CN110533575B - 一种基于异构核的深度残差隐写分析方法 - Google Patents
一种基于异构核的深度残差隐写分析方法 Download PDFInfo
- Publication number
- CN110533575B CN110533575B CN201910835742.9A CN201910835742A CN110533575B CN 110533575 B CN110533575 B CN 110533575B CN 201910835742 A CN201910835742 A CN 201910835742A CN 110533575 B CN110533575 B CN 110533575B
- Authority
- CN
- China
- Prior art keywords
- image
- steganalysis
- drhnet
- srm
- matrix
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
Abstract
本发明公开了一种基于异构核的深度残差隐写分析方法,在ResNets的预处理阶段引入SRM模型,并将HetConv异构核作为卷积核应用在DRHNet网络中;包括以下步骤:步骤1、提取图像每个SRM子模型的特征向量;步骤2、将图像所有的特征向量合并重组;步骤3、讲原始图像和载密后的图像放入DRHNet网络模型训练;步骤4、将待检测图像放入训练好的DRHNet隐写分析网络检测,其结果作为图像是否嵌密的参考。本发明在保证隐写分析准确度的同时,克服被检测的隐写图像尺寸的局限,提升隐写分析网络的通用性,降低网络在训练阶段的训练时间。
Description
技术领域
本发明涉网络空间安全中的内容安全领域,具体涉及一种基于异构核的深度残差隐写分析方法。
背景技术
当前,卷积神经网络的隐写分析面临诸如通用性差,训练时间长和图像尺寸有限的问题。针对这些问题,我们提出了异构内核残差学习框架,以便在训练阶段节省时间,提升隐写分析网络的通用性。作为网络的输入,本发明通过空域富模型(SRM)的所有子模型将图像提取并合并到特征矩阵中,并使用187×187特征矩阵作为网络的实际输入。本发明提出的架构具有良好的通用性,可以减少计算和参数数量,同时仍然可以获得更高的准确度。
卷积神经网络(CNN)已广泛应用于图像分类领域。由于隐写分析可以被视为图像的二分类问题,可以使用卷积神经网络来攻击隐写,目的是确定图像是否嵌入密文。QianY,Dong J,Wang W首先提出将卷积神经网络应用于隐写分析。他们提出了具有高斯激活功能的神经网络隐写分析器,其配备固定的预处理高通KV滤波器,其作用是抑制图像内容并因此改善隐秘信号和主图像之间的信噪比。Ye J,Ni J,Yi Y.提出了一种不同于随机策略的新的网络(SCA-TLU-CNN),他们所提出的CNN的第一层中的权重被初始化,用于计算SRM中的残差映射的基本高通滤波器集,充当用于抑制SRM的正则化器。为了更好地捕获嵌入信号的结构,在CNN模型中采用称为截断线性单元(TLU)的新激活函数。Boroumand M,Chen M,Fridrich J提出了一种深度残差结构SRNet,旨在最大限度地减少启发式和外部强制元素的使用,它为空域和JPEG域隐写术提供了先进的检测精度。所提出的架构的关键部分是加入了计算噪声残差的网络前部。
发明内容
本发明的目的在于提供一种基于异构核的深度残差隐写分析方法,该方法用WOW,S-UNIWARD和MiPOD三种隐写算法在公开的图像集BOSSbase 1.01上进行嵌密,并使用上述提到的SCA-TLU-CNN和SRNet两种隐写分析网络对比评估本发明DRHNet的效果,其有效载荷分别设置为0.2,0.3,0.4;使用S-UNIWARD作为隐写算法、有效载荷为0.4bpp时,DRHNet检测误差小于10%,为三种网络最低。
本发明的技术方案是:
一种基于异构核的深度残差隐写分析方法,在ResNets的预处理阶段引入SRM模型,并将HetConv异构核作为卷积核应用在DRHNet网络中;包括以下步骤:
步骤1、提取图像每个SRM子模型的特征向量;
步骤2、将图像所有的特征向量合并重组;
步骤3、讲原始图像和载密后的图像放入DRHNet网络模型训练;
步骤4、将待检测图像放入训练好的DRHNet隐写分析网络检测,其结果作为图像是否嵌密的参考。
具体地:步骤1、利用SRM模型用k个高通滤波器提取覆盖图像或隐秘图像的残差,以形成k个子模型;然后对每个子模型进行量化,舍入和截断,并在水平和垂直方向上提取共生矩阵;此时,为每个图像生成2k个共现矩阵;具有相似属性的共生矩阵被对称地合并,并且所有元素被重新排列成特征向量;此时,已获得该特征,其形式如下:
Range(·)是将合并的矩阵重新排列成特征向量的函数;
Mh(·)可以通过下面的公式获得,Mv(·)可以用相同方法获得的:
