[发明专利]基于粗糙集α-正域约简的富模型隐写检测特征选取方法

权利要求书

1.一种基于决策粗糙集α-正域约简的Rich Model隐写检测特征选取方法，其特征在于，含有以下步骤：

步骤1，将Rich Model隐写检测特征构建成相应的决策表，具体实现过程如下：

步骤1.1，对提取的Rich Model高维特征进行归一化，

其中，和是第j个载体和载密图像的第i个特征分量的值；经过处理后，决策表内数据都是离散的且值在[-1，1]之间的数值型数据；

步骤1.2，明确决策属性值，决策属性集由0或者1表示，0代表载体图像，1代表载密图像；

步骤1.3，构建一个二维决策表T，每一行表示某一幅图像的特征分量的值，每一列表示各幅图像的同一维特征分量的值，表示第j个载体图像的第i个特征分量对应的值，表示第j个载密图像的第i个特征分量对应的值，1≤j≤M,1≤i≤N，最后一列表示图像的决策属性；

隐写检测特征的决策表形式如下：

步骤2，采用ASM度量决策表中每个特征分量的属性可分性，将ASM值作为排序和划分子集的依据，具体实现过程如下：

步骤2.1，计算隐写检测特征分量的平均值；根据决策表T中的值，计算隐写检测特征分量f_i在载体和载密图像中的平均值μ₊(f_i)和μ_-(f_i)：

步骤2.2，计算隐写检测特征分量的均值差；根据步骤2.1的结果，计算隐写检测特征分量f_i在载体和载密图像中均值差的绝对值μ：

μ＝|μ₊(f_i)-μ_-(f_i)|；

步骤2.3，计算隐写检测特征分量的标准差；根据决策表T中的值和步骤2.1的结果，计算隐写检测特征分量f_i在载体和载密图像中的标准差δ₊(f_i)和δ_-(f_i)：

步骤2.4，计算隐写检测特征分量的标准差的和；根据步骤2.3的结果，计算隐写检测特征分量f_i在载体和载密图像中标准差的和δ：

δ＝δ₊(f_i)+δ_-(f_i)；

步骤2.5，计算属性可分性；根据步骤2.2和步骤2.4的计算结果，计算隐写检测特征分量f_i的属性可分性的值：

步骤2.6，输出ASM(f_i)；

步骤3，基于决策粗糙集α-正域约简对Rich Model隐写检测特征进行约简时，向约简子集中依次添加若干个ASM值较大的连续的候选特征分量，同时利用决策粗糙集α-正域约简的属性独立性原则排除其中冗余和冲突的特征分量，具体实现过程如下：

步骤3.1，初始化；令高维隐写检测特征约简子集

步骤3.2，删除低可分性特征分量；设定ASM值的下限ASM_min，如果ASM(f_i)ASM_min，则该隐写检测特征分量f_i被视为无关特征分量，予以删除，得到删除所有低可分性特征分量后的集合H'；

步骤3.3，计算步长；划分步长其中，λ为步长，m为预期特征子集的个数；

步骤3.4，划分子集；按照ASM值，将H'中的特征分量进行降序排序，并根据步长λ的值将排序后的特征分量划分为m个特征子集H″＝{h₁,h₂,…,h_m}，其中，第i个特征子集t为子集中特征个数；

步骤3.5，选取特征；

步骤3.6，选取特征子集，选取分类效果好且维数低的约简子集。