申请/专利权人：河南师范大学

申请日：2022-03-19

公开（公告）日：2024-04-30

公开（公告）号：CN114627340B

主分类号：G06V10/771

分类号：G06V10/771

优先权：

专利状态码：有效-授权

法律状态：2024.04.30#授权;2022.07.01#实质审查的生效;2022.06.14#公开

摘要：本发明涉及隐写检测技术领域，特别涉及一种基于三重度量的图像隐写检测特征自适应选取方法。首次提出并构建了特征选取体系，并根据特征的特点将其划分为不同类别。特别地，着重考虑了必要特征、无用特征以及中立有用特征，并为此分别设计了三种不同的度量准则，有针对性地度量了这三种类别的特征。此外，为降低计算成本，利用准则的度量结果，设计了两种自适应参数调整模型，较好地确定了参数阈值，降低特征选取方法对参数的敏感性，避免了因主观经验设置参数对结果的干扰，并去除了无用特征的干扰，实现了在不依赖分类器的结果下快速有效地选取分类效果较好的特征的目的。利用本方法对隐写特征进行选取后，可明显缩短分类器处理的时间。

主权项：1.基于三重度量的图像隐写检测特征自适应选取方法，其特征在于，包括：步骤1：利用归一化公式处理Fic和Fis，使特征值在[0,1]之间，并将此时的特征记作f＝[f1,f2,…,fN]；其中，Fic和Fis表示载体特征类和载密特征类；步骤2：分别计算特征分量fi在载体图像类和载密图像类中的均值μfic和μfis，以及标准差σfic和σfis，i＝1,2,…,N；从f中删除σfic和σfis均为0的特征分量，并将删除k个特征分量后的剩余特征记作f′＝[f1′,f2′,…,fN-k′]；步骤3：根据f′中的每个特征分量的均值和标准差计算f′中的每个特征分量的重要度值，并根据重要度值对各个特征分量进行降序排列；特征分量的重要度值的计算过程包括：步骤A1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；步骤A2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；步骤A3：根据特征分量的类间距离和属性可分性值按照公式4计算特征分量的重要度值：EASMfi1＝ASMfi+|lnDBfi|4其中，EASMfi1表示特征分量fi的重要度值，ASMfi表示特征分量fi的属性可分性值，DBfi表示特征分量fi的类间距离；步骤4：根据重要度值的降序排列结果，利用自适应阈值模型从f′中选择必要特征组成必要特征子集将剩余的特征记作步骤5：根据RFS中的每个特征分量的均值和标准差计算RFS中的每个特征分量的无用性值，并根据无用性值对各个特征分量进行降序排列；特征分量的无用性值的计算过程包括：步骤B1：根据特征分量的均值和标准差，计算得到特征分量的类间距离和类内距离；步骤B2：根据特征分量的类间距离和类内距离计算特征分量的属性可分性值；步骤B3：根据特征分量的类内距离和属性可分性值按照公式5计算特征分量的无用性值：EASMfi2＝ASMfi-|lnDIfi|5其中，EASMfi2表示特征分量的无用性值，ASMfi表示特征分量fi的属性可分性值，DIfi表示特征分量fi的类内距离；步骤6：根据无用性值的降序排列结果，利用自适应阈值模型从RFS中选择无用特征组成无用特征子集将剩余的特征记作中立特征步骤7：计算NeFS中的每个特征分量的格贴近度值，并根据格贴近度值对各个特征分量进行升序排列；步骤8：根据格贴近度值的升序排列结果，利用自适应阈值模型从NeFS中选择有用特征组成中立有用特征子集步骤9：合并NFS与NuFS以作为最终的隐写检测用特征其中，按照公式6和公式7计算特征分量的类间距离和类内距离：DBfi＝|μfic-μfis|6DIfi＝σfic+σfis7其中，μfic和μfis分别表示特征分量fi在Fic和Fis中的均值，σfic和σfis分别表示特征分量fi在Fic和Fis中的标准差。

全文数据：

权利要求：

百度查询： 河南师范大学 基于三重度量的图像隐写检测特征自适应选取方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD