融合最小化失真与模型保持的隐写算法

摘要：

目的 为了保证载密图像的抗统计分析能力同时避免对特定载体模型的过度优化,提出一种以最小化失真为目标的隐写算法.方法 算法以各方向元素基团为基本单元定义失真函数,以Fisher准则函数的极大值为标准对失真参数进行优化,将失真函数与统计特征相关联.在秘密信息的嵌入过程中,首先依据邻域系统将图像载体分为若干元素阵列,令不同的阵列对应不同的特征子集,再利用Gibbs抽样和STC(Syndrome-trellis code)编码实现对这些有所差异的特征子集的集成,从而在最小化失真的同时保持载体的统计特征.结果 在3组不同维数的检测算法下比较该算法与同类算法的分类误差.结果表明,该算法能更好地保持统计模型,嵌入率为0.5 bit/pixle时相应特征集的检测误差仍高于0.4,面临高维检测时算法同样具有较高的安全性.结论 该算法借助最小失真思想实现了隐写前后统计特征的保持,且有效避免了在不完整模型上的过度优化,拥有比同类算法更好的适应性和安全性.

关键词：隐写术、Gibbs随机场、失真函数、特征分析

所属期刊栏目：19

分类号：TP309(计算技术、计算机技术)

资助基金：国家自然科学基金项目61101112;河南省科技攻关基金项目122102210047

在线出版日期：2014-10-11（万方平台首次上网日期，不代表论文的发表时间）

页数：共8页

页码：1260-1267