其中 为类协方差矩阵： 。
    类间离散度矩阵 ：

     考虑总的类内离散度矩阵的第i个本征值 表示第i个分量的平均方差，构造准则函数：

表示变换后的特征 的分类性能，即从类平均向量中提取判别信息。 越大，可分性就越好。设总的特征数为D，对准则函数值进行排序， ，取前面d个较大的 值对应的特征矢量 作为变换矩阵，经K-L变换得到主成分 。本文中主成分 的贡献率及累计贡献率定义为公式(11)(12)：

取满足累计贡献率达85-95％的前面d个主成分。

3.仿真结果及性能分析
    采用Rocha等^[15]提供的数据图像库集中JPEG图像测试数据集。对于典型的隐写方法F5、JPHide 和JSteg分别提供了按嵌入信息的大小分类为large、medium、small和tiny的隐写图像子集，每类子集图像数量从101张到491张不等，含不同大小的动物、商业、地图、风景、游客和度假等图片。large、medium、small和tiny类隐写图像中秘密信息分别占有效信道容量的40%以上、15%~40%、5~15%和5%以下。选择掩体图像及各类隐写图像各100张，共计1300张做仿真；用其中的60张掩体图像和 张各类隐写图像训练，剩余40张掩体图像和 张隐写图像测试，采用LIBSVM^[16] 分类器进行分类，为了平衡检测的性能，采用10次平均的检测结果。

(责任编辑：adminadmin2008)