基于字符亮度的自适应文本信息隐藏算法*

根据人类视觉系统(HVS),利用数字图像中的HSI模型,提出了一种基于字符亮度的自适应文本信息隐藏算法.该算法引入二次余数理论随机选择嵌入位置,并且采用了一种扩展的编码机制动态地隐藏秘密信息.实验结果表明这种算法不仅扩大了隐藏容量而且改善了文本的隐蔽性,同时在鲁棒性与不可感知性之间取得良好的折中,提高了文本的抗攻击能力.     

跨平台中文网页阅读系统

介绍了一种全新的跨平台中文网页阅读系统，说明了系统的基本原理，功能特点和实现的技术。     

脉冲和脉冲多卜勒雷达信噪比计算

低脉冲重复频率(PRF)脉冲雷达信噪比(S/N)的计算方法,通常是先算单一脉冲的信噪比,然后将此比值乘以积累脉冲数来得到一给定目标照射时间内的信噪比。高脉冲重复频率脉冲多卜勒雷达,一般是以发射信号频谱中心谱线功率为目标回波功率来计算雷达信噪比的,因为在这种雷达接收机中,必须保留发射信号频谱的中心谱线,而把那些PRF谱线去掉。本文所指出的两种雷达信噪比的计算方法,对匹配的发射-接收雷达系统是完全等效的。     

汉字的数学表达式研究

通过深入分析汉字的有关结构知识，提出了一种全新的汉字表达方法，该方法将汉字表示成由505个部件作为操作数、部件间的6种位置关系作为运算符号的数学表达式，这种表达方法接近自然、结构简单，而且可像普通的数学表达式一样按一定的运算规则处理，它可广泛应用于排版印刷、广告、包装设计、网络传输及中文移动通信等领域，已成功地在汉字字形自动生成，互联网上跨平台传输汉字信息、挖掘有关汉字结构知识等方面。     

可定题的中文网络信息自动发现系统

随着Internet应用的逐渐普及,WWW己经发展成为个巨大的分布式信息空间,为用户提供了一个极具价值的信息源。快速、准确地发现定题领域中的信息,是广大网站管理员和用户所需要的;文章介绍了一种可定题的网络信息自动发现系统;并说明系统的设计思想,关键技术和实现。     

基于RS码的二值图像认证及篡改定位算法

用于二值图像内容认证和篡改定位的数字水印技术具有重要的实际价值,但却面临着二值图像像素单一、嵌入容量有限且分布不均匀等问题.根据纠错码--RS码的检错原理,提出一种用于二值图像内容认证和篡改定位的脆弱的数字水印算法.该算法利用二值图像的像素值来构造RS码,通过嵌入其校验码来实现对图像的内容认证和篡改定位,一方面保证了其优越的检错能力;另一方面,具有较低的嵌入负载.经实验证明,该算法能有效地检测出二值图像是否被篡改以及篡改发生的位置.此外,在水印信号的生成和提取过程中使用了密钥,确保了水印的安全.     

基于虚词变换的文本隐藏信息检测方法研究

基于虚词变换的文本信息隐藏方法通过增删汉语中的高频虚词进行信息隐藏,该方法不影响载体文本的语义,具有较好的隐蔽性和抗检测能力.通过总结虚词使用的语言特征,分析增删虚词带来的违背语法和习惯用法等问题,同时根据多数情况下隐藏信息后标记短语增加,非标记短语减少这一重要统计特征,提出一种最近邻法与语言特征分析相结合的检测方法.实验结果表明,该方法具有较低的虚警率和漏警率,对基于虚词变换的文本信息隐藏方法能进行有效检测.     

基于CSS类选择符重复引入的网页信息隐藏算法

现有的网页信息隐藏算法存在信息隐藏点与网页内容分离、抗机器过滤能力较差的缺点.基于CSS类选择符重复引入策略,提出了一种新的网页信息隐藏算法.按照嵌入规则,采用重复引入可操作CSS块中相关对象的CSS类选择符的方法来嵌入信息.实验结果表明该算法信息隐藏点与网页内容紧密地结合,提高了抗检测和抵抗机器过滤的能力,且具有较好的隐蔽性,能够隐藏较大量的信息,可以应用于网页保护和隐秘通信.     

基于移位变换的句子层自然语言信息隐藏算法

针对现有的句子层自然语言信息隐藏方法存在的问题,提出一种基于句子层移位变换规则的中文自然语言信息隐藏算法．首先利用汉字数学表达式对中文文本信号数字化;然后通过句子的移位变换改变句子词序以嵌入秘密信息．实验结果和分析表明,该算法实现简单、编码容量较大,同时秘密信息隐藏在自然语言文本句子层词序变换中,不改变文本语法、语义和风格,具有较好的隐蔽性．     

基于少样本学习的通用隐写分析方法

近年来,深度学习在图像隐写分析任务中表现出了优越的性能.目前,大多数基于深度学习的图像隐写分析模型为专用型隐写分析模型,只适用于特定的某种隐写术.使用专用隐写分析模型对其他隐写算法的隐写图像进行检测,则需要该隐写算法的大量载密图像作为数据集对模型进行重新训练.但在实际的通用隐写分析任务中,隐写算法的大量载密图像数据集是难以得到的.如何在极少隐写图像样本的情况下训练通用隐写分析模型是一个极大的挑战.对此,受少样本学习领域研究成果的启发,提出了基于转导传播网络的通用隐写分析方法.首先,在已有的少样本学习分类框架上改进了特征提取部分,设计了多尺度特征融合网络,使少样本分类模型能够提取到更多的隐写分析特征,使其可用于基于秘密噪声残差等弱信息的分类任务;其次,针对少样本隐写分析模型难收敛的问题,提出了预训练初始化的方式得到具有先验知识的初始模型;然后,分别训练了频域和空域的少样本通用隐写分析模型,通过自测和交叉测试,结果表明,检测平均准确率在80%以上;接着,在此基础上,采用数据集增强的方式重新训练了频域、空域少样本通用隐写分析模型,使少样本通用隐写分析模型检测准确率与之前相比提高到87%以上;最后,将得到的少样本通用隐写分析模型分别与现有的频域和空域隐写分析模型的检测性能进行比较,结果显示,空域上少样本通用隐写分析模型在常用的少样本环境下的检测准确率稍低于SRNet和ZhuNet,频域上少样本通用隐写分析模型在常见的少样本环境下的检测准确率已超越现有的频域隐写分析模型.实验结果表明,基于少样本学习的通用隐写分析方法对未知隐写算法的检测具有高效性和鲁棒性.