基于特征关联与校准机制的图像隐写分析研究

Steganalysis is a new important research hot topic in the field of information security. Its main purpose is to reveal the presence of secret information in digital carrier. It is not only a mean of combating the illegal information transmission, but also an important measure to measure the security of the information hiding system. Despite of substantial advances, image steganalysis is still challenging due to its high computational complexity, low precision and poor universality and practicability. Therefore,this project is motivated to further research the associated sensitive feature extraction, feature calibration, optimization strategy, etc. for degining excellent image steganalysis methods. The main research contents include: the image steganalysis based on multiple associated properties for highly undetectable steganography, the construction of calibrated image based on ROF model and LLT model, the full-blind steganalysis method based on image content consistency model, the feature selection and parameter optimization of the classifier, and the implementation of steganalysis prototype system, etc. Through the research, the related theory and method will be consummated in steganalysis for detecting HUGO and full-blind steganalysis. And the new methods will be proposed to improve the detection precision and universality for image steganalysis. This project also provides the technical support to promote the development of image steganalysis.

隐写分析是信息安全领域中新发展起来的一个重要研究内容，其主要目的是揭示数字载体中是否存在隐秘信息，是对抗非法信息传播的重要手段，也是衡量信息隐藏系统安全性的一个重要标准。本课题拟对图像隐写分析中涉及的关联性敏感特征提取、特征校准、隐写分析优化策略等关键内容进行深入研究，力图降低图像隐写分析的计算复杂度、提高检测精度、增强检测的通用性与实用性。课题的主要研究内容包括：基于多重关联特性的抵抗高不可检测隐写(HUGO)的图像隐写分析方法、混合ROF模型与LLT模型的校准图像构造方法、基于图像内容一致性模型的全盲隐写分析方法、特征选择与分类器参数调优、隐写分析原型系统建立等。通过课题的研究，将在抵御HUGO的隐写分析与全盲隐写分析等方面完善图像隐写分析的相关理论和方法，将为提高图像隐写分析的检测精度和通用性提供新方法，为推动图像隐写分析的发展提供技术支撑。

信息隐藏技术的飞速发展与广泛应用，使得机密信息的传输更加隐蔽。但是，信息隐藏技术的滥用会对国家安全、社会稳定、个人隐私等构成潜在威胁。因此，有必要监视网络上传输的海量图像，发现、检测出其中的隐藏信息，从而堵截危害公共安全和国家政治、经济安全的隐蔽信息。本项目针对早期图像隐写分析算法计算复杂度高、检测精度与检测通用性适用性不强等问题，对图像隐写分析中涉及的关联性敏感特征提取、特征校准、隐写分析优化策略等关键内容进行了深入研究。在关联性敏感特征提取方面，从深层挖掘图像像素之间、图像边缘、纹理特征之间、各频域特征之间的多重关联特性，提取对嵌入敏感特征，提高隐写分析的检测精度，提出了两种基于多重关联特性的抵抗高不可检测隐写(HUGO)的图像隐写分析方法。在校准图像构造方面，利用校准图像建立特征校准机制，弱化图像内容多样性对检测算法的影响，为全盲隐写分析奠定了基础，并提出了一种新的自适应图像校准算法。在特征选择与分类器参数调优方面，通过采用局部线性变等方法进行特征降维，并采用集成分类器进行分类。同时，提出了一种优化控制模型及其计算方法。通过对多位LSB隐写的深入分析，提出了基于最小均方误差的多位LSB隐写分析方法，采用掩码估计函数来近似的估计原始图像，并通过扩展LSB到多位来构造加权隐秘图像，基于最小均方误差准则来构造检测方程从而估计隐秘信息的长度，并从理论上给出了证明，完善了图像隐写分析的相关理论和方法，为图像隐写分析的后续研究提供了良好的基础。