mbs 隐写算法 matlab,运用统计流形降维的通用型隐写分析算法

1引言隐写分析是检测作为载体的数字多媒体文件中是否含有隐藏信息的技术,它与信息隐藏技术相对应.隐写分析一般分为两种:一种是针对某一特定隐写算法的检测分析方法,这类检测方法针对性较强,但通常随着隐写算法的改进而失效;另一种是可以检测多种隐写算法的通用型隐写分析,其一般思路是选定特征向量后,运用机器学习的方法对检测对象分类.最简单的通用型隐写分析算法通常只能判断出待检测媒体中是否有隐藏信息.该方法通常包含两个重要步骤:从图像中提取特征和利用分类器进行分类判决.由于通用型隐写分析算法适用范围较广,而且对新出现的隐写算法也同样有效,因此通用型隐写分析是该领域目前的研究热点.通用型隐写分析中分类器的选择对分类效果起重要作用,现有的分类器包括线性分类器、非线性分类器以及几何分类器等.支持向量机(SuppportVectorMachine,SVM)[1]是一种较为常用的分类器,具有较高分类能力和较强鲁棒性.对于线性不可分的情况,SVM通常把数据投影到更高维的空间.SVM的使用促进了特征的高维度化,使得隐写分析使用更多更复杂的特征成为可能.并且随着隐写算法的推动,隐写分析的特征逐步趋于高维多样化.鉴于高维数据计算困难,易引发“维数灾难”问题,针对高维数据需要进行降维处理.流形学习是一种非线性降维方法,其目标是发现数据集中的流形结构,并在降维的同时尽量保持这些结构信息.但有些情况高维数据并不存在对应的低维欧式流形,这时更合理的假设是数据依赖统计流形,即流形中的每个点均是概率密度函数.统计流形解决了欧式空间中不易描述的问题,适合不能用低维欧式流形描述特征的高维数据.现统计流形降维已在文本分类、人脸识别、纹理识别等研究领域得到应用,Leeetal.[2]将统计流形130软件技术算法SoftwareTechniqueAlgorithm应用到图像分割,K.M.Carter的Fisher信息非参数嵌入[3],利用非参数方法估算Fisher信息距离,将统计流形降维应用在流式细胞识别和文本分类上.本文将统计流形引入隐写分析,具体框架如下:1)提取图像DCT域特征向量;2)利用Fisher信息距离度量特征分布相似度,估算Fisher信息距离并计算流形上测地线距离;3)针对测地线距离矩阵进行降维;4)利用分类器对降维后的数据进行分类识别,判断隐写分类效果.2相关知识简介2.1算法基于统计流形降维技术利用信息几何知识,在降维的同时消除数据间冗余,便于后期分类处理.本文使用的算法中,提取的特征是DCT域统计特征,利用该特征本身是概率密度函数的特点,将统计流形降维框架应用到隐写分析.本文使用的算法主要分为5步,根据输入图像集(训练图像train、测试图像predict),首先提取图像集DCT域特征向量,文中使用Fridrich提出的图像校准[4]过程提取特征:通过将JPEG图像解压到空域,减去左上角四行四列,对裁剪后的图像利用原图像的量化矩阵进行压缩,得到校准后的图像,然后提取原图像和校准图像的DCT域全局直方图作为特征向量;第2步,估算特征向量集的Fisher信息距离矩阵D;第3步:根据Fisher信息矩阵D计算统计流形上测地线距离G;第4布:针对矩阵G降维;第5步:利用低维数据训练SVM,训练好的分类器将对测试图像集进行是否隐写分类判断.2.2Fisher信息距离估计统计流形是一种特殊的流形,该流形中每一个元素都是参数化的概率密度函数.根据信息几何理论,概率密度函数间的距离用Fisher信息距离度量.Fisher信息距离的数学定义是对数似然函数对总体分布参数导数的方差,?F={f(x