本發(fā)明涉及信息安全，具體來說涉及一種數(shù)字圖像特征感知的通用隱寫分析方法。
背景技術：
：隱寫分析是信息隱藏的對抗技術，是對隱寫術的數(shù)據(jù)變換攻擊，目的是為了檢測隱寫術中秘密消息的存在,提取秘密信息從而識別并破壞保密通信。不同于傳統(tǒng)的密碼通信，隱寫術不改變數(shù)字載體的視聽覺效果，也不改變載體文件的大小和格式，因而是目前一種具有高隱蔽性、更加安全的保密通信方式。因此，隱寫分析已經成為解決非法使用隱寫術問題的關鍵技術。近年來，隨著隱寫與隱寫分析技術的不斷博弈與演化，高隱蔽性低嵌入率的隱寫術成為信息安全領域關注的焦點。目前的隱寫分析方法把隱寫分析簡化為檢測載體的噪聲甚至去噪，而如何區(qū)分隨機噪聲和秘密消息仍是有待解決的問題，建立合理并符合實際的隱寫與隱寫分析模型更是亟待解決的問題。隱寫分析主要包括兩個方面：專用隱寫分析和通用隱寫分析。專用隱寫分析針對已知隱寫算法提出的分析方法，它需要首先確定含密圖像中使用何種隱寫術才能作出判斷，準確率較高，但適用范圍有限。通用隱寫分析是在未知原始載體對象和隱寫術的基礎上對檢測圖像是否含密進行判斷的一種分析方法。它不需要依據(jù)少量敏感統(tǒng)計特性判斷載體是否含密，而是從大量原始載體樣本和含密載體樣本中提取多維特征向量訓練分類器，通過訓練出來的分類器區(qū)分原始載體和以不同隱寫術得到的含密載體。因此，通用隱寫分析在數(shù)字媒體能夠得到了廣泛應用，例如分析Internet數(shù)據(jù)通信和云服務數(shù)據(jù)的安全性等。數(shù)字圖像隱寫分析技術所檢測的對象即為圖像。那么在這樣的通信過程中，通常稱沒有進行信息隱藏的圖像稱為載體圖像或者稱為原始圖像(CoverImage)；將隱藏在載體圖像中的信息稱為秘密信息(SecretInformation)；隱藏有秘密信息的圖像稱為載密圖像(StegoImage)；將秘密信息隱藏在載體圖像中的操作過程稱為數(shù)據(jù)嵌入(DataEmbedding)；從載密圖像中獲取秘密信息的操作過程稱為數(shù)據(jù)提取(DataExtraction)。在各種圖像格式中JPEG圖像使用非常廣泛，用JPEG圖像作為載體圖像隱藏秘密信息不容易引起檢測者的注意，具有十分重要的應用價值。JPEG是互聯(lián)網(wǎng)上最常見的圖像格式，而DCT變化是JPEG壓縮采用的重要技術之一，在DCT變化系數(shù)上隱藏信息是常見的數(shù)字隱寫方式。大部分JPEG圖像的隱寫改變DCT域系數(shù)統(tǒng)計特性，圖1所示為常用JPEG隱寫分析方案的系統(tǒng)框圖。在目前常見的JPEG通用分析方法中，準確率較高的有基于Markov過程(Markovprocessbased，簡稱MPB)的特征[參見：ShiYQ,ChenCH,ChenW.AMarkovprocessbasedapproachtoeffectiveattackingJPEGsteganography.In:CamenischJ,etal.,eds.Proc.ofthe8thInt’lWorkshoponInformationHiding(IH2006).LNCS6387,Berlin:Springer-Verlag,2007.249-264.[doi:10.1007/978-3-540-74124-4_17]]、偏序Markov模型(partiallyorderedMarkovmodel，簡稱POMM)特征[參見：DavidsonJ,JalanJ.Steganalysisusingpartiallyorderedmarkovmodels.In:R,etal.,eds.Proc.ofthe12thInt’lWorkshoponInformationHiding(IH2010).LNCS6387,Berlin:Springer-Verlag,2010.143-157.