， ， ，

(湖北工程學(xué)院 物理與電子信息工程學(xué)院，湖北 孝感 432000)

GLCM和DWT特征在打印文件機(jī)源認(rèn)證中的應(yīng)用

方天紅，周鑫，賈涵，趙俊

(湖北工程學(xué)院物理與電子信息工程學(xué)院，湖北孝感432000)

為了有效解決打印文件機(jī)源認(rèn)證問題，提出了一種基于統(tǒng)計(jì)紋理特征選擇的打印文件機(jī)源認(rèn)證方法;綜合考慮打印字符圖像的空間域和時(shí)頻域特性，將GLCM和DWT統(tǒng)計(jì)紋理特征進(jìn)行組合，運(yùn)用ReliefF算法實(shí)現(xiàn)組合特征的初選，二次特征選擇使用SVM-RFE算法;文中實(shí)驗(yàn)結(jié)果表明，在英文相同字有重復(fù)樣本集和中文不同字無(wú)重復(fù)樣本集上的分類準(zhǔn)確率分別為95.20%和75.00%；特征組合與特征選擇有利于提高打印文件機(jī)源認(rèn)證的分類鑒別性能。

打印文件機(jī)源認(rèn)證；灰度共生矩陣；離散小波變換；特征選擇

0 引言

隨著激光打印機(jī)的普遍應(yīng)用，打印文件在人們?nèi)粘Ｉ詈凸ぷ髦姓紦?jù)了越來(lái)越重要的地位，隨之與打印文件相關(guān)的民事糾紛、刑事案件等變得越來(lái)越多，打印文件機(jī)源認(rèn)證在這些場(chǎng)合發(fā)揮的作用越來(lái)越重要。傳統(tǒng)的打印文件檢驗(yàn)主要依靠人工的方法，效率不高且容易出錯(cuò)。目前主要以物理、化學(xué)、計(jì)算機(jī)模式識(shí)別的方法進(jìn)行打印文件機(jī)源認(rèn)證，相比于物理與化學(xué)的檢驗(yàn)方法，計(jì)算機(jī)模式識(shí)別的方法在實(shí)際中更易實(shí)現(xiàn)和有效。

2002年Oliver等[1]利用計(jì)算機(jī)統(tǒng)計(jì)打印字符的面積特征，通過(guò)計(jì)算相同字符是否存在不同面積來(lái)判斷文件中是否有非法偽造的內(nèi)容。Mikkilineni等通過(guò)提取打印文件中字符“e”的灰度共生矩陣紋理特征，并利用5近鄰分類器與SVM分類器來(lái)識(shí)別源打印機(jī)[2]。文獻(xiàn)[3]利用打印圖像中出現(xiàn)的頁(yè)面幾何失真現(xiàn)象，實(shí)現(xiàn)對(duì)源打印機(jī)的鑒別。Choi等[4-5]利用離散小波變換統(tǒng)計(jì)特征、噪聲特征和支持向量機(jī)分類實(shí)現(xiàn)對(duì)彩色打印機(jī)的鑒別。文獻(xiàn)[6]設(shè)計(jì)了一種新的雙極性Hausdorff對(duì)字符圖像進(jìn)行有效的匹配，文獻(xiàn)[7]利用打印字符邊緣粗糙度來(lái)鑒別源打印機(jī)，陳慶虎和羅霄提出了基于紋理合成的方法解決基于不同字的打印文件機(jī)源認(rèn)證問題[8-9]。在文獻(xiàn)[10]的研究中，提取打印字符掃描圖像的22維GLCM統(tǒng)計(jì)特征和多層離散小波分解(discrete wavelet transformation, DWT)后的12維統(tǒng)計(jì)紋理特征，并用特征選擇算法對(duì)34維統(tǒng)計(jì)紋理特征進(jìn)行選擇，挑選有利于進(jìn)行鑒別的24維統(tǒng)計(jì)特征。

圖像同時(shí)具有空間域和時(shí)頻域特性，字符圖像的GLCM特征描述的是圖像空間域的特性，而基于DWT變換的特征描述的是圖像時(shí)頻域的特性，空間域特征和時(shí)頻域特征互補(bǔ)。為了解決激光打印文件的分類鑒別問題，在文中首先分別提取基于GLCM和DWT的統(tǒng)計(jì)紋理特征，并對(duì)直接組合后的特征進(jìn)行兩次特征篩選，去除無(wú)關(guān)或者冗余的特征，提高分類性能。

