基于低维特征构造及无监督分类的网络图像隐写分析

Steganalysis for social networks is to detect the presence of secretly hidden data in network media. This project mainly focuses on three aspects. (1) With breaking through the limits from high-dimensional features, the fusion model of diverse texture are formed. By introducing the diverse textural description operators, efficient low-dimensional textural features are designed for uncompressed image and JPEG image, respectively. The proposed textural features have two advantages, including low dimension and high detection accuracy. (2) For color images, steganographic noise model in intra-channel and joint model in inter-channel are used to design steganalysis features. These features can represent well the channel combination for color uncompressed image and color JPEG image, respectively. Unlike traditional steganalysis features, by combining different color channels, the designed features improve steganalysis efficiency and meanwhile keep high real-time performance. (3) By building the uniform distance measure function of multiple feature sets, multi-carrier joint steganalysis scheme is designed with introducing unsupervised classification. This scheme avoids the limitation that the classifier has to use a large sample set to train uniform classification model, and then provides actual experience of network counterwork. The project has important practical significance for national security and network security.

社交网络隐写分析是判断网络媒体数据中是否含有秘密信息的有效手段。本项目从三个方面对网络图像隐写分析展开研究。（1）针对社交网络图像特点，突破现有隐写分析特征维数较高的限制，构造图像的多样性纹理融合模型，分别引入针对未压缩图像和JPEG图像的多样性纹理描述子来设计低维纹理统计特征，特征具有维数低且分类准确率高的特点；（2）研究彩色图像通道内的噪声模型和通道间的联合分布模型，针对彩色未压缩图像和彩色JPEG图像分别构造表征图像通道相关性融合的高效隐写分析特征，摆脱了传统彩色图像隐写分析方法仅从单一通道提取特征的模式，提升隐写分析准确率的同时保证了分析的实时性；（3）建立特征集合相似性的统一距离度量函数，引入无监督分类构造多图像联合的隐写分析方法，避免了监督分类隐写分析方法中需要大量样本训练分类模型的弊端，为网络实战提供依据。项目成果对国家安全和网络安全具有重要意义。

本项目开展社交网络隐写分析的研究，对国家安全和网络安全具有重大意义。项目在四个方面取得了一系列重要成果。(1)低维纹理特征构造方面，针对社交网络中图像的数据量庞大、格式多样，来源不一致等特点，利用概率模型重组可疑图像中最有可能嵌入秘密信息的图像块，结合已有多维特征的匹配分析，引入特征压缩降维机制，提出适用于无监督分类的低维纹理特征模型，可直接构造低维特征空间并设计快速网络隐写分析方法。项目取得了一系列的研究成果，并发表在重要的国际期刊上。(2)彩色图像隐写分析方面。根据彩色图像通道内和通道间的差分系数相关性计算通道内和通道间的联合共生矩阵作为隐写分析特征，捕捉由隐写带来的系数细微变化，结合遗传算法对分类器进行选择性集成，提升隐写分析准确率的同时保证了分析的实时性。(3)无监督分类隐写分析方面。借鉴图像校准思想，从可疑图像中重构参考图像，设计针对社交网络中单一对象的快速无监督隐写分析方法。此外，利用随机重采样对可疑图像和它的镜像图像分别构造子图像集合，构造适用于社交网络的快速隐写分析方法。提出的方案有效避免了监督分类隐写分析方法中需要大量样本训练分类模型的弊端，为社交网络实际应用提供了技术支撑。项目组在该领域取得了一系列研究成果，产生了较大的影响力。(4)项目组还在加密图像可逆信息隐藏方面做出了重要成果。图像内容保密方面，针对社交网络中图像的内容保密需求，设计非周期混沌映射和随机循环位移机制来对图像的内容进行加密，提升了图像保密算法的实时性。可逆信息隐藏方面，通过对图像进行不同等级的分块，利用像素冗余来构造嵌入空间，实现可分离式的可逆信息隐藏方案。.项目所取得的成果发表国际国内重要学术期刊和会议论文15篇，其中SCI/EI检索14篇，申请发明专利1项。