CN112581345A - 基于图像块的图像隐写分析方法、系统、装置及介质 - Google Patents
基于图像块的图像隐写分析方法、系统、装置及介质 Download PDFInfo
- Publication number
- CN112581345A CN112581345A CN202011399464.6A CN202011399464A CN112581345A CN 112581345 A CN112581345 A CN 112581345A CN 202011399464 A CN202011399464 A CN 202011399464A CN 112581345 A CN112581345 A CN 112581345A
- Authority
- CN
- China
- Prior art keywords
- image
- steganalysis
- block
- network
- layer
- 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 63
- 238000012545 processing Methods 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 49
- 238000012549 training Methods 0.000 claims description 35
- 238000010586 diagram Methods 0.000 claims description 29
- 230000006870 function Effects 0.000 claims description 15
- 230000004927 fusion Effects 0.000 claims description 15
- 238000011176 pooling Methods 0.000 claims description 15
- 230000008569 process Effects 0.000 claims description 10
- 238000012360 testing method Methods 0.000 claims description 10
- 238000003860 storage Methods 0.000 claims description 8
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012795 verification Methods 0.000 claims description 6
- 238000002372 labelling Methods 0.000 claims description 5
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims 1
- 230000005012 migration Effects 0.000 claims 1
- 238000012986 modification Methods 0.000 abstract description 5
- 230000004048 modification Effects 0.000 abstract description 5
- 238000004891 communication Methods 0.000 description 6
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000013526 transfer learning Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- PJHPFAFEJNBIDC-UHFFFAOYSA-N 1-(4-bromophenyl)piperazine Chemical compound C1=CC(Br)=CC=C1N1CCNCC1 PJHPFAFEJNBIDC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明公开了一种基于图像块的图像隐写分析方法、系统、装置及介质,其中方法包括以下步骤:获取待检测图像;采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。本发明采用多任务学习的思想,将图像隐写分析模型分为主干网络和支线网络两部分,消除一定的像素点修改位置的不确定性,可广泛应用于图像信号处理、图像隐写分析领域。
Description
技术领域
本发明涉及图像信号处理、图像隐写分析领域,尤其涉及一种基于图像块的图像隐写分析方法、系统、装置及介质。
背景技术
图像隐写术的目的是把秘密信息嵌入到载体图像中,通过传输生成的载密图像进行秘密通信。图像隐写术关乎着秘密通信的安全性,图像隐写术越安全,敌方越不容易察觉到秘密通信的存在,秘密通信越安全。相反,图像隐写分析的目的则是检测图像是否有嵌入秘密信息,是一个二分类问题,图像隐写分析算法的性能越好,越容易检测到秘密通信的存在,从而切断秘密通信的进行。
