当前位置：文档之家 › 基于混合高斯分布的小波系数直方图特征函数在隐写前后的变化分析

基于混合高斯分布的小波系数直方图特征函数在隐写前后的变化分析

  • 格式：doc
  • 大小：133.50 KB
  • 文档页数：3

引理 设
2
2
1()exp22x

fx




，

则()fx的傅氏变换

22
expexp2Fwfxjxdx





。

定理1 设
2
1
2

1
1

1exp22x
f




，

2
2
2

2
2

1exp22x
f




，

1122
()()()fxcfxcfx
，
其中121cc，101c，120，则对于任意的0,1p，以及满足

120pp和1122cpcpp的1p和2
p
，有


22
22

12
12
expexpexp444pppFFF






。

根据引理，也就是有
22
22
1122

22
22
12

1122

expexp2222expexp2222ppccppcc
















成立。
证明：首先对上面不等式做如下变换。
令
22
1
1
exp2k





，2222exp2k，2exp4a，

则上面不等式可以化为
12
11221122

pp
pp

ckackackacka
。
令
1
2

c

c

，12kk，1ppxa。

利用1122cpcpp和121cc得到

12
pppp
。

于是，不等式可以进一步化为

1110xx


。

记

111gxxx



注意到10g，又根据1122cpcpp和12pp可以得到1pp，进而有1x。
因此证明上面不等式只须证明gx是1,上的增函数。gx在1,上的一
阶导函数为

111gxxx




。

解0gx得到

11x

，

注意到由120可以得到1，因此上式显然成立，也就是说gx是

1,

上的增函数。证毕！
定理1的物理意义：
原图像小波系数直方图对应的频率为F。当选用两种不同的隐写方法，修改
同一幅图像的小波系数，完成相同数据量的嵌入时，前者是每个位置上的小波系
数被等可能地修改，嵌入率为p，嵌入噪声服从0,2pN，修改后的小波系数直

方图对应的频率为22exp4pF，而后者是较多地选择小波系数中方差较
大的那一类总体进行修改，在方差较大的总体中嵌入率为2p，在方差较小的总
体中嵌入率为1p，用1122cpcpp表示两种方法嵌入量相同，修改后的小波系
数直方图对应的频率为221212expexp44ppFF，满足12pp和
22
12


。定理1表明前者小于后者。也就是说，在完成相同嵌入量的前提下，

尽管两种方法都使幅值降低，但后者造成的改变更小。从这个变化上看，后者比
前者的方法更安全。

合集下载

基于小波包分解的图像信息隐写盲检测

基于小波包分解的图像信息隐写盲检测

基于小波包分解的图像信息隐写盲检测
罗向阳;刘粉林;王道顺
【期刊名称】《通信学报》
【年(卷),期】2008(29)10
【摘要】基于小波包分解,提出了一类新的具有较高检测正确率的图像信息隐写盲检测方法.首先对图像进行小波包分解得到多个子带,从子带系数以及图像像素中提取直方图特征函数多阶绝对矩作为特征,然后对提取的特征进行预处理并设计BP神经网络分类器进行分类.针对LSB、SS、Jsteg、F5及MB等典型隐写的实验表明:此方法相比现有的典型盲检测方法,正确检测率提高约7.5%～17.2%,且具有更好的通用性.此外,还讨论了整数和非整数小波包分解对检测结果的影响.
【总页数】10页(P173-182)
【作者】罗向阳;刘粉林;王道顺
【作者单位】解放军信息工程大学信息工程学院,河南郑州450002;清华大学计算机科学与技术系,北京100084;解放军信息工程大学信息工程学院,河南郑州450002;清华大学计算机科学与技术系,北京100084
【正文语种】中文
【中图分类】TP309
【相关文献】
1.基于图像内容和特征融合的隐写盲检测 [J], 李侃;平西建
2.基于区域相关性的JPEG图像隐写盲检测方法 [J], 李侃;平西建
3.基于图像分割的LSB隐写信息盲检测方法 [J], 胡玲娜;蒋铃鸽;何晨
4.基于图像分割的LSB隐写信息盲检测方法 [J], 胡玲娜;蒋铃鸽;何晨
5.基于图像分割的LSB隐写信息盲检测方法 [J], 胡玲娜;蒋铃鸽;何晨
因版权原因，仅展示原文概要，查看原文内容请购买。

基于降维共生特征的JPEG通用隐写分析

基于降维共生特征的JPEG通用隐写分析

基于降维共生特征的JPEG通用隐写分析李薇;欧继山;张舒【摘要】针对JEPG图像隐写检测问题，提出了一种基于降维共生特征和单类分类器的通用隐写分析方法。

采用共生矩阵挖掘图像DCT块内、块间以及图像小波层内、层间相邻系数的相关性特征，并对特征进行校准和LPP降维处理，利用SVDD分类器进行训练和分类。

实验结果表明：该方法相比传统二类隐写分析方法，具有更强的泛化能力，检测率相比几种单类隐写分析方法有明显提高；而且，LPP降维相比PCA降维对提高算法的分类精度具有更好的效果。

