網(wǎng)絡安全：信息隱藏與數(shù)字水印

目錄
前言
第1章　緒論　1
1.1　信息隱藏概述　1
1.2　信息隱藏的應用領域　3
1.2.1　保密通信　3
1.2.2　數(shù)字版權保護　4
1.2.3　數(shù)字指紋　4
1.2.4　內(nèi)容認證　4
1.3　數(shù)字水印概述　4
1.4　數(shù)字水印基本原理及應用　6
1.4.1　數(shù)字水印的基本原理　7
1.4.2　數(shù)字水印的基本特性　8
1.4.3　圖像數(shù)字水印經(jīng)典算法　9
1.4.4　常見數(shù)字水印攻擊方法　10
1.4.5　數(shù)字水印的性能評價　11
1.4.6　數(shù)字水印的應用　13
1.5　可逆信息隱藏概述　13
1.5.1　可逆信息隱藏的相關概念　13
1.5.2　可逆信息隱藏的關鍵問題　14
1.6　可逆信息隱藏算法分類及發(fā)展　15
1.7　本章小結　16
參考文獻　16
第2章　基礎理論　22
2.1　圖像處理中的變換　22
2.1.1　離散余弦變換　22
2.1.2　離散小波變換　23
2.1.3　輪廓波變換　24
2.2　神經(jīng)網(wǎng)絡基礎知識　26
2.2.1　神經(jīng)網(wǎng)絡簡介　26
2.2.2　神經(jīng)網(wǎng)絡基本模型　26
2.3　混沌映射基礎知識　31
2.3.1　混沌的定義　31
2.3.2　混沌的特征及其判別準則　31
2.3.3　Baker映射　33
2.3.4　Logistic映射　34
2.3.5　Arnold映射　34
2.3.6　Baker映射與Arnold映射對比　35
2.4　高階累積量與奇異值分解　37
2.4.1　高階累積量　37
2.4.2　奇異值分解　38
2.5　粒子群優(yōu)化算法　39
2.6　壓縮感知理論　40
2.6.1　信號稀疏性　41
2.6.2　信號觀測　42
2.6.3　信號重建　43
2.6.4　分塊壓縮感知　43
2.7　人類視覺模型基本概念　45
2.7.1　人類視覺模型　45
2.7.2　Watson感知模型　46
2.7.3　顯著性檢測　47
2.8　本章小結　49
參考文獻　49
第3章　零水印算法及其應用　51
3.1　基于高階累積量的零水印算法　51
3.1.1　高階累積量　51
3.1.2　零水印的構造和檢測算法　52
3.1.3　仿真實驗　53
3.2　基于小波變換和奇異值分解的零水印算法　55
3.2.1　魯棒零水印產(chǎn)生　55
3.2.2　魯棒零水印提取和版權認證　56
3.2.3　閾值選擇　56
3.2.4　實驗結果　57
3.3　基于神經(jīng)網(wǎng)絡的零水印算法　59
3.3.1　隨機像素點的選取　60
3.3.2　神經(jīng)網(wǎng)絡模型　61
3.3.3　二值模式的產(chǎn)生　61
3.3.4　檢測密鑰的獲取　62
3.3.5　水印信號的檢測　62
3.3.6　水印的重復嵌入　63
3.4　基于神經(jīng)網(wǎng)絡的半脆弱零水印算法　63
3.4.1　算法描述　63
3.4.2　實驗結果　65
3.4.3　安全性　69
3.5　基于相鄰塊數(shù)值關系的魯棒零水印算法　69
3.5.1　DC-RE算法　69
3.5.2　CU-SVD算法　70
3.5.3　CU-SVD-RE算法　71
3.5.4　預處理算法　71
3.5.5　實驗結果　71
3.6　基于混沌映射的數(shù)字水印算法　78
3.6.1　水印嵌入算法　78
3.6.2　水印提取算法　79
3.6.3　仿真實驗　79
3.6.4　實驗結果分析　80
3.7　本章小結　83
參考文獻　83
第4章　量化索引調(diào)制數(shù)字水印算法　84
4.1　量化索引調(diào)制數(shù)字水印算法概述　84
4.1.1　量化索引調(diào)制原理　84
4.1.2　抖動調(diào)制　85
4.1.3　擴展變換抖動調(diào)制與擴展變換量化索引調(diào)制　87
4.1.4　基于視覺模型的自適應QIM　88
4.2　基于改進視覺模型的自適應水印算法　91
4.2.1　ST-QIM-B1MW-SS算法與ST-QIM-B2MW-SS算法　91
4.2.2　ST-QIM-fMW-SS算法　96
4.2.3　ST-QIM-MS-SS算法　99
4.2.4　從幾個特定角度對改進的ST-QIM算法的研究　102
4.3　基于擴展變換的對數(shù)水印算法　107
4.3.1　基于擴展變換的數(shù)字水印算法　107
4.3.2　擴展變換量化索引調(diào)制算法　107
4.3.3　基于視覺模型的擴展變換水印算法　109
4.3.4　基于擴展變換的對數(shù)水印算法　110
4.3.5　擴展變換對數(shù)水印算法中參數(shù)μ的取值分析　113
