本发明专利技术公开了一种基于克隆选择算法的隐写分析特征选择方法,针对经典的富模型隐写分析特征维数过高且包含大量冗余特征的问题,本发明专利技术基于克隆选择算法实现了对高维隐写分析特征集的约简,通过设计特征的亲和度函数Af来计算特征的亲和度值aff,并按照亲和度值的高低对特征进行排序,通过T轮迭代从处于特定小生境中的特征筛选出最佳特征子集F,并经变异操作,得到变异的特征子集Fm;比较特征子集F和变异特征子集Fm的分类性能,得到该小生境的最终的特征子集C;在T轮迭代完成后获得目标特征子集C1。本发明专利技术方法计算容易实现,且能在保证检测精度的同时大大降低特征维数,且对空域和JPEG域的隐写分析特征均有效,具有实用价值。具有实用价值。具有实用价值。
【技术实现步骤摘要】
一种基于克隆选择算法的隐写分析特征选择方法
[0001]本专利技术涉及信息隐藏
,特别是一种基于克隆选择算法的隐写分析特征选择方法。
技术介绍
[0002]图像隐写术通过将秘密信息嵌入到图像的冗余部分,且在嵌入秘密信息前后没有明显的视觉差异,从而达到隐蔽通信的目的。隐写分析旨在检测图像中的隐写信号,以确定图像中是否包含秘密信息。自适应隐写算法极大地提高了隐写的安全性,同时也给隐写分析带来了巨大的挑战。因此,研究学者将复杂的高维特征引入隐写分析以提高检测精度。在空域中,文献(J.Fridrich and J.Kodovsky,“Rich models for steganalysis of digital images,”IEEE Transactions on Information Forensics and Security,vol.7,no.3,pp.868
–
882,2012)提出了空域富模型(Spatial Rich Model,SRM),SRM特征一共有34671维特征,具有较高的检测性能,被广泛应用于当前的图像隐写分析。在JPEG域,文献(J.Kodovsky and J.Fridrich,“Steganalysis of JPEG images using rich models,”Proceedings of SPIE
‑
The International Society for Optical Engineering,vol.8303,8303A,2012)借鉴了SRM的共现矩阵思想,提出了11255维的JPEG域富模型(JPEG Rich Model,JRM)特征。
[0003]尽管高维隐写分析特征在检测隐写信号方面表现出更好的性能,但它们在特征提取和使用分类器训练时消耗大量时间和计算成本。此外,高维特征中存在大量冗余特征。去除冗余特征不会降低检测精度,甚至可能略微提高检测精度。
[0004]近年来,随着深度学习的快速发展,基于深度学习的隐写分析方法得到了广泛的研究,并提出了相当多的深度隐写分析网络。然而,大多数的深度隐写分析网络,如文献(M.Boroumand,M.Chen,and J.Fridrich,“Deep residual network for steganalysis ofdigital images,”IEEE Transactions on Information Forensics and Security,vol.14,no.5,pp.1181
–
1193,2019)提出的SRNet和文献(R.Zhang,F.Zhu,J.Liu,and G.Liu,“Depth
‑
wise separable convolutions and multi
‑
level pooling for an efficient spatial CNN
‑
based steganalysis,”IEEE Transactions on Information Forensics and Security,vol.15,pp.1138
–
1150,2020)提出的Zhu
‑
Net,侧重于构建更深、更复杂的网络以提高检测性能,这导致模型训练时间过长和计算成本巨大。此外,深度隐写分析网络还存在泛化能力不足的问题,导致在面对现实世界中复杂多变的图像时缺乏通用性。
[0005]随着计算智能的不断发展,克隆选择算法(Clonal Selection Algorithm,CSA)的分支备受研究学者关注,CSA利用记忆机制保证快速收敛到全局最优解,具有优异的搜索能力,在模式识别、分类问题等领域均取得了不错的性能。在这项工作中,通过设计特征的亲和度函数计算特征的亲和度值,根据特征的亲和度值对特征进行排序,并计算迭代次数,通过对每轮迭代中的特征计算相似特征个数,完成对特征的筛选,最后对筛选得到的特征子
集进行变异,并对比分类效果。根据分类效果确定目标特征子集C1。针对高维隐写分析特征维数过高且存在大量冗余特征问题,本专利技术对高维隐写分析特征集进行特征约简,使用CSA中的亲和度机制和变异机制完成特征选择操作,在保证检测精度的同时大大降低特征维数。