1 特征提取

基于GLCM和DWT特征的打印文件機(jī)源認(rèn)證流程如圖1所示，在獲取打印文件中字符的顯微圖像后，分別提取其GLCM特征和DWT特征，并對(duì)特征進(jìn)行組合和特征選擇，最后利用LibSVM[11]進(jìn)行分類鑒別。

1.1 灰度共生特征提取

灰度共生矩陣描述了圖像空間中相隔一定距離的兩個(gè)像素之間存在的灰度關(guān)系，其對(duì)圖像上保持某距離的兩像素分別具有某灰度值的情況進(jìn)行統(tǒng)計(jì)，描述了成對(duì)像素的灰度值組合的分布，是一種有效的紋理分析方法，在實(shí)際應(yīng)用中得到了廣泛應(yīng)用。

圖1 分類鑒別流程圖

紋理圖像IMG(m,n)及對(duì)應(yīng)步長(zhǎng)為1，水平方向的灰度共生矩陣P(i,j|1,0)如圖2所示。在求取灰度共生矩陣特征的過(guò)程中，需要確定的參數(shù)包括：矩陣大小，共生方向，步長(zhǎng)大小和統(tǒng)計(jì)紋理特征。在這里，矩陣大小為256*256；只選擇紙張運(yùn)動(dòng)方向(90°)和掃描方向(0°)兩個(gè)方向；步進(jìn)長(zhǎng)度為1；常見的灰度共生矩陣統(tǒng)計(jì)量共有22種，根據(jù)文獻(xiàn)[2]中對(duì)灰度共生矩陣統(tǒng)計(jì)紋理特征的定義公式，來(lái)計(jì)算22種特征統(tǒng)計(jì)量。

圖2 紋理圖像IMG(m,n)與灰度共生矩陣P(i,j|d,θ)

根據(jù)以上的分析，灰度共生矩陣取水平和垂直兩個(gè)方向，步長(zhǎng)為1，特征為22維，那么字符顯微圖像的特征維度為22*2=44維。

1.2 離散小波變換特征提取

在觀察打印字符紋理圖像時(shí)，由于不同型號(hào)打印機(jī)內(nèi)部機(jī)械和電氣特性的不同，導(dǎo)致形成的字符圖像的粉墨堆積紋理特征有顯著的差異。紋理圖像由于紋理基元大小或者圖像對(duì)比度強(qiáng)弱存在差異，那么以多分辨率進(jìn)行特征表達(dá)效果將更明晰[12]。利用小波變換系數(shù)的統(tǒng)計(jì)參數(shù)作為紋理特征，能夠有效地描述圖像的紋理特性，在打印文件機(jī)源認(rèn)證的研究中，以分類準(zhǔn)確率的高低為基準(zhǔn)，選取使分類準(zhǔn)確率高的小波基；綜合考慮計(jì)算復(fù)雜度和分類準(zhǔn)確率來(lái)最終確定分解層次。圖3給出了打印字符“a”的紋理圖像在小波基為haar，1層離散小波分解的示意圖。

近似圖像是最低頻段濾波后的低尺度逼近，保留了原圖的主要信息；水平細(xì)節(jié)圖像包含了水平方向高通、垂直方向低通濾波后所保留的細(xì)節(jié)信息，反映在圖中為水平方向的細(xì)節(jié)；垂直細(xì)節(jié)圖像保留的是水平方向低通、垂直方向高通濾波后所得的細(xì)節(jié)信息反映在圖中為垂直方向的細(xì)節(jié)；對(duì)角細(xì)節(jié)圖像包含的是水平和垂直方向都經(jīng)過(guò)高通濾波后的細(xì)節(jié)信息，紋理信息非常豐富。

圖3 字符“a”的一層二維DWT分解示意圖

字符圖像多層離散小波分解如圖4所示，本文根據(jù)實(shí)驗(yàn)確定離散小波分解基為rbior3.1，分解層次為4層。在確定小波基和分解層次后，提取每個(gè)分解子圖的統(tǒng)計(jì)紋理特征。根據(jù)參考文獻(xiàn)[13-14]中的應(yīng)用，提取子圖的均值和方差特征，計(jì)算公式分別如下式所示。

分解子圖的均值：

(1)

分解子圖的方差：

(2)

