圖像隱寫分析中分類器的研究和應(yīng)用.pdf

1、圖像隱寫是一種將需要秘密傳輸?shù)男畔⒉卦趫D像冗余部分的圖像處理技術(shù)。作為圖像隱寫技術(shù)的逆向技術(shù)，隱寫分析技術(shù)隨著圖像隱寫技術(shù)的發(fā)展而受到廣泛關(guān)注，并成為研究的熱點(diǎn)。隱寫分析技術(shù)雖然已經(jīng)取得了很多成果，但還存在諸多問題，如隱寫分析的檢測(cè)準(zhǔn)確率還不夠高，不能準(zhǔn)確判斷圖像是否被隱寫;隱寫分析檢測(cè)速度較慢，達(dá)不到實(shí)時(shí)檢測(cè)等。以上問題導(dǎo)致了隱寫分析還不能在現(xiàn)實(shí)生活中被使用，其實(shí)用性亟待提高。
　　分類算法是隱寫分析的重要組成部分，特征提取和分

2、類器分類構(gòu)成了隱寫分析的基本模型。分類算法不僅影響檢測(cè)準(zhǔn)確率，同時(shí)還會(huì)影響隱寫分析的檢測(cè)速度，所以找到一種適合于隱寫分析的分類算法成為了提高檢測(cè)性能的關(guān)鍵。
　　本文對(duì)當(dāng)前隱寫和隱寫分析算法的研究進(jìn)展進(jìn)行了介紹，并著重分析幾種具有代表性的算法。在對(duì)現(xiàn)有隱寫分析的分類算法進(jìn)行研究的基礎(chǔ)上，提出了基于核協(xié)同分類器（Kernel Collaborative Representation based Classification，KCRC

3、）的通用隱寫分析和基于L曲線截?cái)嗟丶訖?quán)最小二乘算法（L-curve Truncated Regularized Iteratively Re-weighted Least Squares，LTR-IRLS）分類器的專用隱寫分析。
　　在通用隱寫分析領(lǐng)域，研究了稀疏表示分類算法，針對(duì)其存在的算法復(fù)雜度高、檢測(cè)準(zhǔn)確率不足等問題，提出在通用隱寫分析中使用核協(xié)同表示分類器。實(shí)驗(yàn)證明，該分類器與CC-PEV特征提取算法相結(jié)合在檢測(cè)速度與

4、集成分類器相近的情況下，針對(duì)最低有效比特位（Least Significant Bit，LSB）匹配、F5等隱寫方法的檢測(cè)準(zhǔn)確率有了提高。
　　在專用隱寫分析領(lǐng)域，研究了邏輯回歸算法及其改進(jìn)算法，針對(duì)其檢測(cè)速度低的問題，提出了一種改進(jìn)邏輯回歸分類算法，即LTR-IRLS算法。實(shí)驗(yàn)證明，與高斯核支持向量機(jī)(Gaussian Support Vector Machine，G-SVM)分類器相比，該分類器與相鄰像素差(Subtracti