[doi:10.1007/978-3-642-16435-4_10]]和基于校準的特征集[參見：J,FridrichJ.Calibrationrevisited.In:FeltenE,etal.,eds.Proc.ofthe11thACMWorkshoponMultimediaandSecurity(MM&Sec2009).NewYork:ACMPress,2009.63-73.[doi:10.1145/1597817.1597830]]等。MPB特征計算了JPEG量化系數(shù)在各個方向的一階轉移概率矩陣(transitionprobabilitymatrix，簡稱TPM)。然而,該方法沒有采用校準技術,準確率相對較低。此外,MPB特征冗余度高,絕對值小于T(T為該方法設定的閾值范圍)的JPEG量化系數(shù)所形成的特征向量已達4(2T+1)2維。POMM方法統(tǒng)計JPEG量化系數(shù)差值在各種構成情況下的概率,但該方法未考慮量化系數(shù)差值之間的關系，其準確率還可以繼續(xù)提升?；谛始夹g特征集的方法結合了7種隱寫分析特征并采用圖像校準技術，準確率相對較高。但該組合并不完整，如果將該方法融合其他互補特征，則準確率仍有提升的空間?，F(xiàn)有JPEG通用隱寫分析方法主要有以下幾個缺點:(1)沒有采用校準技術，準確率相對較低。在Shi等人提出的基于Markov過程模型的MPB分析方法中，該方法提取JPEG量化系數(shù)矩陣，對其按水平、垂直、主對角和副對角4個方向求差，得到4個差值矩陣，然后計算各個差值矩陣在相應方向上的一階TPM。該方法只計算[-T,T]范圍內的系數(shù)，最終得到4(2T+1)2維特征向量。(2)MPB特征冗余度高，絕對值小于T的JPEG量化系數(shù)所形成的特征向量已達4(2T+1)2維。在Davidson等人提出的基于偏序Markov模型POMM的分析方法中，該方法在水平、垂直、主對角和副對角4個方向上計算滿足同一差值d的相鄰JPEG量化系數(shù){(c1,c2)|c1-c2＝d}可能組合概率,其中,只統(tǒng)計c1,c2∈[-T,T]的情況。接著，對這4個方向的概率求和，得到(2T+1)2維特征向量。最后,對圖像裁剪最外層4行4列并重新JPEG壓縮作校準,校準前后的塊內和塊間特征差值為最終特征。(3)未考慮量化系數(shù)差值之間的關系，需要提高準確率。在等人基于校準技術提出的PEV分析方法中，該方法使用了一組特征集,包括各種直方圖、方差、分塊特性、共生矩陣和Markov特征等,分別計算:亮度部分的DCT系數(shù)直方圖矩陣H；AC系數(shù)直方圖矩陣；雙直方圖矩陣；方差V；塊內分塊特性B；共生矩陣；Markov模型轉移概率矩陣Mm,n。最后,對圖像最外層四周各裁剪4行4列后重新JPEG壓縮作為校準,校準前后的特征Fr,Fc各為548維、274維，本發(fā)明申請中將Fr-Fc稱為PEV274,{Fr,Fc}稱為PEV548。技術實現(xiàn)要素：為了更好地綜合現(xiàn)有特征的長處,進一步提高隱寫分析的準確率和運行效率,本發(fā)明申請?zhí)岢隽艘环N數(shù)字圖像特征感知的通用隱寫分析方法，是一種新的壓縮感知(CompressiveSensing,CS)CS域的通用隱寫分析方法，該方法通過對JPEG圖像的隱寫算法進行分析，利用CS特征參數(shù)融合技術，降低圖像處理后的數(shù)據(jù)維數(shù)，提高圖像通用隱寫分析的準確率，解決JPEG數(shù)字圖像格式隱寫分析的特征融合與分類檢測問題。本發(fā)明通過對目前的基于Markov模型的多域特征通用隱寫分析的現(xiàn)狀進行分析，解決JPEG圖像在不同嵌入率下秘密信息的識別精度問題。