论文部分内容阅读
面对不断推陈出新的隐写技术以及互联网上不断涌现的数以亿计的多媒体文件,隐写分析技术需要从两个方面着手应对。第一,推出具有良好泛化能力的通用隐写分析算法,以应对从未见过的隐写算法；第二,提升隐写分析检测的实时性和快速性,以应对数以亿计的多媒体文件。本文以多媒体文件中最常见的图像作为研究对象,从隐写分析技术的实时性和快速性角度出发,使用NVIDIA(英伟达)公司推出的具有可并行编程能力的GPU(Graphic Processing Unit,图形处理器)作为并行处理机,研究了基于GPU的图像隐写分析技术的并行实现,获得了很好的速度提升。本文主要完成的工作和成果如下：1.针对图像“数据量大,计算相关性小”的特点,提出了基于像素级并行的图像隐写分析方法。同时,提出了以GPU作为并行机的并行隐写分析算法的评价指标和评价方法。2.提出了两种基于CUDA (Compute Unified Device Architecture,统一计算设备架构)进行批量图像隐写分析的调度方法。方法一,将批量图像数据组合后,与某个纹理进行绑定,使用钳位寻址模式避免了较多的程序分支,大大提升了并行计算的速度。方法二,将图像数据组合后,一次传递给全局存储器,大大减少了主机端与设备端的通信次数。且在该方法中,可采取两种数据组合方式,比方法一灵活。3.实现了针对BMP图像的RS(Regular Singular,正常异常类)隐写分析算法在GPU上的并行计算。通过充分挖掘RS隐写分析算法中像素级的点和邻域并行以及特征提取并行,实现了基于单设备的单幅图像、批量图像以及基于多设备的批量图像的RS并行隐写分析,根据计算耗时进行并行评价。4.实现了针对JPEG图像的NJD(Neighboring Joint Density,相邻节点密度)隐写分析算法在GPU上的并行计算。挖掘NJD算法中特征提取部分与SVM检测部分的并行度,为两个部分分别设计并行算法。耗时统计与并行评价的方法同3。