正向量q是量化因子,正整数T是截断阈值,这两个参数影响SRM特征的维数和隐写分析性能;d是共生矩阵的次数;如果d太大,则会出现稀疏特征;如果d太小,统计多样性就不够丰富;HPk(·)表示第k个高通滤波器提取的残差;Round(·)表示按元素舍入,TruncT(·)表示按元素截断操作;提取残差作为共生矩阵;
步骤2、选择q=0.5,1,2,T=2,d=4,并使用SRM设计的所有合并规则;获得的SRM特征实例称为SRMQ3,即使用3种量化因子的SRM特征;它有106个特征,其中17个是338维特征,其中89个是325维特征;RMQ3特征的维数是338×17+325×89=34671;本发明使用0,0作为每个特征之间的分割,将其填充到187×187的特征矩阵中,并且在矩阵中的最后一个特征之后的空值用0填充,其定义如下:
步骤4、将待检测图像通过DRHNet隐写分析的结果作为图像是否嵌密的参考。
本发明具有以下特点:
1、本发明在技术实现上使用SRM模型用在ResNets的预处理阶段,并将HetConv异构核作为卷积核应用在DRHNet网络中。
2、隐写嵌入过程对图像进行细微变化,这类似于将弱噪声(隐形噪声)引入图像。同时,隐写嵌入处理不仅改变自然图像的相邻像素相关性,而且改变自然图像的残留图像(噪声分量)的相邻像素相关性。本发明中使用SRM模型模拟残差图像而不是直接建模图像本身,可以有效减弱图像内容对隐写分析特征的干扰。
3、本发明在保证隐写分析准确度的同时,克服被检测的隐写图像尺寸的局限,提升隐写分析网络的通用性,降低网络在训练阶段的训练时间。
附图说明
图1是网络的结构图。
图2是DRHNet卷积内核的结构图。
图3是使用WOW作为隐写算法的嵌密率-错误率曲线图。
图4是S-UNIWARD作为隐写算法的嵌密率-错误率曲线图。
图5是MIPOD作为隐写算法的嵌密率-错误率曲线图。
具体实施方式
下面通过附图和实施例对本发明作进一步描述。
一种基于异构核的深度残差隐写分析方法,将SRM模型用在ResNets的预处理阶段,并将HetConv异构核作为卷积核应用在DRHNet网络中;包括以下步骤:
步骤1、提取图像每个SRM子模型的特征向量;
步骤2、将图像所有的特征向量合并重组;
步骤3、讲原始图像和载密后的图像放入DRHNet网络模型训练;
步骤4、将待检测图像放入训练好的DRHNet隐写分析网络检测,其结果作为图像是否嵌密的参考。
具体地,步骤1、SRM模型用k个高通滤波器提取覆盖图像或隐秘图像的残差,以形成k个子模型;然后对每个子模型进行量化,舍入和截断,并在水平和垂直方向上提取共生矩阵;此时,为每个图像生成2k个共现矩阵;具有相似属性的共生矩阵被对称地合并,并且所有元素被重新排列成特征向量;此时,已获得该特征,其形式如下:
Range(·)是将合并的矩阵重新排列成特征向量的函数;
Mh(×)可以通过下面的公式获得,Mv(×)可以用相同方法获得的:
正向量q是量化因子,正整数T是截断阈值,这两个参数影响SRM特征的维数和隐写分析性能;d是共生矩阵的次数;如果d太大,则会出现稀疏特征;如果d太小,统计多样性就不够丰富;HPk(·)表示第k个高通滤波器提取的残差;Round(·)表示按元素舍入,TruncT(·)表示按元素截断操作;提取残差作为共生矩阵。
步骤2、选择q=0.5,1,2,T=2,d=4,并使用SRM设计的所有合并规则;获得的SRM特征实例称为SRMQ3,即使用3种量化因子的SRM特征;它有106个特征,其中17个是338维特征,89个是325维特征;RMQ3特征的维数是338×17+325×89=34671;本发明使用0,0作为每个特征之间的分割,将其填充到187×187的特征矩阵中,并且在矩阵中的最后一个特征之后的空值用0填充,其定义如下:
步骤4、将待检测图像通过DRHNet隐写分析的结果作为图像是否嵌密的参考。
本发明使用的结构类似于ResNet[34]的34层结构。在每次卷积之后和ReLU之前,也采用批量标准化(BN)。不同之处在于本发明在图像和DRHNet的第一个卷积层之间添加了SRMEM(SRM-Extract-Merge)图层。这将网络实际处理的数据维度从256×256减少到187×187。并且由特征矩阵表示的图像不再是图像的内容。相反,它是图像重新分析的统计特征,因此它更抽象。此外,由于Ada-max可以比SGD(Stochastic Gradient Descent,随机梯度下降)更快地达到收敛,本发明使用Adamax作为优化器来取代SGD。网络的结构如图1所示。
本发明使用HetConv作为DRHNet的卷积内核。也就是说,以3×3和3个1×1卷积核的顺序填充信道。下一个卷积层的卷积核仍然按此顺序排列,但整个排列由卷积核向右移动。DRHNet卷积内核的结构如图2所示。卷积块中存在两个卷积层,每个层由64个3×3和1×1大小的卷积核组成,按上述顺序排列和偏移。使用HetConv而不是传统的卷积内核可以减少网络参数并降低计算复杂度。
图3至图5分别使用WOW,S-UNIWARD和MIPOD作为隐写算法。在使用S-UNIWARD隐写算法,有效载荷为0.2bpp情况下,SCA-TLU-CNN的检测错误率比DRHNet低6%。SRNet的Perror在应用WOW隐写算法和0.4bpp的有效载荷时比本发明提出的结构低不到1%。除上述两种情况外,DRHNet通常比其他两种隐写分析网络具有更好的性能。并且可以看出,随着有效载荷的增加,DRHNet的Perror下降得比其他两个网络快。
