【摘 要】
：
随着互联网技术高速发展,数字媒体成为了生活中重要的一部分。计算机,电子通信有关技术日新月异,多媒体有关技术也随之不断更新与完善,但是相关安全问题也随之而来。为了解决数字媒体中存在的严重安全问题,信息隐藏技术得到了广泛关注。此外,随着许多用户将个人的私密数据上传到互联网中相关平台进行存储,用户信息遭到泄露的风险显著增加。因此,将传统的图像加密运用到可逆信息隐藏算法中的技术,即密文域可逆信息隐藏技术受
论文部分内容阅读
随着互联网技术高速发展,数字媒体成为了生活中重要的一部分。计算机,电子通信有关技术日新月异,多媒体有关技术也随之不断更新与完善,但是相关安全问题也随之而来。为了解决数字媒体中存在的严重安全问题,信息隐藏技术得到了广泛关注。此外,随着许多用户将个人的私密数据上传到互联网中相关平台进行存储,用户信息遭到泄露的风险显著增加。因此,将传统的图像加密运用到可逆信息隐藏算法中的技术,即密文域可逆信息隐藏技术受到了学术界的普遍重视。目前,一些相关工作逐渐扩大了对图像的利用效率,使得相关算法较之前的算法在嵌入性能上大幅提升。然而,许多算法忽视了图像低位面对数据嵌入的贡献,导致嵌入效率仍不够理想。本文针对密文域可逆信息隐藏算法进行了如下的工作:（1）提出了一种密文域高嵌入率图像全位面可逆信息隐藏方法。考虑到自然图像中存在的大量冗余空间,论文提出了一种密文域高嵌入率图像全位面可逆信息隐藏算法。该算法首先将全部8个位平面根据像素值的不同划分成为两种不同性质的图像块,按性质对图像块进行重排列,接着提出了带修正信息的像素预测方法用于信息的嵌入。最后,接收者使用密钥进行数据提取和图像恢复。实验结果显示,相比于一些最新的相关算法,所提算法在确保安全性的情况下,具有更高的嵌入容量。（2）提出了一种基于位平面划分和像素预测的加密图像高容量可逆信息隐藏方法。针对载体图像高低位平面冗余空间的差异性,通过提出不同的图像加密与数据嵌入的方法,具体包括块编码与冗余传输,合理利用图像全位面,和带修正信息的像素预测方法等手段去优化算法的性能,在所提算法取得高嵌入效率的同时,进一步提升了相关算法的安全性。实验结果验证了所提方案的可行性与优越性。
其他文献
进化算法在最近受到了广泛的关注,成为优化领域的研究热点,而且在解决复杂优化问题上表现出了良好的性能。然而进化算法的性能高度依赖使用的交叉和变异算子,因此算子的选择和对应参数的设置成为影响算法性能的关键因素。但是算子的效果与问题特性有关,复杂优化问题大多具有多峰且不连续的景观信息,因此即使是解决同一问题,由于进化算法的随机性,每次运行得到的种群优化路径也是不同的,合适的算子和对应的最佳参数也会不同。
深度学习模型的训练基于大量数据样本,这些数据的收集通常来源于多方,里面可能含有大量个人隐私数据,相比于把所有数据集中到一起,分布式学习可为用户提供更好的隐私保护。根据网络拓扑结构不同,分布式学习可分为有中心节点（参数服务器）和无中心节点（去中心化）两种。最近的研究表明去中心化算法具有较低的通信复杂度和与参数服务器算法相同的收敛速度。去中心化学习中,每个参与者与自己的邻居节点交互参数,这种情况下,即
伴随互联网技术的出现,各类在线社交媒体平台逐渐兴起,人们开始倾向于通过社交平台进行信息交流。用户通过信息交流而产生的转发行为形成了信息级联,信息级联不仅包含用户的社交活动信息,也反映了用户的喜好、价值取向等。因此,基于信息级联,对用户社交数据信息进行挖掘并分析是一项有价值的研究工作。影响力最大化与影响力预测是社交信息研究的重要方面,影响力最大化研究中通过评估用户的影响传播范围能够了解信息扩散的必要
车辆路径问题（Vehicle Routing Problem,简称VRP）是物流配送领域中研究最广泛的优化问题之一。在传统的VRP中,通常假设客户需求和运输成本是固定的,并且这些值在路线规划前已知。然而在实际应用中数据通常会存在一定的不确定性,此时由传统进化算法获得的解决方案在面对这些不确定性情况时,可能会产生一些超出预期的问题,例如,当客户的需求不确定时,由传统进化算法得到的解决方案可能会发生车
PU（Positive and Unlabeled,简称PU）学习作为弱监督学习的一种,是当前机器学习的研究热点。其目的是从正样本和无标签样本中学习一个分类器,实现对未知样本的有效分类,近年来在不同领域得到了广泛的应用。然而随着PU学习应用的推广,真实应用场景中存在数据维度高以及数据包含噪音等问题,这使得现有的PU学习算法难以获得高性能的PU分类器。为此,本文针对PU学习中存在的上述问题,在多目标
阿尔茨海默症（Alzheimer’s Disease,AD）是中老年人群中常见的进行性神经系统疾病,缺少有效的治疗手段,患者患病后逐渐由健忘发展到严重痴呆,最终导致死亡。当前缺乏AD的有效检测手段,很多患者直到晚期才被发现,如果能够提前预测AD,并介入治疗,能够有效延缓AD的发展进程,改善患者的生存质量。尤其是轻度认知障碍（Mild Cognitive Impairment,MCI）,医疗界将其视
机器学习主要研究从数据中生成“模型”,但是要生成有效地模型,则必须有足够的有标签数据。然而,在许多实际应用场景中,为数据打上标签是非常耗时和昂贵的。主动学习是解决这一问题的主流方法,其主动选择一些对于模型有“价值”的样本加入训练集,旨在以尽可能小的数据标记成本训练得到预期的模型。主动学习的核心是样本选择策略,合理的策略可以有效地降低数据标记成本。尽管现有的样本选择策略能够显著降低数据标记的量,但仍
科技的进步推动了人工智能的发展,而人工智能的成功离不开机器学习,尤其是深度学习技术的不断成熟。进行深度学习训练需要用到大量数据,但是随着人们隐私安全意识的提升,数据收集过程受到了越来越多的阻碍。而且在某些特殊领域想要得到准确的数据还存在一定困难。协同深度学习系统不需要将数据进行集中收集后交给第三方机构保管,其允许拥有数据的组织联合起来训练一个深度学习模型,解决了上述传统深度学习面临的数据收集和隐私
由于密码子的简并性导致编码氨基酸不发生改变,同义突变过去很长一段时间被认为对生命活动没有功能影响。然而,随着测序技术的高速发展和相关研究的不断深入,越来越多同义突变被证明和疾病发展有密切关系。从大量同义突变中准确识别有害同义突变,可以提高人类对疾病病理的认识,并为精准医疗的发展提供帮助。因此,精准识别有害同义突变逐渐变成一项具有前景的任务。通过传统生物实验的方法来识别有害同义突变,耗费时间长并且成