基于PCA及SVM的图像信息隐藏检测*

doi:10.7523/j.issn.2095-6134.2008.1.010

中国科学院大学学报 ›› 2008, Vol. 25 ›› Issue (1): 74-79.DOI: 10.7523/j.issn.2095-6134.2008.1.010

基于PCA及SVM的图像信息隐藏检测*

田源, 程义民, 钱振兴, 汪云路

中国科学技术大学电子科学与技术系，安徽合肥230027

收稿日期:1900-01-01 修回日期:1900-01-01 发布日期:2008-01-15

Image Steganalysis Based on PCA and SVM

TIAN Yuan, CHENG Yi-Min, QIAN Zhen-Xing, WANG Yun-Lu

Department of Electronic Science & Technology, University of Science & Technology of China,, Hefei 230027

Received:1900-01-01 Revised:1900-01-01 Published:2008-01-15

摘要/Abstract

摘要： 本文提出了一种基于主成分分析（PCA, principal components analysis）及支持向量机（SVM, support vector machines）的信息隐藏盲检测方法。该方法根据信息隐藏时对载体图像引入噪声的特点，通过分析图像块的主成分，计算出图像的特征向量。通过对原始样本图像和藏密样本图像特征向量的学习和训练，得到SVM检测模型，可用于信息隐藏的盲检测。实验结果表明，该方法能够有效地检测出目前常用的信息隐藏方法。

关键词: 主成分分析, 支持向量机, 信息隐藏检测, 盲检测

Abstract: This paper presents a method for steganalysis of images based on principal component analysis and support vector machine. Considering that embedding information inevitably brings noise to cover images, we design and calculate eigenvectors of images after analyzing principal components of image blocks. By using eigenvectors of cover images and steg-images to train SVM, we can obtain a trained SVM to be used to blind detection. Experimental results show that the proposed scheme is effective to many steganographic methods and correct detection rate is better than the steganalysis method using image quality metrics.

Key words: PCA, SVM, steganalysis, blind detection

中图分类号:

TP391

田源, 程义民, 钱振兴, 汪云路. 基于PCA及SVM的图像信息隐藏检测*[J]. 中国科学院大学学报, 2008, 25(1): 74-79.

TIAN Yuan, CHENG Yi-Min, QIAN Zhen-Xing, WANG Yun-Lu. Image Steganalysis Based on PCA and SVM[J]. Journal of University of Chinese Academy of Sciences, 2008, 25(1): 74-79.

[1]	康文佳, 林文辉, 张三国. 基于角度的变系数多分类支持向量机[J]. 中国科学院大学学报, 2019, 36(4): 449-460.
[2]	吴园园, 申立勇. 基于类重叠度欠采样的不平衡模糊多类支持向量机[J]. 中国科学院大学学报, 2018, 35(4): 536-543.
[3]	肖垚, 刘畅. 基于稀疏求解的改进PCA方法在SAR目标识别中的应用[J]. 中国科学院大学学报, 2018, 35(1): 84-88.
[4]	苏佳利, 钟上伟, 许静, 李向军, 邹洪. 基于HPLC-DAD多波长数据的蓝色圆珠笔墨水鉴别[J]. 中国科学院大学学报, 2014, 31(5): 595-603.
[5]	段祖亮, 张小雷, 雷军, 王建锋. 天山北坡城市群城市多维生态位研究[J]. 中国科学院大学学报, 2014, 31(4): 506-516.
[6]	谢小龙, 李毅. 陇西栽培蒙古黄芪生物学性状的多元统计分析[J]. 中国科学院大学学报, 2013, 30(4): 478-484.
[7]	赵理君, 唐家奎, 于新菊, 王春磊, 张成雯. 综合视觉特征度量与SVM的遥感图像检索方法[J]. 中国科学院大学学报, 2013, 30(3): 347-352.
[8]	于淑敏, 谢正观. 基于全局主成分分析的广东省经济空间结构演变[J]. 中国科学院大学学报, 2012, 29(4): 461-468.
[9]	赵凤军, 高东生, 贾亚飞. 基于SVM/LDA的SAR图像目标鉴别方法[J]. 中国科学院大学学报, 2012, 29(4): 507-511.
[10]	贾亚飞, 赵凤军, 王艳霞. 遗传规划在SAR图像识别中的应用[J]. 中国科学院大学学报, 2012, (3): 367-371.
[11]	陈刚, 王宏琦, 孙显. 基于核函数原型和自适应遗传算法的 SVM模型选择方法[J]. 中国科学院大学学报, 2012, 29(1): 62-69.
[12]	代雪静, 田卫. 水质模糊评价模型中赋权方法的选择[J]. 中国科学院大学学报, 2011, 28(2): 169-176.
[13]	王昱洁, 郭立, 王翠平, 丁治国. 基于小波包与自适应预测器的音频隐写分析方法[J]. 中国科学院大学学报, 2010, 27(1): 49-54.
[14]	郝炜, 李成桐. 基于SVM的实时自动超声钢轨伤损检测分类系统[J]. 中国科学院大学学报, 2009, 26(4): 517-521.
[15]	王明全，王金达，刘景双. 基于主成分分析和熵权的吉林西部生态承载力演变[J]. 中国科学院大学学报, 2008, 26(6): 764-770.

基于PCA及SVM的图像信息隐藏检测*

Image Steganalysis Based on PCA and SVM

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

编辑推荐

Metrics

本文评价

访问统计

联系我们