使用SRM提取的特征矩阵作为网络的输入使得DRHNet具有良好的通用性。表1中显示了DRHNet交叉测试的检测误差。当使用与训练集不同的隐写算法作为测试集时,获得的检测误差仅高于相同隐写算法2%-3%。
表1:
DRHNet还可以在提高准确性的同时减少耗时。表2显示了上述三种隐写分析网络的参数,计算复杂性和时间消耗。通过牺牲计算复杂性,SRNet实现了比SCA-TLU-CNN更好的性能。与其他两个网络相比,本发明设计的DRHNet计算复杂度低,时间短,同时仍能确保相当高的精度。
表2:
本发明在技术实现上,在ResNets的预处理阶段引入SRM模型,并将HetConv异构核作为卷积核应用在DRHNet网络中。
隐写嵌入过程对图像进行细微变化,这类似于将弱噪声(隐形噪声)引入图像。同时,隐写嵌入处理不仅改变自然图像的相邻像素相关性,而且改变自然图像的残留图像(噪声分量)的相邻像素相关性。本发明使用SRM模型模拟残差图像而不是直接建模图像本身,主要是为了减弱图像内容对隐写分析特征的干扰。
本发明在保证隐写分析准确度的同时,克服被检测的隐写图像尺寸的局限,提升隐写分析网络的通用性,降低网络在训练阶段的训练时间。
以上所述,仅是本发明的较佳实施例而已,并非对本发明作任何形式上的限制,任何未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰,均仍属于本发明技术方案的范围内。
Claims (2)
1.一种基于异构核的深度残差隐写分析方法,在ResNets的预处理阶段引入SRM模型,并将HetConv异构核作为卷积核应用在DRHNet网络中;包括以下步骤:
步骤1、提取图像每个SRM子模型的特征向量;
步骤2、将图像所有的特征向量合并重组;
步骤3、讲原始图像和载密后的图像放入DRHNet网络模型训练;
步骤4、将待检测图像放入训练好的DRHNet隐写分析网络检测,其结果作为图像是否嵌密的参考。
2.如权利要求1所述的一种基于异构核的深度残差隐写分析方法,其特征在于:具体步骤为:
步骤1、利用SRM模型用k个高通滤波器提取覆盖图像或隐秘图像的残差,以形成k个子模型;然后对每个子模型进行量化,舍入和截断,并在水平和垂直方向上提取共生矩阵;此时,为每个图像生成2k个共现矩阵;具有相似属性的共生矩阵被对称地合并,并且所有元素被重新排列成特征向量;此时,已获得该特征,其形式如下:
Range(·)是将合并的矩阵重新排列成特征向量的函数;
Mh(·)可以通过下面的公式获得,Mv(·)可以用相同方法获得的:
正向量q是量化因子,正整数T是截断阈值,这两个参数影响SRM特征的维数和隐写分析性能;d是共生矩阵的次数;如果d太大,则会出现稀疏特征;如果d太小,统计多样性就不够丰富;HPk(·)表示第k个高通滤波器提取的残差;Round(·)表示按元素舍入,TruncT(·)表示按元素截断操作;提取残差作为共生矩阵;
步骤2、选择q=0.5,1,2,T=2,d=4,并使用SRM设计的所有合并规则;获得的SRM特征实例称为SRMQ3,即使用3种量化因子的SRM特征;它有106个特征,其中17个是338维特征,其中89个是325维特征;RMQ3特征的维数是338×17+325×89=34671;此处使用0,0作为每个特征之间的分割,将其填充到187×187的特征矩阵中,并且在矩阵中的最后一个特征之后的空值用0填充,其定义如下:
步骤4、将待检测图像通过DRHNet隐写分析的结果作为图像是否嵌密的参考。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835742.9A CN110533575B (zh) | 2019-09-05 | 2019-09-05 | 一种基于异构核的深度残差隐写分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910835742.9A CN110533575B (zh) | 2019-09-05 | 2019-09-05 | 一种基于异构核的深度残差隐写分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533575A CN110533575A (zh) | 2019-12-03 |
CN110533575B true CN110533575B (zh) | 2022-10-21 |
Family
