.2.5 模型鲁棒性分析 |
| 5.3 STGAN模型与其它模型的对比实验 |
| 5.3.1 实验设置 |
| 5.3.2 实验结果分析 |
| 5.4 隐写安全性对比 |
| 5.4.1 实验设置 |
| 5.4.2 实验结果分析 |
| 5.5 本章小结 |
| 第6章 总结与展望 |
| 6.1 工作总结 |
| 6.2 工作展望 |
| 参考文献 |
| 致谢 |
| 在读期间发表的学术论文与取得的研究成果 |
四、互联网图像隐写检测方法研究（论文参考文献）
- [1]基于深度对抗网络的数字图像隐写方法研究[D]. 刘甜梦. 西安理工大学, 2021(01)
- [2]基于深度学习的联合隐写分析模型的研究与实现[D]. 王泽. 北京邮电大学, 2021(01)
- [3]基于空域富模型的图像隐写分析技术研究[D]. 邓利芳. 兰州交通大学, 2021(02)
- [4]高效隐写编码与JPEG代价函数增强方法研究[D]. 李伟祥. 中国科学技术大学, 2021(09)
- [5]高动态范围图像隐写技术研究[D]. 乔彦. 电子科技大学, 2021(01)
- [6]一种多载体与多算法结合的隐写系统的研究与实现[D]. 伍迁. 华中师范大学, 2021(02)
- [7]基于深度学习的生成式图像隐写算法研究[D]. 余聪. 合肥工业大学, 2021(02)
- [8]基于LSTM和强化学习的图像隐写分析算法研究[D]. 郑钢. 合肥工业大学, 2021
- [9]基于空域图像LSB隐写算法研究[D]. 潘晓鸽. 西华大学, 2021(02)
- [10]纹理敏感的可变尺度深度隐写算法研究[D]. 黄锦静. 中国科学技术大学, 2020(01)