CN109816585A - 一种基于深度学习的数字图像隐写分析方法 - Google Patents
一种基于深度学习的数字图像隐写分析方法 Download PDFInfo
- Publication number
- CN109816585A CN109816585A CN201910082604.8A CN201910082604A CN109816585A CN 109816585 A CN109816585 A CN 109816585A CN 201910082604 A CN201910082604 A CN 201910082604A CN 109816585 A CN109816585 A CN 109816585A
- Authority
- CN
- China
- Prior art keywords
- deep learning
- convolutional layer
- subband
- layer
- digital picture
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000013135 deep learning Methods 0.000 title claims abstract description 19
- 238000013136 deep learning model Methods 0.000 claims abstract description 11
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 9
- 230000004913 activation Effects 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 4
- 230000006870 function Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 6
- 238000013461 design Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000003780 insertion Methods 0.000 description 3
- 230000037431 insertion Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 241001062009 Indigofera Species 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000006116 polymerization reaction Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 239000000523 sample Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及图像隐写分析技术领域,公开了一种基于深度学习的数字图像隐写分析方法,所述方法包括:将彩色图片分成红色子带、绿色子带和蓝色子带;对三个子带在深度学习模型上进行学习,以将彩色图片分类为载体图像或者隐秘图像;深度学习模型为卷积神经网络,包括依次以输入输出相互级联的第一卷积层、多层第二卷积层、多层全连接层和输出层;第一卷积层包括三个逐通道卷积层;在深度学习模型上进行学习时,三个子带独立输入到相对应的逐通道卷积层,全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二卷积层的输入。本发明实施例利用深度学习的优势,获得更高的识别准确率,并且将逐通道卷积和去聚合应用到隐写分析中,实现了更好的性能。
Description
技术领域
本发明涉及数字图像隐写技术领域,尤其涉及一种基于深度学习的数字图像隐写分析方法。
背景技术
在过去的数十年,图像隐写术主要应用于灰度载体图像。但由于日常生活中的大部分数字图像都是彩色的,所以彩色图像领域的隐写术与隐写分析对抗已经愈演愈烈,并吸引了大量研究人员的关注。大多数的现代灰度图像隐写术,例如SUNIWARD,HILL,MiPOD等,都是采用了加性嵌入失真最小化的架构。在此基础上,Li提出了保留相邻像素关系的隐写方法(CMD)。然后,Tang在2016年提出了CMD-C,它不仅可以保存各个颜色子带上像素相关性,而且可以跨子带保存。一般来说,灰度图像隐写分析术也可以直接用于彩色图像的检测,但目前并无针对彩色图像的隐写分析算法,所以有必要提出一种针对彩色图像的隐写分析算法。
发明内容
本发明的目的在于提供一种基于深度学习的数字图像隐写分析方法,旨在解决现有技术中并无针对彩色图像的隐写分析算法的技术问题。
为达此目的,本发明采用以下技术方案:
一种基于深度学习的数字图像隐写分析方法,所述数字图像隐写分析方法包括:将训练集中彩色图片分成红色子带、绿色子带和蓝色子带;对所述红色子带、绿色子带和蓝色子带,在深度学习模型上进行学习,以将所述彩色图片分类为载体图像或者隐秘图像;
所述深度学习模型为卷积神经网络,所述卷积神经网络包括依次以输入输出相互级联的第一卷积层、多层第二卷积层、多层全连接层和输出层;所述第一卷积层包括三个逐通道卷积层;在深度学习模型上进行学习时,所述红色子带、绿色子带和蓝色子带独立输入到相对应的逐通道卷积层,全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二卷积层的输入。
可选的,卷积神经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷积层、四层全连接层和输出层
