基于位平面统计相关的支持向量机图像隐写分析算法

随着隐写技术的发展,隐写分析引起了越来越多研究人员的关注.通过对隐写前后图像位平面的相关性分析,提出一种空域LSB通用隐写分析算法.该算法只使用了32个特征统计量,具有较低的计算复杂度.实验结果表明,此算法对嵌入消息长度小于0.3 bpp的载密图像的检测准确率超过90%,多次实验也表明此算法具有很好的稳定性.     

基于LSSVM的JPEG图像隐写分析算法

构造了一种基于最小二乘支持向量机的针对JPEG图像的隐写分析方法，在DCT域和空间域上提取了JPEG图像的18维特征向量，利用LSSVM构建分类器，并根据嵌入算法的种类设定分类器的输出，以达到检测秘密信息的存在性和判别使用何种隐写算法实施信息嵌入的目的，针对Jsteg，F5，MB三类最常用的JPEG图像隐写算法进行了二分类和四分类的实验，结果表明，构建二分类器进行载密图像检测时，正确率较高；构建多分类器检测载密图像、判断其使用的隐写算法时，对于高嵌入量的载密图像有着较高的判断正确率。     

基于位平面随机性测试的隐写分析算法

为有效检测图像中是否含有隐秘信息,提出了一种基于位平面随机性测试的隐写分析算法。该算法利用希尔伯特(H ilbert)扫描将图像最低和次低位平面转化为一维的二值序列,并分别对其进行14项随机性测试。利用测试结果组成28维图像特征向量,构造支持向量机分类器实现对载密图像的可靠检测。多次实验证明:该算法对于空域LSB类隐藏算法嵌入信息在0.05 b/p以上的载密图像具有95%以上的检测率,并且对于频域隐写技术F5也是有效的。     

基于小波纹理分析的隐写分析研究

提出一种基于模型的隐写分析技术．图像的小波子带分解系数纹理可以建模为两参数广义高斯分布．同时采用极大似然方法进行两个参数的估计．分析发现隐写将改变图像的纹理特性,从而可以从子带分布模型参数的变化中判断是否隐藏信息．采用神经网络、支持向量机,回归分析和费歇尔判别分析分别进行比较验证．试验结果表明方法的有效性,同时对各分类器的性能进行了评价．     

基于Seeded-Kmeans和SVM的分类算法

支持向量机（Support vector machines）在人像识别、文本分类等模式识别问题中有广泛的应用,可以有效地解决一些实际生活中的分类问题。针对半监督两分类问题,提出了基于Seeded-Kmeans和SVM的分类算法（SK-SVM）。用Seeded-Kmeans算法对无标签点进行处理,使其获得初始标签,再选取有效的标签点加入已有带标签点中,构成新的带标签训练集,最后结合SVM进行分类。选取UCI中的8个数据集进行数值实验,基于Seeded-Kmeans和SVM的分类算法的有效性得到了验证。     

基于相邻直方图的LSB替换隐写分析算法

提出一种新的针对空域LSB替换隐写的检测算法。LSB替换隐写通过改变图像的像素灰度值的最低意义位的值来达到嵌入秘密信息的目的。LSB替换隐写时会引起像素灰度值间的不对称,根据这个特点,提出基于相邻像素直方图的隐写分析算法。该方法易于实现,物理意义直观。实验结果表明该法具有较好的检测能力。     

隐写分析算法的量化评估方案

根据隐写分析算法的特点和应用需求，结合ROC分析，提出了一个隐写分析算法的量化评估方案，包含4个评估指标，涉及算法的可靠性和准确性、适用性、分类代价和计算复杂度，并研究算法达到有效检测时，对应载密对象的最小嵌入率，分析了影响计算复杂度的因素，提出了样本量分析，并针对实际应用对虚警率和漏报率的不同需求，提出了分类代价分析，量化评估结果对于改进和应用算法具有参考意义，根据结果可以对算法的优劣进行多方面的比较，从而确定出最优的算法。     

基于SVM的通用隐写检测算法设计与实现

通用隐写检测是隐写分析技术研究的重点。针对加性噪声隐写模型,以BMP图像为研究对象,进行通用隐写检测算法研究与设计,在此基础上,给出了算法设计与实现的流程和其性能的有效性验证。实验结果表明该算法具有较好的检测精度、较低的虚惊率和漏警率。     

基于后验概率的LSB隐写分析

LSB隐写是将欲嵌入的秘密信息取代载体图像的最低比特位,是图像隐写最流行的方式之一。已经有大量算法来检测LSB隐写,但是对于图像最低位变化率的估计误差较大。探讨了一种基于后验概率的隐写分析算法：首先利用图像像素是否处于局部平滑区域进行建模,然后采用EM算法估计出图像中每个像素属于上述模型的后验概率并将后验概率作为此像素的权重,最后结合WS模型来估计图像最低位变化率。实验结果表明,该算法能有效地并且准确的估计图像最低位变化率,并且有较好的效果。     

基于SVM的多传感器信息融合

针对现代工业生产采用大量不同传感器来监测和控制生产过程,被测量之间存在较大模糊关系,提出了一种基于SVM理论的多传感器信息融合方法.通过“对电弧炉炼钢供电曲线进行优化”表明,该方法对解决小样本、高维特征空间和不确定条件下的多传感器信息融合问题,具有较好的融合效果.     

