Hilbert曲线扫描在JPEG隐写分析中的研究与应用

提出了一种具有较高正确检测率的JPEG隐写通用型检测方法.利用Hilbert曲线对JPEG图像DCT系数块进行扫描,使用马尔可夫模型挖掘DCT系数的块间和块内相关性,提取转移概率矩阵作为特征.针对nsF5和MB(model-based)隐写方法的实验表明:此方法能对以上两种隐写方法进行有效检测,相比同类检测方法,其检测率有一定提高.     

Hilbert曲线扫描在JPEG隐写分析中的研究与应用

提出了一种具有较高正确检测率的JPEG 隐写通用型检测方法. 利用Hilbert曲线对JPEG 图像DCT 系数块进行扫描,使用马尔可夫模型挖掘DCT 系数的块间和块内相关性,提取转移概率矩阵作为特征. 针对nsF5 和MB （model-based） 隐写方法的实验表明：此方法能对以上两种隐写方法进行有效检测,相比同类检测方法,其检测率有一定提高.     

基于偏最小二乘回归建模的量化隐写分析

将基于偏最小、二乘回归的建模方法应用到估计隐写信息长度中,提出一种新的量化隐写分析方法.分别从空域,DCT域,DWT域提取隐写图像的统计特征作为建模的自变量,隐写图的嵌入改变率作为因变量,运用偏最小二乘回归建立统计特征和嵌入改变率之间的关系模型为量化隐写分析器.针对3种典型的JPEG隐写算法F5,outguess,MB1隐写图进行量化隐写仿真,结果显示提出的方法能快速准确地估计JPEG隐写图的信息嵌入改变率.     

基于多分类器融合的SAR图像自动目标识别方法

给出一种内存需求小、计算复杂度低且性能较好的合成孔径雷达自动目标识别(SAR ATR)方法。先对原始图像预处理获得目标及阴影,然后提取目标和阴影的形状描述子以及基于极化映射提取目标及阴影的形状特征、目标的强度分布特征,最后基于平均准则融合分类器对目标进行分类。基于美国运动和静止目标获取与识别(MSTAR)计划录取的数据的实验结果表明,所提融合的分类器可获得比单个分类器好的识别性能,并且利用阴影信息可大大提高识别性能。     

SVM和HMM相结合的合成孔径雷达图像目标识别

提出了一种支持向量机和隐马尔可夫模型相结合的合成孔径雷达图像目标识别方法。该方法用小波分解和主成分分析提取图像特征,生成特征向量。利用图像在方位角上的关系由特征向量生成图像的特征序列以及隐马尔可夫模型的训练序列。用支持向量机进行目标预识别,确定目标最有可能所属的两个类别,用隐马尔可夫模型在这两个类别中确定目标最终所属类别,完成目标识别。使用MSTAR数据库中的图像数据对该方法进行验证和分析,结果表明,该方法可以明显提高目标的正确识别率,是一种有效的合成孔径雷达图像目标识别方法。     

基于EICS-LBP与统计边缘主色对的场景分类算法

针对场景分类问题,提出一种基于图像局部边缘区域的边缘改进中心对称二值模式(edge improved center symmetric local binary pattern, EICS LBP)与统计边缘主色对特征结合扩展潜在语义分析(probabilistic latent semantic analysis, PLSA)模型的场景分类算法。该方法首先提取图像局部边缘稠密采样区域的EICS LBP与统计边缘主色对特征;然后对两类特征分别聚类形成视觉词汇表,进而用词袋模型描述图像;之后利用扩展PLSA模型对图像词袋模型进行潜在语义挖掘;最后利用K最近领域(K nearest neighbors, KNN)分类器进行场景分类,得到测试图像集的混淆矩阵。多类场景图像的实验表明,该方法不需要对场景内容进行人工标注,具有较高的分类准确率,且对具有边缘轮廓的彩色图像分类精度较高。     

小波包子带频域矩和遗传算法的图像隐写分析

针对现有典型的通用隐写分析方法提取特征时多数对图像进行正交小波分解中的不足,提出了一种新的利用小波包分解和遗传算法的高效的隐写检测方案.首先对原灰度图像及其预测误差图像运用小波包分解生成多个子带,提取各子带系数的直方图特征函数多阶矩作为特征,将支持向量机的分类效果作为适应度函数值返回,指导遗传算法搜索最优的特征选择方案.针对Outguess、F5、MB1隐密图像与载体图所组成的混合图像库上的仿真实验结果表明:该方法比现有的隐写分析方法,平均检测率提高了约1%-17.8%.     

