CN107273916A - 隐写算法未知的信息隐藏检测方法 - Google Patents

隐写算法未知的信息隐藏检测方法 Download PDF

Info

Publication number
CN107273916A
CN107273916A CN201710364035.7A CN201710364035A CN107273916A CN 107273916 A CN107273916 A CN 107273916A CN 201710364035 A CN201710364035 A CN 201710364035A CN 107273916 A CN107273916 A CN 107273916A
Authority
CN
China
Prior art keywords
image
mover
mrow
msub
detecting method
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN201710364035.7A
Other languages
English (en)
Other versions
CN107273916B (zh
Inventor
冯国瑞
傅佳
孙艳
曾喜梅
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
University of Shanghai for Science and Technology
Original Assignee
University of Shanghai for Science and Technology
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by University of Shanghai for Science and Technology filed Critical University of Shanghai for Science and Technology
Priority to CN201710364035.7A priority Critical patent/CN107273916B/zh
Publication of CN107273916A publication Critical patent/CN107273916A/zh
Application granted granted Critical
Publication of CN107273916B publication Critical patent/CN107273916B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00—General purpose image data processing
    • G06T1/0021—Image watermarking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2132—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on discrimination criteria, e.g. discriminant analysis
    • G06F18/21322—Rendering the within-class scatter matrix non-singular
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明涉及一种隐写算法未知的信息隐藏检测方法，具体操作步骤如下：1）判断一批图像中哪些图像含有秘密信息；2）利用FLD算法和K‑means聚类算法建立算法模型；3）估算最优投影向量，并检测这批图像；4）利用集成分类器投出预分类的结果；5）利用非平衡算法配平衡；6）利用新生成的数据集重新训练集成分类器；7）再利用集成分类器投出最终分类的结果。本发明可以有效地解决无标签的并且数据集不平衡的情况的实际问题。