圖4 多層離散小波分解示意圖

故最終選擇每個(gè)子圖的均值和方差作為統(tǒng)計(jì)紋理特征，特征維度為(3n+1)*2，其中n表示圖像小波分解層數(shù)。若對(duì)原始圖像進(jìn)行4層小波分解，則分別提取分解第4層近似、水平、垂直、對(duì)角方向子圖的均值和方差；分解第3層水平、垂直、對(duì)角方向子圖的均值和方差；分解第2層水平、垂直、對(duì)角方向子圖的均值和方差；分解第1層水平、垂直、對(duì)角方向子圖的均值和方差，并構(gòu)成一個(gè)行向量，最終的特征維度為26維。

2 特征選擇

為了更好的提取字符圖像的紋理特征，將提取的GLCM和DWT統(tǒng)計(jì)紋理特征進(jìn)行組合，并用特征選擇算法對(duì)特征進(jìn)行選擇。根據(jù)特征的選擇過(guò)程是否與學(xué)習(xí)算法有關(guān)，特征選擇算法可以分為Filter(篩選器)和Wrapper(封裝器)兩大類[15]。

Filter特征選擇方法與分類器無(wú)關(guān)，通常用于特征初選，其直接利用所有訓(xùn)練樣本數(shù)據(jù)的統(tǒng)計(jì)性能來(lái)評(píng)估樣本數(shù)據(jù)。其優(yōu)點(diǎn)是可以較快的去除大量的無(wú)關(guān)特征，縮小特征的搜索范圍，缺點(diǎn)是評(píng)估和后續(xù)學(xué)習(xí)算法的性能有較大差異。

Wrapper特征選擇方法直接與分類器有關(guān)，其根據(jù)分類器的訓(xùn)練分類準(zhǔn)確率來(lái)評(píng)價(jià)特征子集，故Wrapper方法的運(yùn)算復(fù)雜度遠(yuǎn)高于Filter篩選器方法，但是Wrapper方法挑選的特征子集維數(shù)相對(duì)較小且評(píng)估和后續(xù)學(xué)習(xí)算法的性能差異不大，有利于選擇使分類準(zhǔn)確率提高的特征，通常用于特征選擇的第二個(gè)階段。文中第一個(gè)階段是Filter方法特征預(yù)選階段，第二個(gè)階段是Wrapper方法二次選擇階段。Filter方法選用ReliefF算法[16]，Wrapper方法選擇SVM-RFE算法[17]。

ReliefF算法流程如下所示。

輸入：訓(xùn)練樣本的特征向量及對(duì)應(yīng)的類別標(biāo)簽，其中N為最近鄰樣本數(shù)目，n為特征維數(shù)，m為迭代次數(shù)

(1)初始化權(quán)值向量W=0；

(2)fori:=1 tom；

(3)從樣本集S中隨機(jī)的選擇一個(gè)樣本Ri；

(4)找出與樣本Ri同類相鄰的N個(gè)樣本N_n；

(5)for eachclassC≠class(Ri)；

(6)從與樣本Ri不同類的樣本中，找出N個(gè)相鄰樣本N_b；

(7)forA:=1 ton；

(8)根據(jù)權(quán)重計(jì)算公式更新特征權(quán)重W。

輸出：對(duì)應(yīng)于特征向量的權(quán)值向量。

經(jīng)過(guò)ReliefF算法運(yùn)算后，會(huì)得到一個(gè)與特征對(duì)應(yīng)的權(quán)值向量W，將向量W的分量中小于等于0權(quán)值對(duì)應(yīng)的特征去除，認(rèn)為其為無(wú)關(guān)特征。70維統(tǒng)計(jì)紋理特征經(jīng)過(guò)ReliefF算法特征選擇后，有效特征為56維。

SVM-RFE特征選擇算法如下。

輸入：

訓(xùn)練樣本矩陣：X0=[x1,x2,...,xk,...,xn]T

類別標(biāo)簽：y=[y1,y2,...,yk,...,yn]T

初始化：

當(dāng)前特征子集向量s=[1,2,...,n]

特征排序向量r=[]

特征排序：

重復(fù)以下過(guò)程直至s=[]

根據(jù)剩余特征獲取新的訓(xùn)練樣本矩陣X=X0(:,s)

訓(xùn)練分類器：α=SVM-train(X,y)

計(jì)算排序標(biāo)準(zhǔn)ci=(wi)2

尋找排序得分最小的特征:f=argmin(c)

更新特征排序向量:r=[s(f),r]

消去具有最小得分的特征s=s(1:f-1,f+1:length(s))

輸出:

特征排序列表r。

在每一次迭代循環(huán)中，具有最小得分ci的特征首先被刪去，接著SVM對(duì)剩下的特征重新進(jìn)行訓(xùn)練以獲得特征的排序，SVM-RFE算法通過(guò)不斷的迭代過(guò)程，直至剩下最后一個(gè)特征，在此過(guò)程結(jié)束后會(huì)得到一個(gè)得分降序排列的特征排序列表。根據(jù)這個(gè)排序列表可以選擇若個(gè)最優(yōu)子集，并利用SVM預(yù)測(cè)的分類準(zhǔn)確率的高低來(lái)選擇最優(yōu)特征子集。在文中的打印文件機(jī)源認(rèn)證實(shí)驗(yàn)中，通過(guò)在具體樣本集上來(lái)確定最優(yōu)子集。

3 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證上述算法的可行性，將該算法應(yīng)用于打印文件鑒別，利用激光打印文件鑒別儀器[18]建立實(shí)驗(yàn)樣本集。實(shí)驗(yàn)平臺(tái)為64位Win7操作系統(tǒng)的PC機(jī)，CPU主頻3.2 GHz，內(nèi)存為8 G，在Matlab2012b軟件平臺(tái)下使用M語(yǔ)言進(jìn)行軟件編程。驗(yàn)證實(shí)驗(yàn)建立了10臺(tái)黑白激光打印機(jī)，基本涵蓋了常用的激光打印機(jī)廠商，每臺(tái)打印機(jī)打印兩張文件，一張用于訓(xùn)練，一張用于測(cè)試，文中實(shí)驗(yàn)共用到兩種樣本集，分別是英文字符e重復(fù)100次樣本集ENe1001100和中文不同字樣本集CHN10100100。樣本集ENe1001100表示的意思是英文字符庫(kù)，10臺(tái)打印機(jī)，1個(gè)相同字符“e”，每臺(tái)打印機(jī)的訓(xùn)練和測(cè)試的樣本數(shù)目是100個(gè)，測(cè)試樣本集和訓(xùn)練樣本集中用到的字符是一樣的，字符“e”字體為Times New Roman，字號(hào)為小四。在中文字符不相同樣本集CHN10100100中，訓(xùn)練和測(cè)試樣本的字符完全不相同，且訓(xùn)練和測(cè)試樣本集內(nèi)部沒有字符重復(fù)，字體為宋體，字號(hào)為小四。

3.1 組合特征ReliefF算法預(yù)選實(shí)驗(yàn)

正如前述所示，特征選擇分兩個(gè)階段，特征初選與二次選擇。在這里首先以樣本集ENe1001100為例進(jìn)行特征選擇實(shí)驗(yàn)。在樣本集ENe1001100上運(yùn)行ReliefF算法，將會(huì)得到一個(gè)特征權(quán)向量 ，特征以及對(duì)應(yīng)的權(quán)值如圖5所示。

圖5 70維特征對(duì)應(yīng)的權(quán)重W

從圖5中可以看出，組合的70維特征對(duì)應(yīng)的權(quán)值有大于0和小于0的，將權(quán)向量 中權(quán)值小于0對(duì)應(yīng)的特征依次去除，認(rèn)為其是不利于分類的特征，那么原來(lái)的70維特征變?yōu)?6維特征。ReliefF特征選擇后，相比于直接組合的GLCM和DWT特征維數(shù)有所減少，同時(shí)分類識(shí)別率有所上升。同時(shí)，從圖5中可以看出預(yù)選后的56維特征中含有GLCM特征41維，DWT特征有15維。

3.2 SVM-RFE算法二次特征選擇實(shí)驗(yàn)

在組合特征進(jìn)行過(guò)特征預(yù)選后，利用SVM-RFE算法對(duì)預(yù)選后的56維特征進(jìn)行二次選擇，算法運(yùn)行后會(huì)輸出一個(gè)特征排序得分向量r。在樣本集ENe1001100上運(yùn)行SVM-RFE算法，得到的特征排序列表如圖6所示。

圖6 SVM-RFE算法對(duì)應(yīng)的特征排序列表

從圖6中可以看出，對(duì)預(yù)選后的56維特征進(jìn)行排序后，會(huì)得到一個(gè)56維的特征等級(jí)排序表向量r。圖6中所標(biāo)注的“X=1，Y=41”表示的意思是：ReliefF算法預(yù)選后56維特征中的第41維特征(即是GH22)的排序等級(jí)為第1級(jí)(最高級(jí))，即是特征GH22最有利于分類。