本發(fā)明的目的可通過以下的技術措施來實現(xiàn)：一種數(shù)字圖像特征感知的通用隱寫分析方法，包括如下內容：(1)在數(shù)據(jù)采樣層，對于含密圖像的多維信號，通過CS實現(xiàn)圖像局部數(shù)據(jù)和全局數(shù)據(jù)，并用層次化進程求解稀疏優(yōu)化問題；首先通過時-空變換和單值譜分析技術(Singularspectralanalysis,SSA)中的數(shù)據(jù)折疊與嵌入，提取可能隱藏的結構化特征，進而分析在單值譜分析技術SSA(Singularspectralanalysis)系數(shù)上的分布特性，在保留結構化特征基礎上實現(xiàn)數(shù)據(jù)的有效降噪及增強，從而提高稀疏表示及后續(xù)特征提取與分類的有效性；(2)在特征感知層，對于含密圖像數(shù)據(jù)，通過CS結構性測量矩陣實現(xiàn)紋理特征、邊緣特征和平滑特征的數(shù)據(jù)提取，并實現(xiàn)特征之間、特征內部的冗余性與互補性的統(tǒng)計關系；(3)設計SVM分類器、隱寫分析CS盲檢測器的過程。所述步驟(1)過程中還包括降噪處理：首先對輸入的圖像進行2D分解，SSA處理；然后，進行局部和全部數(shù)據(jù)特性的統(tǒng)計；最后，根據(jù)軌跡矩陣和分塊Hankel矩陣進行數(shù)據(jù)降噪的具體應用。所述步驟(2)具體包括如下處理過程：2.1)在變換域下，通過CS感知技術測量圖像數(shù)據(jù)的統(tǒng)計分布，尋找特征之間、特征內部的冗余與互補關系，實現(xiàn)高維信號的過完備字典特征集設計問題；2.2)利用CS過完備字典的原子維數(shù)與原子個數(shù)對稀疏表示性能的關系，實現(xiàn)特征信號時空冗余度與稀疏表示數(shù)據(jù)之間的關聯(lián)影射；2.3)結合CS通過層進式模型訓練與優(yōu)化，設計結構性測量矩陣及其對特征數(shù)據(jù)的深度感知，實現(xiàn)層次化的特征選取。所述步驟(3)中的CS分類與盲檢測器采用如下方式實現(xiàn)：對于特征數(shù)1至n,第n次迭代時圖像特征信息融合的隱含層J與感知輸出層P之間的權值向量關系為：WJP(n)=w11(n)w12(n)...w1P(n)w21(n)w22(n)...w2P(n)............wJ1(n)wJ2(n)...wJP(n)---(5)]]>數(shù)字圖像特征感知的融合結果為：Y=Y1+Y2+...+YJP=w11H1c1+w12H2c2+...+wjpHNxcK---(6)]]>其中，Y表示特征感知結果，WJP(n)為不同層次特征訓練的權重大小，表示維數(shù)為Nx的Hankel矩陣，ck為圖像不同層次的稀疏表示系數(shù)；使用不同層次特征信息融合的結果作為分類證據(jù)并按照完備特征集的約束條件進行分類檢測而加以實現(xiàn)：其中，信息融合的分類判斷利用了隱寫數(shù)據(jù)的訓練結果Y與含密圖像特征感知之間的均方誤差函數(shù)其中Y為訓練圖像的結果，為含密圖像的感知結果；準則定義為：MSE(Y,Y‾)=1n||Y‾-Y||22=1n||e||22≈1Nx||X2D·e||22---(7)]]>其中，表示圖像之間的像素差，X2D為公式(2)中CS二維測量矩陣，Nx代表了X2D的最高維數(shù)，并滿足：Nx≥CKlog2nK---(8)]]>上面(8)式中C為C>0的固定常數(shù)，K＝N-L+1代表圖像稀疏測量度；根據(jù)大小不同，最后應用常用的支持矢量機SVM實現(xiàn)方法數(shù)據(jù)分類；其中，SVM的輸入訓練值為訓練輸出為Nx、X2D和特征權重WJP(n)；最后，分析者根據(jù)SVM輸出值不同，得到最終的分類檢測結果。本發(fā)明方法的優(yōu)點為：(1)利用圖像空域-CS變換域之間的軌跡矩陣的稀疏表示,達到了特征提取及優(yōu)選的過完備效果。