Description

隐写算法未知的信息隐藏检测方法
技术领域
本发明涉及一种隐写算法未知的信息隐藏检测方法。
背景技术
信息隐藏就是将秘密信息隐藏到正常的载体中并实现秘密通信。图像隐写是利用图像来隐藏秘密信息，达到隐蔽通信的目的。隐写分析则是判断载体中是否含有秘密信息，它在政治、军事、互联网等许多涉及信息安全的领域都有着不可替代的重要性。在实际应用中，当检测一批正常图像和含有秘密信息图像的混合图像时，并不知道含密图像所使用的嵌入算法，按照已有的隐写算法训练分类器，其检测准确率会大大降低，因此无法用传统方法训练分类器进行分类。
发明内容
本发明目的是针对已有技术的不足，提供一种隐写算法未知的信息隐藏检测方法。提出通过待检测图像的统计特性无监督地估计投影向量并与K-means聚类结合，利用集成学习方法进行判决，成功实现了对隐写算法未知情况的隐写分析。这批图像中正常图像的数量多于含密图像，再利用处理非平衡数据集的算法进行配平衡，这样可以更好地解决实际问题，更适用于实际应用场景。
为达到上述目的，本发明采用下述技术：
一种隐写算法未知的信息隐藏检测方法，具体操作步骤如下：
1)判断一批图像中哪些图像含有秘密信息；
2)利用FLD算法和K-means聚类算法建立算法模型；
3)估算最优投影向量，并检测这批图像；
4)利用集成分类器投出预分类的结果；
5)利用非平衡算法配平衡；
6)利用新生成的数据集重新训练集成分类器；
7)再利用集成分类器投出最终分类的结果。
所述步骤1)中的判断一批图像中哪些图像含有秘密信息，具体为：这批图像包含正常图像和含密图像，并且正常图像的数量多于含密图像，用到的图像特征有DCTR，GFR。
所述步骤2)中的利用FLD算法和K-means聚类算法建立算法模型，具体操作步骤如下：FLD算法确定的最佳投影方向为其中和分别表示正常图像与含秘图像特征的均值向量，Sw表示类内离散度矩阵，而K-means聚类算法的优化目标为最小化目标函数，其目标函数为minJk＝Tr(Sw)＝Tr(St-Sb)，其中Tr(Sw)代表类内散度矩阵Sw的迹，St表示总的离散散度矩阵，Sb表示类间散度矩阵，看出K-means聚类算法与FLD算法有相同的优化目标，即使类间离散度Sb最大化以及类内离散度Sw最小化；通过有监督学习算法FLD训练出最优投影向量，使得投影后的向量更容易利用无监督学习K-means聚类算法进行聚类生成分类标签。
所述步骤3)中估算最优投影向量，具体为：正常图像与待检测图像中的正常图像的统计特性，这里指均值向量相同，估算出最优的投影向量：
其中和分别表示待检测图像中正常图像与含秘图像特征的均值向量，以及分别表示待检测图像的总的离散散度矩阵、类间散度矩阵以及类内离散度矩阵，利用K-means聚类算法，获取预判决标签向量。
所述步骤4)中利用集成分类器投出预分类的结果，具体为：集成分类器由许多独立的学习基构成，每一个学习基单独包含正常图像与含密图像的训练集训练FLD中的最优投影向量，而每一组训练集数据是由原始空间中随机抽取部分子空间，一般子空间维数dsub远小于原始空间的维数d；预分类结果由所有学习基的分类结果投票决定。预分类结果就是这批图像的预标签分别记为lc和ls，lc表示正常图像的预标签，ls表示为含秘图像的预标签。
所述步骤5)中的非平衡算法，具体为：
a)根据步骤4)得到这批图像的预标签，其中正常图像作为多数样本记为Smaj，含密图像作为少数样本记为Smin，xi∈Smin，y0∈Smaj，x0∈Smin；计算要合成的少数样本数G＝(Smaj-Smin)×R，R∈[0,1]表示平衡比率；
b)对于每个少数样本点xi∈Smin，在数据集中利用欧式距离找到K个最近邻点，并且计算比率ri，ηi表示K个最近邻点中属于多数样本点的数量；将ri归一化，计算每个少数样本点需要合成的样本数，
c)每个少数样本点合成新的样本点的过程，对于每个少数样本点，找到一个离它最近的多数样本点假设是y0和一个离它最近的少数样本点假设是x0；在x0和y0之间进行插值合成一个辅助样本点记为TmpPoint，TmpPoint＝x0+α(y0-x0)，α是0-1之间的随机数；利用TmpPoint和xi进行插值生成新的合成样本点，SynPoint＝xi+β(TmpPoint-xi)，β是0-1之间的随机数，SynPoint是新生成的样本点。
所述步骤6)中的利用新生成的数据集训练分类器，具体为：利用配平衡后的数据集重新优化投影向量，然后利用无监督学习K-means聚类算法进行聚类重新生成新的标签，利用新的标签训练分类器，重新检测这批图像。
所述步骤7)中的再利用集成分类器投出最终分类的结果，具体为：利用步骤6)训练好的分类器作为学习基，再将投影后的向量送入K-means聚类算法，得到最终判决结果。
本发明与现有技术相比较，具有如下显而易见的突出实质的特点和显著优点：
本发明有效地解决了对于隐写算法未知的图像隐写分析中非平衡数据集的问题。因此，本发明是一种切实可行的图像隐写分析的方法。
附图说明
图1为隐写算法未知的信息隐藏检测方法的操作程序框图。
图2为图像数据集的分布情况。
图3为合成新的样本点的示例图。
图4为错误率曲线。
具体实施方式
下面是本发明的优选实施例，结合附图对本发明做进一步详细说明。
实施例1：
首先介绍在本发明方法过程中用到的特征提取方法和学习算法。