传统的隐写分析算法,典型的算法包括SRM以及maxSRM,提取特征和训练分类器是两个完全分离的步骤,这就意味着在训练分类器的过程中并不能指导优化提取特征的过程,只能不断地尝试提取特征然后输入到分类器中进行分类才知道所提取的特征是否有效,这极大地限制了提取特征的进一步优化,也限制了最后分类的结果。而CNN不需要依赖于手工设计的特征,能自动从大量的训练数据中学到表征能力和鲁棒性都更强的特征,特征提取和分类器的训练是端到端地联合优化的,可使最终的网络模型得到更优的性能。
由于图像隐写分析的特殊性,即载密图像和载体图像在视觉和内容上是几乎一样的,肉眼是完全分辨不出来,传统的结构并不适用于图像隐写分析。因此,研究者们把CNN和传统方法的先验知识结合起来,在CNN网络的第一层卷积核中使用在SRM算法里验证过有效的高通滤波器进行初始化,能有效地提取载体图像和载密图像的残差信号,然后进行下一步的特征提取和分类器的训练。钱银龙等人使用SRM里的一个高通滤波器预处理图像,实现了与SRM可比较的结果,但仍差于SRM。叶健等人则直接把SRM里用到的30个高通滤波都用来预处理图像,还提出了一个新的激活函数——截断线性单元(Truncated Linear Unit,TLU)用于网络的初始化层,获得了比maxSRM更好的性能。为了进一步提高性能,叶健等人还在网络里引入了选择信道的知识。Yu等人首次提出在图像隐写分析中引入多任务学习,在进行图像隐写分析的同时,进行像素点二分类,检测像素点是否有发生改变。经过实验发现,像素点二分类具有以下局限性,第一,像素点改变的位置具有随机性,由失真函数的设计和STC编码的原理发现,在纹理区域的像素点不一定会发生改变,第二,像素点改变的比例较小,较难学习,经过实验表明在不同的嵌入率下,像素点正负样本的比例约为1:49到1:9,当正负样本比例比较大时,对于网络来说较难学习。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一,本发明的目的在于提供一种基于图像块的图像隐写分析方法、系统、装置及介质。
本发明所采用的技术方案是:
一种基于图像块的图像隐写分析方法,包括以下步骤:
获取待检测图像;
采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;
所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。
进一步,所述图像隐写分析方法还包括建立所述图像隐写分析模型的步骤,所述建立所述图像隐写分析模型的步骤包括建立训练集的步骤和训练模型的步骤,其中,所述建立训练集的步骤具体为:
获取图像数据集,对图像数据集中的图像进行裁剪;
采用预设的嵌入率对裁剪后的图像进行隐写,得到载体图像和载密图像;
对裁剪后的图像进行划分,获得多个图像块,为每个所述图像块置标签;
从获得的图像及图像块中获取训练集、验证集和测试集;
所述训练模型的步骤具体为:
将所述训练集输入到所述图像隐写分析模型的网络中,以及采用Adam算法对所述主干网络和所述支线网络进行训练;其中,所述主干网络学习图像二分类的特征,所述支线网络学习图像块改变的像素点个数的特征;
将训练后的网络在所述验证集上进行测试,获取测试结果最好的网络作为所述图像隐写分析模型。
进一步,所述建立所述图像隐写分析模型的步骤还包括参数初始化的步骤,具体为:
采用高通滤波器对主干网络的第一个卷积层进行初始;
采用Xavier方式对主干网络的其他卷积层进行初始。
进一步,所述主干网络包括2种卷积核、9个残差块、全局池化层、全连接层和Softmax层;
其中,所述9个残差块中前3个残差块用于池化处理,后6个残差块用于对特征图进行深度卷积,所述9个残差块输出的特征图经所述全局池化层处理并输出图像隐写分析特征,所述全连接层和所述Softmax层将图像隐写分析特征映射成分类概率。
进一步,所述支线网络包括输出通道数为2大小为2×(1×1×64)的第一卷积层、输出通道数为64大小为64×(5×5×64)的第二卷积层以及输出通道数为64大小为64×(4×4×64)的解卷积层;
所述第二卷积层连接分别与所述主干网络的第6残差块、第7残差块、第8残差块和第9残差块连接,所述第6残差块输出的图像经过所述第二卷积层获得第一特征图,所述第7残差块输出的图像经过所述第二卷积层获得第二特征图,所述第8残差块输出的图像经过所述第二卷积层获得第三特征图,所述第9残差块输出的图像经过所述第二卷积层获得第四特征图;
所述第四特征图经过所述解卷积层上采样后,与所述第三特征图进行融合,获得第一融合图;
所述第一融合图经过所述解卷积层上采样后,与所述第二特征图进行融合,获得第二融合图;
所述第二融合图经过所述解卷积层上采样后,与所述第一特征图进行融合,获得第三融合图;
所述第三融合图经过所述第一卷积层处理后,获得大小为(2×64×64)的最终特征图,
所述最终特征图经过二维均方误差函数处理后,获得的输出值作为图像块中改变的像素点个数误差总和的表示。
进一步,所述对裁剪后的图像进行划分,获得多个图像块,为每个所述图像块置标签,包括:
对于所述载密图像,将图像划分为多个大小为4×4的图像块;
将所述图像块与所述载体图像进行对比,若所述图像块内有像素值改变,将所述图像块的标签置为改变的像素点个数;否则将所述图像块的标签置为0。
进一步,所述预设的嵌入率为5个不同的嵌入率,将所述5个不同的嵌入率划分为高嵌入率和低嵌入率,在对模型训练过程中,使用迁移学习的方法,在高嵌入率训练完网络后,在低嵌入率载入网络再进行训练。
进一步,所述高通滤波器为隐写算法SRM中使用到的30个高通滤波器。
