隐写术是一种信息隐藏技术,将秘密信息隐蔽地隐藏到图像等载体之中,使信息在传递过程中不会被发现,保护了信息的安全性。然而,隐写术除了被应用于版权保护及隐蔽通信等场景之外,也被某些不法分子滥用于一些有害于社会安全的非法活动之中。因此在合法使用隐写术的同时需要对其进行有效的监管。隐写分析技术是一种用于检测载体中是否含有隐写信息的技术,通常针对于隐写术会改变图像相邻像素相关性的特点提取出隐写特征,并使用分类器对其进行分类,从而判断图像是否经过隐写。经典的隐写分析算法如空域富模型(Spatial Rich Model,SRM)及其衍生模型等,对常见的隐写算法有着较好的检测效果。然而在隐写分析技术不断进步的同时,隐写算法也在不断地进行改进,自适应隐写算法对图像的改动更小,常用的隐写分析算法很难对它们进行检测。此外,SRM等隐写分析模型还存在特征维度高、算法效率低的问题。本文围绕隐写分析中的难点进行了研究,主要贡献如下:1、引入新型特征描述隐写噪声,降低隐写分析算法特征维度。局部二值模式(Local Binary Pattern,LBP)是一种经典的图像纹理描述算子,经常被用于提取图像纹理特征。鉴于LBP具备有效反映图像相邻像素关系的能力,本文将LBP引入隐写分析方法,提出了基于LBP的隐写分析模型demsLTP。模型使用导数滤波器获取残差,提取多尺寸混合分辨率的LBP特征,并采用修正Fisher评分筛选表现更好的LBP特征。仿真结果显示demsLTP在保持高算法效率的同时具有与SRM相近的检测准确率。2、结合图像质量度量(Image Quality Measures,IQM)和 SRM技术,降低隐写分析算法特征维度。SRM方法利用线性和非线性滤波器来获得各种类型的残差以表示相邻像素之间的关系,虽然具有较好的检测准确率,但是其特征维度过高,且检测效果受图源自然属性差异影响。本文借鉴IQM的思路,以图像及其滤波版本之间的“距离”作为检测特征,提出了 SIQMM隐写分析模型。SIQMM选取了TV滤波器与部分来自于SRM的滤波器对图像进行滤波,以去除图像中可能存在的隐写噪声,然后设计了质量度量算法用以计算滤波前后图像中的距离,以此距离作为特征进行隐写分析。SIQMM使用的特征仅为SRM的五十分之一,然而能够达到与SRM相似的准确率。3、引入选择通道思想,实现基于深度学习的自适应隐写分析。基于深度学习的隐写分析方法逐渐成为研究热点。以SRM为代表的隐写分析技术,特征均来自于人工设计,虽然它们目前取得了较好的效果,但是算法的发展受到专家经验以及设计开销等诸多因素的影响。深度网络的特征自提取能力解决了这一问题。但现有网络存在参数规模庞大、难以检测自适应隐写算法的问题。本文提出了基于卷积神经网络的隐写分析模型ASCNN。ASCNN仅有5个卷积层,具有较高的效率。同时,针对自适应隐写算法总是将信息嵌入到对图像改动更小的区域的特点,ASCNN在检测时强调了区域差异性。即,计算图像的嵌入概率图,据此加权隐写概率高的区域的残差。这使得隐写分析模型能够着重关注关键特征,增强了模型对于自适应隐写算法的检测能力。仿真结果表明,ASCNN对于多种经典自适应隐写算法都具有较好的检测能力。