4.3.6　基于JPEG量化表改進的擴展變換對數(shù)水印算法　115
4.3.7　實驗仿真與分析　116
4.3.8　擴展變換對數(shù)水印算法中參數(shù)μ的影響　116
4.3.9　算法性能比較　122
4.4　基于視覺模型的多級混合分塊DCT域水印算法　123
4.4.1　DCT能量聚集特性　124
4.4.2　基于視覺模型的多級混合分塊DCT域水印算法流程　124
4.4.3　實驗仿真與分析　125
4.5　基于混合變換和子塊相關的改進STDM算法　129
4.5.1　算法的理論背景　130
4.5.2　基于DWT和DCT組合變換的兩種算法　130
4.5.3　兩種算法的性能分析　131
4.5.4　仿真實驗結果及討論　136
4.6　基于視覺顯著性和輪廓波變換對數(shù)量化索引調(diào)制水印算法　139
4.6.1　改進的對數(shù)量化索引調(diào)制水印算法　140
4.6.2　量化步長的選擇　142
4.6.3　嵌入位置的選擇　144
4.6.4　水印嵌入算法　146
4.6.5　水印提取算法　147
4.6.6　實驗仿真與分析　147
4.6.7　不可感知性　148
4.6.8　視覺顯著性以及輪廓波變換的有效性　149
4.6.9　魯棒性　150
4.7　本章小結　154
參考文獻　155
第5章　基于壓縮感知的數(shù)字水印算法　158
5.1　基于分塊壓縮感知的圖像半脆弱零水印算法　158
5.1.1　水印的構造　158
5.1.2　水印的檢測　159
5.1.3　篡改恢復　159
5.1.4　水印檢測原理及保密性分析　160
5.1.5　仿真實驗及分析　160
5.2　角度量化索引調(diào)制及其改進算法　163
5.2.1　角度量化索引調(diào)制算法　163
5.2.2　改進算法　164
5.3　基于分塊壓縮感知的角度量化索引調(diào)制水印算法　165
5.3.1　測量矩陣的選擇　165
5.3.2　水印嵌入算法　167
5.3.3　水印提取算法　169
5.3.4　算法性能分析　170
5.3.5　壓縮比的影響　172
5.3.6　實驗仿真及分析　173
5.4　基于壓縮感知噪聲重構的DWT-DCT域水印算法　178
5.4.1　基于DWT-DCT變換的水印算法　178
5.4.2　正交匹配追蹤重構算法　179
5.4.3　基于OMP噪聲重構的DWT-DCT域水印算法　181
5.4.4　實驗仿真與分析　184
5.5　本章小結　187
參考文獻　188
第6章　二值圖像信息隱藏算法　190
6.1　二值圖像信息隱藏常見算法　190
6.2　基于分塊嵌入的二值圖像信息隱藏算法　191
6.2.1　分塊嵌入的基本概念　191
6.2.2　信息嵌入和提取過程　192
6.2.3　分塊方式選擇　192
6.2.4　可翻轉像素點選取準則　194
6.3　二值圖像信息隱藏算法性能指標　196
6.3.1　嵌入容量　196
6.3.2　視覺失真度量化　197
6.3.3　計算復雜度　198
6.4　仿真實驗及分析　198
6.4.1　連通性保持二值圖像信息隱藏算法步驟　199
6.4.2　仿真實驗結果分析　201
6.5　本章小結　206
參考文獻　207
第7章　可逆信息隱藏算法　208
7.1　可逆信息隱藏算法概述　208
7.2　基于差值擴展的可逆信息隱藏算法　209
7.3　基于直方圖平移的可逆信息隱藏算法　211
7.3.1　可逆信息隱藏算法嵌入過程　211
7.3.2　嵌入算法的偽代碼　212
7.3.3　提取算法的偽代碼　214
7.3.4　嵌入和提取流程圖　214
7.3.5　嵌入圖像相對于原始圖像的PSNR下界　214
7.3.6　應用　216
7.3.7　計算復雜度　216
7.3.8　實驗結果和比較　216
7.4　基于預測誤差擴展的可逆信息隱藏算法　220
7.5　基于差值直方圖平移的可逆信息隱藏算法　221
7.5.1　差值直方圖　222
7.5.2　算法描述　222
7.5.3　二維差值直方圖平移算法　223
7.6　基于多直方圖平移的可逆信息隱藏算法　226
7.6.1　預測誤差直方圖平移算法　226
7.6.2　圖像像素值預測　229
7.6.3　信息的嵌入與可逆提取　231
7.6.4　多直方圖平移算法　235
7.6.5　MATLAB仿真實驗結果分析　238
7.7　本章小結　241
參考文獻　241
第8章　密文域可逆信息隱藏算法　243
8.1　概述　243
8.2　密文域可逆信息隱藏框架　245
8.3　VRBE算法　247
8.3.1　不可分離的VRBE算法　248
8.3.2　可分離的VRBE算法　249
8.4　VRAE算法　256
8.4.1　VRAE：明文域數(shù)據(jù)提取　256
8.4.2　VRAE：密文域數(shù)據(jù)提取　261
8.4.3　VRAE：雙域中數(shù)據(jù)提取　262
8.5　本章小結　265
參考文獻　265