《表3 不同算法的提取正确率比较》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于纹理特征分类与合成的鲁棒无载体信息隐藏》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

本文算法在一定程度上解决了文献[12-13]算法鲁棒性不强的问题.将本文实验结果与文献[2，7]算法进行比较可知，文献[2，7]所使用的框架为SIFT BOW模型[19]，属于非监督式分类模型，经过聚类训练后所得到的模型为线性模型，因此鲁棒性很强；本文采用的是监督式分类训练得到的模型为非线性系统，模型更为复杂，安全性更高，且本文提取图像特征的算法是对SIFT BOW模型提取图像特征算法的升级，同时增加了被攻击过的训练样本，从而提高了算法的鲁棒性.表3是本文算法与文献[7]算法在高斯噪声（均值为0，方差为0.01）和JPEG压缩（质量因子为75%）攻击时秘密信息提取正确率的比较.