CN109885987A - 一种基于方向性局部二值模式的二值图像隐写分析方法 - Google Patents
一种基于方向性局部二值模式的二值图像隐写分析方法 Download PDFInfo
- Publication number
- CN109885987A CN109885987A CN201910069390.0A CN201910069390A CN109885987A CN 109885987 A CN109885987 A CN 109885987A CN 201910069390 A CN201910069390 A CN 201910069390A CN 109885987 A CN109885987 A CN 109885987A
- Authority
- CN
- China
- Prior art keywords
- pixel
- value
- disturbance
- directionality
- compare
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000003044 adaptive effect Effects 0.000 claims abstract description 14
- 238000005259 measurement Methods 0.000 claims abstract description 9
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 238000004458 analytical method Methods 0.000 claims description 8
- 239000013598 vector Substances 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 239000012141 concentrate Substances 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 8
- 230000000694 effects Effects 0.000 abstract description 8
- 238000003780 insertion Methods 0.000 description 6
- 230000037431 insertion Effects 0.000 description 6
- 238000011161 development Methods 0.000 description 5
- 238000012360 testing method Methods 0.000 description 4
- 229910002056 binary alloy Inorganic materials 0.000 description 2
- 239000000969 carrier Substances 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009182 swimming Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明提出一种基于方向性局部二值模式的二值图像隐写分析方法，首先设置自适应阈值参数，在使用crmiLTP对二值图像进行扰动度量后，使用3×3像素点块模板对扰动得分图进行扫描，根据各像素点对应扰动得分数值大小及方向性得出局部二值模式值，然后利用各二值模式值出现频率提取特征，在特征提取时充分利用设置的阈值，对像素点所有扰动得分值之间的大小及方向关系进行遍历，最后选取最优检测效果对应阈值，能够使训练出的分类模型达到最佳的隐写分析准确率。在对使用不同隐写算法生成的隐秘图像进行隐写分析时可以设置不同阈值，从而使得在确保有效性的同时又有很强的针对性。
Description
技术领域
本发明涉及信息安全领域，更具体的，涉及一种基于方向性局部二值模式的二值图像隐写分析方法。
背景技术
随着计算机技术和互联网的飞速发展，人们的工作和生活方式正在发生着翻天覆地的变化。在给人们生产、生活带来巨大便利的同时，信息安全问题也日益严重，危害国家安全、企事业单位财产安全以及个人数据资产泄露的事件屡屡发生。如何避免此类信息安全问题的发生，让科技进步更好地为人类发展服务逐渐成为亟待解决的课题，信息隐藏技术作为有效保护秘密信息的手段应运而生。信息隐写技术一般是将秘密信息嵌入到文本、图像、音频、视频等载体中，再将隐秘载体放到公共信道上公开传输，便能实现秘密通信的目的。此外，可以使用信息隐藏技术将版权信息嵌入需要进行保护的信息载体中，经过多种途径传播后提取版权信息，有效解决版权保护的问题。在利用合适载体进行信息隐藏时，二值图像不失为一个很好的选择，二值图像表达形式较为简单，仅由黑白两个级别像素构成，但是在日常生活中使用也很普遍，各种电子票据、扫描文件、传真文档等，利用二值图像广泛的应用场景，将秘密信息嵌入其中实现信息隐藏的目的也成了研究热点。但是任何技术的发展都具有两面性，在很好的保证信息安全的同时，很多不法分子利用信息隐藏的方法来实施违法犯罪活动，对人们正常的生产及生活构成了很大威胁。如何正确判断在公共信道上传输的各种信息载体是否携带秘密信息则成为了十分必要的技术手段。在对图像信息载体进行检测时，主要使用隐写分析的方法，在检测错误率允许范围内可以很好地判断出其是否为紧密图像。
