Image steganalysis and steganography in the spatial domain
En aquesta tesi, proposem diferents tècniques novedoses per detectar informació oculta (estegoanàlisi) i per ocultar informació (esteganografia). Aquestes tècniques es presenten en una col·lecció de cinc contribucions, que comparteixen un problema comú. La primera contribució presenta tres mètodes d...
| Autor: | |
|---|---|
| Tipo de recurso: | tesis doctoral |
| Estado: | Versión publicada |
| Fecha de publicación: | 2017 |
| País: | España |
| Institución: | Universitat Oberta de Catalunya (UOC) |
| Repositorio: | O2, repositorio institucional de la UOC |
| OAI Identifier: | oai:openaccess.uoc.edu:10609/147144 |
| Acceso en línea: | http://hdl.handle.net/10609/147144 |
| Access Level: | acceso abierto |
| Palabra clave: | esteganografia estegoanàlisi aprenentatge automàtic processament d'imatges privadesa esteganografía estegoanálisis aprendizaje automático procesamiento de imágenes privacidad steganography steganalysis machine learning image processing privacy Machine learning Aprenentatge automàtic Aprendizaje automático |
| Sumario: | En aquesta tesi, proposem diferents tècniques novedoses per detectar informació oculta (estegoanàlisi) i per ocultar informació (esteganografia). Aquestes tècniques es presenten en una col·lecció de cinc contribucions, que comparteixen un problema comú. La primera contribució presenta tres mètodes diferents per detectar informació oculta fent servir tècniques de desplaçament d'histograma, algunes de les quals són atacs dirigits a esquemes concrets, mentre que les altres són més genèriques. En la segona contribució, en l'àrea de l’aprenentatge automàtic aplicat a l'estegoanàlisi, presentem un nou extractor de caracterı́stiques per detectar informació oculta en el domini espacial, que es pot fer servir com a submodel addicional en el framework de rich models, i que supera la precisió obtinguda pel mètode de l'estat de l'art subtractive pixel adjacency matrix (SPAM) fent servir un nombre inferior de caracterı́stiques. En el mateix context, la tercera contribució és un algoritme esteganogràfic que explota la debilitat d'alguns submodels per tractar amb dades de moltes dimensions (els quals solen utilitzar un llindar per superar el problema de la dimensionalitat). Com a quarta contribució, presentem un nou framework d'estegoanàlisi dirigida no supervisada amb una precisió superior a la dels mètodes supervisats de l'estat de l'art, i que permet eludir el problema del cover source mismatch (CSM). Finalment, com a cinquena contribució, presentem un nou enfocament al problema del CSM basat en un conjunt de tècniques d'aprenentatge automàtic conegudes com a manifold alignment. |
|---|