本发明所采用的另一技术方案是:
一种基于图像块的图像隐写分析系统,包括:
图像获取模块;用于获取待检测图像;
隐写分析模块,用于采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;
所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。
本发明所采用的另一技术方案是:
一种基于图像块的图像隐写分析装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述一种基于图像块的图像隐写分析方法。
本发明所采用的另一技术方案是:
一种存储介质,其中存储有处理器可执行的指令,所述处理器可执行的指令在由处理器执行时用于执行如上所述一种基于图像块的图像隐写分析方法。
本发明的有益效果是:本发明采用多任务学习的思想,将图像隐写分析模型分为主干网络和支线网络两部分,消除一定的像素点修改位置的不确定性;隐写算法嵌入时,被修改的像素点周围的像素点的失真也比较低,被改变的概率也比较大,采用图像块打标签的方式,尽可能地使被改变概率相差不大的像素点的标签一致,降低模型的学习难度。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案,下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍,应当理解的是,下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例,对于本领域的技术人员而言,在无需付出创造性劳动的前提下,还可以根据这些附图获取到其他附图。
图1是本发明实施例中图像隐写分析模型的网络结构图;
图2是本发明实施例中主干网络结构中的残差块0的示意图;
图3是本发明实施例中主干网络结构中的残差块1的示意图;
图4是本发明实施例中主干网络结构中的残差块2的示意图;
图5是本发明实施例中主干网络结构中的残差块3的示意图;
图6是本发明实施例中主干网络结构中的残差块4的示意图;
图7是本发明实施例中标签制作过程的载体图像像素值示意图;
图8是本发明实施例中标签制作过程的载密图像像素值示意图;
图9是本发明实施例中图像块的标签图。
图10是本发明实施例中一种基于图像块的图像隐写分析方法的步骤流程图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,仅用于解释本发明,而不能理解为对本发明的限制。对于以下实施例中的步骤编号,其仅为了便于阐述说明而设置,对步骤之间的顺序不做任何限定,实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中,需要理解的是,涉及到方位描述,例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
在本发明的描述中,若干的含义是一个或者多个,多个的含义是两个以上,大于、小于、超过等理解为不包括本数,以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。
本发明的描述中,除非另有明确的限定,设置、安装、连接等词语应做广义理解,所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图10所示,本实施例提供一种基于图像块的图像隐写分析方法,该方法包括但不限于以下步骤:
S1、设计基于图像块的图像隐写方法的主干网络和支线网络。
具体的网络结构设置和方法如下:
如图1所示,本实施例的基于图像块隐写分析的方法采用多任务学习的思想,将模型分为主干网络和支线网络两部分。
其中主干网络由2个卷积核、9个残差块、全局池化层、全连接层、Softmax层组成,其中,第一个卷积核的尺寸大小为30×(5×5×1)由SRM中的30个典型的高通滤波器进行初始化,且在训练过程中是可学习的,这样子可以提取图像中的残差信息,便于网络进行学习有利特征。接下来的卷积核是一个尺寸大小为64×(3×3×30)的卷积核,用于增加特征的通道数,增加特征的表达能力。接下来是9个残差块,其中前5个残差块用于高频特征的获取,考虑到池化处理会对滤去部分有用的高频信息,为此前3个残差块池化处理,此外,后面6个残差块对特征图深度卷积;图2为残差块0(L0)的示意图,图3为残差块1(L1)的示意图,图4为残差块2(L2)的示意图,图5为残差块3(L3)的示意图,图6为残差块4(L4)的示意图。残差块用于保持特征图尺寸以及减小特征图尺寸,其中用于减小特征图尺寸的残差块结构包括三种:第一种是两个卷积核大小为3×3、卷积间隔为2的卷积层,再配合卷积核大小为1×1、卷积间隔为1的卷积层匹配特征图通道数;第二种是两个卷积核大小为3×3、卷积间隔为2的卷积层,再配合池化大小为3×3、池化间隔为2的平均池化层,卷积核大小为1×1、卷积间隔为1的卷积层匹配特征图通道数。第三种是一个卷积核大小为3×3、卷积间隔为2的卷积层,以及两个1×1的卷积核用于升维和降维,再配合池化大小为3×3、池化间隔为2的平均池化层,以及卷积核大小为1×1、卷积间隔为1的卷积层匹配特征图通道数,最后将残差块输出的结果输入到经过卷积层、全局池化层、全连接层以及Softmax层的处理,将输出映射到0-1的范围。