根據(jù)特征排序列表r，選擇若干個(gè)特征子集，然后用SVM進(jìn)行分類，根據(jù)分類準(zhǔn)確率來(lái)選擇最優(yōu)子集，圖7給出了兩種樣本集上進(jìn)行同樣的二次特征選擇實(shí)驗(yàn)，取圖6中特征排序等級(jí)向量r中的前n個(gè)等級(jí)特征時(shí)(從第1級(jí)到第n級(jí))，分類準(zhǔn)確率的變化曲線。

圖7 二次特征選擇后的分類結(jié)果

從圖7中可以看出，隨著特征子集中特征數(shù)目的增加，分類準(zhǔn)確率逐步上升，并達(dá)到最佳分類準(zhǔn)確率，隨后分類準(zhǔn)確率有一個(gè)緩慢逐漸下降的變化過(guò)程。在兩種樣本集中，相同字樣本集ENe1001100上的分類準(zhǔn)確率變化最為平緩，不同字樣本集CHN10100100的分類準(zhǔn)確率變化最為顯著。出現(xiàn)這樣結(jié)果的原因是，在英文字符樣本集ENe1001100中只有一個(gè)相同的字符“e”，沒有字符結(jié)構(gòu)的影響；而在樣本集CHN10100100中訓(xùn)練和測(cè)試樣本中沒有一個(gè)相同的字符。

從圖7中還可以看出，當(dāng)取特征排序列表的前40維特征進(jìn)行分類鑒別實(shí)驗(yàn)時(shí)，在兩種樣本集上都可以取得最佳分類準(zhǔn)確率。因此在兩種樣本集上均取特征排序列表的前40維特征進(jìn)行分類實(shí)驗(yàn)，故SVM-RFE算法二次特征選擇后的特征維數(shù)為40維。通過(guò)SVM-RFE二次特征選擇后，可以從56維特征中選擇更優(yōu)的40維特征子集，即是可以用更少維數(shù)的特征，取得同樣有效的分類性能。表1列出了在不同樣本集上，不同算法的分類準(zhǔn)確率。

表1 不同算法的分類準(zhǔn)確率

從表1中可以看出，SVM-RFE+SVM算法在樣本集ENe1001100和CHN10100100上的分類準(zhǔn)確率分別是95.20%和75.00%。而且，根據(jù)圖6中的水平虛線(對(duì)應(yīng)于GLCM特征的GH22)和垂直向左的箭頭指示，可以非常直觀的看出最終選擇的40維特征中GLCM特征有30維，DWT特征有10維(虛線以上、箭頭向左對(duì)應(yīng)的特征)；絕大部分GLCM特征排在DWT之前，即是在SVMRFE特征選擇算法中，相比于DWT特征，GLCM算法更有利于分類；組合GLCM特征和DWT特征更有利于提高整個(gè)算法的分類識(shí)別率。

4 結(jié)論

文中提取打印字符顯微圖像的GLCM和DWT統(tǒng)計(jì)紋理特征，利用特征選擇算法對(duì)組合后的特征進(jìn)行二次特征選擇。實(shí)驗(yàn)結(jié)果表明：文中的算法在一定場(chǎng)合下有效的解決了打印文件的機(jī)源認(rèn)證問題；經(jīng)過(guò)特征選擇后，在較少的特征維數(shù)下，可以取得同樣的分類性能，即是文中算法能有效剔除冗余的特征；文中算法在相同字樣本集上可以取得較好的分類性能，但當(dāng)完全沒有相同字時(shí)，分類準(zhǔn)確率仍然沒有明顯改善，提高基于不同字的打印文件認(rèn)證準(zhǔn)確率是下一步研究的重點(diǎn)。

[1]Oliver J, Chen J. Use of signature analysis to discriminate digital printing technologies[A].NIP amp; Digital Fabrication Conference[C]. Society for Imaging Science and Technology, 2002: 218-222.

[2]Mikkilineni A K. Information hiding in printed documents[D]. United States,Indiana: Purdue University, 2012.

[3]Bulan O, Mao J, Sharma G. Geometric distortion signatures for printer identification[A].IEEE International Conference on Acoustics, Speech and Signal Processing(ICASSP2009)[C]. 2009: 1401-1404.