DCTR(Discrete Cosine Transform Residual)：通过将JPEG图像解压到空域，利用统计直方图的特征，获得8000维DCTR特征。
GFR(Gabor Filter JPEG Rich Model)：通过使用具有不同尺度和方向的2DGabor滤波器解压缩JPEG图像，并从滤波后的图像所提取17000维特征。
FLD(Fisher Linear Discriminant)：基本思想是将两类样本集尽可能地投影到一个方向，使得类与类之间尽可能分开，其统计特性表现为使类内散度尽可能地小，类间散度尽可能地大。
K-means：是典型的基于距离的聚类算法，采用距离作为相似的评价指标，即认为两个特征的距离越近，其相似度就越大，将距离靠近的特征聚成一类。
集成学习(ensemble learning)：集成分类器由许多独立的学习基构成，每一个学习基单独包含正常图像与含密图像作为训练集训练FLD中的最优投影向量，而每一组训练集数据是由原始空间中随机抽取部分子空间，一般子空间维数dsub远小于原始空间的维数d。最终的分类结果由所有学习基的分类结果投票决定。集成分类器的性能远远优于单一的学习基的性能，并且对于每一个学习基来说，其特征空间就是随机子空间的维度，这样同时就解决了隐写分析特征的高维复杂度问题。
处理非平衡数据集算法：对于处理非平衡数据集的算法有很多，例如SMOTE(Synthetic Minority Over-sampling Technique)，Borderline-SMOTE，ADASYN(AdaptiveSynthetic Sampling Approach for Imbalanced Learning)。这些算法都是根据少数样本点合成新的样本点，但是对于图像特征，正常图像和含密图像的特征非常接近，这里正常图像作为多数样本点，含密图像作为少数样本点。每个少数样本点离它最近的点都是多数样本点，根据这一特点，利用多数样本点和少数样本点的特征共同合成新的样本，使得少数样本点有更清晰的分界。
参见图1，本隐写算法未知的信息隐藏检测方法的操作步骤如下：
1)判断一批图像中哪些图像含有秘密信息；
2)利用FLD算法和K-means聚类算法建立算法模型；
3)估算最优投影向量，并检测这批图像；
4)利用集成分类器投出预分类的结果；
5)利用非平衡算法配平衡；
6)利用新生成的数据集重新训练集成分类器；
7)再利用集成分类器投出最终分类的结果。
实施例2：本实施例与实施例1基本相同，特别之处如下：
所述步骤1)中一批混合图像，正常图像取800幅，含密图像取200幅，作为测试集。用到的隐写算法有J_UNIWORD，UERD，检测时并不知道含密图像用到的隐写算法，图像特征用到的是DCTR，GFR。参见图2为图像数据集的分布情况，表示正常图像的特征，●表示含秘图像的特征，正常图像作为多数类样本，含秘图像作为少数类样本，离每个少数类样本点距离最近的是多数类样本点，后面会利用这个分布特点对少数类样本增加新的数据点。
所述步骤2)利用FLD算法和K-means建立算法模型，得到最佳的投影向量
所述步骤3)估算最优投影向量，对这批图像进行检测。训练集只有5000幅正常图像，测试集是一批无标签的图像。我们认为测试集中正常图像的统计特性与训练集中正常图像的统计特性相同，可以估算出最优的投影向量再利用K-means聚类算法判决最终标签。根据重新生成的标签，其中632幅是正常图像，368幅是含有秘密信息的图像。
所述步骤4)利用集成分类器投出预分类的结果，该集分类器由许多独立的学习基构成，每一个学习基单独包含正常图像与含密图像作为训练集训练FLD中的最优投影向量，而每一组训练集数据是由原始空间中随机抽取部分子空间，一般子空间维数dsub远小于原始空间的维数d。分类结果由所有学习基的分类结果投票决定。dsub＝800。
所述步骤5)中利用这里提到的对非平衡图像数据集的处理方法，参见图3为合成新样本点的过程，对于每个少数样本点xi∈Smin，在数据集中利用欧式距离找到K个最近邻点，y0离xi最近的一个多数样本点，x0离xi最近的一个少数样本点，并计算比率ri，ηi表示K个最近邻点中属于多数样本点的数量。将ri归一化，计算每个少数样本点需要合成的样本数，合成过程：
TmpPoint＝x0+α(y0-x0)
SynPoint＝xi+β(TmpPoint-xi)
α是0-1之间的随机数，β是0-1之间的随机数。SynPoint是新生成的样本点。
所述步骤6)中的利用新生成的数据集训练分类器：利用配平衡后的数据集重新优化投影向量，然后利用无监督学习K-means聚类算法进行聚类重新生成新的标签，利用新的标签训练分类器，重新检测这一批图像。
所述步骤7)中的再利用集成分类器投出最终分类的结果：利用上一步训练好的分类器作为学习基，再将投影后的向量送入K-means算法，得到最终分类的结果。分类结果参见图4，横坐标表示新增的少数类样本数，纵坐标对应得其错误率，这里利用两种隐写方法J_UNIWORD和UERD以及两种嵌入率0.3和0.5，并提取DCTR特征进行检测，由于据我们所知，本发明关于在隐写算法未知并且数据集是非平衡的情况下进行隐写分析判决的工作是前所未有的，所以本发明的检测结果没有对比实验，只能根据实际情况与50％相比。检测结果表明错误率都在50％以下，最好的结果为36％，这种方式可以有效地解决隐写算法未知并且数据集是非平衡的这类实际问题。

