圖像隱寫分析中分類器的研究和應用.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。作為圖像隱寫技術的逆向技術，隱寫分析技術隨著圖像隱寫技術的發(fā)展而受到廣泛關注，并成為研究的熱點。隱寫分析技術雖然已經(jīng)取得了很多成果，但還存在諸多問題，如隱寫分析的檢測準確率還不夠高，不能準確判斷圖像是否被隱寫;隱寫分析檢測速度較慢，達不到實時檢測等。以上問題導致了隱寫分析還不能在現(xiàn)實生活中被使用，其實用性亟待提高。
　　分類算法是隱寫分析的重要組成部分，特征提取和分

2、類器分類構成了隱寫分析的基本模型。分類算法不僅影響檢測準確率，同時還會影響隱寫分析的檢測速度，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性能的關鍵。
　　本文對當前隱寫和隱寫分析算法的研究進展進行了介紹，并著重分析幾種具有代表性的算法。在對現(xiàn)有隱寫分析的分類算法進行研究的基礎上，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曲線截斷迭代重加權最小二乘算法（L-curve Truncated Regularized Iteratively Re-weighted Least Squares，LTR-IRLS）分類器的專用隱寫分析。
　　在通用隱寫分析領域，研究了稀疏表示分類算法，針對其存在的算法復雜度高、檢測準確率不足等問題，提出在通用隱寫分析中使用核協(xié)同表示分類器。實驗證明，該分類器與CC-PEV特征提取算法相結合在檢測速度與

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