Block-Based Adaptive Image Steganography Using LSB Matching Revisited

Recently, an edge adaptive image stegano- graphic method based on least significant bit （LSB） matching revisited （EA-LSBMR） has been proposed, which holds good visual quality and proper security under appropriate embedding rates. However, from the extensive experiments to EA-LSBMR, we find that the discrete Fourier transform （DFT） spectrum of pixelpairs differences histogram still reveals the presence of a secret message even in a low embedding rate. To enhance the security, a modified scheme is proposed in this paper, which can defeat the above-mentioned analysis and keep the visual quality better than EA-LSBMR in higher embedding rates. Experimental results using a latest universal steganalysis method have demonstrated the proposed method＇s good performance.

基于边缘匹配与最低有效位的图像隐写方法

提出一种基于边缘匹配与最低有效位的图像隐写方法。根据人类视觉特性,利用像素与其相邻像素间的像素差值,将图像分为平滑区、过渡区、边缘区,在3个区域中分别采用不同比特数的最低有效位进行嵌入。实验结果表明,该方法能增加图像嵌入容量并可保持较高的载密图像质量。

保持直方图特性的最低比特位密写方法

基于对最低比特位Matching密写方法与利用图像直方图进行的密写分析方法的研究,提出了一种可保持直方图特性的LSB Matching密写方法.在密写过程中定义动态改变的密写信息表以记录秘密信息嵌入位的增减,并根据信息表内的记录判断下一次同样灰度值的像素嵌入秘密信息时的增减方向,而总体原则是尽量保证密写后的图像直方图变化最小.实验表明,经该方法密写后的图像直方图基本保持了原有峰值和变化趋势等属性,对一些针对图像直方图攻击方法有很好的效果.

融合残差网络和极限梯度提升的音频隐写检测模型

针对目前音频隐写检测方法对基于校验网格编码(STC)的音频隐写检测准确较低的问题,考虑到卷积神经网络(CNN)在抽象特征提取上的优势,提出一种融合深度残差网络(DRN)和极限梯度提升(XGBoost)的音频隐写检测模型。首先,利用固定参数的高通滤波器(HPF)预处理输入的音频,并通过三个卷积层提取特征,其中第一个卷积层使用了截断线性单元(TLU)激活函数,使得模型适应低信噪比(SNR)下的隐写信号分布;其次,通过五个阶段的残差块和池化操作进一步提取抽象特征;最后,经过全连接层和Dropout层将提取的高维特征作为XGBoost模型的输入进行分类。分别对STC隐写和最低有效位匹配(LSBM)隐写进行检测,实验结果表明,所提出的模型在0.5 bps、0.2 bps、0.1 bps三种嵌入率下,即音频每个采样值平均修改的比特数分别为0.5、0.2、0.1时,对子校验矩阵高度为7的STC隐写的平均检测准确率分别为73.27%、70.16%、65.18%,对LSBM隐写的平均检测准确率分别为86.58%、76.08%、72.82%。相较于传统提取手工特征的隐写检测方法和深度学习隐写检测方法,所提模型对两种隐写算法的平均检测准确率均提高了10个百分点以上。