基于改进支持向量机的隐写分析方法

doi:10.3778/j.issn.1002-8331.2010.21.027

计算机工程与应用 ›› 2010, Vol. 46 ›› Issue (21): 97-99.DOI: 10.3778/j.issn.1002-8331.2010.21.027

基于改进支持向量机的隐写分析方法

陈晓楠¹，张敏情¹，马林²

1.武警工程学院电子技术系，网络与信息安全武警部队重点实验室，西安 710086
2.武警工程学院装备运输系，西安 710086

收稿日期:2010-02-22 修回日期:2010-05-17 出版日期:2010-07-21 发布日期:2010-07-21
通讯作者: 陈晓楠

Steganalysis method based on improved SVM

CHEN Xiao-nan¹，ZHANG Min-qing¹，MA Lin²

1.Network and Information Security Key Lab，Electronics Department，Engineering College of the APF，Xi’an 710086，China
2.Equipment and Transport Department，Engineering College of the APF，Xi’an 710086，China

Received:2010-02-22 Revised:2010-05-17 Online:2010-07-21 Published:2010-07-21
Contact: CHEN Xiao-nan

摘要/Abstract

摘要： 为了更有效地提高图像隐写分析的速度和正确检测率，提出了一种基于改进的支持向量机的隐写分析方法。采用Fridrich提出的多特征融合提取算法对图像进行特征提取，克服了单一特征不能很好描述图像差别的不足。然后提出了一种将最小二乘法与超球体一类支持向量机（HSOC-SVM）相结合的分类器——最小二乘超球一类支持向量机（LSHS-OCSVM），并与目前广泛使用的FLD和非线性SVM分类器作对比实验。结果表明，方法是一种有效、高速的隐写分析方法。

关键词: 隐写分析, 特征提取, 最小二乘超球一类支持向量机, 分类器

Abstract: To enhance the speed and correct examination rate of image steganalysis，this paper provides a new steganalysis method based on the improved SVM.It uses mixture of a few features discussed by Fridrich to extract the features of images，and overcomes the shortcomings that using only one feature can not present image differences well.Then a new classification，Least Square Hyper Sphere One-Class SVM（LSHS-OCSVM） which combines least square programme and the sphere one-class SVM，is provided.Compared with FLD and nonlinear SVM widely used at present，the experiment results prove that it is an effective steganalysis method with high-speed detection.

Key words: steganalysis, feature extraction, Least Square Hyper Sphere One-Class SVM（LSHS-OCSVM）, classification

中图分类号:

TP391.4

陈晓楠¹，张敏情¹，马林². 基于改进支持向量机的隐写分析方法[J]. 计算机工程与应用, 2010, 46(21): 97-99.

CHEN Xiao-nan¹，ZHANG Min-qing¹，MA Lin². Steganalysis method based on improved SVM[J]. Computer Engineering and Applications, 2010, 46(21): 97-99.

[1]	王永贵，李倩玉. 基于KNN-GBDT的混合协同过滤推荐算法[J]. 计算机工程与应用, 2021, 57(9): 103-108.
[2]	邓利芳，党建武，王阳萍，王松. 结合混合核特征映射的空域图像隐写分析[J]. 计算机工程与应用, 2021, 57(9): 118-125.
[3]	包志强，邢瑜，吕少卿，黄琼丹. 改进YOLO V2的6D目标姿态估计算法[J]. 计算机工程与应用, 2021, 57(9): 148-153.
[4]	许德刚，王露，李凡. 深度学习的典型目标检测算法研究综述[J]. 计算机工程与应用, 2021, 57(8): 10-25.
[5]	胡文涛，陈秀宏. 基于邻域图的低秩投影学习[J]. 计算机工程与应用, 2021, 57(7): 209-214.
[6]	张晓丽，张魁星，江梅，魏本征，丛金玉. 淋巴瘤图像分类技术研究综述[J]. 计算机工程与应用, 2021, 57(6): 1-9.
[7]	于多，黄永东. 基于SPCA和域变换递归滤波的高光谱图像分类[J]. 计算机工程与应用, 2021, 57(4): 199-208.
[8]	熊健，覃仁超，何梦乙，刘建兰，唐风扬. 改进随机森林在Android恶意软件检测中的应用[J]. 计算机工程与应用, 2021, 57(3): 130-136.
[9]	王方，张雪英，胡风云，李凤莲. 集成分类器对脑卒中患者脑电的分类[J]. 计算机工程与应用, 2021, 57(24): 276-282.
[10]	肖瑞雪，冯英伟，屈建萍. 结合高效特征融合的可变尺寸图像隐写分析[J]. 计算机工程与应用, 2021, 57(24): 126-134.
[11]	李龙龙，何东健，王美丽. 基于改进型LBP算法的植物叶片图像识别研究[J]. 计算机工程与应用, 2021, 57(19): 228-234.
[12]	李杰，李苗，袁细国. 面向新一代测序数据的病原微生物检测算法[J]. 计算机工程与应用, 2021, 57(19): 282-289.
[13]	郭恒光，刘文彪，余仁波. 用于形状特征提取的spike函数[J]. 计算机工程与应用, 2021, 57(18): 220-226.
[14]	李振强，王树才，赵世达，白宇. 改进DeepLabv3+和XGBoost的羊骨架切割方法[J]. 计算机工程与应用, 2021, 57(18): 263-269.
[15]	刘星辰，贾俊铖，张莉，胡沁涵. 图像超分辨率特征浓缩网络[J]. 计算机工程与应用, 2021, 57(16): 213-219.

基于改进支持向量机的隐写分析方法

Steganalysis method based on improved SVM

PDF

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