由于二值图像的信息冗余很小，嵌入的秘密信息量也比较小，使得针对二值图像的检测难度更大，相对于灰度图像和彩色图像发展比较滞后。早期的检测算法需要知道秘密图像所使用的隐写算法再根据其隐写过程进行检测，检测效果较好但有一定的局限性，随着机器学习技术的发展，目前主流的隐写分析方法主要集中于统计特征的设计，再使用集成分类器或者支持向量机等将隐写检测归结于二分类问题。在图像隐写分析技术方面，使用较多且效果明显的特征提取方式主要是基于灰度游程和共生矩阵的方法，但是这两种方法对二值图像隐写分析不适用，原因是二值图像的像素仅为黑白两种，提取特征后无法正确描述图像的纹理分布，而目前二值隐写技术绝大多数着眼于隐写前后图像纹理分布差异最小，导致目前针对二值图像的通用隐写分析方法效果不是很好。除此之外，也有部分隐写分析方法的特征提取针对L形模式块，虽然该种形式的纹理分布被证明为扰动失真最小的模式，对该类隐写方法的检出率很高，但此类方法的使用范围不免具有片面性，无法做到对所有隐写技术都有很好的检测效果。
发明内容
为了解决目前二值图像的隐写分析仅针对某一类隐写算法以及通用隐写算法检测正确率过低的不足，本发明提出一种基于方向性局部二值模式的二值图像隐写分析方法。
为实现以上发明目的，采用的技术方案是：
一种基于方向性局部二值模式的二值图像隐写分析方法，包括以下步骤：
步骤S1：设置自适应阈值ρ；
步骤S2：构建3×3像素点块模板；
步骤S3：利用crmiLTP扰动度量方法对样本集中的二值图像进行扰动度量打分，获得扰动度量的得分图，然后利用3×3像素点块模板扫描扰动得分图；
步骤S4：根据步骤S1所设置的自适应阈值参数ρ，计算出自适应对比阈值其中Ii为当前需要比较的像素点扰动得分值，i表示像素点的下标索引，i＝1,2,…8，u为3×3像素点块模板9个像素点扰动得分均值；
步骤S5：比较各像素点扰动得分值关于3×3像素点块模板中心对称方向的大小关系，将Ii与Ic、Ic与Ii+4相比较，当i＝1时，比较I1、Ic、I5三者之间的大小关系，当i＝2,3,4时，分别比较三者相应的位置，Ic为中心像素点扰动得分值，比较结果如下：
式中td1表示Ii与Ic扰动得分值的大小关系，当Ii比Ic大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0；td2表示Ic与Ii+4扰动得分值的大小关系，当Ic比Ii+4大且相差幅度不小于Ii+4的自适应对比阈值ti+4时，比较结果为1，否则为0；
步骤S6：比较处于3×3像素点块模板水平、竖直方向各像素点扰动得分值的大小关系，将同一方向上的三个像素点进行比较，比较结果如下：
式中i＝2,4,6,0，当i＝2时，比较I2、I3、I4三者之间的大小关系，当i＝4,6时比较相应的I4、I5、I6和I6、I7、I8之间的大小关系，需要注意的是i＝0时对应的像素点位置为I8、I1、I2，td3表示Ii与Ii+1扰动得分值的大小关系，当Ii比Ii+1大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0，td4表示Ii+1与Ii+2扰动得分值的大小关系，当Ii+1比Ii+2大且相差幅度不小于Ii+2的自适应对比阈值ti+2时，比较结果为1，否则为0；
步骤S7：得出像素点关于3×3像素点块模板中心对称、水平、竖直方向上的扰动得分值大小关系后，计算像素点关于3×3像素点块模板在设置阈值下的方向性局部二值模式值；
根据TDk＝tdi⊙tdi+1，i＝1，3得出二者之间的方向关系，式中⊙表示同或操作，当二者相同时结果为1，表示三个像素位置的扰动得分值具有依次减小或递增的变化趋势，当二者不同时结果为0，表示三个像素位置扰动得分值的大小变化趋势不具有一致性，将比较结果TDk用8位二进制数表示，低4位为依次比较I1,Ic,I5、I2,Ic,I6、I3,Ic,I7、I4,Ic,I8的结果，高4位为依次比较I2,I3,I4、I4,I5,I6、I6,I7,I8、I8,I1,I2的结果，最后由公式
可将8位二进制的比较结果转换为0到255之间的十进制数TD-LBP(i,j)，即为当前以(i,j)为中心的3×3像素点块模板在阈值参数ρ下的方向性局部二值模式值；
步骤S8：统计每个方向性局部二值模式的数值出现的频率，将每个方向性局部二值模式出现频率级联形成特征向量；
步骤S9：对数据集中所有样本提取特征向量形成特征矩阵，利用支持向量机进行分类模型学习，得到最终的分类模型；
步骤S10：使用训练出的分类模型中进行隐写分析，获得最终的分析结果，若分析结果为载密图像，那么该图像含有秘密信息，若分析结果为载体图像，那么该图像不含秘密信息。
优选的，步骤S1中所述的自适应阈值ρ设置区间范围为0.1到1.0，步长为0.1。
优选的，步骤S2中所述的3×3像素点块模板的构建方式为：以当前像素点为中心，正下方像素点标记为I1，沿逆时针方向依次为I2,I3…I8，中心像素标记为Ic，其中每一个正方形子块代表扰动得分图中一个像素点。
与现有技术相比，本发明的有益效果是：