可选的,所述逐通道卷积层的卷积核由高通滤波器初始化,一共30个,大小为5*5,步长为1。
可选的,所述第二卷积层的卷积核的个数为8的倍数。
可选的,所述三层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。
可选的,所述第二卷积层使用批规范化正则化参数,Rectified Linear Unit作为激活函数以及平均池化操作。
可选的,所述四层全连接层分别含有800个线性单元、400个线性单元、200个线性单元及2个线性单元。
可选的,所述输出层的激活函数为Softmax函数。
与现有技术相比,本发明实施例具有以下有益效果:
本发明实施例利用深度学习在大数据下的优势,获得比传统基于人工设计特征的更高的识别准确率。并且将逐通道卷积和去聚合应用到隐写分析中,实现了比其他基于深度学习更好的性能。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的卷积神经网络结构图;
图2为本发明实施例提供的四种隐写分析算法的实验结果对比图。
具体实施方式
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
下面结合附图并通过具体实施方式来进一步说明本发明的技术方案。
本发明实施例的数字图像隐写分析方法包含模型设计阶段、数据准备和实验论证阶段,使用的深度学习模型是卷积神经网络(CNN)。
1.模型设计阶段
WISERNet主要包含线性层,卷积层,规范层以及池化层。在这里,本实施例使用到一种变种的卷积层(逐通道卷积),它的每一个输入通道都独立对应K个输出通道。所以如果有J个输入和K个卷积核,那么可以得到J*K个输出。经过一系列的理论验证,本实施例最终采用了逐通道卷积,并且放弃了在最后整合卷积层的一般方法。在模型的后半部分,本实施例依旧使用一般的卷积方式,但会使用更宽的卷积层,也就是说一层包含了更多的卷积核,并且使用输出聚合。结构如图1所示。
总体上来说,WISERNet以彩色图片为输入,然后将彩色图片分成三个子带(红色子带,绿色子带,蓝色子带),独立输入到逐通道卷积层,卷积核由高通滤波器初始化,一共30个,大小为5*5,步长为1。然后输出联合成90个通道的特征。再接着是3层普通卷积层,每一层都包含大量的卷积核,核个数是8的倍数,并使用批规范化正则化参数,RectifiedLinear Unit作为激活函数以及平均池化操作。这里体现出了WISERNet的’W’,指卷积层含有大量卷积核。最后是四层全连接层,分别含有800、400、200及2个线性单元。最后的两个线性单元的输出用来分类该图片是载体图像还是隐秘图像。需要注意的是,输出层激活函数使用Softmax。具体的网络信息如表1所示。
表1网络详细信息
2.实验准备
本实验在BOSSBase数据集上进行,包含10000张未压缩图像,通过ImageMagick的下采样(Lanczos)和中间截取,生成大小是512*512的图像,本实施例使用了两种去马赛克方法PPG(Patterned Pixel Grouping)和AHD(Adaptive Homogeneity Directed),生成的两个数据集为BOSS-PPG-LAN和BOSS-AHD-LAN。然后舍弃下采样操作,得到BOSS-PPG-CPR和BOSS-AHD-CPR。为了探究不同下采样操作的影响,本实施例用matlab的convert操作替代了ImageMagick的convert,生成BOSS-PPG-BIC,BOSS-PPG-BIL,BOSS-AHD-BIC and BOSS-AHD-BIL。使用隐写术,如:HILL,SUNIWARD,CMD-C-HILL,CMD-C-UNIWARD生成隐秘图像,嵌入率为:0.1,0.2,0.3,0.4,0.5BPC。对于HILL和SUNIWARD来说,三个图像子带都采用同样的嵌入信息。
本实施例使用一些经典强大的隐写分析算法先对数据集进行测试,例如:CRM,GCRM,SGRM。结果如表2和表3所示。实验表明,BOSS-PPG-LAN和BOSS-AHD-LAN是最有挑战性的数据集,CRM算法表现最好。所以余下的实验中只使用BOSS-PPG-LAN和BOSS-AHD-LAN,以及CRM算法作对比。
数据集 | CRM | CRM | SGRM | SGRM | GCRM | GCRM |
0.2BPC | 0.4BPC | 0.2BPC | 0.4BPC | 0.2BPC | 0.4BPC | |
BOSS-PPG-LAN | 0.6826 | 0.8061 | 0.68 | 0.8048 | 0.6743 | 0.8005 |
BOSS-PPG-CRP | 0.9632 | 0.9952 | 0.9611 | 0.9947 | 0.9627 | 0.9954 |
BOSS-AHD-LAN | 0.6817 | 0.8075 | 0.6813 | 0.8048 | 0.6775 | 0.8022 |
BOSS-AHD-CRP | 0.9642 | 0.9942 | 0.9606 | 0.9957 | 0.9632 | 0.9951 |
表2 HILL算法试验结果
数据集 | CRM | CRM | SGRM | SGRM | GCRM | GCRM |
0.2BPC | 0.4BPC | 0.2BPC | 0.4BPC | 0.2BPC | 0.4BPC | |
BOSS-PPG-LAN | 0.6325 | 0.7548 | 0.6333 | 0.7538 | 0.6265 | 0.748 |