基于改进基本图像特征直方图的纹理分类算法

提出了一种改进的基本图像特征(basic image feature, BIF) 直方图纹理分类算法。首先在4个尺度上分别确定图像中每个像素点对应的BIF,然后在每个尺度上分别提取6维直方图特征及3维高阶统计特征共36维特征,最后使用支持向量机(support vector machine, SVM) 作分类器对实验图像进行训练和分类。实验表明,所提方法降低了算法的计算复杂度和运行时间,对噪声有较好的鲁棒性。     

肺结节的自适应检测算法

提出一种自适应的肺结节检测算法.基于肺结节的CT图像表现,提取了七个图像特征.对于每个特征,采用支持向量机(SVM)进行单特征分类,将其分类的准确率作为权值应用到改进的Mahalanobis距离公式中.根据改进的Mahalanobis距离公式构造非线性分类器,然后对感兴趣区域(ROI)进行分类,分类器中使用自适应的算法自动调节网值.实验结果表明,该算法对于肺结节的检测具有较高的敏感性和准确性.     

基于神经认知计算模型的高分辨率遥感图像场景分类

通过大脑对外界环境感知的神经结构与认知功能的相关研究,构建仿脑的媒体神经认知计算(multimedia neural cognitive computing, MNCC)模型。该模型模拟了感官的信息感知、新皮层功能柱的认知功能、丘脑的注意控制结构、海马体的记忆存储和边缘系统的情绪控制环路等大脑基本的神经结构和认知功能。在此基础上,构建基于MNCC的高分辨率遥感图像场景分类算法。首先,图像经仿射变换后切分为若干图块,通过深度神经网络提取图块的稀疏激活特征,采用概率主题模型获取图块初始场景类别,并利用图块分类错误信息反馈控制场景显著区特征的提取;其次,根据图块的上下文获取场景语义的时空特征,并在此基础上进行图块分类和场景预分类;最后,用场景预分类误差构造奖惩函数,控制和选择深度神经网络中场景区分度较大的稀疏激活特征,并通过增量式强化集成学习,获得最后的场景分类。在两个标准的高分辨率遥感图像数据集上的实验结果表明,MNCC算法具备较好场景分类结果。     

Dynamic weighted voting for multiple classifier fusion:a generalized rough set method

1 .INTRODUCTIONMultiple classifier fusion or combination has prov-enitself a powerful tool for achieving high classifi-cation accuracy with moderately discri minatingclassifiers .If only output class labels are availablethe voting fusion[1]is often used as a decisionlevelfusion. However ,the main drawback of the votingfusion is that all classifiers are considered equallyreliable and this maylead to a confident decisiontobe changed by a less reliable classifier . A possibleway of overcomin…     

基于高维特征选择的跳频电台细微特征识别

将高维特征用于跳频电台细微特征个体识别具有很大优势,为了增强对跳频电台的分类识别能力,需要增加特征类型和维数,提高特征集的表征能力,但同时会引入大量冗余特征,导致分类器计算时间过长,分类正确率降低。为了降低高维特征集维数,首先采用相关性快速过滤特征选择算法,删除高维特征集中的不相关冗余特征,得到最优特征集。然后利用经过参数优化的支持向量机(support vector machine, SVM)分类器进行训练分类。实验表明,所提算法能够对高维特征集进行合理的降维,提高了SVM的分类器的分类性能,在保证分类正确率的基础上,降低了运算量,提高了跳频电台细微特征识别的时效性。     

基于直方图统计矩特征的小波域音频隐写分析

提出了一种小波域音频隐写分析方法,对语音信号进行2级小波分解,然后计算每个小波子带系数直方图及其频域(直方图的离散傅立叶变换)的高阶统计矩,共同构成24维特征矢量,并用BP(Back Propagation)神经网络进行分类.利用CASIA98-99语音库中的370个语音进行了测试,实验结果表明:联合特征优于单种特征的分类性能,且对小波域LSB(Least Significant Bit)、小波系数量化QIM (Quantization Index Method)和小波域迭加三种信息隐藏方法的检测正确率均达到91%以上.     

