文件名称：基于证据融合的可信性综合度量-learun 力软7.0 安装教程手册 内部版.
文件大小：12.95MB
文件格式：PDF
更新时间：2024-07-29 18:28:28
信息安全大赛 获奖作品
D-S证据理论是一种不确定推理方法，它面向识别框架中的基本假设集合幂集，主要应用在不同层次的传感 器测量。D-S证据理论能够处理由于知识缺乏因此的不确定性，是对经典概率推理系统的扩展。主要特点就是加 入了不确定性的定义。目前，该理论在概率推理、风险评估等领域得到了进一步发展。 (1)基于简单均值的可信性综合度量 首先，我们对图像可信性度量模型进行假设并推理，以符合D-S证据理论的模型。做以下定义： 命题T：图像I是可信的。 则：Pl(T)=1-Bel(~T)=1-Bel(图像I是不可信的)， 定义：~T=图像I是不可信的={A1：I是隐写图像；A2：I是合成图像；A3：I是重压缩图像；A4：I是CG图像} 根据D-S证据理论，我们在特征层次上进行组合出的15种特征集，使用SVM进行预测，这样我们可以得到15 组分类概率值，然后我们简单的进行对分类概率结果取均值得到Bel(T)，然后1-Bel(T)即可得Pl(~T)的值，即该图 像可信的上限值。再由可信的上限值减去模型自检时得到的不确定度即得可信的下限值，从而得到可信区间。 (2)基于证据融合的可信性综合度量 证据矩阵 我们利用SVM的分类概率作为证据矩阵中的一条证据，然后我们该行 后加入该证据的不确定度d。这样我们 对于四类特征的模型，我们可以得到四条证据。 表示：对相同的图像，对第i个证据正确预测分类的概率进行归一化处理后的权重。 不确定度Uncertain 我们定义差值概率q等于每一行分类概率中 大的两个概率之差。定义阀值λ为定值。若q>λ，则认为该证 据是比较确定的，若q<λ ，则认为其不确定度比较大。我们统计每一条证据（每一类特征）中预测不确定的图 像的个数，然后除以预测的总数，我们作为该条证据的不确定度Uncertain。 利用约束条件下的 小二乘法对证据矩阵进行预处理 本作品在 小二乘法基础上设计了约束条件，并用此对证据矩阵进行预处理，以削弱证据间可能存在的冲突 问题，然后利用D-S在证据层次上进行融合的方法来求可信性度以及不确定度。 3.实验及结果 以下实验的图像集采自标准图像库。400幅原始图像来自数据库0；在此原始图像的基础上，我们使用隐写工 具 00和重压缩工具对原始图像进行篡改，形成隐写图像集与重压缩图像集；400幅合成图像与400幅CG图像来自 数据库 0 。 基于D-S证据理论的可信性综合度量实验 (1)方案一 基于特征层次融合的度量 在实验中采用简单取均值的方法来得到该组图像的Pl(T)的值，因为T是代表命题：I图像是可信的，Pl(T) 表示相信该图片的程度，在实验中我们通过先获取Bel(~T)的值来得到Pl(T)值，作为得到数字图像可信任的程度。 对于未遭受篡改的图像来说，Pl(T)的值很大，说明相信该图像时可信的程度很高，即表明该图片是可以信 赖的。而对于遭受篡改的图像来说，其Pl(T)则很小，表明该图像可信任程度很低。 (2)方案二 基于决策层次融合的度量 基于决策层融合的度量对于未遭受篡改的图像来说，Bel(T)与Pl(T)的值很大，由于P(A)介于Bel(T)与Pl(T)