BOSS-PPG-CRP | 0.9337 | 0.9941 | 0.9329 | 0.9931 | 0.9324 | 0.9947 |
BOSS-AHD-LAN | 0.6363 | 0.7558 | 0.6338 | 0.7528 | 0.6314 | 0.7477 |
BOSS-AHD-CRP | 0.9357 | 0.9935 | 0.9317 | 0.9919 | 0.9331 | 0.9942 |
表3 CMD-C-HILL算法试验结果
本实施例也选取了Ye’S模型和Xu’s模型进行实验。
最后本实施例的WISERNet是在Caffe工具箱中实现的。网络的超参数设置如下:
N:9,学习速率:0.001,功率:0.75,Gamma系数:0.0001,
衰减权值:0.0005,动力:0.9,批大小:16,
最大循环次数:30*10^4。
其中Ye和Xu的模型中也采用相同的批大小和最大循环次数。实验中使用6000对载体—隐秘图像作为训练数据,余下的4000对用作测试。对于深度学习模型,我们随机从训练数据中挑选出1000对用于验证。
3.实验结果
首先在BOSS-PPG-LAN和BOSS-AHD-LAN数据集上进行实验,结果如图2所示。
从图2中可以看出基于深度学习的隐写分析算法的性能要比CRM好。其中本实施例提出的WISERNet表现最好,同时模型更浅。从隐写术的角度来看,CMD-C表现最好,但WISERNet对于该隐写术的检测能力还是最好的。接着,给Ye和Xu的模型应用上逐通道卷积层,结果如表4所示。
表4使用逐通道卷积和普通卷积的Ye,Xu模型和WISERNet的对比
从上述的实验中来看,很明显,本实施例的WISERNet模型具备更好的隐写分析性能。并且在整体网络参数数量大小上,WISERNet更加小,具体参数数目和运算次数如表5所示。
综上,本发明方法利用深度学习在大数据下的优势,获得比传统基于人工设计特征的更高的识别准确率。并且将逐通道卷积和去聚合应用到隐写分析中,实现了比其他基于深度学习更好的性能。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种基于深度学习的数字图像隐写分析方法,其特征在于,所述数字图像隐写分析方法包括:将训练集中彩色图片分成红色子带、绿色子带和蓝色子带;对所述红色子带、绿色子带和蓝色子带,在深度学习模型上进行学习,以将所述彩色图片分类为载体图像或者隐秘图像;
所述深度学习模型为卷积神经网络,所述卷积神经网络包括依次以输入输出相互级联的第一卷积层、多层第二卷积层、多层全连接层和输出层;所述第一卷积层包括三个逐通道卷积层;在深度学习模型上进行学习时,所述红色子带、绿色子带和蓝色子带独立输入到相对应的逐通道卷积层,全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二卷积层的输入。
2.根据权利要求1所述的基于深度学习的数字图像隐写分析方法,其特征在于,卷积神经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷积层、四层全连接层和输出层。
3.根据权利要求2所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述逐通道卷积层的卷积核由高通滤波器初始化,一共30个,大小为5*5,步长为1。
4.根据权利要求2所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述第二卷积层的卷积核的个数为8的倍数。
5.根据权利要求4所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述三层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。
6.根据权利要求1所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述第二卷积层使用批规范化正则化参数,Rectified Linear Unit作为激活函数以及平均池化操作。
7.根据权利要求2所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述四层全连接层分别含有800个线性单元、400个线性单元、200个线性单元及2个线性单元。
8.根据权利要求1所述的基于深度学习的数字图像隐写分析方法,其特征在于,所述输出层的激活函数为Softmax函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082604.8A CN109816585A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的数字图像隐写分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910082604.8A CN109816585A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的数字图像隐写分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109816585A true CN109816585A (zh) | 2019-05-28 |
Family