KM-SVM法的SAR图像无监督变化检测

针对合成孔径雷达（synthetic aperture radar, SAR）图像变化检测获得有标记样本的数量十分有限且困难,传统方法检测率低等问题,提出了一种基于原始特征空间的K-均值和支持向量机(K--means and support vector machine, KM SVM)法SAR图像无监督变化检测。首先,不需要任何先验信息的条件下,利用K- means聚类方法获取差异图像的分类阈值;其次,利用阈值,引入偏移量,自动选取伪训练集和无标签集,并用伪训练集定义SVM的初始决策超平面;最后,用基于统计特征的半监督学习算法和支持向量机相结合对图像进行变化类与非变化类的分类。实验结果表明：该算法优于基于混合高斯分布模型的KI法和基于广义高斯分布模型的KI法,能保持较好的分类、泛化能力和较稳定的检测精度。这些结果表明了文中方法的有效性。     

基于自适应扫描的图像压缩方法

现有的压缩方法通常采用固定的扫描方式。然而,每幅图像都有其自身的特点,采用固定扫描难以使其得到好的压缩性能。针对该问题,提出了一种基于自适应扫描的图像压缩方法。首先,对图像进行小波变换后,根据图像内容决定子带间扫描顺序。其次,对于子带内扫描,根据子带特性设计不同的扫描方法,以尽可能保留图像的纹理特征。最后,采用二叉树编码器对扫描后的系数序列进行编码。实验证明,在相同条件下,该方法明显优于主流的JPEG2000,且优于最新的基于固定扫描的自适应二叉树编码方法。     

基于Bagging-SVM动态集成的多极化HRRP识别

针对多极化高分辨率一维距离像（high range resolution profile, HRRP）在目标识别过程中存在计算量和数据量大、识别算法复杂的问题,提出一种基于Bagging-SVM动态集成的目标识别方法。该方法首先提取多极化HRRP平移不变特征向量,然后运用Bagging方法结合基于动态互信息的特征选择方法生成基分类器,最后引入基分类器差异度进行选择性集成。实验验证该方法在缩减数据规模和计算量的同时,能有效利用多极化特征信息,得到较高的分类正确率,并且松弛了HRRP目标的姿态敏感性。     

POLSAR多视复图像的特征提取和分类方法

Pauli分解和Krogager分解通常用于对极化合成孔径雷达(POLSAR)单视复图像中的相干复散射矩阵进行分解.基于Pauli分解和Krogager分解提出一种改进的极化特征分解方法,用于POLSAR多视复图像极化特征提取.首先利用Pauli分解分离出多视复图像数据的对称部分和非对称部分,然后利用Krogager分解提取出对称部分的极化特征,最后利用AdaBoost算法对所提取的极化特征进行分类.使用SIR-C的数据验证了方法的有效性.     

基于压缩感知的阈值多路径稀疏度自适应图像重构算法

针对深度优先的多路径匹配追踪算法在进行图像重构时需要已知图像稀疏度、计算复杂度高等问题,提出了阈值多路径稀疏度自适应图像重构算法。该算法引入多个候选集,通过设定阈值来进行原子筛选和候选集数量的调整。然后每次迭代选出残差最小的路径作为新的候选集,以提高重构速度。此外,将残差差分小于某一阈值作为算法停止条件,因此不需要图像稀疏度作为算法的输入。实验结果表明,该算法可以获得较好的重构效果,同时保持了良好的时间复杂度和抗噪性能。