Claims (8)

1.一种隐写算法未知的信息隐藏检测方法，其特征在于，具体操作步骤如下：
1)判断一批图像中哪些图像含有秘密信息；
2)利用FLD算法和K-means聚类算法建立算法模型；
3)估算最优投影向量，并检测这批图像；
4)利用集成分类器投出预分类的结果；
5)利用非平衡算法配平衡；
6)利用新生成的数据集重新训练集成分类器；
7)再利用集成分类器投出最终分类的结果。
2.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤1)中的判断一批图像中哪些图像含有秘密信息，具体为：这批图像包含正常图像和含密图像，并且正常图像的数量多于含密图像，用到的图像特征有DCTR，GFR。
3.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤2)中的利用FLD算法和K-means聚类算法建立算法模型，具体操作步骤如下：FLD算法确定的最佳投影方向为其中和分别表示正常图像与含秘图像特征的均值向量，Sw表示类内离散度矩阵，而K-means聚类算法的优化目标为最小化目标函数，其目标函数为minJk＝Tr(Sw)＝Tr(St-Sb)，其中Tr(Sw)代表类内散度矩阵Sw的迹，St表示总的离散散度矩阵，Sb表示类间散度矩阵，看出K-means聚类算法与FLD算法有相同的优化目标，即使类间离散度Sb最大化以及类内离散度Sw最小化；通过有监督学习算法FLD训练出最优投影向量，使得投影后的向量更容易利用无监督学习K-means聚类算法进行聚类生成分类标签。
4.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤3)中估算最优投影向量，具体为：正常图像与待检测图像中的正常图像的统计特性相同，这里统计特征指均值向量，估算出最优的投影向量：
<mrow> <mover> <mi>w</mi> <mo>~</mo> </mover> <mo>=</mo> <msubsup> <mover> <mi>S</mi> <mo>~</mo> </mover> <mi>w</mi> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msubsup> <mrow> <mo>(</mo> <msub> <mover> <mi>m</mi> <mo>~</mo> </mover> <mn>1</mn> </msub> <mo>-</mo> <msub> <mover> <mi>m</mi> <mo>~</mo> </mover> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>=</mo> <msup> <mrow> <mo>(</mo> <msub> <mover> <mi>S</mi> <mo>~</mo> </mover> <mi>t</mi> </msub> <mo>-</mo> <msub> <mover> <mi>S</mi> <mo>~</mo> </mover> <mi>b</mi> </msub> <mo>)</mo> </mrow> <mrow> <mo>-</mo> <mn>1</mn> </mrow> </msup> <mrow> <mo>(</mo> <msub> <mover> <mi>m</mi> <mo>~</mo> </mover> <mn>1</mn> </msub> <mo>-</mo> <msub> <mover> <mi>m</mi> <mo>~</mo> </mover> <mn>2</mn> </msub> <mo>)</mo> </mrow> <mo>-</mo> <mo>-</mo> <mo>-</mo> <mrow> <mo>(</mo> <mn>3</mn> <mo>-</mo> <mn>1</mn> <mo>)</mo> </mrow> </mrow>
其中和分别表示待检测图像中正常图像与含秘图像特征的均值向量，以及分别表示待检测图像的总的离散散度矩阵、类间散度矩阵以及类内离散度矩阵，利用K-means聚类算法，获取预判决标签向量。
5.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤4)中利用集成分类器投出预分类的结果，具体为：集成分类器由许多独立的学习基构成，每一个学习基单独包含正常图像与含密图像的训练集训练FLD中的最优投影向量，而每一组训练集数据是由原始空间中随机抽取部分子空间，一般子空间维数dsub远小于原始空间的维数d；预分类结果由所有学习基的分类结果投票决定；预分类结果就是这批图像的预标签分别记为lc和ls，lc表示正常图像的预标签，ls表示为含秘图像的预标签。
6.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤5)中的非平衡算法，具体为：
a)根据步骤4)得到这批图像的预标签，其中正常图像作为多数样本记为Smaj，含密图像作为少数样本记为Smin，xi∈Smin，y0∈Smaj，x0∈Smin；计算要合成的少数样本数G＝(Smaj-Smin)×R，R∈[0,1]表示平衡比率；
b)对于每个少数样本点xi∈Smin，在数据集中利用欧式距离找到K个最近邻点，并且计算比率ri，ηi表示K个最近邻点中属于多数样本点的数量；将ri归一化，计算每个少数样本点需要合成的样本数，
c)每个少数样本点合成新的样本点的过程，对于每个少数样本点，找到一个离它最近的多数样本点假设是y0和一个离它最近的少数样本点假设是x0；在x0和y0之间进行插值合成一个辅助样本点记为TmpPoint，TmpPoint＝x0+α(y0-x0)，α是0-1之间的随机数；利用TmpPoint和xi进行插值生成新的合成样本点，SynPoint＝xi+β(TmpPoint-xi)，β是0-1之间的随机数，SynPoint是新生成的样本点。
7.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤6)中的利用新生成的数据集训练分类器，具体为：利用配平衡后的数据集重新优化投影向量，然后利用无监督学习K-means聚类算法进行聚类重新生成新的标签，利用新的标签训练分类器，重新检测这一批图像。
8.根据权利要求1所述的隐写算法未知的信息隐藏检测方法，其特征在于，所述步骤7)中的再利用集成分类器投出最终分类的结果，具体为：利用步骤6)训练好的分类器作为学习基，再将投影后的向量送入K-means聚类算法，得到最终分类的结果。
CN201710364035.7A 2017-05-22 2017-05-22 隐写算法未知的信息隐藏检测方法 Active CN107273916B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710364035.7A CN107273916B (zh) 2017-05-22 2017-05-22 隐写算法未知的信息隐藏检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710364035.7A CN107273916B (zh) 2017-05-22 2017-05-22 隐写算法未知的信息隐藏检测方法

