اکثر الگوریتم هایی که تا این زمان در زمینه نهان کاوی کور ویدئو ارائه شده اند منطبق بر یادگیری باناظر بوده و هزینه تولید داده های برچسب دار در آنها بالا می باشد. تحت این شرایط در فرایند نهان کاوی کور ویدئو تنها می توان از تعداد محدودی از الگوریتم های نهان نگاری که کد آنها در دسترس است برای آموزش طبقه بند استفاده کرد. بنابراین نمی توان درباره کارایی نهان کاو برای شناسایی آن دسته از الگوریتم های نهان نگاری ویدئویی که کد آنها در دسترس نیست، مطمئن بود. همچنین الگوریتم های رایج عموما برون خط می باشند و بنابراین آموزش مجدد سیستم زمان بر بوده و نمی توان سیستم را به صورت برخط بروز کرد. برای حل این مشکلات یک روش جدید نهان کاوی کور ویدئو با رویکرد یادگیری شبه ناظر در این مقاله ارائه شده است. در روش پیشنهادی با توجه به رفع محدودیت برچسب دار بودن داده های آموزشی، کارایی طبقه بند برای آن دسته از الگوریتم های نهان نگاری که کد آنها در دسترس نیست بهبود می یابد. همچنین ثابت می شود که روش پیشنهادی نسبت به روش های متداول در فرایند نهان کاوی کور ویدئو پیچیدگی زمانی کمتری داشته و یک روش برخط بهینه است. نتایج شبیه سازی بر روی پایگاه داده استاندارد نشان می دهد که روش پیشنهادی علاوه بر مزایای فوق، دارای دقت آشکارسازی قابل مقایسه با روش های متداول روز است.

در کار با تصاویر پزشکی، اولویت اصلی تامین امنیت اسناد بیمار در برابر هرگونه دست کاری توسط افراد غیرمجاز است؛ بنابراین، نگرانی اصلی سیستم پزشکی الکترونیکی موجود، ایجاد برخی از راه حل های استاندارد برای حفظ اصالت و یکپارچگی محتوای تصاویر پزشکی است. بر این اساس نهان نگاری تصاویر دیجیتال زمینه های کاربردی فراوانی دارد، یکی از مهمترین کاربردهای آن در حفاظت از تصاویر پزشکی، حک کردن اسم ها، امضاها و مشخصات بیماران بر روی تصاویر، ویدیو ها و غیره می باشد به طوری که مشخص نخواهد بود. شیوه های مختلفی برای نهان نگاری تصاویر دیجیتال ارایه شده اند، اما در این بین یکی از پرکاربردترین روش ها جهت دستیابی به نهان نگاری مقاوم در برابر انواع حملات به کار گیری ترکیب حوزه تبدیل موجک گسسته و تجزیه مقدار منفرد می باشد. ما در این تحقیق از 2 مرحله تبدیل موجک هار روی تصویر میزبان و یک سطح تجزیه ی مقدار منفرد روی زیر گروه فرکانس پایین آن و ترکیب با ضریبی از نهان نگار و یک سطح دیگر تجزیه ی مقدار منفرد جهت جایگذاری نهان نگار و افزایش مقاومت نهان نگاری استفاده کرده ایم به صورتی که در زمان استخراج نهان نگار بتوان به صورت نیمه کورعمل کرد. با این روش توانسته ایم به طور متوسط به نسبت حداکثر سیگنال به نویز 55 و 7 درصد بهبود جهت غیر قابل مشاهده بودن نهان نگار و همچنین به طور متوسط به ضریب همبستگی 0. 97 و 34 درصد بهبود جهت افزایش مقاومت نهان نگاری نسبت به حملات مختلف برسیم.

قابلیت کشف آماری یک نهان کاو بیان کننده توانایی آن در تشخیص تصاویر پاک از تصاویر درج شده است. نهان نگاری بهینه به گونه ای باید طراحی شود که نهان کاو نتواند تصاویر درج شده را تشخیص دهد. به همین دلیل، طراحی یک الگوریتم نهان نگاری بر مبنای کاهش قابلیت کشف آماری نهان کاو، هدفی مهم در نهان نگاری است. با این حال، ایجاد رابطه دقیق بین هزینه تغییر تصویر و قابلیت کشف آماری در حالت کلی مسئله ای حل نشده است. در این مقاله با مدل سازی نهان کاو توسط مدل های گرافیکی خاصی به نام مدل های موضوعی، به تخمین احتمال خطای نهان کاو به عنوان معیاری از قابلیت کشف آماری رسیده ایم. همچنین، بر اساس این معیار، تعریف جدیدی از ظرفیت نهان نگاری ارائه داده شده و رابطه آن را با هزینه تغییر تصویر بررسی گردیده است. همچنین، نشان داده شده است که روابط ریاضی حاصل بین پارامترهای نهان نگار و نهان کاو با ملاک های کلاسیک نظیر PSNR همخوانی دارد. سپس از رابطه هزینه تغییر تصویر و قابلیت کشف آماری به یک الگوریتم نهان نگاری مناسب رسیده ایم. با آزمون روی دادگان مناسب نشان داده شده است که الگوریتم حاصل در زمره بهترین الگوریتم های قابل تحلیل ریاضی است. لازم به ذکر است که تمرکز این مقاله روی حل یک مسئله تئوریک و بازتعریف مفاهیم نهان نگاری است به طوری که روش بهینه درج برمبنای بهینه سازی فریب نهان کاو انجام گردد و نه به صورت کلاسیک برمبنای کاهش فاصله تصویر پوشش و تصویر درج شده. با این حال عملا به بهبود دقت اندکی در حدود 0. 5 % نیز حاصل شده است.

پارامتر مهمی که در نهان نگاری باید تامین شود. مقاومت آن در برابر انواع تبدیلات، فشرده سازی ها و نویزهای عمدی و غیر عمدی ست. بدین منظور معمولا واردسازی علامت پیوند در یک حوزه تبدیل مناسب و با تکنیکی خاص صورت می گیرد. هدف این مقاله، یافتن روشی مناسب جهت نهان نگاری در صحبت است. به طوری که در برابر تبدیل LPC مقاوم باشد. به دلیل خواص مطلوب کدهای شبه نویز طیف گسترده از نوع طول ماکزیمم، این کدها را به منظور تولید علامت پیوند مورد استفاده قرار دادیم. با بررسی اثری که تبدیل LPC و عکس آن بر روی این نوع از علامت پیوند می گذارد روش جدیدی در آشکارسازی علامت پیوند درگیرنده به دست آوردیم. به این ترتیب، بدون اینکه فرآیند واردسازی علامت پیوند مستلزم حوزه تبدیل خاص و تکنیک پیچیده ای باشد، هدف ذکر شده محقق می شود.