ID=68667226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910835742.9A Active CN110533575B (zh) | 2019-09-05 | 2019-09-05 | 一种基于异构核的深度残差隐写分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533575B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111222583B (zh) * | 2020-01-15 | 2023-11-17 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN113554544B (zh) * | 2021-07-21 | 2022-04-15 | 贵州师范大学 | 一种基于多特征融合和深度学习的隐写分析方法 |
CN113537110B (zh) * | 2021-07-26 | 2024-04-26 | 北京计算机技术及应用研究所 | 一种融合帧内帧间差异的虚假视频检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
-
2019
- 2019-09-05 CN CN201910835742.9A patent/CN110533575B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016165082A1 (zh) * | 2015-04-15 | 2016-10-20 | 中国科学院自动化研究所 | 基于深度学习的图像隐写检测方法 |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
Non-Patent Citations (1)
Title |
---|
深度学习空域隐写分析的预处理层;史晓裕等;《应用科学学报》;20180330(第02期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN110533575A (zh) | 2019-12-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533575B (zh) | 一种基于异构核的深度残差隐写分析方法 | |
CN111798400B (zh) | 基于生成对抗网络的无参考低光照图像增强方法及系统 | |
CN109784347B (zh) | 基于多尺度稠密卷积神经网络和谱注意力机制的图像分类方法 | |
CN109934761B (zh) | 基于卷积神经网络的jpeg图像隐写分析方法 | |
CN110992275B (zh) | 一种基于生成对抗网络的细化单幅图像去雨方法 | |
CN106204468B (zh) | 一种基于ReLU卷积神经网络的图像去噪方法 | |
CN109800710B (zh) | 行人重识别系统及方法 | |
CN108596818B (zh) | 一种基于多任务学习卷积神经网络的图像隐写分析方法 | |
CN112489164B (zh) | 基于改进深度可分离卷积神经网络的图像着色方法 | |
CN111612708B (zh) | 一种基于对抗生成网络的图像修复方法 | |
CN110689599A (zh) | 基于非局部增强的生成对抗网络的3d视觉显著性预测方法 | |
CN108184122B (zh) | 基于多元线性回归的图像可逆信息隐藏方法和装置 | |
CN109949200B (zh) | 基于滤波器子集选择和cnn的隐写分析框架构建方法 | |
CN113298734B (zh) | 一种基于混合空洞卷积的图像修复方法及系统 | |
CN115809953A (zh) | 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统 | |
Yuan et al. | GAN-based image steganography for enhancing security via adversarial attack and pixel-wise deep fusion | |
CN116740121A (zh) | 一种基于专用神经网络和图像预处理的秸秆图像分割方法 | |
CN109448039B (zh) | 一种基于深度卷积神经网络的单目视觉深度估计方法 | |
CN112132737B (zh) | 一种无参考生成的图像鲁棒隐写方法 | |
CN107180419B (zh) | 一种基于pca网络的中值滤波检测方法 | |
CN114862650B (zh) | 一种神经网络水印嵌入方法以及验证方法 | |
CN112862655B (zh) | 一种基于通道空间注意力机制的jpeg图像隐写分析方法 | |
CN111899161A (zh) | 一种超分辨率重建方法 | |
Xu et al. | Drhnet: a deep residual network based on heterogeneous kernel for steganalysis | |
CN112598598A (zh) | 一种基于两级反射光消除网络的图像反射光去除方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |