[发明专利]一种多嵌入率含密图像的隐写检测方法

权利要求书

1.一种多嵌入率含密图像的隐写检测方法，其特征在于操作步骤如下：

(1)低嵌入率图像和载体图像训练得到EFLD₁：

由载体图像和低嵌入率图像训练得到一个集成FLD分类器EFLD₁，并通过EFLD₁选择出得票数高的训练图像；

(2)低嵌入率图像，高嵌入率图像和载体图像训练得到EFLD₂：

通过上一步选择出的训练图像及其高嵌入率版本训练得到第二个集成FLD分类器EFLD₂；

(3)交叉验证确定参数值：

通过交叉验证确定最终对未分类图像进行分类时使用的参数大小，即确定得票数范围；

(4)对未分类图像进行分类：

首先使用EFLD₁对得票数范围内的测试图像进行分类，剩下的测试图像使用EFLD₂对得票数范围内的图像进行分类，还未分类的测试图像由EFLD₁分类；

在步骤(4)对未分类图像进行分类包括如下步骤：

首先使用EFLD₁对测试样本进行判断，EFLD₁仅分类投票数在一定范围内的测试样本；然后使用有高嵌入率样本参与训练的EFLD₂对余下的测试样本进行分类，同样仅分类投票数在一定范围内的测试样本，对已经被分类的测试样本直接跳过；经过这两步之后会有一些测试样本还未分类，这些测试样本由EFLD₁进行分类；

最终的样本预测结果由三部分组成，EFLD₁对高票数样本的判别，EFLD₂对高票数样本的判别和EFLD₁对所有剩下样本的判别，如果第三部分中存在投票结果为0的样本，那么EFLD₁将随机对样本分类，通常需要随机判断的样本的数量是非常少的；样本被分类后，无论对错，之后的分类器不会再对这个样本进行分类，因而这三部分不会出现对同一个样本重复分类情况；

这样针对隐写图像有多个嵌入率的特点而设计的新集成FLD分类器，能够提升隐写分析准确率。

2.根据权利要求1所述的一种多嵌入率含密图像的隐写检测方法，其特征在于：步骤(1)低嵌入率图像和载体图像训练得到EFLD₁：

有3个n×p的隐写分析数据集，n是样本数，p是样本的维度，N是集成分类器子分类器数量；第一个数据集是载体图像隐写分析特征集，第二个数据集是低嵌入率含密图像特征集，第三个数据集是高嵌入率含密图像特征集；生成一组长度等于0.5n，最大值等于n的随机正整数集合，数字之间互相不重复，以这些数字为序号对这三个数据集提取出训练样本，剩下的留作测试样本；经过这样处理后共有0.5n幅载体图像，0.5n幅低嵌入率图像，和0.5n幅高嵌入率图像参与训练；在训练第一个集成FLD分类器之前还需要留下部分训练图像作为交叉验证集，余下训练集会训练得到第一个集成FLD分类器；

在训练第一个集成FLD分类器时，要先对样本特征抽取随机子空间，即从样本的原始p维特征中随机选取一定维度；抽取载体图像和低嵌入率图像样本的随机子空间后，可计算得到FLD子分类器的最佳投影方向w；重复N次后得到一个共有N个子分类器的集成FLD分类器EFLD₁；使用EFLD₁对训练样本进行分类，可得到所有训练图像的投票结果；从中取出得票数在一定范围内的训练图像和这些训练图像对应的高嵌入率图像。

3.根据权利要求1所述的一种多嵌入率含密图像的隐写检测方法，其特征在于：步骤(2)低嵌入率图像，高嵌入率图像和载体图像训练得到EFLD₂：

得到得票数高的载体图像和低嵌入隐写图像及其高嵌入率的版本后，训练一个新的集成FLD分类器，但是训练过程和前一个略有不同；先采用bootstrap方法对这些少量的样本进行重采样生成新的训练集，在训练每个子分类器时，会在高得票训练图像的基础上加入其高嵌入率版本来训练得到一个分类效果更好的子分类器；在训练时，会缓慢的不断加入或去除一定数量的高嵌入率图像，并在这个过程中选择出一个OOB效果最好的子分类器；同样循环N次后得到一个共有N个子分类器的集成FLD分类器EFLD₂。

4.根据权利要求1所述的一种多嵌入率含密图像的隐写检测方法，其特征在于：步骤(3)交叉验证确定参数值：

训练得到两个集成FLD分类器EFLD₁和EFLD₂后，还需要额外计算一个测试时使用的参数，这个参数的作用是确定测试时集成分类器的判别阈值；具体方法是利用步骤(1)中未参与训练分类器的训练样本进行交叉验证测试，取使得交叉验证结果最好的参数值。