基于半監(jiān)督學習的JPEG圖像隱密分析方法.pdf

1、圖像隱密分析的目的是，通過分析網(wǎng)絡日常圖像的微觀統(tǒng)計特征，檢測圖像數(shù)據(jù)中可能潛藏的秘密信息，以打擊恐怖組織及不法分子對隱密（即信息隱藏）技術的濫用。傳統(tǒng)的隱密分析技術多采用提取圖像對嵌入機制敏感的特征，并使用二類分類器或者多類分類器構(gòu)建模型，然后對待測樣本進行隱密判決。然而大多數(shù)的分類系統(tǒng)的分類精度嚴重依然于有標記訓練樣本的數(shù)量。因此，如何在有限數(shù)量的標記樣本下，充分利用網(wǎng)絡以及社會生活等領域中積累的大量無標記樣本來提高隱密判決精度已成

2、為隱密分析領域亟待解決的問題。本文結(jié)合半監(jiān)督學習方法，利用有限的有標簽數(shù)據(jù)，充分挖掘大量的無標簽樣本信息，提出一種基于集成映射的隱密分析方法并將其改進，旨在為研制準確性更高和實用性更強的圖像隱密分析技術提供新的理論及技術支撐。
　　不同于以往的通過調(diào)整未標記樣本的數(shù)據(jù)邊界進行分類的半監(jiān)督學習方法，本文從所有的可利用數(shù)據(jù)包括標記樣本和未標記樣本，學習一種新的圖像表示方法，并使用普通的監(jiān)督學習提取新的特征。首先，充分利用僅有的少量標記

3、樣本訓練并粗分類所有數(shù)據(jù)，選擇具有代表性的圖像組成能夠代表部分類別信息的原型集合;其次，使用多類分類器學習這些原型集;最后，將待測圖像表示為在這些原型集上的預測值，將所有的原型集上的特征映射組合成圖像的新特征，進行進一步分類。實驗分析了5個隱密方法并和經(jīng)典MFS-274以及具有很好的隱密分析性能的Rich Model算法進行對比，實驗顯示了本算法的性能在標記樣本個數(shù)小于50的時候依然要優(yōu)于對比算法。尤其對于2013年提出的安全性很高的J

4、-UNIWARD隱密術，在標記樣本為50，MFS-274完全無判決能力，Rich Model準確率為51.89％的情況下，本方法的分類準確率依然能達到74.44％。
　　基于特征映射的隱密分析方法是對圖像進行特征映射，所提取的特征可以適用于其他的分類器以及機器學習方法。本文將其與協(xié)同訓練結(jié)合。首先，將該算法特征分為兩個視圖，使用有標記的樣本初始化兩個分類器;其次，以迭代的方式單獨訓練兩個分類器，在每一次迭代中，通過獨特的數(shù)字編輯技