本发明提出一种基于方向性局部二值模式的二值图像隐写分析方法，在使用crmiLTP对二值图像进行扰动度量后，使用3×3像素点块模板对扰动得分图进行扫描，根据各像素点对应扰动得分数值大小及方向性得出局部二值模式值，利用各二值模式值出现频率提取特征，在特征提取时充分利用设置的阈值，对像素点所有扰动得分值之间的大小及方向关系进行遍历，最后选取最优检测效果对应阈值，能够使训练出的分类模型达到最佳的隐写分析准确率。在对使用不同隐写算法生成的隐秘图像进行隐写分析时可以设置不同阈值，从而使得在确保有效性的同时又有很强的针对性。
附图说明
图1为本发明的方法流程图。
图2为本发明使用的3×3像素点块模板示意图。
图3为本发明进行隐写分析的具体流程图。
具体实施方式
附图仅用于示例性说明，不能理解为对本专利的限制；
以下结合附图和实施例对本发明做进一步的阐述。
如图1、图2以及图3所示，一种基于方向性局部二值模式的二值图像隐写分析方法，包括以下步骤：
步骤S1：设置自适应阈值ρ，该值用于组成使用局部二值模式相关原理在比较扰动得分图某两个像素点数值大小时的具体量化值，设置区间范围为0.1到1.0，步长为0.1，可以将其初始值设置为0.5，从自适应对比阈值来看，当ρ＝0.5时对待比较的两个像素方向性判断结果兼容性最好。当检测结果不够理想时，可按照0.1的步长幅度向区间范围两端变化。
步骤S2：如图2所示，构建3×3像素点块模板。在crmiLTP扰动得分图中，嵌入秘密消息前后只有中心点周围5×5范围内的得分值发生变化，以当前像素点为中心，正下方像素点标记为I1，沿逆时针方向依次为I2,I3…I8，中心像素标记为Ic，其中每一个正方形子块代表扰动得分图中一个像素点。
步骤S3：在具体实例中使用的数据集为5000张图像大小为256×256的二值图像库，包括卡通图、手写图、电路图、字体图等多种二值图像表现形式，使用的隐写方法为目前主流的二值图像隐写算法，包括EAG,GIM,Connpre等，以上算法按照原理可以分为基于块的方法和边缘适应的方法，均有着良好的嵌入效果，嵌入时在图像库中选取2500张载体图像标记为负样本，使用某种方法嵌入秘密消息后生成2500张隐秘图像，标记为正样本。
利用crmiLTP扰动度量方法对样本集中的图像进行扰动度量打分，使用该度量方法时，纹理描述子在二值图像求补、图像旋转及图像求镜像时都能很好的保持不变性。将模式块中心像素点和其邻域内的八个像素点分别进行异或，结果可表示为得到的新模式就能保持求补不变性，再将模式块分别进行顺时针和逆时针的旋转，角度为90度、180度、270度，T′ij沿顺时针方向旋转的结果可表示为：
式中I(k+2b)mod8表示每一个邻域像素旋转后的位置，当b＝0,1,2,3时分别代表不旋转、顺时针旋转90度、顺时针旋转180度、顺时针旋转270度，由于增加后的下标索引值具有周期性且周期为8，将其模8取余后即为对应像素位置。再将每一异或后的结果乘以对应的二进制指数即2k，求和后取最小值即为最终的十进制结果
T′ij沿顺时针方向旋转的结果可表示为：
式中I(-k-2b)mod8表示每一个邻域像素旋转后的位置，当b＝0,1,2,3时分别代表不旋转、逆时针旋转90度、逆时针旋转180度、逆时针旋转270度，由于增加后的下标索引值具有周期性且周期为8，将其模8取余后即为对应像素位置。再将每一异或后的结果乘以对应的二进制指数即2k，求和后取最小值即为最终的十进制结果
由于对二值图像求镜像操作时都是在水平或竖直方向上将行或者列对调，而模式块逆时针旋转就已经涵盖了这类情况。最终在异或和旋转后模式值最小者即可表示该模式的表达值：
使用该表达式计算翻转单个像素点所带来的crmiLTP数量上的变化，并以该变化为翻转像素点所带来的失真度。对整幅图像的像素点进行crmiLTP进行扰动度量后，即可得到扰动得分图，且该得分图与原图大小一致，具体为256×256。在扫描扰动得分图时，按照从上到下，从左至右的方向，扫描步长为1，得到阈值参数ρ下中心对称、水平、竖直方向性局部二值模式。比较各像素点扰动得分值关于3×3块模板中心对称方向的大小关系时，将Ii与Ic、Ic与Ii+4相比较，当i＝1时，需要比较I1、Ic、I5三者之间的大小关系，当i＝2,3,4时分别比较相应的位置，Ic为中心像素点扰动得分值，比较结果如下：
式中td1表示Ii与Ic扰动得分值的大小关系，当Ii比Ic大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0，td2表示Ic与Ii+4扰动得分值的大小关系，当Ic比Ii+4大且相差幅度不小于Ii+4的自适应对比阈值ti+4时，比较结果为1，否则为0。比较扰动得分值处于3×3块模板水平、竖直方向的各像素点大小关系时，将同一方向上的三个像素点进行比较，比较结果如下：