Publications (2)

Publication Number Publication Date
CN107273916A true CN107273916A (zh) 2017-10-20
CN107273916B CN107273916B (zh) 2020-10-16

Family

ID=60065634

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710364035.7A Active CN107273916B (zh) 2017-05-22 2017-05-22 隐写算法未知的信息隐藏检测方法

Country Status (1)

Country Link
CN (1) CN107273916B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805161A (zh) * 2018-04-25 2018-11-13 上海大学 一种多嵌入率含密图像的隐写检测方法
CN109388959A (zh) * 2018-09-30 2019-02-26 陕西师范大学 结合差异聚类和最小误差纹理合成的生成式信息隐藏方法
CN109635839A (zh) * 2018-11-12 2019-04-16 国家电网有限公司 一种基于机器学习的非平衡数据集的处理方法和装置
CN109819013A (zh) * 2018-12-11 2019-05-28 上海大学 一种基于云存储的区块链存储容量优化方法
CN111415289A (zh) * 2020-03-25 2020-07-14 武汉大学 面向不平衡jpeg图像隐写检测的自适应代价敏感特征学习方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722858A (zh) * 2012-05-29 2012-10-10 中国科学院自动化研究所 基于对称邻域信息的盲隐写分析方法
CN105975992A (zh) * 2016-05-18 2016-09-28 天津大学 一种基于自适应升采样的不平衡数据集分类方法
US20170032276A1 (en) * 2015-07-29 2017-02-02 Agt International Gmbh Data fusion and classification with imbalanced datasets
CN106599935A (zh) * 2016-12-29 2017-04-26 重庆邮电大学 基于Spark大数据平台的三支决策不平衡数据过采样方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722858A (zh) * 2012-05-29 2012-10-10 中国科学院自动化研究所 基于对称邻域信息的盲隐写分析方法
US20170032276A1 (en) * 2015-07-29 2017-02-02 Agt International Gmbh Data fusion and classification with imbalanced datasets
CN105975992A (zh) * 2016-05-18 2016-09-28 天津大学 一种基于自适应升采样的不平衡数据集分类方法
CN106599935A (zh) * 2016-12-29 2017-04-26 重庆邮电大学 基于Spark大数据平台的三支决策不平衡数据过采样方法

Non-Patent Citations (7)

