HUGO	0.1	0.2	0.3	0.4	0.5
2018_WOW_最值滤波	0.43	0.35	0.294	0.2413+0.0034	0.198
X	X	X	X	X	X
X	X	X	X	X	X

---

锐化_Am1.3_HUGO_0.1

**锐化_Am1.1_HUGO_0.2 **

锐化_Am0.9_HUGO_0.3

锐化_Am1.1_HUGO_0.4

锐化_Am1.1_HUGO_0.5

隐写

确定实验参数

第三章

为了验证将参数x作为抗体是否合理 表3-2

sharpen：T= 10

Am03  PE:  0.2852
Am06  PE:  0.3050
Am09  PE   0.3578

第四章

payload=0.4	1000	2000	10000
HUGO	0.2048	0.1674
SUNWD	0.2510	0.2301
HILL	0.3011	0.2777\2854\280

正式实验

第三章

HUGO	0.1	0.2	0.3	0.4	0.5
PFA	0.3569+/-0.0108	0.2951+/-0.0116	0.2272+/-0.0082	0.1853+/-0.0045	0.1496+/-0.0043
PMD	0.3672+/-0.0081	0.2808+/-0.0110	0.2189+/-0.0061	0.1718+/-0.0031	0.1372+/-0.0062
PE	0.3621+/-0.0034	0.2816+/-0.0028	0.2237+/-0.0026	0.1786+/-0.0025	0.1469+/-0.0030

场景I: 图像库失配 训练:原始载体及原始含密 测试:免疫载体及免疫含密

场景II: 用免疫载体和免疫含密进行训练和测试

场景III: 用原始载体及原始含密训练, 用原始载体和免疫含密进行测试

第四章

适应度计算

1.减维后的特征的欧式距离

• cover特征集与stego特征集之间的平均距离

  减至5维
  F5:    10.641067
  nsF5:  4.361237
  Juniwd:1.544991
  
  减至10维
  F5:    14.196236
  nsF5:  6.405537
  Juniwd:2.501103

• 单个cover图像的特征与对应的stego的特征距离

  减至5维
  -----------------------------------------------------
  样本1                                                           
  		F5:    21.856000                                           
      nsF5:  7.677000                                           
      Juniwd:1.703000                                           
  样本2                                                           
      F5:    8.071000                                           
      nsF5:  2.032000                                           
      Juniwd:0.620000     
      
  减至10维
  ----------------------------------------------------
  样本1
      F5:    22.015000
      nsF5:  7.732000
      Juniwd:1.722000
  样本2
      F5:    10.813000
      nsF5:  3.090000
      Juniwd:0.701000

---

Matlab函数

• 计算距离：pdis

• 图像滤波：wiener2

• 向量范数或矩阵范数： norm：欧几里得范数

• 归一化：normalize，返回数据的z值(均值为0，标准差为1)

• 标准化：zscore，返回数据的z值 $$ z = \frac{x-u}{d} $$

• 直方图 histogram(imgData) hist()