式中i＝2,4,6,0，当i＝2时，比较I2、I3、I4三者之间的大小关系，当i＝4,6时比较相应的I4、I5、I6和I6、I7、I8之间的大小关系，需要注意的是i＝0时对应的像素点位置为I8、I1、I2，td3表示Ii与Ii+1扰动得分值的大小关系，当Ii比Ii+1大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0，td4表示Ii+1与Ii+2扰动得分值的大小关系，当Ii+1比Ii+2大且相差幅度不小于Ii+2的自适应对比阈值ti+2时，比较结果为1，否则为0。得出像素点关于3×3像素点块模板中心对称、水平、竖直方向上的扰动得分值大小关系后，根据TDk＝tdi⊙tdi+1，i＝1，3得出二者之间的方向关系，式中⊙表示同或操作，当二者相同时结果为1，表示三个像素位置的扰动得分值具有依次减小或递增的变化趋势，当二者不同时结果为0，表示三个像素位置扰动得分值的大小变化趋势不具有一致性，再将比较结果TDk用8位二进制数表示，低4位为依次比较I1,Ic,I5、I2,Ic,I6、I3,Ic,I7、I4,Ic,I8的结果，高4位为依次比较I2,I3,I4、I4,I5,I6、I6,I7,I8、I8,I1,I2的结果，最后由公式
可将8位二进制的比较结果转换为0到255之间的十进制数TD-LBP(i,j)，即为当前以(i,j)为中心的3×3像素点块模板在阈值参数ρ下的方向性局部二值模式值。
步骤S4：整个扰动得分图扫描后，统计每个模式值出现频率，按照0到255的顺序将每个频率值级联后即可形成特征向量，该向量位置索引值即为个方向性局部二值模式值，每个元素值即为对应局部二值模式在扰动图中出现的频率。
步骤S5：在步骤3中已经使用了某种隐写方法对载体图像进行了秘密信息嵌入，样本集容量为5000，对样本集中所有样本提取特征形成特征矩阵，利用支持向量机进行分类模型学习。在模型学习过程中，由于原扰动得分图中数值为12.97的像素点很多，对应于二值图像中全黑或者全白的区域较大，这就导致了方向性局部二值模式值为0的模式块数量远远超过其他模式值的数量，对分类模型的训练有一定影响，因此在实际训练中直接将该模式块忽略不计以减小这一奇异值对训练结果的影响。分类模型训练好后，将原5000张载体图像中未嵌入信息的2500张图像使用同一隐写算法嵌入秘密消息，载体图像标记为负样本，隐秘图像标记为正样本，故测试集样本数量为5000，使用训练好的支持向量机分类模型对测试集进行测试，最后通过错误率来检验本发明所提出的的隐写分析方法可靠性。针对其他隐写算法的测试过程可按照以上步骤执行。
显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种基于方向性局部二值模式的二值图像隐写分析方法，其特征在于，包括以下步骤：
步骤S1：设置自适应阈值ρ；
步骤S2：构建3×3像素点块模板；
步骤S3：利用crmiLTP扰动度量方法对样本集中的二值图像进行扰动度量打分，获得扰动度量的得分图，然后利用3×3像素点块模板扫描扰动得分图；
步骤S4：根据步骤S1所设置的自适应阈值参数ρ，计算出自适应对比阈值其中Ii为当前需要比较的像素点扰动得分值，i表示像素点的下标索引，i＝1,2,…8，u为3×3像素点块模板9个像素点扰动得分均值；
步骤S5：比较各像素点扰动得分值关于3×3像素点块模板中心对称方向的大小关系，将Ii与Ic、Ic与li+4相比较，当i＝1时，比较I1、Ic、I5三者之间的大小关系，当i＝2,3,4时，分别比较三者相应的位置，Ic为中心像素点扰动得分值，比较结果如下：
式中td1表示Ii与Ic扰动得分值的大小关系，当Ii比Ic大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0；td2表示Ic与Ii+4扰动得分值的大小关系，当Ic比Ii+4大且相差幅度不小于Ii+4的自适应对比阈值ti+4时，比较结果为1，否则为0；
步骤S6：比较处于3×3像素点块模板水平、竖直方向各像素点扰动得分值的大小关系，将同一方向上的三个像素点进行比较，比较结果如下：
式中i＝2,4,6,0，当i＝2时，比较I2、I3、I4三者之间的大小关系，当i＝4,6时比较相应的I4、I5、I6和I6、I7、I8之间的大小关系，需要注意的是i＝0时对应的像素点位置为I8、I1、I2，td3表示Ii与Ii+1扰动得分值的大小关系，当Ii比Ii+1大且相差幅度不小于Ii的自适应对比阈值ti时，比较结果为1，否则为0，td4表示Ii+1与Ii+2扰动得分值的大小关系，当Ii+1比Ii+2大且相差幅度不小于Ii+2的自适应对比阈值ti+2时，比较结果为1，否则为0；
步骤S7：得出像素点关于3×3像素点块模板中心对称、水平、竖直方向上的扰动得分值大小关系后，计算像素点关于3×3像素点块模板在设置阈值下的方向性局部二值模式值；
根据TDk＝tdi⊙tdi+1,i＝1,3得出二者之间的方向关系，式中⊙表示同或操作，当二者相同时结果为1，表示三个像素位置的扰动得分值具有依次减小或递增的变化趋势，当二者不同时结果为0，表示三个像素位置扰动得分值的大小变化趋势不具有一致性，将比较结果TDk用8位二进制数表示，低4位为依次比较I1,Ic,I5、I2,Ic,I6、I3,Ic,I7、I4,Ic,I8的结果，高4位为依次比较I2,I3,I4、I4,I5,I6、I6,I7,I8、I8,I1,I2的结果，最后由公式
可将8位二进制的比较结果转换为0到255之间的十进制数TD-LBP(i,j)，即为当前以(i,j)为中心的3×3像素点块模板在阈值参数ρ下的方向性局部二值模式值；
步骤S8：统计每个方向性局部二值模式的数值出现的频率，将每个方向性局部二值模式出现频率级联形成特征向量；
