中国计量学院学报
中國計量學院學報
중국계량학원학보
JOURNAL OF CHINA INSTITUTE OF METROLOGY
2014年
1期
80-86
,共7页
隐写分析%极限学习机%多域特征%主成份分析%支持向量机
隱寫分析%極限學習機%多域特徵%主成份分析%支持嚮量機
은사분석%겁한학습궤%다역특정%주성빈분석%지지향량궤
steganalysis%ELM%multi-domain features%PCA%SVM
为了有效提高图像隐写分析的检测正确率和速度,特结合单隐层前馈神经网络(SLFN)的特点,提出了一种基于极限学习机(ELM)的隐写分析方法.该方法首先根据Fridrich提出的多域特征提取算法从图像DCT域和空域中提取特征;得到193维原始特征;然后使用“主成份分析”法将其约简至18维;最后采用极限学习机作为分类方法构造隐写分析算法.实验表明,与目前隐写分析算法中广泛使用的支持向量机(SVM)相比,极限学习机参数调节少,学习速度快,以较少的隐层节点数取得了与SVM相似的检测正确率,能够实现针对各类JPEG图像隐写算法的有效检测.
為瞭有效提高圖像隱寫分析的檢測正確率和速度,特結閤單隱層前饋神經網絡(SLFN)的特點,提齣瞭一種基于極限學習機(ELM)的隱寫分析方法.該方法首先根據Fridrich提齣的多域特徵提取算法從圖像DCT域和空域中提取特徵;得到193維原始特徵;然後使用“主成份分析”法將其約簡至18維;最後採用極限學習機作為分類方法構造隱寫分析算法.實驗錶明,與目前隱寫分析算法中廣汎使用的支持嚮量機(SVM)相比,極限學習機參數調節少,學習速度快,以較少的隱層節點數取得瞭與SVM相似的檢測正確率,能夠實現針對各類JPEG圖像隱寫算法的有效檢測.
위료유효제고도상은사분석적검측정학솔화속도,특결합단은층전궤신경망락(SLFN)적특점,제출료일충기우겁한학습궤(ELM)적은사분석방법.해방법수선근거Fridrich제출적다역특정제취산법종도상DCT역화공역중제취특정;득도193유원시특정;연후사용“주성빈분석”법장기약간지18유;최후채용겁한학습궤작위분류방법구조은사분석산법.실험표명,여목전은사분석산법중엄범사용적지지향량궤(SVM)상비,겁한학습궤삼수조절소,학습속도쾌,이교소적은층절점수취득료여SVM상사적검측정학솔,능구실현침대각류JPEG도상은사산법적유효검측.
