基于条件互信息的空域隐写检测特征选择算法

隐写检测特征维数的增加,不仅增加了分类器训练时间和预测时间,甚至还会造成"维数灾难".因此,为达到特征降维的目的,对空域隐写检测特征选择进行研究,提出了一种基于条件互信息的特征选择算法.该算法首先选取一个与类标签具有最大互信息的特征,接着选取与此特征和类标签具有最大条件互信息的一个特征;然后通过前向寻找方式,从未选择特征子集中循环选取与刚选取特征和类标签具有最大条件互信息的特征,一直到选出规定数目的特征后结束循环.实验结果表明,与其他算法相比,所提算法取得了较好的特征选择效果.

基于对称不确定性和三路交互信息的特征子集选择算法

由于在评价冗余特征时只考虑对称不确定性或最大信息系数等某一种度量标准,使得现有的一些特征子集选择算法存在性能不理想的问题.针对该问题,提出了一种基于对称不确定性和三路交互信息的特征子集选择算法.首先,计算特征与类标签的对称不确定性,按照其值大小对特征作降序排序处理,并消除不相关特征;然后,计算特征间的对称不确定性以及特征与类标签的三路交互信息,并与特征与类标签的对称不确定性一起,经过比较和排序等运算以消除冗余特征而得到选取的特征.在评价冗余特征上同时考虑对称不确定性和三路交互信息两种度量标准,并结合比较和排序等运算,可以减少将相关特征当作冗余特征而消除的情况,使得一些效果显著的相关特征得以保留.为验证所提算法的性能,采用J48、IB1和Naïve Bayes 3种分类器将其与另外4种特征子集选择算法在3个UCI数据集和9个ASU数据集上进行实验.实验结果表明,所提算法能够在选取特征数和用时均较少的情况下取得很好的特征选择效果.

基于改进逻辑回归分类算法的LSB匹配隐写检测

常见的采用高斯核支持向量机(Gaussian support vector machine,G-SVM)分类算法构建分类器的隐写检测方法对最低比特位(Least significant bit,LSB)匹配隐写算法均存在训练时间过长的问题。针对这一问题,提出一种改进逻辑回归分类算法,即L曲线截断正则化迭代重加权最小二乘(L-curve truncated-regularized iteratively re-weighted least squares,LTR-IRLS)算法。该算法采用L曲线法来确定适合于隐写特征的Tikhonov正则算法的近似最优参数,并通过实验寻找出符合隐写特征的截断牛顿算法收敛参数,从而提高了检测准确率;采用重加权最小二乘法计算最大似然估计,并通过截断牛顿法避免计算最小二乘中的海森矩阵,降低了计算量。理论分析与实验结果证明,针对LSB匹配隐写检测,LTR-IRLS分类算法在保证检测准确率优于G-SVM分类算法的情况下,极大地降低了训练时间,从而提高了检测速度。

一种采用冗余性动态权重的特征选择算法

由于候选特征与类标签间的相关性,候选特征、已选特征与类标签间的交互性以及特征间的冗余性是特征选择算法应考虑的重要因素,而一些基于互信息和三维互信息的特征选择算法没有同时考虑相关性、交互性和冗余性信息,这影响了它们的性能。针对该问题,提出一种采用冗余性动态权重的特征选择算法,将对称不确定性和三路交互信息作为评价指标,采用一种动态更新特征权重的方法使目标函数在考虑相关性、交互性的基础上,同时考虑特征间的冗余性。在10种数据集上利用3种分类器与典型的基于互信息的特征选择算法做了对比实验,结果表明所提算法具有更好的特征选择性能。

面向水下图像的质量评价方法

目的针对目前水下图像质量评价方法少和现有方法存在局限性等问题,提出一种无参考并且无需手工设计特征的水下图像质量评价方法。方法提出的水下图像质量评价方法将深度学习网络框架与随机森林回归模型相结合,首先采用深度神经网络提取水下图像的特征;然后使用提取的特征和标定的水下图像质量分数训练回归模型;最终,利用训练好的回归模型预测水下图像的质量。结果在本文收集的水下图像数据集和水下图像清晰化算法处理结果上评测本文方法,并与多种质量评价方法进行比较,其中包括预测结果与主观质量分数比较、水下图像清晰化结果评测比较、预测结果与主观质量分数相关性比较、鲁棒性比较等。主观实验结果表明本文的评价方法可以相对准确地给出符合人类视觉感知的水下图像质量分数,并且具有更好的鲁棒性。定量实验结果表明本文方法与其他方法相比,预测的图像质量分数与主观分数具有更高的相关性。结论提出的水下图像质量评价方法无需参考图像,省去了手工设计的特征,充分利用了深度学习网络的学习和表征能力。本文方法的准确性较好,普适性和鲁棒性较高,预测的质量分数与人类视觉感知具有较高的一致性。本方法适用于原始的水下图像和水下图像清晰化算法的处理结果。

使用Daubechies小波增强图像隐写安全性

为了提高不同像素之间的相干性,基于最小化嵌入损失函数框架提出了一种空域图像自适应隐写算法。使用Daubechies小波构造滤波器预测载体图像的残差权重并获得损失值,利用均值滤波器对损失值进行平滑处理,结合校验格编码嵌入信息。使用两种不同的图像特征进行抗隐写分析,实验结果表明,当信息嵌入率较小时,所提算法的抗检测能力与HILL(Hill-pass,Low-pass,Low-pass)隐写算法的相近,且优于其他对比算法;当信息嵌入率较大时,所提算法的抗检测能力明显优于小波获得权重法、S-UNIWARD(Spatial-Universal Wavelet RelativeDistortion)等主流隐写算法。