ID=66605636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910082604.8A Pending CN109816585A (zh) | 2019-01-28 | 2019-01-28 | 一种基于深度学习的数字图像隐写分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109816585A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
CN111698754A (zh) * | 2020-05-22 | 2020-09-22 | 广西华南通信股份有限公司 | 基于级联人工神经网络的逐子载波无线转发站分配方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
CN107330845A (zh) * | 2017-06-26 | 2017-11-07 | 中山大学 | 一种基于卷积神经网络的数字图像隐写分析方法 |
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
-
2019
- 2019-01-28 CN CN201910082604.8A patent/CN109816585A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及系统 |
CN107330845A (zh) * | 2017-06-26 | 2017-11-07 | 中山大学 | 一种基于卷积神经网络的数字图像隐写分析方法 |
Non-Patent Citations (1)
Title |
---|
JISHEN ZENG等: "WISERNet: Wider Separate-then-reunion Network for Steganalysis of Color Images", 《ARXIV》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110992238A (zh) * | 2019-12-06 | 2020-04-10 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
CN110992238B (zh) * | 2019-12-06 | 2023-10-17 | 上海电力大学 | 一种基于双通道网络的数字图像篡改盲检测方法 |
CN111698754A (zh) * | 2020-05-22 | 2020-09-22 | 广西华南通信股份有限公司 | 基于级联人工神经网络的逐子载波无线转发站分配方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yu et al. | Deep iterative down-up cnn for image denoising | |
CN105208374B (zh) | 一种基于深度学习的无参考图像质量客观评价方法 | |
CN110414670A (zh) | 一种基于全卷积神经网络的图像拼接篡改定位方法 | |
CN112184554B (zh) | 一种基于残差混合膨胀卷积的遥感图像融合方法 | |
CN108537742A (zh) | 一种基于生成对抗网络的遥感图像全色锐化方法 | |
Zhu et al. | Efficient single image super-resolution via hybrid residual feature learning with compact back-projection network | |
CN106204482B (zh) | 基于加权稀疏的混合噪声去除方法 | |
CN103208097B (zh) | 图像多方向形态结构分组的主分量分析协同滤波方法 | |
CN110473144A (zh) | 一种基于拉普拉斯金字塔网络的图像超分辨率重建方法 | |
CN109816585A (zh) | 一种基于深度学习的数字图像隐写分析方法 | |
CN104182771B (zh) | 基于带丢包自动编码技术的时间序列数据图形化分析方法 | |
CN104285239A (zh) | 图像处理装置、图像处理方法、程序、印刷介质以及记录介质 | |
CN106295507A (zh) | 一种基于集成卷积神经网络的性别识别方法 | |
CN103517079B (zh) | 基于数据驱动子空间集的压缩视频采集与重构系统 | |
CN109920013A (zh) | 基于渐进式卷积测量网络的图像重构方法及装置 | |
CN104376565A (zh) | 基于离散余弦变换和稀疏表示的无参考图像质量评价方法 | |
CN104992421A (zh) | 一种基于OpenCL的图像去噪算法的并行优化方法 | |
CN110443296A (zh) | 面向高光谱图像分类的数据自适应激活函数学习方法 | |
CN107240136A (zh) | 一种基于深度学习模型的静态图像压缩方法 | |
CN113436076A (zh) | 逐步融合特征的图像超分辨率重建方法及电子设备 | |
CN115546032A (zh) | 一种基于特征融合与注意力机制的单帧图像超分辨率方法 | |
CN107194380A (zh) | 一种复杂场景下人脸识别的深度卷积网络及学习方法 | |
CN103854265A (zh) | 一种新的多聚焦图像融合技术 | |
CN109978798A (zh) | 基于图像梯度稀疏性的重影反射去除方法 | |
CN110223224A (zh) | 一种基于信息过滤网络的图像超分辨实现算法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190528 |