一种基于DWT抗几何攻击数字水印鲁棒算法

针对大部分数字水印算法抗几何攻击能力差这一难题,提出了一种基于小波变换可抗击几何攻击算法.在水印嵌入部分:首先对宿主图像进行小波分解、嵌入水印,再通过余弦变换求得该水印图像的一个特征向量,利用该特征向量和水印信息通过HASH函数生成一个二值逻辑系列,将该序列作为密钥;水印提取部分为:对待测的图像进行小波变换,再通过余弦变换求得待测图像的一个特征向量,利用该特征向量和密钥通过HASH函数提取出水印.文章最后对水印图像进行了旋转、缩放和扭曲等几何攻击试验.试验表明,该算法有理想的抗几何攻击能力.旋转攻击的旋转角度可达40°,缩放攻击的缩放比例可达0.2,旋转扭曲攻击的扭曲角度可达100°.     

基于多特征融合和SVM分类器的植物病虫害检测方法

针对农业领域植物病虫害检测问题,提出一种基于高清视频图像融合特征的支持向量机(SVM)的检测方法,实现农业生产中植物病虫害的快速检测。对每幅植物叶片图像的颜色、HSV、纹理和方向梯度直方图四种特征采用基于特征包的多特征融合方法,形成特征向量,并利用SVM分类器进行训练分类。对单特征与融合特征的SVM分类器性能进行试验比较,所提出的方法具有较高的准确率。     

一种基于遍历矩阵的小波域数字水印新算法

提出了一种基于遍历矩阵和DWT的图像鲁棒水印新算法。利用指定密钥产生的遍历矩阵对水印图像置乱,再将置乱后水印图像嵌入到宿主图像的深层小波域低频子图,嵌入位置由遍历矩阵确定,嵌入规则基于改进的二值运算方法。水印的检测只需水印置乱密钥和水印嵌入位置密钥。大量仿真实验表明,算法在保持较好鲁棒性的同时,安全性也能有很好的保证。     

基于离散小波变换的QR二维条码防伪技术

基于数字水印的快速响应矩阵（QR）二维条码防伪技术的水印容量低、防伪效果差。为解决该问题,提出QR码二值图像Rand灰度化和背景图灰度化方法,以提高防伪水印容量。QR码二值图像灰度化的程度由灰度化阈值决定,并且可以根据实际应用需要灵活确定。在此基础上,设计基于离散小波变换的QR二维条码防伪水印方案,通过量化函数实现水印的嵌入和检测,利用混沌密钥生成的二维混沌序列控制水印嵌入和检测的位置。实验结果表明,该方案在确保条码信息可识别的条件下,提高了QR码防伪水印的性能。     

一种用于彩色图像认证的脆弱性数字水印方法

针对彩色图像认证问题,提出一种基于混合视觉双稳态置乱系统的脆弱性数字水印算法。该算法将图像分块,由各块亮度值确定混沌序列长度及嵌入深度,将各点位置信息、最高有效位颜色信息,以及自定义的密钥作为混沌系统的初值,各块不同深度地将水印序列嵌入各点R,G,B分量中。检测定位时比较提取的水印和生成的水印,直接得到差异图像。理论分析及实验结果证明,使用该方法嵌入水印后图像质量高,且篡改定位能力强。     

一种基于排序QR分解和Adaboost分类器的盲水印算法

本文提出了一种基于顺序QR分解和Adaboost分类器的智能水印算法。对顺序QR分解并提取R矩阵的对角线元素来构造样本特征向量并嵌入水印。在水印提取过程中,利用Adaboost分类器对待检测的样本向量进行分类。实验结果表明,本文提出的方法不仅能够抵抗诸如噪声、滤波和压缩的类噪声攻击,也可以抵抗类似裁剪和旋转的几何失真。     

一种鲁棒的多水印嵌入和检测算法与仿真

提出了一种鲁棒的多水印嵌入与检测算法,该算法基于小波域,且提取水印时不需要原始图像,保护了原始图像的安全.在该多水印算法中,提出并使用了一种将密码学和常规的数字水印制作方法---叠加法和量化调制法,有机结合起来的新的方法,在水印嵌入时,不同的水印,生成与该水印相关的不同的密钥,在进行水印的提取时,用不同的密钥和待测的图像提取出相应的水印.通过将密钥向第三方注册,可以获得对原始图像的所有权.该算法思路新颖,算法运行效率高.该算法在matlab6.1已实现,该文给出了该具体算法,并对加有多水印的图像进行了JPEG压缩、加高斯噪声、图像剪切和中值滤波等仿真实验,仿真结果表明用该算法嵌入的多水印有理想的鲁棒性.     