該方法處理后的特征稀疏表示性能穩(wěn)定，主要表現(xiàn)在準確率相比Markov過程模型的MPB分析方法和POMM的分析方法都有不同程度的提升。(2)經CS處理后的分析準確率穩(wěn)定,準確率在特征維度降低至1/3時并無明顯下降,下降幅度不超過0.2％。與PEV分析方法中特征層融合的隱寫分析相比,本發(fā)明方法的準確率在大多數(shù)情況下提高1％-4％；與PEV分析方法在信息層融合的隱寫分析相比,本發(fā)明方法的準確率在大多數(shù)情況下提高1％-3％，耗時方面基本持平。附圖說明圖1是現(xiàn)有技術中常用JPEG圖像隱寫分析的實現(xiàn)方案結構示意圖；圖2是本發(fā)明基于CS技術的圖像通用隱寫分析實現(xiàn)原理圖；圖3是本發(fā)明多維信號時-空變換及其數(shù)據(jù)降噪處理示意圖；圖4是本發(fā)明CS在特征層的感知技術原理；圖5是本發(fā)明圖像CS通用隱寫分析的分類與盲檢測器工作原理；圖6是本發(fā)明訓練集交叉驗證模型；圖7是本發(fā)明CS層次化特征融合對隱寫分析分類的效果；圖8是本發(fā)明在各種隱寫下，CS不同層次特征融合對隱寫分析的準確率對比效果。具體實施方式壓縮感知(CompressedSensing,簡稱CS)理論在信號處理中的出現(xiàn)引起了學術界的特別關注。CS理論由美國科學院院士Donoho、Candes及菲爾茲獎獲得者華裔數(shù)學家陶哲軒等人所開創(chuàng)，并于2006年正式提出了壓縮感知的概念[參見：[D.Donoho.“Compressedsensing,”IEEETransactiononInformationTheory,vol.52,No.4,pp.1289-1306,2006.]，[D.L.Donoho,Y.Tsaig.“Extensionsofcompressedsensing,”SignalProcessing,vol.86,no.3,pp.533-548,2006.]，[E.CandesandM.Wakin.“Anintroductiontocompressivesampling,”IEEESignalProcessingMagazine,vol.25,no.2,pp.21-30,Mar.2008.]]。其原理是將多媒體數(shù)據(jù)的壓縮與采樣合并進行，其核心技術是信號的稀疏變換、稀疏信號的非相關測量矩陣及信號的重建算法。它突破了Shannon’s/Nyquist采樣理論的極限，能夠以隨機采樣的方式用更少的數(shù)據(jù)采樣點來高概率恢復原始信號[參見：[練秋生，周婷.結合字典稀疏表示和非局部相似性的自適應壓縮成像算法.電子學報，vol.40,no.7,pp:1416-1422，2012.]，[李佳，王強，沈毅，李波.壓縮感知中測量矩陣與重建算法的協(xié)同構造.電子學報，vol.41,no.1,pp:29-34，2013.]]。與通過主成分分析(PCA)、奇異值分解(SVD)以及Markov數(shù)據(jù)鏈等利用空域統(tǒng)計進行特征提取的通用隱寫分析相比，CS技術的完備特征集與非相關性測量為圖像通用隱寫分析在數(shù)據(jù)層、特征層和信息層的信號融合提供了一種新的途徑。因此，本發(fā)明的CS隱寫分析研究主要涉及2個核心問題：①圖像信號的稀疏表示，即具有稀疏表示能力的基或者過完備字典的設計；②圖像特征的稀疏測量和層進式學習分類方法，即滿足非相干性或限制等容性準則的測量矩陣及其特征的自動選取技術。其原理如圖2所示。(1)本發(fā)明通過軌跡矩陣對數(shù)字圖像信號的稀疏表示，實現(xiàn)了一種分塊Hankel結構性測量矩陣的通用隱寫分析特征感知技術；由于含密圖像信號數(shù)據(jù)量較大，常用的稀疏基(如DCT、FFT、DWT、Curvelets、Gabor)結合測量矩陣(如高斯隨機矩陣、正交高斯隨機矩陣、部分哈達瑪矩陣、二值隨機矩陣以及結構化隨機矩陣等)將難以滿足CS隱寫分析數(shù)據(jù)的表示效率。