《表2 训练、测试图像库相同时的隐写检测性能》

  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

《降低特征类内离散度的JPEG图像隐写分析》

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

%

在目前的实验环境下，大部分算法在训练、测试时采用相同的图像库.然而，在复杂网络环境下，图像数据量庞大，内容千变万化，质量参差不齐，要使用与测试图像完全相同的处理手段得到训练图像，这几乎是不可能的.因此，本文测试了训练、测试图像库统计特性不同时各种算法的检测性能，所得结果如表3所示.可以看出，对于3个测试的特征集来说，LIU特征集虽然维数最低，但抵御训练、测试样本失配的性能最优，与训练、测试图像库统计特性相同的情况相比，该特征集所受影响最小.对3种隐写检测特征集的测试性能均表明，本文算法对性能的提升效果比训练、测试库相同的方法更加明显.这是因为当训练、测试图像库统计特性不同时，训练、测试样本会失配，本文算法均按照内容复杂度对训练、测试图像库进行分类，在最大程度上保持了训练、测试图像库统计特性的一致，所以样本的失配对于本文算法的影响较小.这意味着当图像内容的来源有较大差异时，算法性能并不受到太大的影响，更适用于实际情况.