步骤S9：对数据集中所有样本提取特征向量形成特征矩阵，利用支持向量机进行分类模型学习，得到最终的分类模型；
步骤S10：使用训练出的分类模型中进行隐写分析，获得最终的分析结果，若分析结果为载密图像，那么该图像含有秘密信息，若分析结果为载体图像，那么该图像不含秘密信息。
2.根据权利要求1所述的一种基于方向性局部二值模式的二值图像隐写分析方法，其特征在于，步骤S1中所述的自适应阈值ρ设置区间范围为0.1到1.0，步长为0.1。
3.根据权利要求2所述的一种基于方向性局部二值模式的二值图像隐写分析方法，其特征在于，步骤S2中所述的3×3像素点块模板的构建方式为：以当前像素点为中心，正下方像素点标记为I1，沿逆时针方向依次为I2,I3…I8，中心像素标记为Ic，其中每一个正方形子块代表扰动得分图中一个像素点。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910069390.0A CN109885987B (zh) | 2019-01-24 | 2019-01-24 | 一种基于方向性局部二值模式的二值图像隐写分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910069390.0A CN109885987B (zh) | 2019-01-24 | 2019-01-24 | 一种基于方向性局部二值模式的二值图像隐写分析方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109885987A true CN109885987A (zh) | 2019-06-14 |
| CN109885987B CN109885987B (zh) | 2023-01-24 |
Family
ID=66926727
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910069390.0A Active CN109885987B (zh) | 2019-01-24 | 2019-01-24 | 一种基于方向性局部二值模式的二值图像隐写分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109885987B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
| CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
| CN107133991A (zh) * | 2017-03-17 | 2017-09-05 | 中山大学 | 一种基于扰动失真和像素选择的二值图像隐写方法 |
| CN108282469A (zh) * | 2018-01-04 | 2018-07-13 | 暨南大学 | 支持基于属性信息提取的隐写方法 |
| CN108537049A (zh) * | 2018-03-14 | 2018-09-14 | 中山大学 | 一种基于二值图像的自适应隐写算法 |
-
2019
- 2019-01-24 CN CN201910069390.0A patent/CN109885987B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103310236A (zh) * | 2013-06-27 | 2013-09-18 | 上海数据分析与处理技术研究所 | 基于局部二维特征的拼接图像检测方法及系统 |
| CN104504669A (zh) * | 2014-12-12 | 2015-04-08 | 天津大学 | 一种基于局部二值模式的中值滤波检测方法 |
| CN107133991A (zh) * | 2017-03-17 | 2017-09-05 | 中山大学 | 一种基于扰动失真和像素选择的二值图像隐写方法 |
| CN108282469A (zh) * | 2018-01-04 | 2018-07-13 | 暨南大学 | 支持基于属性信息提取的隐写方法 |
| CN108537049A (zh) * | 2018-03-14 | 2018-09-14 | 中山大学 | 一种基于二值图像的自适应隐写算法 |
Non-Patent Citations (7)
| Title |
|---|
| BINGWEN FENG等: "Secure Binary Image Steganography Based on Minimizing the Distortion on the Texture", 《IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY》 * |
| XIAOTIAN WU等: "A user-friendly secret image sharing scheme with reversible steganography", 《THE JOURNAL OF SYSTEMS AND SOFTWARE》 * |
| 张艳等: "基于LSBMR图像边缘自适应隐写的检测", 《计算机工程》 * |
| 程方丽等: "基于二值图像边缘像素和方向编码的双层隐写算法", 《光学仪器》 * |
