[发明专利]隐写算法未知的信息隐藏检测方法

权利要求书

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；

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S_maj，含密图像作为少数样本记为S_min，x_i∈S_min，y₀∈S_maj，x₀∈S_min；计算要合成的少数样本数G＝(S_maj-S_min)×R，R∈[0,1]表示平衡比率；

b)对于每个少数样本点x_i∈S_min，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r_i，η_i表示K个最近邻点中属于多数样本点的数量；将r_i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TmpPo int，TmpPoint＝x₀+α(y₀-x₀)，α是0-1之间的随机数；利用TmpPo int和x_i进行插值生成新的合成样本点，SynPoint＝x_i+β(TmpPoint-x_i)，β是0-1之间的随机数，SynPoint是新生成的样本点。

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，S_w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minJ_k＝Tr(S_w)＝Tr(S_t-S_b)，其中Tr(S_w)代表类内离散度矩阵S_w的迹，S_t表示总的离散度矩阵，S_b表示类间离散度矩阵，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S_b最大化以及类内离散度S_w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：

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。