کاهش ابعاد روش پنهان شکنی CDF با استفاده از یک روش انتخاب ویژگی مبتنی بر تئوری گراف

پنهان شکنی دانش کشف حضور داده پنهان در یک رسانه پوششی است. هدف پنهان شکنی جلوگیری از رسیدن روش های پنهان نگاری به اهداف خود می باشد. یکی از معروف ترین روش های پنهان شکنی روش CDF است که در این پژوهش استفاده شده است.
یکی از چالش های عمده در مسئله پنهان شکنی تصاویر تعداد زیاد ویژگی های استخراج شده برای این کار است. مجموعه های داده ای با ابعاد بالا از دو جهت باعث کاهش عملکرد پنهان شکنی می شود. از یک طرف با افزایش ابعاد داده ها، حجم محاسبات افزایش پیدا می کند و از طرف دیگر مدلی که بر اساس داده های با ابعاد بالا ساخته می شود دارای قابلیت تعمیم پایینی است و احتمال بیش برازش افزایش می یابد. در نتیجه، کاهش ابعاد مسئله می تواند هم پیچیدگی محاسباتی را کاهش داده و هم باعث بهبود عملکرد پنهان شکنی شود. در این مقاله تلاش شده با ترکیب مفهوم زیرگراف کامل بیشینه وزن دار و معیار مرکزیت یال و در نظر گرفتن مناسب بودن هر ویژگی، ویژگی های تاثیرگذار و دارای حداقل افزونگی به عنوان ویژگی های نهایی انتخاب شوند. نتایج شبیه سازی بر روی مجموعه داده های SPAM و CC-PEV نشان داد روش پیشنهادی دارای عملکرد مناسبی است و به دقت حدود 96% در تشخیص جاسازی داده در تصاویر دست پیدا کرده و همچنین این روش در مقایسه با روش های شناخته شده قبلی دارای دقت بالاتری است.