基于改进SVM分类器的动作识别方法

利用智能手机加速度传感器信号,提出一种改进的动作识别方法以降低传统动作识别方法的复杂程度,提高识别率。在特征提取时用盲选法,即用PCA(principal component analysis)进行特征值的降维和去除多维间的干扰,而所选特征没有对应的物理意义;并在分类识别中将遗传算法应用到SVM(support vector machine)分类器参数优化中。通过实验表明,该方法能够对日常的走路、站立、跑及上下楼等动作进行准确的识别。     

基于SVM分类的边缘提取算法

通过分析同类数据点在空间中的几何形态,从数据点集所构成几何形态的凹凸性着手,提出边界提取算法并对高维数据进行分类。针对现实生活中的高维数据,利用局部线性嵌入将数据进行降维处理,得到低维特征数据。在此基础上,对于单分类数据集,用数据集表面的点的近邻样本与过该点的切平面之间的关系寻找边界点;对于多分类数据集,利用贝叶斯后验概率来寻找边界重复的点,以此更快达到提取边界点的目的。由此可以粗略筛选出边界点。为去除不重要的边界点,降低分类误差,通过构造最优超平面和支持向量机对边界点赋予权重,并设置阈值去除不重要的边界点,由此达到用较少的边界点准确分类数据的目的。通过100个测试样本进行分类测试并计算其分类准确率,验证了此分类方法的可行性。     

基于混合像元分解的水体面积提取算法

为减小水体边界混合像元对水体面积提取精度的影响,提出基于混合像元分解的水体面积提取改进算法。以ALOS数据为例,利用混合像元线性分解模型获得各像元水体丰度,结合阈值法和数学形态学算法分别提取纯净水体像元和水体边界像元;通过分析水体边界像元的水体丰度构成,提出水体边界像元面积修正算法,实现水体面积修正。研究结果表明,与混合像元分解直接提取的水体面积相比,修正算法提取的水体面积精度最大提高6.7%,有效减小滩地水分对水体边界像元水体丰度计算的影响。     

基于超像素和支持向量机的车辆阴影检测算法

为解决车辆阴影检测中易将车辆阴影相似的车辆区域误检测为车辆阴影的问题,提出了一种基于超像素和支持向量机的车辆阴影检测算法.首先,利用简单线性迭代聚类法将图像分割为若干超像素;然后,以超像素为基本检测单位,根据HSV空间中的一组判别条件对车辆阴影进行初步检测;在此基础上,利用支持向量机识别并去除被误检测为车辆阴影的车辆区域,进而得到最终的车辆阴影.实验结果表明,所提算法能够较好地区分车辆阴影及与车辆阴影相似的车辆区域,提高车辆阴影的检测率和分类率.     

基于自适应聚类和线性规划最优选点的彩色图像低成本打印方法

彩色点画是一种从视觉上由大量小像素点构建图像的艺术技术,像素个数的多少直接影响着构图的成本。其优化选点构图方法为实现低成本打印提供了一个重要的方式。目前,点画生成存在着多通道采样点难以均匀分布,颜色层次难以兼顾等难点,并耗费大量的计算成本。对此本文提出了一种基于超像素自适应聚类和线性规划最优选点的彩色点画生成方法,该方法在初步超像素划分图像的基础上,使用基于颜色密度峰值的自适应聚类方法得到最佳聚类个数,并进一步划分子聚类,然后根据每个子聚类的颜色均值作为子聚类内部选点的最佳间隔距离,在选点的同时依据SSIM指标,建立目标优化模型,通过数学优化器Gurobi实现模型选点,使点保留最少个数的目标基础上,同时保持聚类内部分布均匀和颜色渐变层次,以提高所生成的点画图像的可视化效果。实验结果表明,本文算法极大的降低了像素个数并在生成的点画SSIM、PSNR等评价指标方面均优于当前方法。     

一种基于凸包稀疏化与遗传算法优化的SVM算法

SVM(support vector machine)算法求解支持向量的过程涉及到N阶矩阵的计算,N为样本的个数,当样本数量很大时,高阶矩阵的计算将需要消耗大量运算时间;同时,SVM模型性能依赖于惩罚参数与核参数的优化,传统的循环验证参数优化法,时间复杂度高.为了解决上面两方面的问题,笔者采用凸包算法对训练样本进行稀疏化,同时通过遗传算法优化选择惩罚参数与核参数,提出了一种高性能的SVM模型训练算法.     

基于育种算法的SVM参数优化

支持向量机(SVM)的学习性能主要取决于参数选择.论文基于育种算法提出了混合算法的支持向量机参数优化模型,即将种子或者粒子所对应的适应度取作交叉验证方法中的测试样本集数据的识别率,构成基于混合算法的支持向量机,并通过数值试验验证了该方法的可行性。     

MLLR特征的SVM语种识别算法

为了挖掘更多语种间区分性信息进行可靠的自动语种识别,本文提出一种将自适应领域的最大似然线性回归(maximum likelihood linear regression,MLLR)矩阵作为特征的语种识别算法。该算法首先对每个语种训练Gauss混合模型(Gaussian mixture model,GMM),然后对每个语音段在所有语种的GMM上计算MLLR矩阵。将得到的多类MLLR矩阵经归一化后拼接形成超矢量作为特征输入支持向量机(support vector machine,SVM)分类器进行训练和识别。比较了均值方差和排序两种归一化方法,并将多类MLLR-SVM算法与传统GMM语种识别算法进行对比。实验表明:排序归一化算法优于传统的均值方差归一化;建立在GMM模型基础上的MLLR-SVM系统性能有9.7%的提升,并与GMM分类器有很强的互补性。     

基于多类SVM相关反馈技术的研究

相关反馈技术是提高图像检索性能的一个重要手段,本文提出了一种新的基于多类SVM的图像相关反馈检索方法,检索结果表明多类SVM方法在检索性能上具有较其他检索方法更高的检索准确性,并且其检索的密集度较传统SVM检索方法更优．