因此，本發(fā)明將軌跡矩陣的稀疏表示方法用于多維信號的數(shù)據(jù)降維中，并通過過完備字典在變換域和壓縮域內實現(xiàn)特征表示的最大信息熵。(2)本發(fā)明根據(jù)CS對圖像特征之間感知處理的差異性統(tǒng)計實現(xiàn)了不同層次的權重關系，并結合函數(shù)和SVM技術實現(xiàn)了隱寫分析的高精度分類檢測技術。多維特征參數(shù)的權重性，嵌入隱寫數(shù)據(jù)的可選擇性以及特征之間的層次性與融合性，形成了本發(fā)明實現(xiàn)CS特征融合的技術鏈。這個技術鏈的核心問題是在各種統(tǒng)計條件下，通過不同層次特征之間的權重相互關系融合并判斷了秘密信息的敏感位置及其嵌入的數(shù)據(jù)量大小，從而使之滿足一定條件下隱寫分析的效率和檢測性能。本發(fā)明的一種數(shù)字圖像特征感知的通用隱寫分析方法，具體包括如下內容：(1)在數(shù)據(jù)采樣層，對于含密圖像的多維信號，通過CS實現(xiàn)圖像局部數(shù)據(jù)和全局數(shù)據(jù)，并用層次化進程求解稀疏優(yōu)化問題；首先通過時-空變換和單值譜分析技術(Singularspectralanalysis,SSA)中的數(shù)據(jù)折疊與嵌入，提取可能隱藏的結構化特征，進而分析在單值譜分析技術SSA(Singularspectralanalysis)系數(shù)上的分布特性，在保留結構化特征基礎上實現(xiàn)數(shù)據(jù)的有效降噪及增強，從而提高稀疏表示及后續(xù)特征提取與分類的有效性；在此過程中，需要結合二維SSA(即2D-SSA)方法對多維信號進行降噪處理，圖3說明了降噪處理的實現(xiàn)過程：首先對輸入的圖像進行2D分解，SSA處理；然后，進行局部和全部數(shù)據(jù)特性的統(tǒng)計；最后，根據(jù)軌跡矩陣和分塊Hankel矩陣進行數(shù)據(jù)降噪的具體應用。令X＝{x1,x2,…,xN}為N維的數(shù)字圖像輸入樣本向量，CS2D-SSA降噪處理的目的是通過軌跡矩陣P產生K維-稀疏信號矩陣Ψ，K<<N。軌跡矩陣P形式為：這里L為圖像分塊處理的窗口大小，L∈[1,N]，cK＝[pk,pk+1,…,pk+L-1]T∈RK，K＝N-L+1。ck表示矩陣的稀疏系數(shù)列向量，R為ck的實數(shù)域集合。這時，稀疏信號矩陣Ψ＝PT×X×P。在圖3中，當圖像特征信號不能在軌跡矩陣P上表示時，可以將其擴展到CS過完備字典上進行稀疏表示。這時，稀疏信號矩陣Ψ變成了過完備字典Ψ，Ψ的字典原子為c1,c2,…,cK，字典維數(shù)為：M≥CKlog2NK---(2)]]>其中，C為[0，1]之間的固定常數(shù)。(2)在特征感知層，對于含密圖像數(shù)據(jù)，通過CS結構性測量矩陣實現(xiàn)紋理特征、邊緣特征和平滑特征的數(shù)據(jù)提取，并實現(xiàn)特征之間、特征內部的冗余性與互補性的統(tǒng)計關系。在特征感知處理時，對于分塊Hankel矩陣，2DHbH的CS測量矩陣形式為：這里，X2D為輸入數(shù)字信號X的二維表示，HNx為2DHbH測量矩陣的元素，Nx代表測量矩陣在x方向的維數(shù)，Lx為被測量子塊在x方向的窗口大小。上面(3)式中子測量矩陣是Hankel類型矩陣，具體為：這里，r為Hankel矩陣的列矢量變化值，Ny代表測量矩陣在y方向的維數(shù)，Ly為被測量子塊在y方向的窗口大小?