网络多源图像的失配信息隐藏分析

In Internet, the process of beautifying, tampering and network transmitting makes the data characters of digital images vary greatly.These changes lead the detection accuracy of current steganalysis to a sharp degradation, which results in the mismatch of the steganalysis model. Based on analyzing the characteristics of multisource, qualities difference, content tampered and information hidden that mixed images have, we try to carry out researches on the mechanism generation and statistical properties of multisouse image in order to establish the image representation and statistic distribution of multisource and altered images. For original JPEG images, we plan to build the sample-selected models based on feature differences. In addition, we further propose the transforming method of feature space projection so as to mitigate the mismatch extent between training model and testing samples. For altered images, we plan to work on the source analysis of images based on the feature similarities and improve the accuracy of steganalysis based on the feature optimization.All of these Research will provides technical foundation and theoretical support for mismatched steganalysis of complex multisource images over Internet.

在网络环境中，由于美化处理、篡改伪造、网络传播等操作，使得数字图像的数据特性千差万别，导致已有的信息隐藏分析方法的优异性能在网络环境下急剧下降，产生信息隐藏检测模型失配现象。本申请在分析原始图像、变造图像和载密图像等多源混杂图像的数据特性基础上，对不同类型网络多源图像的生成机理和统计特性进行研究，建立多源图像和变造图像数据特性的表征；针对原始JPEG图像，构建基于特征差异的样本选择模型，设计特征空间映射变换方法，降低训练模型和测试样本的失配程度。对变造JPEG图像，开展进行基于特征相似性的图像同源分析，研究特征优化的失配信息隐藏分析，提高信息隐藏分析的准确性，为网络环境下复杂的多源图像失配信息隐藏分析提供理论支撑和技术保障。

在网络环境中的图像，由于编辑处理、篡改伪造、网络平台限制等操作，使得网络图像的数据特性有别于原始图像，导致在实验室环境中优异的信息隐藏分析方法性能在网络环境下急剧下降到50% 左右，产生信息隐藏分析模型失配现象。本项目首先分析原始图像、变造图像、载密图像等多源混杂图像的数据特性，对不同类型网络多源图像的生成机理、溯源分析和统计特征进行研究，建立多源图像和变造图像数据特性的表征；针对图像信息隐藏分析问题，设计了几种特征空间映射变换方法，降低训练和测试数据的失配程度。开展了基于特征相似性的图像同源分析，研究图像溯源分析和失配信息隐藏分析一体化框架，提高了失配信息隐藏分析30%-45%的准确性。针对新出现的对抗样本和深度学习可解释问题，分析了其对信息隐藏分析机理的影响，为网络环境下多源图像失配信息隐藏分析提供了理论支撑和技术保障。此项目部分成果已申请到多项新的项目中，形成了面向特定任务的图像信息隐藏系统，为网络上图像数据的净化和有害信息的检测提供了支撑。