[4]Choi J H, Im D H, Lee H Y, et al. Color laser printer identification by analyzing statistical features on discrete wavelet transform[A].16th IEEE International Conference on Image Processing (ICIP2009)[C]. 2009: 1505-1508.

[5]Choi J H, Lee H Y, Lee H K. Color laser printer forensic based on noisy feature and support vector machine classifier[J].Multimedia tools and applications, 2013, 67(2): 363-382.

[6]涂巖愷,陳慶虎,鄧 偉.計(jì)算機(jī)激光打印文檔鑒別與檢索[J].電子與信息學(xué)報(bào), 2011,33(2):499-503.

[7]Gebhardt J, Goldstein M, Shafait F, et al. Document Authentication Using Printing Technique Features and Unsupervised Anomaly Detection[A]. 12th International Conference on Document Analysis and Recognition[C]. Washington, DC,IEEE Press, 2013:479-483.

[8]陳慶虎, 熊海亞, 周前進(jìn),等. 基于紋理合成的打印文件鑒別[J]. 科學(xué)技術(shù)與工程, 2015,15(32):181-185.

[9]羅 霄, 陳慶虎, 周前進(jìn),等. 基于非參數(shù)搜索的打印墨粉紋理合成及評(píng)價(jià)[J]. 科學(xué)技術(shù)與工程, 2014, 14(17):248-252.

[10]Tsai M J, Liu J. Digital forensics for printed source identification[A]. 2013 IEEE I nternational Symposium on Circuits and Systems (ISCAS2013)[C]. 2013: 2347-2350.

[11]Chang C C, Lin C J. LIBSVM: A library for support vector machines[J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 27.

[12]方天紅. 與文本無(wú)關(guān)的打印文件機(jī)源認(rèn)證研究[D]. 武漢：武漢大學(xué), 2016.

[13]Arivazhagan S, Ganesan L. Texture classification using wavelet transform[J]. Pattern recognition letters, 2003, 24(9): 1513-1521.

[14]陸 璐, 李玉龍. 基于離散小波變換多種紋理特征提取的草細(xì)胞圖像分割比較[J]. 蘭州交通大學(xué)學(xué)報(bào), 2012, 31(1): 98-101.

[15]Molina L C, Belanche L, Nebot à. Feature selection algorithms: A survey and experimental evaluation[A].IEEE International Conference on Data Mining[C]. 2002: 306-313.

[16]Kononenko I. Estimating attributes: analysis and extensions of RELIEF[A].Machine Learning: ECML-94[C]. Springer Berlin Heidelberg, 1994: 171-182.

[17]Guyon I, Weston J, Barnhill S, et al. Gene selection for cancer classification using support vector machines[J]. Machine learning, 2002, 46(1): 389-422.

[18]陳慶虎,鄧 偉,涂巖愷. 圖像整體高倍放大掃描系統(tǒng)[P].專利號(hào)：ZL200920084691.2.

ApplicationofGLCMandDWTFeaturesinSourcePrinterAuthenticationforPrintedDocuments

Fang Tianhong, Zhou Xin, Jia Han, Zhao Jun

(School of Physics and Electronic-information Engineering, Hubei Engineering University, Xiaogan 432000,China)

In order to effectively solve the problem of source authentication of printed documents, a method of source printer authentication for print documents based on statistical texture feature selection is proposed. Considering the spatial domain and frequency domain properties of character images, the GLCM and DWT statistical texture features are combined, and the combined statistical texture features are selected twice. First ReliefF algorithm is used to select the combined statistical texture features, and the SVM-RFE feature selection algorithm based on data learning is hosen for the second feature selection. The experimental results show that the classification accuracy rate of the English word sets with duplicate sample and the Chinese word sets without duplicate sample are 95.20% and 75.00% respectively, and feature combination and feature selection are helpful to improve the classification and authentication performance of source printer authentication.

source printer authentication; GLCM; DWT; feature selection

2017-02-09；

2017-03-24。

湖北省教育廳項(xiàng)目(B2015033)；湖北省大學(xué)生創(chuàng)新訓(xùn)練項(xiàng)目(201610528004)；湖北工程學(xué)院科研項(xiàng)目(201511)。

方天紅(1979-)，男，湖北赤壁人，副教授，博士，主要從事圖像處理與模式識(shí)別方向的研究。

周 鑫(1996-)，男，甘肅武威人，主要從事圖像處理方向的研究。

1671-4598(2017)09-0229-05

10.16526/j.cnki.11-4762/tp.2017.09.059

TP391.4

A