；诠?3)-(4)CS稀疏表示矩陣的實現(xiàn)基礎，圖4為特征層采用的CS結構性測量矩陣HbH實現(xiàn)特征感知的過程，特征層是特征數(shù)據(jù)的集合，特征感知層是測量矩陣在特征層對數(shù)據(jù)的感知處理，圖4所示實現(xiàn)特征感知的過程的具體包括如下步驟：2.1)在變換域下，通過CS感知技術測量圖像數(shù)據(jù)的統(tǒng)計分布，尋找特征之間、特征內部的冗余與互補關系，實現(xiàn)高維信號的過完備字典特征集設計問題。2.2)利用CS過完備字典的原子維數(shù)與原子個數(shù)對稀疏表示性能的關系，實現(xiàn)特征信號時空冗余度與稀疏表示數(shù)據(jù)之間的關聯(lián)影射。2.3)結合CS通過層進式模型訓練與優(yōu)化，設計結構性測量矩陣及其對特征數(shù)據(jù)的深度感知，進而最大程度地實現(xiàn)層次化的特征選取。(3)設計SVM分類器、隱寫分析CS盲檢測器的過程?；趫D4的特征提取原理，根據(jù)不同層次的特征參數(shù)設立不同權重和變換方法，圖5為本發(fā)明方法中采用的CS分類與盲檢測器實現(xiàn)框圖。在圖4中，CS特征數(shù)據(jù)是在多層次化訓練方式下實現(xiàn)的。這是因為，不同層次的特征提取采用不同的稀疏基及其使用不同的分塊Hankel感知測量矩陣。也就是說，根據(jù)不同層次的數(shù)字內容表示特征，調整CS測量矩陣的感知稀疏度的大小，可以改變CS技術估計秘密信息的大小(即實現(xiàn)可變信息嵌入率下的觀測)。因而，CS通用隱寫分析的數(shù)據(jù)量取決于不同層次特征表示的稀疏性及其結構測量性而非圖像信號的帶寬。在圖5中，對于特征數(shù)1至n,第n次迭代時圖像特征信息融合的隱含層J與感知輸出層P之間的權值向量關系為：WJP(n)=w11(n)w12(n)...w1P(n)w21(n)w22(n)...w2P(n)............wJ1(n)wJ2(n)...wJP(n)---(5)]]>數(shù)字圖像特征感知的融合結果為：Y=Y1+Y2+...+YJP=w11H1c1+w12H2c2+...+wjpHNxcK---(6)]]>其中，Y表示特征感知結果，WJP(n)為不同層次特征訓練的權重大小，表示維數(shù)為Nx的Hankel矩陣，ck為圖像不同層次的稀疏表示系數(shù)。如圖5所示，使用不同層次特征信息融合的結果作為分類證據(jù)并按照完備特征集的約束條件進行分類檢測而加以實現(xiàn)。其中，信息融合的分類判斷利用了隱寫數(shù)據(jù)的訓練結果Y與含密圖像特征感知之間的均方誤差函數(shù)其中Y為訓練圖像的結果，為含密圖像的感知結果。準則定義為：MSE(Y,Y‾)=1n||Y‾-Y||22=1n||e||22≈1Nx||X2D·e||22---(7)]]>其中，表示圖像之間的像素差，X2D為公式(2)中CS二維測量矩陣，Nx代表了X2D的最高維數(shù)，并滿足：Nx≥CKlog2nK---(8)]]>上面(8)式中C為C>0的固定常數(shù)，K＝N-L+1代表圖像稀疏測量度。根據(jù)大小不同，本發(fā)明最后應用常用的SVM(SupportVectorMachine，支持矢量機)實現(xiàn)方法數(shù)據(jù)分類。其中，SVM的輸入訓練值為訓練輸出為Nx、X2D和特征權重WJP(n)。最后，分析者根據(jù)SVM輸出值不同，得到最終的分類檢測結果。本發(fā)明經過實驗、模擬，具體實現(xiàn)過程如下：(1)實驗條件和參數(shù)為排除不同編碼器差異和雙重JPEG壓縮等因素對分析準確率的統(tǒng)計影響，本發(fā)明實驗選取的圖像源為BOSSv0.92圖像庫(10088幅中隨機選取4000幅)和UCID圖像庫(1938幅)。實驗制備的陽性集為F5Release11,MME3(在F5的基礎上改進)和PQ等隱寫工具在不同嵌入率下得到的JPEG隱寫圖像；對應陰性集為原始格式使用上述隱寫工具所用編碼器在相同JPEG質量因子下轉換得到的JPEG圖像。