矢量数据中水印系统的设计与实现

给出了一种在矢量数据中水印方案的设计与实现。利用了统计分类和双重水印的思想,将实际水印的相关信息和嵌入方法作为特殊信息嵌入到数据的更重要位,而实际水印则嵌入到次重要位。试验表明,该方法可以抵抗一定程度的数据增减和失真攻击,以及数据融合。     

一种改进的扩频非对称水印方案

在分析H artung提出的基于扩频的非对称水印方案的基础上,提出了一种新颖的公钥生成策略。此策略对嵌入水印时所需要的密钥进行随机双位循环变换生成水印检测时的公钥,生成的公钥和嵌入密钥有较好的相关性,并且攻击者利用生成的公钥无法估算出私钥,从而利用此策略改进的扩频非对称水印方案,提高了水印的检测效果,较好地保证了水印的安全性。     

基于PCA和SVM的电磁模板分析攻击

在分析密码芯片电磁辐射数据相关性的基础上,提出了一种基于主成分分析(PCA)技术和多分类支持向量机(SVM)的模板分析密码旁路攻击方法。将密码设备运行时采集到的泄漏的电磁信号经过PCA处理之后作为特征向量,其对应的密钥作为类别,用已知密钥情况下获得的样本训练多分类SVM,用训练好的多分类SVM对未知密钥的电磁信号进行分类,并根据分类结果推测密钥值。实验表明,在用相同多个主成分和训练样本的条件下,SVM的分类效果好于大多数文献上使用的Bayes判别的分类效果。     

基于联合协同表示与SVM决策融合的高光谱图像分类研究*

针对高光谱图像的分类问题进行了研究,提出一种基于联合协同表示（JCR）与支持向量机（SVM）模型的决策融合分类方法。首先采用联合协同表示模型对样本与字典进行多元素分解并分别进行相应的协同表示,自适应的学习多元素的残差权重并进行线性加权。其次用灰度共生矩阵计算出的统计特征量来训练多类SVM分类器。最后建立一种乘法融合规则将JCR与SVM相结合。在两个标准数据集上的实验结果表明该方法比其他方法具有更好的性能。     

矢量地图水印归一化相关检测的可行性分析与改进

为了使矢量地图水印检测算法具有鲁棒性和运算简单，首先分析了矢量地图归一化相关检测算法的可行性：鉴于矢量地图图形的可嵌入水印长度较短，而且其DFT系数的幅度不能较好地满足高斯分布等原因，对不同图形的水印，采用归一化相关检测方法无法确定检测阈值，因此是不可行的，同时还分析了图形简化对水印检测的影响。为使水印算法抗简化，对几何失真鲁棒及减小运算量，提出了以图形的特征点的DFT系数幅度和相位作为水印嵌人域的方法，并提出了一种以提取水印与原始水印的相关系数作为检测值的实用的检测算法。实验结果表明，该算法是鲁棒的和可行的。     

基于人体姿态的P SO-SVM特征向量跌倒检测方法

在可穿戴设备检测人体跌倒情况时,单一采用加速度阈值判别方法不能完整表征人体跌倒行为变化的信息,导致对跌倒信息误判.为此,提出了一种基于人体姿态的PSO-SVM特征向量跌倒检测算法.首先通过MEMS加速度传感器节点采集人体姿态数据,并利用共轭梯度法对采集的数据进行优化处理,降低非线性误差;然后,利用支持向量机SVM(Support Vector Machine)分类器检测跌倒行为,并通过粒子群PSO(Particle Swarm Optimization)算法对SVM参数进行优化,获得最佳分类模型,根据SVM分类模型对采集的姿态数据进行分析,判断是否跌倒;最后根据人体姿态角,构建融合人体姿态角的PSO-SVM特征向量,检测跌倒过程的具体信息.实验结果表明:该检测方法取得95.5%的识别率,能够较好地区分其他非跌倒性动作,检测精度较其他方法较高,均方根误差较小,有较好的鲁棒性.     

基于矢量Prewitt算子的多尺度彩色图象边缘检测方法

在矢量Ｐｒｅｗｉｔｔ算子的基础上,引入多凡度组合正则化处理,提出了一种新的彩色图象边缘检测方法,实验表明,若对检测精度,边缘完整性,抗噪性等方面进行综合评价,该方法优于标量算子和单一尺度下的矢量算子。     

基于遗传算法优化SVM的嵌入式网络系统异常入侵检测

由于传统嵌入式网络系统入侵检测方法难以获得较高的检测精度,提出基于遗传算法优化的支持向量机(GA-SVM)的网络入侵检测技术.支持向量机分类器能够较好地解决少样本、高维、非线性分类问题.然而,支持向量机训练参数的选择对其分类精度有着很大影响,遗传算法能够同时优化支持向量机的训练参数,采用遗传算法进行支持向量机的训练参数同步优化.实验结果表明,这种遗传算法优化的支持向量机分类入侵检测模型有着很高的检测精度.     

基于小波变换和支持向量机的模拟电路故障诊断方法研究

提出一种利用小波变换提取模拟电路故障特征和基于支持向量机状态分类的模拟电路故障自动识别和诊断方法。首先讨论小波变换的基本原理和支持向量机原理及其多分类算法,同时着重研究支持向量机的一种改进型一对多故障分类算法,然后实现在小波变换上,采用分布式多SVM分类器识别单相桥式整流模拟电路的故障。实验证明,该方法能准确有效地对模拟电路故障进行识别和诊断。     

不变矩的改进支持向量机在显微目标识别中的应用研究

为完成多个微小零件的识别,提出了一种改进的支持向量机分类算法．该算法应用基于边缘提取的不变矩获得特征属性,利用基于粗糙集的可辨识矩阵的启发式属性约简算法获得特征属性的约简,最后应用支持向量机进行目标识别分类．比较了使用支持向量机分类和使用提出的改进支持向量机分类对多个微小零件识别的效果．在显微视觉环境下的实验表明,提出的改进支持向量机分类方法能满足系统应用要求,分辨率达95%．     

高光谱影像的BDT-SVM地物分类算法与应用

面对海量数据的特征空间高维性及训练样本的有限性,高光谱遥感影像若采用常规统计模式的分类方法难以获得较好的分类结果。因此探讨支持向量机(SVM)分类器的基本原理,针对EO-1Hyperion高光谱影像的分类特点及现有多类SVM算法所存在的训练时间长及分类精度低等问题,引入二叉决策树SVM(BDT-SVM)分类算法,并提出一种新的类间分离度定义方法及相应的客观确定二叉树结构的策略,由此生成改进的BDT-SVM算法。实验结果表明:与其他多类分类方法相比,基于改进的BDT-SVM算法的高光谱影像地物分类效果更好,总体精度达到90.96%,Kappa系数为0.89,该算法还解决了经典SVM多类分类可能存在的不可分区域问题。     

A multiscale feature fusion approach for classification of very high resolution satellite imagery based on wavelet transform

A novel methodology based on multiscale spectral and spatial information fusion using wavelet transform is proposed in order to classify very high resolution (VHR) satellite imagery. Conventional wavelet‐based feature extraction methods employ single windows of a fixed size, which are not satisfactory as the VHR imagery contains complex and multiscale objects. In this paper, spectral and spatial features are extracted based on a set of concentric windows around a central pixel in order to integrate the information across different windows/scales. The proposed method is made up of three blocks: (1) the conventional wavelet‐based feature extraction methods are extended from single band processing to multispectral bands, and from single window to multi‐windows, (2) two multiscale fusion algorithms are proposed to exploit the multiscale spectral and spatial information and (3) a support vector machine (SVM), a relatively new method of machine learning, is used to classify the multiscale spectral–spatial feature sets. The proposed classification method is evaluated on two VHR datasets and the results show that the multiscale approach can improve the classification accuracy in homogeneous areas while simultaneously preserving accuracy in edge regions.     

面向自闭症辅助诊断的无监督模糊特征学习新方法

自闭症患者的行为和认知缺陷与潜在的脑功能异常有关。对于静息态功能磁振图像（functional magnetic resonance imaging, fMRI）高维特征,传统的线性特征提取方法不能充分提取其中的有效信息用于分类。为此,本文面向fMRI数据提出一种新型的无监督模糊特征映射方法,并将其与多视角支持向量机相结合,构建分类模型应用于自闭症的计算机辅助诊断。该方法首先采用多输出TSK模糊系统的规则前件学习方法,将原始特征数据映射到线性可分的高维空间;然后引入流形正则化学习框架,提出新型的无监督模糊特征学习方法,从而得到原输出特征向量的非线性低维嵌入表示;最后使用多视角SVM算法进行分类。实验结果表明:本文方法能够有效提取静息态fMRI数据中的重要特征,在保证模型具有优越且稳定的分类性能的前提下,还可以提高模型的可解释性。