| 蒋斌等: "二值文本图像隐写分析算法", 《计算机工程与应用》 * |
| 蒋斌等: "基于模式分析的二值文本图像隐写分析算法", 《计算机工程》 * |
| 袁亚飞 等: "基于多预训练模型的在线隐写盲分析系统研究与实现", 《网络与信息安全学报》 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109885987B (zh) | 2023-01-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Image forgery localization via integrating tampering possibility maps | |
| Agarwal et al. | Swapped! digital face presentation attack detection via weighted local magnitude pattern | |
| Yan et al. | Quaternion-based image hashing for adaptive tampering localization | |
| Gossweiler et al. | What's up CAPTCHA? A CAPTCHA based on image orientation | |
| Li et al. | Robust image hashing based on random Gabor filtering and dithered lattice vector quantization | |
| TWI260158B (en) | Electronic watermark embedding device, electronic watermark detection device, method thereof, and program | |
| CN102282571B (zh) | 用于提供与定向无关的脸部检测器的方法、装置和计算机程序产品 | |
| Wojtowicz et al. | Digital images authentication scheme based on bimodal biometric watermarking in an independent domain | |
| Yan et al. | Multi-scale difference map fusion for tamper localization using binary ranking hashing | |
| Jin et al. | Sparsity-based image inpainting detection via canonical correlation analysis with low-rank constraints | |
| CN102722858B (zh) | 基于对称邻域信息的盲隐写分析方法 | |
| CN108711131A (zh) | 基于图像特征匹配的水印方法和装置 | |
| CN102693522A (zh) | 一种彩色图像区域复制篡改检测方法 | |
| Lu et al. | Binary image steganalysis based on histogram of structuring elements | |
| CN112001397A (zh) | 一种智慧工地的身份证字符识别训练数据生成方法及系统 | |
| CN109361654A (zh) | 一种基于区块链协商加密管理商业秘密的方法和系统 | |
| CN102194208A (zh) | 一种基于图像签名的图像篡改检测与篡改定位方法 | |
| Hou et al. | Detection of hue modification using photo response nonuniformity | |
| CN112329786B (zh) | 一种翻拍图像检测方法、装置、设备及存储介质 | |
| Nam et al. | Deep convolutional neural network for identifying seam-carving forgery | |
| Xiang et al. | Research on splicing image detection algorithms based on natural image statistical characteristics | |
| An et al. | Benchmarking the robustness of image watermarks | |
| CN107040790A (zh) | 一种基于多粒度哈希的视频内容认证和篡改定位方法 | |
| CN114463770A (zh) | 一种用于普遍试卷题目的智能切题方法 | |
| Wyzykowski et al. | Multiresolution synthetic fingerprint generation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |