CN103310235A - 一种基于参数识别与估计的隐写分析方法 - Google Patents

Abstract

本发明公开了一种基于参数识别与估计的隐写分析方法。本方法为：1）建立一隐写配置方案知识库；其中，每一配置方案包括一隐写分析分类器的配置参数F_i以及获得所述配置参数F_i所用训练样本的属性参数向量Tⁱ；2）对待检测对象，首先确定其属性参数向量P；3）将该待测对象的属性参数向量P与所述隐写配置方案知识库中每一配置方案的属性参数向量Tⁱ进行相似度计算，得到一相似度度量指标；4）选择相似性度量指标最大的配置方案所对应的隐写分析分类器参数配置，作为隐写分析分类器中的相应参数，对该待测对象进行隐写分析，判断其是否为含有隐写信息的隐文样本。与现有技术相比，本发明大大提高了隐写分析的准确率。

Description

一种基于参数识别与估计的隐写分析方法

技术领域

本发明涉及一种隐写分析（Steganalysis）方法，具体涉及一种基于参数识别与估计的隐写分析方法，该方法属于信息安全技术领域中的信息隐藏子领域。

背景技术

随着计算机和网络技术的发展，数字多媒体的使用越来越普遍，以数字多媒体为载体的现代隐写技术获得了越来越广泛的关注。隐写能够在不影响载体数据感知内容和质量的前提下在其中嵌入机密信息，通过隐蔽保密通信或者保密存储的存在性事实，提高了机密数据传输或者存储的安全。据报道，隐写已经被不法分子和恶意代码所利用。与隐写相对应，隐写分析则是用于分析判断数据中是否含有隐蔽信息的技术。由于数字多媒体的数据冗余较大，现代隐写的重要特征是，载体数据多为多媒体数据；一般称未经过隐写的媒体为原文，隐写后的媒体为隐文。虽然隐写嵌入过程对载体数据的感知内容和质量的影响很难被人眼所识别，但其对载体数据的改变一般能够被某些统计特征的变化反应出来。隐写分析技术利用这些对隐写嵌入过程比较敏感的统计特征对媒体数据进行分析，从而识别隐蔽信息的存在。

隐写系统一般由隐写算法及相关参数配置构成，它的输入是原文（集）和秘密消息（一般是加密后的数据），输出是隐含秘密消息的隐文（集），其中对图像隐写分析影响较大的参数配置包括图像尺寸和嵌入率等因素。现代隐写分析技术作为一种判断数字媒体数据中是否含有秘密信息的技术，在安全方面有着重要意义。根据适用范围不同，隐写分析可分为以下三类：（1）专用隐写分析(Specific Steganalysis)，它只适用于识别出由专门隐写算法处理后的隐文（参考文献：Fridrich J,Goljan M.Practical Steganalysis of Digital Images:State of the Art[J]//Security and Watermarking of Multimedia Contents,2002,4675:1-13.）；（2）通用隐写分析(Universal Steganalysis)，它适用于识别出由多个或者多类隐写算法分别处理后的隐文（参考文献：Shi Y,Chen C,Chen W.A Markov process based approach to effective attacking JPEGsteganography[C]//Proceedings of8th International Workshop on Information Hiding,Virginia,USA,Jul.10-12,Berlin:Springer-Verlag,2007:249-264.）；（3）多类隐写分析(Multi-classSteganalysis)，可以识别隐文采用的隐写算法（参考文献：

Fridrich J.Merging Markovand DCT features for multi-class JPEG steganalysis[C]//Proceedings of the Society of Photo-opticalInstrumentation Engineers,Bellingham:SPIE Press,2008:1-13.）。现有隐写分析是一种模式分类的过程，以上专用隐写分析与通用隐写分析的识别结果是“是隐文”或者“不是隐文”，因此是二类分类系统，而多类隐写分析需要进一步识别出隐写者采用的算法，因此是多类分类系统。模式分类中所用的训练集对隐写分析的准确率影响较大。隐写分析中的训练集是由原文集和隐文集经隐写分析特征提取而组成，待分析样本指的是以后需要使用训练好的隐写分析系统进行检测识别的多媒体文件。隐写分析系统使用训练集通过分类器训练学习出的模型和参数配置，对待分析对象是否含有秘密信息进行判定。若训练集的各项参数（如图像大小、嵌入率、JPEG质量因子等）与待分析样本相应的各项参数基本相同，判定结果一般较为准确，反之则不准确。但在实际应用中，隐写分析者无法得知生成待分析样本时隐写者所使用的隐写算法和相应配置，只能采取盲隐写分析，即在不知道隐写者采用的算法和配置的情况下，进行隐写分析系统的训练，并使用训练好的隐写分析系统对待测样本进行分析，但是，在分析中不能确保训练集的各项参数与待分析样本相应的各项参数尽量相同。二类通用隐写分析和多类隐写分析均可看作是盲隐写分析的不同实现方法，它们均存在上述缺陷。

已有研究人员对盲隐写分析的具体分类方法和通用隐写分析特征进行了较为深入地研究，然而，但却没有专门针对上述缺陷进行改进。以图像隐写分析为例，通常的情况是研究人员在实验中采用拥有特定参数和属性的图像集合（参考文献：Wang P,Liu F,Wang G,et al.Multi-class steganalysis for Jpeg stego algorithms[C]//Image Processing,2008.ICIP2008.15thIEEE International Conference on.IEEE,2008:2076-2079.），如采用特定尺寸、质量因子和嵌入率制备训练集，然而在现实情况中待测图像的隐写处理配置和图像属性是不确定的；另一种方法是将包含所有参数的图像混合进行训练（参考文献：

Fridrich J.Multiclass detectorof current steganographic method for JPEG format[J].IEEE Transactions on Information andSecurity.2008.3(4).635-650.），虽然提高了其适用性，检测准确率却难以令人满意。因此，针对上述盲隐写分析研究的不足，如何提高真实场景下的盲隐写分析检测准确率，是隐写分析研发领域一个需要解决的问题。

经过专利查询，在本发明领域内已有的相关专利申请情况如下：

1)专利申请号为200610113185.2的中国专利“用于隐写分析的系统和方法”公开了一种基于统计检测和结构检测的隐写分析系统。该专利的系统的核心检测模块集成了六个统计检测模块和两个结构检测模块，可对以常见的图像音频为载体，使用主流的隐写技术，进行隐藏的载密文件进行可靠检测。该专利通过对多个检测模块的检测结果以联合取并的融合机制进行联合判决，对目前主流的隐写方法具有很好的适用性，减少了单个模块适用范围窄、平均检出率低、虚警率高等缺陷，实现了对多种载体类型、多种隐写方式的高质量、高效率检测，同时具有良好的扩展性，便于集成新的检测模块，升级系统的检测性能。该专利方法仅仅描述了一个具体的隐写分析系统，并未考虑给出一个较普遍适用的隐写分析设计方法，也没有考虑采用参数识别与预估的方法改进分类器训练集的构成，因此，该专利申请与本专利申请的基本目的、思路与具体实现方式明显不同。

2）专利申请号为200610018494.1的中国专利“基于三层架构的智能图像隐写分析系统”公开了一种基于三层架构的智能图像隐写分析系统。该专利的方法采用三层架构,针对隐写算法所属类型构建专门的隐写分析系统,利用专家系统将现有的专用隐写分析方法建成模型库和规则库,并通过人机交互不断更新隐写分析规则库,并采用主元素特征提取与样本图像库分类训练相结合,提高计算效率和准确性。该专利方法虽然给出了一种更好使用已有隐写分析方法的框架，但其并未考虑采用参数识别与预估的方法改进分类器训练集的构成，因此，该专利申请与本专利申请的基本目的、思路与具体实现方式明显不同。

发明内容

针对现有隐写分析技术中存在的前述问题，本发明的目的是提供一种基于参数识别与估计的隐写分析方法。本发明通过计算机智能地识别与预估待测多媒体文件的各项影响隐写分析正确率的参数，从预先制备的知识库中选择最佳的隐写分析分类器配置对其进行分析，提高盲隐写分析的检测准确率。

本发明给出的基本方法流程是：

1）制备包含大量配置方案的知识库，其中每个配置方案包括一个隐写分析分类器的配置参数以及获得这些参数所用训练样本的各项属性参数。其中，隐写分析分类器的配置参数是通过训练过程获得的一组用于分类的参数，以隐写分析中最常用的支持向量机（SVM,supportvector machine）分类器为例，其分类器的参数配置包括用于确定分类界面的支持向量及其对应的权值等。训练样本的属性参数包括各种可能影响隐写分析效果的因素，如样本尺寸、纹理特征、压缩质量因子、文件格式等。

2）在实际进行隐写分析之前，对于待测样本，预先识别或者估计其属性参数，根据本发明提出的基于参数距离回归分析的相似度计算方法，计算待测样本属性参数与以上步骤1）中所制备知识库中每一个配置方案的属性参数的相似性度量指标。该度量指标是本发明首次提出的，用于评估待测样本与配置方案之间的相似性程度，指标值越大，说明待测样本与配置方案相似度越高。

3）根据以上步骤2）的计算结果，选择相似性度量指标最大的配置方案，用其中对应的分类器参数配置更新隐写分析分类器中的相应参数，再对待测样本进行隐写分析，得到最终的分类结果。

本发明所采用的总体技术方案包括如下步骤（所有方法都可由计算机程序按照用户的配置和操作指令完成）：

1)制备包含多种配置方案的知识库

制备多组原文样本组成的集合(X₁,X₂,…，X_s}，其中每组原文样本集X_i中的样本具有统一的属性参数 表示第i组样本的某种属性参数，如样本尺寸、纹理特征、压缩质量因子、文件格式等。分别使用每组原文样本集X_i制备对应的隐文样本集Y_i，以X_i和Y_i分别作为原文集和隐文集，通过分类器训练后得到隐写分析分类器的参数配置F_i，并将F_i与相应的属性参数Tⁱ组合作为一个配置方案保存待用。由此获得包含多个配置方案的知识库。

2)在隐写分析前预先识别与估计待测样本的属性参数

在即将进行隐写分析前，需要预先识别或估计待测多媒体文件的属性参数P=(α₁，α₂,…,α_n)。其中，多媒体文件的基本属性参数（如多媒体文件的尺寸、JPEG质量因子等参数）可以直接从文件信息中获取；纹理复杂度可使用现有的任意一种纹理分类方法划分为高、中、低三类。

3)计算属性参数的相似性度量指标

依次计算待测样本的属性参数P与知识库中每种配置方案中的属性参数Tⁱ的相似性。本发明提出一种可评估待测样本属性参数与配置方案中属性参数相似性的度量指标，在此基础之上给出配置方案的选择方法及流程，并最终采用所选配置方案中的隐写分析分类器参数配置F_i配置隐写分析分类器，实现更加准确的隐写媒体识别。相似性度量指标的计算方法及流程为：

a)参数向量归一化

属性参数向量的各个维度之间的单位并不相同，因此首先需要对参数向量进行归一化处理。设有m个训练集，每个训练集中的样本均具有相同的属性参数向量。令

，i∈{1,2,…,m}表示这m个训练集所对应的m个配置方案的属性参数向量，对每个向量的各个特征维度

求期望值μ＝{μ₁,μ₂,…,μ_j,…,μ_n}和标准差s＝{s₁,s₂,…,s_j,…,s_n}，其中对每个j∈{1,2,…,n}，有

${\mathrm{\μ}}_j=\frac{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\α}}_j^i}{m}---\left(1\right)$

$s_j=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^m{({\mathrm{\α}}_j^i-{\mathrm{\μ}}_j)}^2}{m-1}}---\left(2\right)$

然后，按下式进行归一化：

${\tilde{a}}_j^i=\frac{a_j^i-{\mathrm{\μ}}_j}{s_j}---\left(3\right)$

其中，

为第i个配置方案属性参数向量的第j维特征经过归一化处理后的参数向量值。经过归一化预处理后，不论是配置方案的属性参数向量Tⁱ，还是待分析对象的属性参数向量P，都具有同样的量纲。如无特殊说明，本发明中所用的参数向量都是经过归一化预处理过的，为表述简便，下文仍使用符号

表示归一化后的参数向量值。

b)相似性度量指标定义

为了说明本发明提出的相似性度量指标，首先定义n维待测样本属性参数向量P与每个配置方案n维属性参数向量Tⁱ的距离公式为

$D(T^i,P)={\mathrm{\Σ}}_{k=1}^n{w}_k|{\mathrm{\α}}_k-{\mathrm{\α}}_k^i|---\left(4\right)$

其中，D(Tⁱ,P)表示待测样本与第i个配置方案的参数向量之间的距离，α_k和

分别表示待测样本属性参数向量P和第i个配置方案属性参数向量Tⁱ经过归一化处理后的第k个参数，w_k表示第k个参数在计算加权距离和的时候所占的比重。w_k的值是根据某一个参数所代表的因素对隐写分析准确率的影响程度大小确定的，其取值可根据经验知识、各个因素之间的实际作用原理确定。有关本发明中采用的w_k值的实例可参见具体实施方式部分。公式（4）所示的距离度量也可以使用其他距离定义代替，如d维空间下的欧氏距离：

$D(T^i,P)={\mathrm{\Σ}}_{k=1}^n{w}_k{|{\left(a_k\right)}^d-{\left(a_k^i\right)}^d|}^{\frac{1}{d}}$

以上距离可以在一定程度上反映待测样本属性参数向量与配置方案属性参数向量之间的相似度，但是在一般情况下，在实际中更适用的相似度表达式不会完全吻合以上直接定义的形式，一般是它的一个函数变换形式，因此，有必要用回归分析技术求出这个形式。为此，基于D(Tⁱ,P)定义待测样本与配置方案属性参数向量之间的相似性度量指标M(Tⁱ,P)为

$M(T^i,P)=f\left(D(T^i,P)\right)=f\left({\mathrm{\Σ}}_{k=1}^n{w}_k\right|{\mathrm{\α}}_k-{\mathrm{\α}}_k^i\left|\right)---\left(5\right)$

其中，f函数为评估待测样本属性参数向量与配置方案属性参数向量之间距离的某个函数，它的具体形式有待于用回归分析技术求出。公式(5)通过对本文定义的参数向量距离公式应用f函数，相当于是对原来定义的普通距离的一个矫正过程，以更好地评估配置方案属性参数向量与待分析对象属性参数向量之间的相似性程度。M(Tⁱ,P)的值越大，表示待测样本的属性参数与配置方案所对应原来训练样本的属性参数越接近，反之表示越不接近。公式(5)中函数f的具体形式可通过经验判断或回归分析法确定的。回归分析的具体方法是，以D(Tⁱ,P)作为自变量，以M(Tⁱ,P)作为因变量，以配置方案Tⁱ对应的训练样本集交叉验证的分类正确率作为因变量的预测值，使用最小二乘回归法进行回归分析，获得函数f的具体形式。其中交叉验证的具体方法是，将训练样本集按一定比例随机划分为模拟训练集和模拟测试集，使用分类器进行训练和分类判决，记录下模拟测试集的分类正确率作为一次交叉验证的结果；重复多次交叉验证并计算平均正确率作为最终的交叉验证正确率。函数f的具体形式实例可参见具体实施方式部分。

4)选取配置方案进行隐写分析

在上述步骤完成后，根据相似性度量指标的计算结果，选择与待测样本属性参数向量相似度最大的配置方案T^r，它可表示为

T^r=max_i=1,2,…,sM(Tⁱ,P)(6)

其中，S表示知识库中包含的配置方案总数。使用T^r包含的分类器配置参数配置隐写分析分类器，对待测样本进行隐写分析，判断其是否为含有隐蔽信息的隐文样本。

本发明对相关技术领域的效果包括：

1)基于参数识别与预估提高了隐写分析的准确率。通过对待测多媒体文件进行参数识别与预估，随后，在知识库的配置方案（每个包含一组训练样本具有的属性参数向量以及基于该组训练样本得到的分类器配置参数）中，有针对地选择包含与待测文件属性参数最为接近的方案，选取其中的分类器参数配置隐写分析分类器，用该分类器对待测对象进行检测。由于这样智能地确保了训练样本与待测样本在属性上尽可能地接近，能够提高隐写分析分类的准确性。

2)利用回归分析技术更优化地选择配置方案。本发明提出一种相似性度量指标，该指标基于回归分析的方法，以基本属性参数作为向量，评估配置方案中的属性参数和待分析对象属性参数之间的相似性程度，从而可以自动地筛选出更优的配置方案。后者包含的属性参数与待测样本的属性参数最接近，这确保了使用该方案中的配置参数配置的分类器最适合用于分析待测对象，进而提高了隐写分析的准确率。

附图说明

图1是本发明方法的总体流程图；

图2是本发明计算相似性度量指标的流程图。

具体实施方式

本发明中提出一种基于参数识别与估计的隐写分析方法。其主要过程包括制备配置方案知识库、识别与估计待测样本属性参数向量、计算待测样本与各配置方案所包含属性参数向量的相似度指标、选择相似度指标最大配置方案属性参数对应的分类器参数配置隐写分析分类器、进行隐写分析等。通过本发明，隐写分析者可以通过识别与估计待测多媒体文件的属性参数，计算该属性参数与知识库中各项配置方案属性参数的相似度度量指标，选择指标值最大的配置方案，使用该方案对应的分类器配置参数配置隐写分析分类器，对待测样本进行分析，从而提高隐写分析的准确性。

下面结合附图并以JPEG图像隐写分析为例，对本发明做更加具体的描述。

图1描述了本发明的整体流程。首先，制备配置方案知识库。在确定一组原文样本的属性参数后，挑选或制备一个原文样本集，直至得到多组原文样本集，其中每组原文样本集中的样本均具有统一的属性参数向量。通过原文样本集制备相应的隐文样本集，每个隐文样本集也具有统一的属性参数向量，并将这些原文集及隐文集作为训练集进行隐写分析分类器训练，将通过训练得到的分类器配置参数以及对应的样本集属性参数存储为一个配置方案。其次，对于待检测图像，提取或者估计其属性参数向量，计算其与每个配置方案所包含属性参数向量的相似度度量指标。最后，确定与待测样本属性参数向量相似度指标最大的配置方案属性参数向量，选择相应配置方案中包含的分类器参数配置隐写分析分类器，对待测样本进行检测。以下描述上述步骤的具体实施方式：

1)确定属性参数集

选择对隐写分析影响明显的因素（如图像纹理、尺寸、质量因子等），作为属性参数向量的一维，即确定参数向量(α₁,α₂,…α_n)。其中对每一个维度的参数α₁,α₂,…α_n,约定其取值分别有η₁,η₂,…η_n种。例如图像尺寸可以选择大（3000×2000）、中（1500×1000）、小（512×512）三种，质量因子可以选择80、90两种，纹理可以选择高、中、低纹理三种。在实际应用中，每一维度上的取值种类越多，构造知识库就越完备，在本发明的使用中，属性参数向量的相似度会更高，最终获得的分类器配置参数将更合理。

2)制备配置方案库

按照步骤1)确定参数向量制备若干组原文集，每组原文样本集中的样本均具有统一的属性参数向量。使用典型的或者关注的JPEG图像隐写方法（如F5、MME、nsF5、JSteg等），对原文集进行隐写嵌入获得相应的隐文集。对每组原文集和隐文集分别提取隐写分析特征，使用支持向量机作为分类器进行训练获得隐写分析分类器配置参数，将配置参数与对应样本集的属性参数存储为一个配置方案，其中，已经应用公式(3)对属性参数向量进行了归一化处理。最终得到一个包含若干配置方案的知识库。

3)识别与估计待测样本的属性参数

识别或估计待测多媒体文件的属性参数P=(α₁,α₂,…,α_n)。其中，多媒体文件的基本属性参数（如多媒体文件的尺寸、JPEG质量因子等参数）可以直接从文件信息中获取；纹理复杂度可使用现有的任意一种纹理分类方法划分为高、中、低三类。应用公式(3)对属性参数向量进行归一化处理。

4)计算属性参数向量的相似性度量指标

根据公式(4)计算该待分析对象的属性参数向量与所有配置方案所包含属性参数向量的距离D(Tⁱ,P)。权值w_k可根据经验得到，其中尺寸、质量因子、纹理对应的权值可依次为0.5379、0.1614、0.0035。最后，通过公式(5)计算相似性度量指标值M(Tⁱ,P)，其中函数f的具体形式根据回归分析获得，具体实例为

f(x)=(1.0211x+0.2047)/(1.5358x²+0.2031)。

5)选择配置方案执行隐写分析

通过公式(6)选择相似性度量指标值M(Tⁱ,P)最大的配置方案T^r，使用T^r所包含的分类器参数配置隐写分析分类器，再对待测样本进行隐写分析，判断其是否为含有隐蔽信息的隐文样本。

Claims (11)

1.一种基于参数识别与估计的隐写分析方法，其步骤为：

1）建立一隐写配置方案知识库；其中，每一配置方案包括一隐写分析分类器的配置参数F_i以及获得所述配置参数F_i所用训练样本的属性参数向量Tⁱ；

2）对待检测对象，首先确定其属性参数向量P；

3）将该待测对象的属性参数向量P与所述隐写配置方案知识库中每一配置方案的属性参数向量Tⁱ进行相似度计算，得到一相似度度量指标；

4）选择相似性度量指标最大的配置方案所对应的隐写分析分类器参数配置，作为隐写分析分类器中的相应参数，对该待测对象进行隐写分析，判断其是否为含有隐写信息的隐文样本。

2.如权利要求1所述的方法，其特征在于所述相似度度量指标为属性参数向量P与属性参数向量Tⁱ的距离。

3.如权利要求2所述的方法，其特征在于首先分别对每一配置方案中的所述属性参数向量Tⁱ进行归一化处理，对该待测对象的属性参数向量P进行归一化处理；然后计算所述相似度度量指标。

4.如权利要求3所述的方法，其特征在于所述隐写配置方案知识库包括m个配置方案，每一配置方案中的属性参数向量Tⁱ均为n维向量；即，i∈{1,2,…,m}，

为第i个属性参数向量Tⁱ中的第j个特征维度。

5.如权利要求4所述的方法，其特征在于根据公式

计算属性参数向量P与每一属性参数向量Tⁱ的相似度，得到所述相似度度量指标的值；其中，D(Tⁱ,P)表示待测对象与第i个配置方案的属性参数向量Tⁱ之间的距离，α_k表示属性参数向量P归一化处理后的第k个参数，

表示属性参数向量Tⁱ经过归一化处理后的第k个参数，w_k表示第k个参数在计算加权距离和的时候所占的比重。

6.如权利要求4所述的方法，其特征在于根据公式计算属性参数向量P与每一属性参数向量Tⁱ的相似度，得到d维空间下的欧氏距离作为所述相似度度量指标的值；其中，D(Tⁱ,P)表示待测对象与第i个配置方案的属性参数向量Tⁱ之间的距离，α_k表示属性参数向量P归一化处理后的第k个参数，

表示属性参数向量Tⁱ经过归一化处理后的第k个参数，w_k表示第k个参数在计算加权距离和的时候所占的比重。

7.如权利要求3～6任一所述的方法，其特征在于对所述属性参数向量Tⁱ进行归一化处理的方法为：

71）对所述属性参数向量Tⁱ的各个特征维度求期望值μ＝{μ₁,μ₂,…,μ_j,…,μ_n}和标准差s＝{s₁,s₂,…,s_j,…,s_n}；其中， ${\mathrm{\μ}}_j=\frac{{\mathrm{\Σ}}_{i=1}^m{\mathrm{\α}}_j^i}{m},$ $s_j=\sqrt{\frac{{\mathrm{\Σ}}_{i=1}^m{({\mathrm{\α}}_j^i-{\mathrm{\μ}}_j)}^2}{m-1}};$

72）按公式

计算所述属性参数向量Tⁱ中第j维特征的归一化值。

8.如权利要求5或6所述的方法，其特征在于利用公式 $M(T^i,P)=f\left(D(T^i,P)\right)=f\left({\mathrm{\Σ}}_{k=1}^n{w}_k\right|{\mathrm{\α}}_k-{\mathrm{\α}}_k^i\left|\right);$ 对D(Tⁱ,P)进行修正；其中，函数f（）为用回归分析方法求出。

9.如权利要求8所述的方法，其特征在于所述函数f（）的求取方法为：以D(Tⁱ,P)作为自变量，以M(Tⁱ,P)作为因变量，以配置方案Tⁱ对应的训练样本集交叉验证的分类正确率作为因变量的预测值，使用最小二乘回归法进行回归分析，获得函数f（）的具体形式。

10.如权利要求9所述的方法，其特征在于所述属性参数向量Tⁱ中，每一维度的参数具有多种取值。

11.如权利要求10所述的方法，其特征在于所述属性参数向量Tⁱ包括图像纹理特征、尺寸特征、质量因子特征；尺寸特征的比重为0.5379，质量因子特征的权值比重为0.1614，图像纹理特征的比重为0.0035。

Images