其中支线网络主要是在主干网络的第6个残差块至第9个残差块依次连接的一个输出通道数为2大小为2×(5×5×64)的卷积层和一个将特征图上采样2倍至输入图像大小的解卷积层,以及第二个网络小块(及第六个残差块的下一个残差块)后依次连接的一个输出通道数为64大小为64×(5×5×64)的卷积层和一个将特征图上采样2倍至输入图像大小的解卷积层;对上述得到的两个输入图像1/16大小的特征图求和,得到的特征图经过二维均方误差函数输出的特征图作为对图像中各个4×4图像块里面改变的像素点个数误差的表示。从图1中可看出,主干网络的第六残差块、第七残差块、第八残差块和第九残差块都与第二卷积层连接,并输出对应的特征图。
S2、制作数据集,方法如下:
本实施例中使用的数据集有BOSSbase和BOWS-2,每一个数据集都包括10000张图像,在本实验中,会将这20000张图像以中心为基准裁剪为256×256大小,再分别在三种典型算法WOW,S-UNIWARD和HILL在五种嵌入率下进行图像隐写,再将图像互相独立划分为训练集,验证集和测试集,其中训练集28000张图像(1张载体图像对应1张载密图像)、验证集2000张图像,测试集10000张图像。
本实施例提出的图像块隐写分析的定义为:检测一个大小为4×4的图像块是否有嵌入秘密信息,即大小为4×4的图像块中是否有像素值发生改变。由于像素点修改位置会发生一定的变化,有一定的不确定性,因此图像块隐写分析的标签制作不再是基于像素点了,而是基于像素块。本节采用的图像块大小为4×4,当4×4图像块中有一个或者多个位置被修改时,则这个图像块的标签为改变的像素点的个数;当4×4图像块中没有一个像素被修改时,则这个图像块的标签为0,其标签的制作过程如图7-图9所示。其中,图7为标签制作过程中载体图像像素值示意图,图8为标签制作过程中载密图像像素值示意图,图9为图像块的标签图。
S3、参数初始化,方法如下:
在网络参数初始化阶段,第一层卷积层使用30个扩充后的5×5的高通滤波器进行初始化,其他卷积层使用Xavier的方式进行初始化,而最后一层全连接层则使用随机数初始化,其中随机数满足均值为0、标注差为0.01的高斯分布;至于网络的偏置,则全部初始化为0。
S4、训练网络。
在网络训练阶段,本节实验采用的优化算法为自适应的优化算法Adam,其中用于计算梯度和梯度平方的滑动平均值的参数分别设置为0.9和0.999;权值衰减系数为0.0001;训练的batch size设为8,其中有4张载体图像,以及与之相对应的4张载密图像;其他参数的设计分为高嵌入率(0.5bpp)和低嵌入率(0.1bpp、0.2bpp、0.3bpp、0.4bpp)来设计。在高嵌入率时,模型从零开始训练,学习率初始化为0.0001,每迭代120个epoch(遍历所有训练数据一遍称为1个epoch),学习率降为原来的0.1倍,总共迭代270个epoch;在低嵌入率时,采用迁移学习的方法,训练前先加载嵌入率高0.1bpp的最好的模型,学习率初始化为0.00001,每迭代60个epoch,学习率降为原来的0.1倍,总共迭代90个epoch。依据这些参数设置,不断地训练模型。使用迁移学习的方法,在高嵌入率(0.5bpp)训练完网络后,在低嵌入率(0.4bpp,0.3bpp,0.2bpp,0.1bpp)载入网络再进行训练,能够极大的缩减了训练时间和提高了准确率。
S5、测试阶段。
利用训练好的卷积神经网络对测试图像进行隐写分析,计算出网络的输出判定待检测图像是否为载密图像。
综上所述,本实施例的图像隐写分析方法,相对于现有技术,具有如下有益效果:
(1)、本实施例通过多任务学习的方式,消除一定的像素点修改位置的不确定性。一般,隐写算法嵌入时,被修改的像素点周围的像素点的失真也比较低,被改变的概率也比较大,采用图像块打标签的方式,尽可能地使被改变概率相差不大的像素点的标签一致,降低模型的学习难度。
(2)、本实施例通过迁移学习的方式,使用迁移学习的方法,在高嵌入率(0.5bpp)训练完网络后,在低嵌入率(0.4bpp,0.3bpp,0.2bpp,0.1bpp)载入网络再进行训练,极大的缩减了训练时间和提高了准确率。
本实施例还提供一种基于图像块的图像隐写分析系统,包括:
图像获取模块;用于获取待检测图像;
隐写分析模块,用于采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;
所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。
本实施例的一种基于图像块的图像隐写分析系统,可执行本发明方法实施例所提供的一种基于图像块的图像隐写分析方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本实施例还提供一种基于图像块的图像隐写分析装置,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现上所述一种基于图像块的图像隐写分析方法。
本实施例的一种基于图像块的图像隐写分析装置,可执行本发明方法实施例所提供的一种基于图像块的图像隐写分析方法,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序,该计算机程序产品或计算机程序包括计算机指令,该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令,处理器执行该计算机指令,使得该计算机设备执行图10所示的方法。
本实施例还提供了一种存储介质,存储有可执行本发明方法实施例所提供的一种基于图像块的图像隐写分析方法的指令或程序,当运行该指令或程序时,可执行方法实施例的任意组合实施步骤,具备该方法相应的功能和有益效果。
在一些可选择的实施例中,在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如,取决于所涉及的功能/操作,连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外,在本发明的流程图中所呈现和描述的实施例以示例的方式被提供,目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的,其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外,虽然在功能性模块的背景下描述了本发明,但应当理解的是,除非另有相反说明,所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中,或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是,有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说,考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下,在工程师的常规技术内将会了解该模块的实际实现。因此,本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是,所公开的特定概念仅仅是说明性的,并不意在限制本发明的范围,本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或多个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如,如果用硬件来实现,和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
在本说明书的上述描述中,参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明,但本发明并不限于上述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (10)
1.一种基于图像块的图像隐写分析方法,其特征在于,包括以下步骤:
获取待检测图像;
采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;
所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。
2.根据权利要求1所述的一种基于图像块的图像隐写分析方法,其特征在于,所述图像隐写分析方法还包括建立所述图像隐写分析模型的步骤,所述建立所述图像隐写分析模型的步骤包括建立训练集的步骤和训练模型的步骤,其中,所述建立训练集的步骤具体为:获取图像数据集,对图像数据集中的图像进行裁剪;
采用预设的嵌入率对裁剪后的图像进行隐写,得到载体图像和载密图像;
对裁剪后的图像进行划分,获得多个图像块,为每个所述图像块置标签;
从获得的图像及图像块中获取训练集、验证集和测试集;
所述训练模型的步骤具体为:
将所述训练集输入到所述图像隐写分析模型的网络中,以及采用Adam算法对所述主干网络和所述支线网络进行训练;其中,所述主干网络学习图像二分类的特征,所述支线网络学习图像块改变的像素点个数的特征;
将训练后的网络在所述验证集上进行测试,获取测试结果最好的网络作为所述图像隐写分析模型。
3.根据权利要求2所述的一种基于图像块的图像隐写分析方法,其特征在于,所述建立所述图像隐写分析模型的步骤还包括参数初始化的步骤,具体为:
采用高通滤波器对主干网络的第一个卷积层进行初始;
采用Xavier方式对主干网络的其他卷积层进行初始。
4.根据权利要求1所述的一种基于图像块的图像隐写分析方法,其特征在于,所述主干网络包括2种卷积核、9个残差块、全局池化层、全连接层和Softmax层;
其中,所述9个残差块中前3个残差块用于池化处理,后6个残差块用于对特征图进行深度卷积,所述9个残差块输出的特征图经所述全局池化层处理并输出图像隐写分析特征,所述全连接层和所述Softmax层将图像隐写分析特征映射成分类概率。
5.根据权利要求4所述的一种基于图像块的图像隐写分析方法,其特征在于,所述支线网络包括输出通道数为2大小为2×(1×1×64)的第一卷积层、输出通道数为64大小为64×(5×5×64)的第二卷积层以及输出通道数为64大小为64×(4×4×64)的解卷积层;
所述第二卷积层连接分别与所述主干网络的第6残差块、第7残差块、第8残差块和第9残差块连接,所述第6残差块输出的图像经过所述第二卷积层获得第一特征图,所述第7残差块输出的图像经过所述第二卷积层获得第二特征图,所述第8残差块输出的图像经过所述第二卷积层获得第三特征图,所述第9残差块输出的图像经过所述第二卷积层获得第四特征图;
所述第四特征图经过所述解卷积层上采样后,与所述第三特征图进行融合,获得第一融合图;
所述第一融合图经过所述解卷积层上采样后,与所述第二特征图进行融合,获得第二融合图;
所述第二融合图经过所述解卷积层上采样后,与所述第一特征图进行融合,获得第三融合图;
所述第三融合图经过所述第一卷积层处理后,获得大小为(2×64×64)的最终特征图,所述最终特征图经过二维均方误差函数处理后,获得的输出值作为图像块中改变的像素点个数误差总和的表示。
6.根据权利要求2所述的一种基于图像块的图像隐写分析方法,其特征在于,所述对裁剪后的图像进行划分,获得多个图像块,为每个所述图像块置标签,包括:
对于所述载密图像,将图像划分为多个大小为4×4的图像块;
将所述图像块与所述载体图像进行对比,若所述图像块内有像素值改变,将所述图像块的标签置为改变的像素点个数;否则将所述图像块的标签置为0。
7.根据权利要求2所述的一种基于图像块的图像隐写分析方法,其特征在于,所述预设的嵌入率为5个不同的嵌入率,将所述5个不同的嵌入率划分为高嵌入率和低嵌入率,在对模型训练过程中,使用迁移学习的方法,在高嵌入率训练完网络后,在低嵌入率载入网络再进行训练。
8.一种基于图像块的图像隐写分析系统,其特征在于,包括:
图像获取模块;用于获取待检测图像;
隐写分析模块,用于采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析,根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像;
所述图像隐写分析模型包括主干网络和支线网络,所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析,所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。
9.一种基于图像块的图像隐写分析装置,其特征在于,包括:
至少一个处理器;
至少一个存储器,用于存储至少一个程序;
当所述至少一个程序被所述至少一个处理器执行,使得所述至少一个处理器实现权利要求1-7任一项所述的一种基于图像块的图像隐写分析方法。
10.一种存储介质,其中存储有处理器可执行的程序,其特征在于,所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-7任一项所述一种基于图像块的图像隐写分析方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399464.6A CN112581345A (zh) | 2020-12-04 | 2020-12-04 | 基于图像块的图像隐写分析方法、系统、装置及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011399464.6A CN112581345A (zh) | 2020-12-04 | 2020-12-04 | 基于图像块的图像隐写分析方法、系统、装置及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112581345A true CN112581345A (zh) | 2021-03-30 |
Family
ID=75127842
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011399464.6A Pending CN112581345A (zh) | 2020-12-04 | 2020-12-04 | 基于图像块的图像隐写分析方法、系统、装置及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112581345A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034337A (zh) * | 2021-04-29 | 2021-06-25 | 百度在线网络技术(北京)有限公司 | 图像检测方法、相关装置及计算机程序产品 |
CN115731089A (zh) * | 2022-12-16 | 2023-03-03 | 中国人民解放军61660部队 | 一种基于成分能量的双任务图像隐写方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
CN108596818A (zh) * | 2017-12-22 | 2018-09-28 | 华南理工大学 | 一种基于多任务学习卷积神经网络的图像隐写分析方法 |
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 |
US20200134774A1 (en) * | 2018-10-24 | 2020-04-30 | Seoul National University R&Db Foundation | Method and apparatus for removing hidden data based on autoregressive generative model |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
-
2020
- 2020-12-04 CN CN202011399464.6A patent/CN112581345A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
CN108596818A (zh) * | 2017-12-22 | 2018-09-28 | 华南理工大学 | 一种基于多任务学习卷积神经网络的图像隐写分析方法 |
US20200134774A1 (en) * | 2018-10-24 | 2020-04-30 | Seoul National University R&Db Foundation | Method and apparatus for removing hidden data based on autoregressive generative model |
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 |
CN111192200A (zh) * | 2020-01-02 | 2020-05-22 | 南京邮电大学 | 基于融合注意力机制残差网络的图像超分辨率重建方法 |
Non-Patent Citations (1)
Title |
---|
XIANGYU YU ET AL.: "An Image Steganalysis Based on Multi-Task Learning CNN and Image Block Steganalysis", 《第十五届全国信息隐藏暨多媒体信息安全学术大会会议论文集》, 22 October 2019 (2019-10-22), pages 1 - 9 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113034337A (zh) * | 2021-04-29 | 2021-06-25 | 百度在线网络技术(北京)有限公司 | 图像检测方法、相关装置及计算机程序产品 |
CN113034337B (zh) * | 2021-04-29 | 2023-09-01 | 百度在线网络技术(北京)有限公司 | 图像检测方法及相关装置 |
CN115731089A (zh) * | 2022-12-16 | 2023-03-03 | 中国人民解放军61660部队 | 一种基于成分能量的双任务图像隐写方法 |
CN115731089B (zh) * | 2022-12-16 | 2024-02-23 | 中国人民解放军61660部队 | 一种基于成分能量的双任务图像隐写方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852316B (zh) | 一种采用密集结构卷积网络的图像篡改检测和定位方法 | |
CN111444881A (zh) | 伪造人脸视频检测方法和装置 | |
WO2018125580A1 (en) | Gland segmentation with deeply-supervised multi-level deconvolution networks | |
CN110334779B (zh) | 一种基于PSPNet细节提取的多聚焦图像融合方法 | |
CN107506765B (zh) | 一种基于神经网络的车牌倾斜校正的方法 | |
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 | |
CN109118504B (zh) | 一种基于神经网络的图像边缘检测方法、装置及其设备 | |
CN112581345A (zh) | 基于图像块的图像隐写分析方法、系统、装置及介质 | |
CN108734677B (zh) | 一种基于深度学习的盲去模糊方法及系统 | |
CN109670491A (zh) | 鉴别人脸图像的方法、装置、设备和存储介质 | |
CN111179196B (zh) | 一种基于分而治之的多分辨率深度网络图像去高光方法 | |
CN113516126A (zh) | 一种基于注意力特征融合的自适应阈值场景文本检测方法 | |
CN113657528B (zh) | 图像特征点提取方法、装置、计算机终端及存储介质 | |
CN111028151A (zh) | 基于图残差神经网络融合的点云数据拼接方法 | |
CN110738660A (zh) | 基于改进U-net的脊椎CT图像分割方法及装置 | |
CN111815526B (zh) | 基于图像滤波和cnn的有雨图像雨条纹去除方法及系统 | |
CN112149526A (zh) | 一种基于长距离信息融合的车道线检测方法及系统 | |
CN114359073A (zh) | 一种低光照图像增强方法、系统、装置及介质 | |
CN112927254A (zh) | 一种单字碑帖图像二值化方法、系统、装置及存储介质 | |
CN113240023A (zh) | 基于变化图像分类和特征差值先验的变化检测方法及装置 | |
CN111079585B (zh) | 图像增强结合伪孪生卷积神经网络的行人再识别方法 | |
CN117391920A (zh) | 基于rgb通道差分平面的大容量隐写方法及系统 | |
CN117218029A (zh) | 基于神经网络的夜间暗光图像智能处理方法 | |
CN111539931A (zh) | 一种基于卷积神经网络和边界限定优化的外观异常检测方法 | |
CN116704206A (zh) | 图像处理方法、装置、计算机设备和存储介质 |
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 |