技术实现思路
[0006]为了在保持检测精度不受影响的前提下,通过筛选出高维特征集中的冗余特征从而达到减低特征维数的目的,本专利技术提出了一种基于克隆选择算法的隐写分析特征选择,该方法能够利用亲和度函数计算特征的亲和度值,并利用特征筛选算法得到特征子集F,同时采用克隆选择算法中的变异操作对特征子集进行变异,得到变异的特征子集Fm,通过比较特征子集F与变异的特征子集Fm的分类效果,确定目标特征子集C1。该方法能够在保持检测精度的前提下,大大降低特征维数,降低时间和计算成本。
[0007]实现本专利技术的技术方案如下:
[0008]一种基于克隆选择算法的隐写分析特征选择方法,基于克隆选择算法实现对高维隐写分析特征集的约简,通过筛选出高维特征集中的冗余特征从而达到减低特征维数的目的,通过设计特征的亲和度函数Af来计算特征的亲和度值aff,并按照亲和度值的高低对特征进行排序,通过T轮迭代从处于特定小生境中的特征筛选出最佳特征子集F,并对特征子集F进行变异操作,即随机选择一定变异个数的相似特征加入特征子集F,得到变异的特征子集Fm;比较特征子集F和变异特征子集Fm的分类性能,得到该小生境的最终的特征子集C;在T轮迭代完成后获得目标特征子集C1;包括以下主要步骤:
[0009]步骤1,采用特征提取函数E分别提取载体图像数据集X和含密图像数据集Y的隐写分析特征作为待约简特征子集Fc和待约简特征子集Fs,计算待约简特征子集中每维特征的亲和度值;首先将待约简的特征子集分为n{n∈N
+
}份,对每一份中的特征计算亲和度值;对每维特征进行最大最小归一化操作,并分别计算每维特征在对应的载体图像或含密图像类中的平均值aver
fc
和aver
fs
,和标准差std
fc
和std
fs
,最后根据计算得到的平均值和标准差计算特征的亲和度值aff:
[0010][0011]式中aff为每份特征集中每维特征的亲和度值,最后得到每份待约简特征子集的特征亲和度值集合;
[0012]步骤2,根据步骤1得到的特征亲和度值aff,按其值的高低对每份待约简特征子集进行排序,对排序后的特征进行小生境分类,确定每一小生境中的特征和迭代次数T;迭代次数T是根据特征亲和度值aff动态确定的:
[0013][0014]式中aff
b
和aff
l
分别表示在n{n∈N
+
}份中每份的特征亲和度的最大值和最小值,niche是指迭代半径;
[0015]步骤3,对每轮迭代过程中的特征进行特征选择;首本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种基于克隆选择算法的隐写分析特征选择方法,其特征在于,基于克隆选择算法实现对高维隐写分析特征集的约简,通过筛选出高维特征集中的冗余特征从而达到减低特征维数的目的,通过设计特征的亲和度函数Af来计算特征的亲和度值aff,并按照亲和度值的高低对特征进行排序,通过T轮迭代从处于特定小生境中的特征筛选出最佳特征子集F,并对特征子集F进行变异操作,即随机选择一定变异个数的相似特征加入特征子集F,得到变异的特征子集Fm;比较特征子集F和变异特征子集Fm的分类性能,得到该小生境的最终的特征子集C;在T轮迭代完成后获得目标特征子集C1;包括以下主要步骤:步骤1,采用特征提取函数E分别提取载体图像数据集X和含密图像数据集Y的隐写分析特征作为待约简特征子集Fc和待约简特征子集Fs,计算待约简特征子集中每维特征的亲和度值;首先将待约简的特征子集分为n{n∈N
+
}份,对每一份中的特征计算亲和度值;对每维特征进行最大最小归一化操作,并分别计算每维特征在对应的载体图像或含密图像类中的平均值aver
fc
和aver
fs
,和标准差std
fc
和std
fs
,最后根据计算得到的平均值和标准差计算特征的亲和度值aff:式中aff为每份特征集中每维特征的亲和度值,最后得到每份待约简特征子集的特征亲和度值集合;步骤2,根据步骤1得到的特征亲和度值aff,按其值的高低对每份待约简特征子集进行排序,对排序后的特征进行小生境分类,确定每一小生境中的特征和迭代次数T;迭代次数T是根据特征亲和度值aff动态确定的:式中aff
b
和aff
l
分别表示在n{n∈N
+
}份中每份的特征亲和度的最大值和最小值,niche是指迭代半径;步骤3,对每轮迭代过程中的特征进行特征选择;首先计算特征之间的相似度,特征k和特征g之间的相似度为:对于计算出的dist
kg
,找出所有小于相似度阈值S
t
{0<S
t
<1}的特征作为特征k的相似特征,统计每个特征的相似...
【专利技术属性】
技术研发人员:王宏霞,刘育,
申请(专利权)人:郑州信大先进技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。