[发明专利]基于特征分量相关性的Rich Model隐写检测特征选取方法

权利要求书

1.基于特征分量相关性的Rich Model隐写检测特征选取方法，其特征在于，包括：

步骤1：将高维Rich Model隐写检测特征拆解为若干个Rich Model子模型；

步骤2：针对每个Rich Model子模型，度量其各个特征分量的可分性，并根据可分性的度量值对各个特征分量进行降序排序；

步骤3：针对每个Rich Model子模型，计算其任意两个特征分量之间的相关性，根据相关性的强弱对特征分量进行特征选择；

步骤4：将特征选择后的各个Rich Model子模型进行合并以作为最终的隐写检测特征。

2.根据权利要求1所述的方法，其特征在于，在所述步骤2之前中还包括：

针对每个Rich Model子模型，剔除隐写前后样本方差均为0的特征分量。

3.根据权利要求1所述的方法，其特征在于，步骤2中，针对每个Rich Model子模型，按照公式(1)度量其各个特征分量的可分性：

其中，Fscore(d)表示Rich Model子模型中的第d维特征分量的Fisher值，将所述Fisher值作为可分性的度量值；和分别表示载体图像集C和隐密图像集S的第d维特征分量的均值；和分别表示载体图像集C和隐密图像集S的第d维特征分量的标准差。

4.根据权利要求1所述的方法，其特征在于，步骤3中，针对每个Rich Model子模型，计算其任意两个特征分量之间的相关性，具体为：

根据公式(2)分别计算载体图像特征集中各特征分量之间的相关系数和隐密图像特征集中各特征分量之间的相关系数进而得到如公式(3)所示的载体图像特征集的相关系数矩阵R^C和隐密图像特征集的相关系数矩阵R^S：

其中，X_i,X_j分别表示载体图像特征集中或隐密图像特征集中的第i维特征分量和第j维特征分量；r表示两个特征分量之间的相关系数，-1≤r≤1；cov表示两个特征分量之间的协方差；σ为单个特征分量各样本间的标准差；μ为单个特征分量的样本均值；E表示期望；R^C和R^S均为D×D的对称矩阵，D表示Rich Model子模型的特征维数。

5.根据权利要求4所述的方法，其特征在于，步骤3中，根据相关性的强弱对特征分量进行特征选择，具体为：

分别按顺序r₁₁→…→r_D1→r₂₂→…→r_ij→…→r_DD-1→r_DD遍历相关系数矩阵R^C和R^S主对角线下方或上方的元素；

当元素r_ij满足公式(4)所示的条件时，按照选择规则对特征分量组(X_i,X_j)进行选择：

所述选择规则为：

当且时，认为特征分量X_i和X_j之间存在较强的正线性相关性，则剔除特征分量X_i保留特征分量X_j；

当且时，认为特征分量X_i和X_j之间存在较强的负线性相关性，则剔除特征分量X_i保留特征分量X_j；

当且或者且时，两个特征分量均被保留；

当或时，两个特征分量均被保留；

其中，T为截断阈值。

6.根据权利要求5所述的方法，其特征在于，步骤3中，还包括：基于二分法确定最佳截断阈值T，具体为：

步骤3.1：在(0.9,1)的区间内以0.01为间隔获取9个初始截断阈值T₁，T₂，……，T₉，并分别计算得到其相对应的检测正确率A₁，A₂，……，A₉以及原始特征检测正确率A₀；

步骤3.2：按A₁→A₂→…→A₉的顺序依次与A₀比较，当A_m-A₀＞-0.005时，则停止后续比较且将m-1和m分别赋值给x和y；

步骤3.3：令计算得到其对应的检测正确率A_z并与A_y比较，若A_z≥A_y，则将T_z赋值给T_y，反之将T_z赋值给T_x；

步骤3.4：重复步骤3.3，直至T_z的有效数位达到5位时，停止操作并将此时的T_z作为最佳截断阈值。