%A universal approach based on dimensionality-reduced co-occurrence features and one-class classifier is proposed for steganalysis of JPEG images. The co-occurrence matrix is used to capture both the intra-block and inter-block correlation features among neighboring DCT coefficients as well as the intra-scale and inter-scale correlation features among neighboring DWT coefficients. Then the calibrated features are progressed by LPP dimensionality reduction techniques and a SVDD classifier is utilized to train and classify them. Experimental results show that the method performs better at detecting capability comparing to the traditional two-class steganalysis schemes and its detection rate is significantly higher than several novel single-class steganalysis schemes at present. Furthermore,LPP is much better than PCA for improving the algorithm’s classification accuracy.【期刊名称】《火力与指挥控制》【年(卷),期】2015(000)012【总页数】5页(P13-17)【关键词】隐写分析;共生矩阵;支持向量数据描述;局部保持投影【作者】李薇;欧继山;张舒【作者单位】海军工程大学理学院，武汉 430033;海军工程大学理学院，武汉430033;海军工程大学理学院，武汉 430033【正文语种】中文【中图分类】TP391隐写分析是隐写术的逆向技术，利用隐写过程不可避免地会改变载体数据的统计特性这一事实，对可能隐藏在载体中的秘密信息进行检测，在防止隐写工具滥用、维护网络完全等方面具有重要的现实意义。

基于高斯混合模型的音频鉴别技术研究

基于高斯混合模型的音频鉴别技术研究

基于高斯混合模型的音频鉴别技术研究音频鉴别技术是一种将不同音频文件进行比较和识别的方法，广泛应用于语音识别、音频盗版判定、歌曲鉴别等领域。

高斯混合模型（Gaussian Mixture Model，GMM）是一种常用的音频鉴别技术算法，本文将介绍基于高斯混合模型的音频鉴别技术研究。

一、高斯混合模型简介高斯混合模型是一种基于统计的模型，用于描述观测数据的分布。

它是由多个高斯分布组合而成的。

每一个高斯分布都代表了数据的一种模式，而每一个高斯分布的系数表示了该模式在总体中所占的比例。

在音频鉴别技术中，高斯混合模型被用于建模该音频文件所特征的声学参数。

一个音频文件中的声学特征一般使用MFCC（Mel Frequency Cepstral Coefficients）提取。

经过处理后，每个音频可以转化为具有多个维度的向量。

这些向量被认为是由多个高斯分布组成的，每个高斯分布与部分向量最为相似，称为一组高斯分布。

二、基于高斯混合模型的音频鉴别技术流程基于高斯混合模型的音频鉴别技术一般包括以下步骤：1.数据预处理：对原始音频进行预处理，包括分段、去噪、裁剪等。

2.特征提取：使用MFCC方法从每个分段中提取出具有多个维度的向量，此向量代表了音频的声学特征。

3.高斯混合模型的建立：使用训练数据集训练出高斯混合模型，并获取每一个高斯分布的参数，包括方差和均值等。

4.声学特征分类：使用高斯混合模型对音频文件的声学特征进行分类，即将该特征归为某一个高斯分布中。

5.音频鉴别：将该音频文件的所有声学特征进行分类后，统计每个高斯分布最为相似的声学参数，判断该音频属于哪一类。

三、高斯混合模型的优缺点优点：1.能够解决一个声音混合多种声音的情况。

2.高斯混合模型能够使用EM算法对数据进行自主学习，降低人工干预的需求。

3.具有良好的通用性和可重用性，适用于不同领域的音频识别问题。

缺点：1.拟合时间较长，需要大量数据进行训练。

2.容易过拟合，对数据的异常值较为敏感。

保持直方图特性的隐写嵌入

保持直方图特性的隐写嵌入

保持直方图特性的隐写嵌入
申文锋;栗风永;张新鹏;杨乾星
【期刊名称】《上海大学学报（自然科学版）》
【年(卷),期】2015(021)002
【摘要】为了提高隐写的安全性,必须保持隐写前后图像的特征一致.提出了一种保持直方图特性的隐写算法.首先,对像素直方图进行分组,通过计算定量失真时的最大嵌入数据量,得到每个像素的修改概率,并利用STC(syndrome trellis codes)确定需要修改的像素位置;然后,根据直方图分组情况对需要修改的像素值进行组内和组间自适应调整,实现秘密信息的嵌入,同时保持隐写前后图像的直方图变化最小.实验结果表明,在相同嵌入量的前提下,该方法对直方图的改动远少于已有的隐写算法,隐写图像视觉质量更好.
【总页数】7页(P190-196)
【作者】申文锋;栗风永;张新鹏;杨乾星
【作者单位】上海大学通信与信息工程学院,上海200444;上海大学通信与信息工程学院,上海200444;上海大学通信与信息工程学院,上海200444;上海大学通信与信息工程学院,上海200444
【正文语种】中文
【中图分类】TP391
【相关文献】
1.一种基于湿纸编码和图匹配理论的直方图保持隐写算法 [J], 刘九芬;韩涛;张卫明;陈嘉勇
2.一种保持直方图特性的JPEG图像掩密算法 [J], 陈丹;罗欣;王育民
3.基于直方图特性的LSB匹配隐写分析研究 [J], 刘学谦;平西建;张涛
4.基于差分直方图统计特性的MIDI音频隐写分析 [J], 杨帆;郭立;王翠平;王昱洁;徐雷;韩琼磊;高路
5.保持直方图特性的最低比特位密写方法 [J], 陈志宏;刘文耀
因版权原因，仅展示原文概要，查看原文内容请购买。