[发明专利]图像隐写分析中基于补偿的检测特征选择方法

权利要求书

1.一种图像隐写分析中基于补偿的特征选择方法，用于检测载密图像，其特征在于，包含如下内容：

针对收集到的载体图像，利用隐写算法生成不同嵌入率的载密图像，并提取载密图像一维步态隐写检测特征；

度量每个隐写检测特征分量的可分性，并根据隐写检测特征分量可分性值对所有隐写检测特征分量进行降序排列；

构建候选特征向量，构建候选特征向量，根据可分性排序结果选取排名第一的特征分量作为初始候选特征向量，并在排序结果中删除此特征，依次将排序结果中的第一个特征分量添加至前一个候选特征向量以形成新的候选特征向量，并度量每个候选特征向量可分性；

选取可分性值最大的候选特征向量作为局部最优特征向量，利用特征补偿策略向局部最优特征向量中添加特征分量来获取最终选取的特征。

2.根据权利要求1所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，利用基于失真函数的图像隐写算法分别生成不同嵌入率的载密图像。

3.根据权利要求1或2所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，对不同嵌入率下图像隐写检测特征进行统计分析，基于类间间距、类内间距和类内距离差异的特征分量可分性准则来度量每个隐写检测特征分量的可分性。

4.根据权利要求1所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，假设s₊(f_i)和s_-(f_i)分别表示特征分量f_i在载体图像和载密图像的方差，则使用或均能来表示特征分量在载体特征与载密特征的类内距离差异。

5.根据权利要求4所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，选取和两者中的最大值来表示特征分量在载体特征与载密特征的类内距离差异。

6.根据权利要求4或5所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，利用自然对数函数均衡和/或依据均衡后的数据来表示特征分量在载体特征与载密特征的类内距离差异。

7.根据权利要求4所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，每个检测特征分量可分性的度量公式表示为：其中，m₊(f_i)和m_-(f_i)分别表示第i个特征分量f_i在载体图像类与载密图像类的均值，(m₊(f_i)-m_-(f_i))²表示第i个特征分量f_i在载体图像类与载密图像类的类间距离，s₊²(f_i)+s_-²(f_i)表示特征分量第i个特征分量f_i在载体图像类与载密图像类的类内距离。

8.根据权利要求1所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，基于类间距离、类内距离和整体类内距离差异的特征向量可分性准则度量候选特征向量的可分性，并从候选特征向量中选出局部最优特征向量。

9.根据权利要求1或8所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，特征向量可分性度量包含如下内容：首先选取可分性值最大的特征分量作为初始候选特征向量，迭代计算当前轮次内相应特征分量的载体特征及载密特征两者的方差和均值；在迭代中内嵌循环计算特征分量的载体特征及载密特征两者的方差和均值；通过特征分量整体类内差异获取候选特征向量的可分性值；通过设置最大迭代次数生成若干个候选特征向量及其对应的可分性值，最终选取可分性值最大的候选特征向量为局部最优特征向量。

10.根据权利要求1所述的图像隐写分析中基于补偿的特征选择方法，其特征在于，利用特征补选策略获取最终选取的特征向量，包含如下内容：依据每个特征分量被选中概率及其累计概率，并通过累计概率与产生的随机数进行比较来选定特征分量；重复执行直至达到最大执行次数，将选取的特征分量加入局部最优特征向量中形成最终选取的特征。