近年来数字图像通信、计算机技术和图像处理技术发展快速增长,不同的图像攻击,致使图像安全已经成为一个基本需求。图像安全方法被分为密码学和数据隐藏技术,包括数字水印和密码学。本研究报告回顾了现有的图片数据隐藏技术,其优点和缺点,以及未来的研究方向。除了调查之外,我们还包括对几种损害图片传输的几何和图像处理攻击的简要解释,以及阐述了多媒体安全的基本思想、基本需求和最新应用。我们讨论了各种方法及其特点、类型、需求和工作机制。我们根据不同的领域对这些技术进行分类。数据隐藏方法的一般概念,它们的特点,最近的应用,以及最近对拟议技术的研究工作在下面的章节中进行了讨论,最后,不同方法之间的比较已经在一个表格中呈现。

1 引言

使用互联网来分享和传输大量数据的做法已经取得了快速的进展。最近,多媒体安全已成为所有应用中最关键的问题之一,以保护通过网络存储和传输的数据。在最近的十年中,多媒体通信被广泛使用,这在许多领域都是至关重要的,如娱乐、工业、经济、电子医疗和军事应用[1]。

多媒体数据,已经通过互联网以各种形式,如视频、音频、文本和图像,快速而广泛地传输到目的地。通过互联网传输的数字数据对所有用户来说都是可获得和可检测的。由于数据在传输介质上的发送过程、数据存储库和数据处理,数据内容可以被自由窃听、收集、复制和非法分发。多媒体具有独特的特点,需要对加密方法有特殊的要求[2]。人们提出了多种技术来保护图像并证明其所有权,例如水印和密码学,如图1所示。

1.1 攻击

如图2所示,在图像通过多媒体网络传输时,许多类型的攻击会对其产生影响。这些攻击被归类为噪音攻击(盐和胡椒,高斯噪音),几何攻击(翻译,缩放和旋转),以及其他[3]。另一方面,图像去噪如平均滤波器、中值滤波器和索贝尔滤波器。直方图均衡化和自适应直方图是图像处理攻击的一个例子。此外,图像压缩攻击。

2 密码学

密码学的方法旨在防止对加密数据传输的窃听。密码学背后的想法是隐藏数字数据。密码学来自希腊语stegano,意思是 "覆盖",和graphy,意思是 "书写"。因此,这两个词已成为 "覆盖式写作 "的同义词[4]。使用私钥,它探索了不同的嵌入方法。秘密信息是赋予隐藏内容的名称,而覆盖文件是赋予保存秘密文件的容器的名称。任何种类的多媒体元素,包括视频、音乐、照片和文本,都可以被用作封面[5]。

如前所述,密码学包括在另一个多媒体文件中嵌入关键信息,如图3所示。因此,密码学模型必须有更多的扩展等效能力[4]。作者在[5和6]中证明了一个好的隐写系统的三个关键标准。安全性、不可知性和有效载荷容量都是重要的考虑因素。图5描述了他们的研究[8]中确定的第四个质量:稳健性。因此,任何提议的算法都应该保留这些品质中的大部分。

如图4所示,各种隐写方法可以分为空间、变换、自适应域、基于区域、人类视觉和机器学习。这种分类将在接下来的章节中更深入地描述,同时也会介绍一些最新的研究[9]。

3 数字水印

图像处理技术的发展使复制、改变和分享数字内容变得更容易,而且成本低,同时保持高质量。数字照片的水印是检测篡改和证明所有权的另一种方法[60]。如图6所示,水印是在图像中插入一段信息而不改变其价值的一种手段,以便识别数据的原始来源。

水印法克服了密码学的局限性,将水印放入封面图像中,从而防止水印被发现[61]。图7中描述了水印方法的多种要求。

一个数字水印系统分为三个阶段:生成水印、嵌入和提取。当一个数字图像的版权出现问题时,提取水印以证明他的版权。

成为VIP会员查看完整内容
40

相关内容

「多模态处理技术」最新2022研究进展综述
专知会员服务
134+阅读 · 2022年10月29日
《深度学习医学图像配准》综述进展
专知会员服务
47+阅读 · 2022年5月9日
「大规模图神经网络系统」最新2022综述:从算法到系统
专知会员服务
113+阅读 · 2022年1月14日
专知会员服务
28+阅读 · 2021年9月11日
基于小样本学习的图像分类技术综述(中文版),19页pdf
专知会员服务
87+阅读 · 2021年3月15日
最新《图像到图像转换:方法与应用》综述论文,19页pdf
专知会员服务
32+阅读 · 2021年1月25日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
轻量级神经网络架构综述
专知会员服务
96+阅读 · 2020年4月29日
「深度学习视频分析系统」最新2022研究进展综述
THU数据派
0+阅读 · 2022年11月11日
「多模态处理技术」最新2022研究进展综述
专知
4+阅读 · 2022年10月29日
图像修复研究进展综述
专知
19+阅读 · 2021年3月9日
深度学习综述(下载PDF版)
机器学习算法与Python学习
27+阅读 · 2018年7月3日
深度学习时代的目标检测算法综述
AI前线
11+阅读 · 2017年9月22日
最全的DNN概述论文:详解前馈、卷积和循环神经网络技术
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
20+阅读 · 2022年10月10日
Arxiv
12+阅读 · 2018年1月28日
VIP会员
相关VIP内容
「多模态处理技术」最新2022研究进展综述
专知会员服务
134+阅读 · 2022年10月29日
《深度学习医学图像配准》综述进展
专知会员服务
47+阅读 · 2022年5月9日
「大规模图神经网络系统」最新2022综述:从算法到系统
专知会员服务
113+阅读 · 2022年1月14日
专知会员服务
28+阅读 · 2021年9月11日
基于小样本学习的图像分类技术综述(中文版),19页pdf
专知会员服务
87+阅读 · 2021年3月15日
最新《图像到图像转换:方法与应用》综述论文,19页pdf
专知会员服务
32+阅读 · 2021年1月25日
基于小样本学习的图像分类技术综述
专知会员服务
148+阅读 · 2020年5月6日
轻量级神经网络架构综述
专知会员服务
96+阅读 · 2020年4月29日
相关基金
国家自然科学基金
1+阅读 · 2015年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
7+阅读 · 2013年12月31日
国家自然科学基金
2+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
1+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2010年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
微信扫码咨询专知VIP会员