其中,BOSS圖庫訓練樣本5000對,測試樣本3000對；UCID圖庫訓練樣本1670對,測試樣本1668對。為了更好地說明各種實驗條件情況下CS特征降維的效果，實驗選擇的嵌入率為0.05bpac-0.20bpac,JPEG質量因子為90(PQ首次壓縮質量因子為80,二次壓縮時為75)。在特征數(shù)據(jù)Y和訓練和分類過程,本發(fā)明使用徑向基函數(shù)(radialbasisfunction,簡稱RBF)支持向量分類(C-SVC)的LibSVM。其中,縮放因子和代價因子等實驗參數(shù)通過對訓練集采用交叉驗證下圖6的方法確定。(2)CS特征融合隱寫分析性能的設計穩(wěn)定性實驗。CS特征融合為分類器和檢測器提供了更多的信息。其對分類結果的影響表現(xiàn)在融合發(fā)揮了特征間的互補作用,有助于區(qū)分不同的類,因而準確率提升。本發(fā)明用分析準確率來研究融合前后分類效果的變化情況,如圖7所示。圖中特征都經過了CS變換,橫軸表示選取不同層次特征數(shù)據(jù)的維度，縱軸表示選取指定長度的特征數(shù)據(jù)下分類的準確率,每幅圖的每個樣點由UCID圖像庫統(tǒng)計獲得。從圖中可以看出:(1)融合一組互補性較強的CS特征可以大大提高準確率。如圖7(a)所示,對UCID圖庫及其F50.10bpac隱寫圖提取PEV548的軌跡矩陣特征(Cooc)部分和MPB特征并融合后,融合特征(fusion)的分類效果有很大提高；(2)即使融合一組分類互補性差的CS特征,準確率也會有所提升。如圖7(b)所示，同等的隱寫條件下,融合后的特征(fusion)相較于融合前的PEV274特征和POMM特征，其準確率都有一定的提高。從圖7還可以看出,去掉帶有較少信息的坐標軸,可以達到數(shù)據(jù)降維的目的。例如,PEV274特征經CS變換后的特征準確率隨維度變化符合上述趨勢,如圖7(b)所示。起初,準確率隨著特征維度的增加而顯著上升；到一定程度后(如圖7(a)和圖7(b)中的拐點所示),準確率的上升速度將變慢。這是因為,在拐點之前的特征數(shù)據(jù)對該組特征的分類效果起到決定性的作用,而拐點之后的特征數(shù)據(jù)對分類效果幫助不大,甚至起干擾作用。CS融合后的特征綜合了參與的各層次特征的性能,優(yōu)勢互補而顯得穩(wěn)定,在拐點之后,準確率一般趨于平穩(wěn),變化不大。如圖7(c)所示,方差也有類似的變化趨勢。一般地,當特征上的方差占所有特征方差的70％以上時,準確率已經基本穩(wěn)定。(3)CS特征融合準確率的效果對比實驗。本發(fā)明方法融合了PEV274,PEV548,POMM和MPB等特征,對比處理前后的分析準確率變化,其結果見表1。其中,“融合后”記錄了CS特征參數(shù)融合后在不降維情況下的準確率,“融合降維”記錄了CS特征參數(shù)融合并降維至原特征維度約1/2處時的準確率,單個特征最高準確率用粗體表示。圖8表示CS融合效果對照實驗的ROC曲線。從表1中可以看出,無論訓練樣本較少的UCID圖庫還是訓練樣本較多的BOSS圖庫,融合降維后比融合前的單個最高準確率有1％-4％的提升,而且比較穩(wěn)定。表1此外,實驗對比的隱寫分析算法和訓練器都相同,只有特征優(yōu)選方法不同；耗時為在IntelXeonE74202.13GHz和8GB內存硬件環(huán)境下統(tǒng)計得到的運行時間基本相同。結果顯示,本文方法優(yōu)于其他方法,并且優(yōu)勢較穩(wěn)定。本發(fā)明的實施方式不限于此，在本發(fā)明上述基本技術思想前提下，按照本領域的普通技術知識和慣用手段對本
發(fā)明內容所做出其它多種形式的修改、替換或變更，均落在本發(fā)明權利保護范圍之內。當前第1頁1 2 3