* Cited by examiner, † Cited by third party
Title
ANXIN WU 等: "Unbalanced JPEG image steganalysis via multiview data match", 《JOURNAL OF VISUAL COMMUNICATION AND IMAGE REPRESENTATION》 *
HUI HAN 等: "Borderline-SMOTE: A New Over-Sampling Method in Imbalanced Data Sets Learning", 《INTERNATIONAL CONFERENCE ON INTELLIGENT COMPUTING》 *
LIU, W 等: "Class Confidence Weighted kNN Algorithms for Imbalanced Data Sets", 《LECTURE NOTES IN ARTIFICIAL INTELLIGENCE》 *
SIRISERIWAN, W 等: "The Effective Redistribution for Imbalance Dataset: Relocating Safe-eevel SMOTE with Minority Outcast Handling", 《CHIANG MAI JOURNAL OF SCIENCE》 *
孙物一 等: "基于高维特征正则化的 JPEG 图像隐写分析", 《应用科学学报》 *
潘晓声 等: "基于Kernel Fisher Discriminant的JPEG文件隐形信息检测算法", 《微计算机应用》 *
谢凯 等: "结合重采样图像多分类的隐写分析算法", 《信息工程大学学报》 *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108805161A (zh) * 2018-04-25 2018-11-13 上海大学 一种多嵌入率含密图像的隐写检测方法
CN108805161B (zh) * 2018-04-25 2022-08-05 上海大学 一种多嵌入率含密图像的隐写检测方法
CN109388959A (zh) * 2018-09-30 2019-02-26 陕西师范大学 结合差异聚类和最小误差纹理合成的生成式信息隐藏方法
CN109388959B (zh) * 2018-09-30 2021-08-27 陕西师范大学 结合差异聚类和最小误差纹理合成的生成式信息隐藏方法
CN109635839A (zh) * 2018-11-12 2019-04-16 国家电网有限公司 一种基于机器学习的非平衡数据集的处理方法和装置
CN109819013A (zh) * 2018-12-11 2019-05-28 上海大学 一种基于云存储的区块链存储容量优化方法
CN111415289A (zh) * 2020-03-25 2020-07-14 武汉大学 面向不平衡jpeg图像隐写检测的自适应代价敏感特征学习方法

Also Published As

Publication number Publication date
CN107273916B (zh) 2020-10-16

Similar Documents

Publication Publication Date Title
CN107273916A (zh) 隐写算法未知的信息隐藏检测方法
CN103942562B (zh) 基于多分类器组合的高光谱图像分类方法
Lubenko et al. Steganalysis with mismatched covers: Do simple classifiers help?
CN103927510B (zh) 图像识别装置和图像识别方法
CN102722708B (zh) 一种薄片类介质分类方法及其装置
CN106203492A (zh) 一种图像隐写分析的系统及方法
WO2016201648A1 (zh) 一种基于局部学习的信息隐藏检测方法
CN102301395A (zh) 特征选择设备
CN101976360A (zh) 基于多级分类的稀疏表征人脸识别方法
CN104778475A (zh) 一种基于环形区域最大频繁视觉单词的图像分类方法
CN105809113A (zh) 三维人脸识别方法及应用其的数据处理装置
CN103310235A (zh) 一种基于参数识别与估计的隐写分析方法
CN111275070B (zh) 一种基于局部特征匹配的签名验证方法及设备
CN115277189A (zh) 基于生成式对抗网络的无监督式入侵流量检测识别方法
González-Soler et al. Fisher vector encoding of dense-bsif features for unknown face presentation attack detection
CN117218707B (zh) 一种基于积极扰动的Deepfake人脸检测方法
CN104899606B (zh) 一种基于局部学习的信息隐藏检测方法
CN100535926C (zh) 数据处理,图像处理和图像分类方法及设备
Khuspe et al. Robust image forgery localization and recognition in copy-move using bag of features and SVM
CN108805161B (zh) 一种多嵌入率含密图像的隐写检测方法
Cao et al. Unsupervised image steganalysis method using self-learning ensemble discriminant clustering
Szemenyei et al. Dimension reduction for objects composed of vector sets
Zhao et al. Dynamic texture recognition using 3D random features
CN111144454A (zh) 一种基于图像标记特定特征的延迟多标记学习方法
Chen et al. Steganalysis in high-dimensional feature space using selective ensemble classifiers

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant