CN117671302B - 一种图像隐写分析方法、装置及存储介质 - Google Patents

一种图像隐写分析方法、装置及存储介质 Download PDF

Info

Publication number
CN117671302B
CN117671302B CN202410140154.4A CN202410140154A CN117671302B CN 117671302 B CN117671302 B CN 117671302B CN 202410140154 A CN202410140154 A CN 202410140154A CN 117671302 B CN117671302 B CN 117671302B
Authority
CN
China
Prior art keywords
information
airspace
frequency
features
graph
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
Application number
CN202410140154.4A
Other languages
English (en)
Other versions
CN117671302A (zh
Inventor
卢瑶
潘健洪
周俊超
卢光明
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Original Assignee
Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology filed Critical Harbin Institute Of Technology shenzhen Shenzhen Institute Of Science And Technology Innovation Harbin Institute Of Technology
Priority to CN202410140154.4A priority Critical patent/CN117671302B/zh
Publication of CN117671302A publication Critical patent/CN117671302A/zh
Application granted granted Critical
Publication of CN117671302B publication Critical patent/CN117671302B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • 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
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • 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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G06V10/443—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components by matching or filtering
    • G06V10/449—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters
    • G06V10/451—Biologically inspired filters, e.g. difference of Gaussians [DoG] or Gabor filters with interaction between the filter responses, e.g. cortical complex cells
    • G06V10/454—Integrating the filters into a hierarchical structure, e.g. convolutional neural networks [CNN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Multimedia (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Biodiversity & Conservation Biology (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种图像隐写分析方法及设备，方法包括：利用空域富模型中srm滤波提取待分析原始图片的空域高频噪声信息图；利用高通滤波方法提取待分析原始图片的高频信息图；对空域高频噪声信息图和高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；利用深度学习网络对频域信息子图和空域信息子图进行特征提取；将提取的特征进行相似度计算，得到特征相似度矩阵；对特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；通过设定决策边界，并通过特征平均相似度与方法决策边界比较得到待分析原始图片的隐写分析结果。本发明提高了图像隐写分析的准确率。

Description

一种图像隐写分析方法、装置及存储介质
技术领域
本发明属于信息安全技术领域，具体涉及一种图像隐写分析方法、装置及存储介质。
背景技术
现代信息隐写技术是一种将秘密信息隐藏在数字载体中进行隐蔽通信的技术。随着互联网媒体的普及和大数据时代的到来，数字图像、视频、音频、文本等数字信息井喷式出现，可供信息隐写使用的载体取之不尽，用之不竭，同时在网络上大量的电子文件以及通过点对点通信交换的数字媒体使得人们很难发现这些媒体中隐藏的信息，其中图像作为网络上最易获得和易于加工的数字载体是隐写术的合适选择之一，在现实生活中也存在巨大的隐患。在互联网以及各大社交媒体平台流行的今天，随着大量不法分子利用信息隐写技术传播有害图像信息的现象频发，面向图像秘密信息的隐写分析已经成为信息安全领域中的重要研究方向。
图像隐写分析技术，就是检测图像是否具有非自然修改和具有隐藏信息的技术，是图像隐写技术的对立技术。然而，现有的图像隐写分析技术仅仅对隐藏于图像中二进制信息进行检测与分析，而并没有针对以图像作为秘密信息的含密图像进行检测与分析。而且，传统的以二进制为秘密信息的工作，在特种提取的过程中，仅使用了图像的空域信息，并没有充分挖掘图像的频域信息，以至于将传统方法迁移到以图像为秘密信息的图像隐写分析时，检测性能不高，算法迁移能力不足。因此，现有技术还有待改进与提高。
发明内容
本发明针对上述问题，提供了一种图像隐写分析方法、装置及存储介质，旨在解决现有技术中图像隐写分析性能不高的问题。
根据本公开实施例，提供一种图像隐写分析方法，所述方法包括以下步骤:
利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；
利用高通滤波方法提取待分析原始图片的高频信息图；
对所述空域高频噪声信息图和所述高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
利用深度学习网络对所述频域信息子图和空域信息子图进行特征提取；
将提取的特征进行相似度计算，得到特征相似度矩阵；
对所述特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
通过设定决策边界，并通过所述特征平均相似度与所述决策边界比较得到待分析原始图片的隐写分析结果。
在一些实施例中，利用3个srm滤波分别对所述待分析原始图片的RGB三通道进行卷积处理，得到空域高频噪声信息图。
在一些实施例中，利用高通滤波方法提取待分析原始图片的高频信息图，包括以下步骤：
对所述待分析原始图片进行离散余弦变换，得到频谱图；
对所述频谱图进行高通滤波，保留所述频谱图高频信息；
使用逆向离散余弦变换，将保留高频信息的所述频谱图转换为RGB三通道图片，得到所述带分析原始图片的高频信息图。
在一些实施例中，对所述空域高频噪声信息图和所述高频信息图分别沿着垂直中线以及水平中线进行图像切割，分别得到四个位置的频域信息子图和四个位置的空域信息子图。
在一些实施例中，利用深度学习网络对所述频域信息子图和空域信息子图进行特征提取，具体包括以下步骤：
将相同位置的所述频域信息子图和所述空域信息子图配对后输入训练好的深度学习网络；
将所述深度学习网络输出相同位置的频域信息子图特征和空域信息子图特征进行拼接后得到整体特征。
在一些实施例中，所述深度学习模型包括两个路径，第一条路径提取空域信息子图特征，第二条路径提取频域信息子图特征，两条路径均包括若干卷积层、批量正则化层和修正线性单元层，两条路径中间均有两层多域特征融合注意力层，该注意力层将空域特征和频域特征进行融合，并计算所述空域特征和所述频域特征在不同位置的注意力权重,最后分别与各自域的路径特征相乘，得到频域信息子图特征和空域信息子图特征。
在一些实施例中，遍历提取的特征中两种不同特征进行余弦相似度计算，得到特征相似度三角矩阵。
在一些实施例中，设定决策边界，并将所述决策边界与所述特征平均相似度进行比较，若所述决策边界不小于所述特征平均相似度，则判定所述待分析原始图片为非含密图片；若所述决策边界小于所述特征平均相似度，则判定所述待分析原始图片为含密图像。
根据本公开的另一实施例，还提供了一种图像隐写分析装置，所述装置包括：
空域高频噪声信息图获取模块，用于利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；
高频信息图获取模块，用于利用高通滤波方法提取待分析原始图片的高频信息图；
图像切割模块，用于对所述空域高频噪声信息图和所述高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
特征提取模块，用于利用深度学习网络对所述频域信息子图和空域信息子图进行特征提取；
相似度计算模块，用于将提取的特征进行相似度计算，得到特征相似度矩阵；
特征平均相似度获取模块，用于对所述特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
结果判断模块，用于通过设定决策边界，并通过所述特征平均相似度与所述决策边界比较得到待分析原始图片的隐写分析结果。
根据本公开的另一实施例，一种非临时计算机可读存储介质，所述存储介质上存储有计算机指令，所述指令被处理器执行时实现如上所述图像隐写分析方法的步骤。
本公开实施例提供的技术方案：一种图像隐写分析方法、装置及存储介质，利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图，利用高通滤波方法提取待分析原始图片的高频信息图，对提取的空域高频噪声信息图和高频信息图进行切割、特征提取，最后计算出图像不同部分的噪声特征相似度，并利用平均相似度判断噪声分布是否相似，提高了图像隐写分析的准确率，解决了现有技术中图像隐写分析性能不高的问题，适用于多种不同的计算设备，扩大了适用范围，简化了操作，提高图像隐写分析检测的速度与效果。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明的实施例，并与说明书一起用于解释本发明的原理
图1是本发明实施例中图像隐写分析方法流程图；
图2是本发明实施例中srm滤波提取示意图；
图3是本发明实施例中对高频信息图进行分割示意图；
图4是本发明实施例中深度学习模型结构示意图；
图5是本发明实施例中深度学习模型分支结构示意图；
图6是本发明实施例中图像隐写分析装置结构示意图。
实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释本发明，而非对本发明的限定。另外还需要说明的是，为了便于描述，附图中仅出示了与本发明相关的部分而非全部结构。
在更加详细地讨论示例性实施例之前应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各步骤描述成顺序的处理，但是其中的许多步骤可以被并行地、并发地或者同时实施。此外，各步骤的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤。所述处理可以对应于方法、函数、规程、子例程、子程序等等。
本发明实施例针对一种图像隐写分析方法、装置及存储介质，提供了如下实施例：
实施例之一用于说明一种图像隐写分析方法，如图1所示，方法包括以下步骤:
S1、利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；利用高通滤波方法提取待分析原始图片的高频信息图；
具体地，利用3个srm滤波分别对待分析原始图片的RGB三通道进行卷积处理，得到空域高频噪声信息图。
利用高通滤波方法提取待分析原始图片的高频信息图，包括以下步骤：
对待分析原始图片进行离散余弦变换，得到频谱图；
对频谱图进行高通滤波，保留频谱图高频信息；
使用逆向离散余弦变换，将保留高频信息的频谱图转换为RGB三通道图片，得到带分析原始图片的高频信息图。
具体实施过程中，如图2所示，对待检测的原始图片，使用空域富模型相关的滤波，进行卷积操作；
实施例中所使用的3个srm滤波如下：、/>、，使用上述所示的3个srm滤波对分别原始图片的RGB三通道进行卷积处理，得到空域高频噪声信息图/>。
具体实施过程中，对待检测的原始图片 ，进行离散余弦变换，得到频谱图；使用高通滤波与频谱图进行相乘，去除掉频谱图的低频信息，保留频谱图的高频信息；使用逆向离散余弦变换，将频谱图转换回RGB三通道图片，得到原始图片的频域高频信息图。
S2、对空域高频噪声信息图和高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
具体地，对空域高频噪声信息图和高频信息图分别沿着垂直中线以及水平中线进行图像切割，分别得到四个位置的频域信息子图和四个位置的空域信息子图。
具体实施过程中，对提取得到的空域高频信息图沿着垂直中线以及水平中线进行切割，分别得到空域信息子图，空域信息子图/>、空域信息子图/>以及空域信息子图/>,其中，如图3所示，/>表示空域高频信息图的左上方部分，/>表示空域高频信息图的右上方部分，表示空域高频信息图的左下方部分，/>表示空域高频信息图的右下方部分；
对提取得到的频域高频信息图沿着垂直中线以及水平中线进行切割，分别得到频域信息子图，频域信息子图/>、频域信息子图/>以及频域信息子图/>，其中，如图3所示，/>表示频域高频信息图的左上方部分，/>表示频域高频信息图的右上方部分，/>表示频域高频信息图的左下方部分，/>表示频域高频信息图的右下方部分。
S3、利用深度学习网络对频域信息子图和空域信息子图进行特征提取；
具体地，利用深度学习网络对频域信息子图和空域信息子图进行特征提取，具体包括以下步骤：
将相同位置的频域信息子图和空域信息子图配对后输入训练好的深度学习网络；
将深度学习网络输出相同位置的频域信息子图特征和空域信息子图特征进行拼接后得到整体特征。
具体地，深度学习模型包括两个路径，第一条路径提取空域信息子图特征，第二条路径提取频域信息子图特征，两条路径均包括若干卷积层、批量正则化层和修正线性单元层，两条路径中间均有两层多域特征融合注意力层，该注意力层将空域特征和频域特征进行融合，并计算空域特征和频域特征在不同位置的注意力权重,最后分别与各自域的路径特征相乘，得到频域信息子图特征和空域信息子图特征。
具体实施过程中，利用训练好的深度学习模型M对
进行特征提取，得到特征，其中/>表示空域特征，/>表示频域特征；
将空域特征和频域特征/>进行拼接，得到整体特征；
优选的，深度学习模型M的架构如图4所示，模型M共有4个分支，每个分支分别提取特定部分的空域高频信息图和频域高频信息图的特征；
优选的，深度学习模型M的每个分支的架构如图5所示，分支/>由两个路径组成，第一条路径提取空域特征，第二条路径提取频域特征，两条路径都由若干卷积层、批量正则化层、修正线性单元层组成，在路径的中间有两层特征多域特征融合注意力层，该注意力层将空域特征和频域特征进行融合，并计算出空域的不同位置的注意力权重/>，以及频域的不同位置的注意力权重/>，随后与分别与各自域的路径特征相乘，突出重点特征的表达，减弱次要特征的表达。
S4、将提取的特征进行相似度计算，得到特征相似度矩阵；
具体地，在一些实施例中，遍历提取的特征中两种不同特征进行余弦相似度计算，得到特征相似度三角矩阵。
具体实施过程中，对原始图片不同部分的整体特征、/>、/>、，两两进行余弦相似度公式进行相似度计算，即/>，其中，/>指整体特征/>的第i个分量，/>为与/>相异的整体特征；
记，/>，/>，/>，根据上述公式，两两特征计算余弦相似度，得到如下相似度上三角矩阵：
。
S5、对所述特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
具体实施过程中，对相似度上三角矩阵的非零元素进行求和并取平均，即，得到平均相似度/>。
S6、通过设定决策边界，并通过特征平均相似度与决策边界比较得到待分析原始图片的隐写分析结果。
具体地，设定决策边界，并将决策边界与特征平均相似度进行比较，若决策边界不小于特征平均相似度，则判定待分析原始图片为非含密图片；若决策边界小于特征平均相似度，则判定待分析原始图片为含密图像。
具体实施过程中，设定决策边界，并将决策边界 />与平均相似度/>进行比较，若/>，则说明图像各部分噪声分布特征近似，判定为非含密图像；若/>，则说明图像各部分的噪声分布特征相异，判定为含密图像。
另一实施例用于说明图像隐写分析装置，如图6所示，装置600包括：
空域高频噪声信息图获取模块610，用于利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；
高频信息图获取模块620，用于利用高通滤波方法提取待分析原始图片的高频信息图；
图像切割模块630，用于对空域高频噪声信息图和高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
特征提取模块640，用于利用深度学习网络对频域信息子图和空域信息子图进行特征提取；
相似度计算模块650，用于将提取的特征进行相似度计算，得到特征相似度矩阵；
特征平均相似度获取模块660，用于对特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
结果判断模块670，用于通过设定决策边界，并通过特征平均相似度与决策边界比较得到待分析原始图片的隐写分析结果。
除了上模块以外，装置600还可以包括其他部件，然而，由于这些部件与本公开实施例的内容无关，因此在这里省略其图示和描述。
图像隐写分析装置600的其他具体工作过程参照上述图像隐写分析方法实施例的描述，不再赘述。
本发明实施例还提供了一种非临时计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例中所述的图像隐写分析方法，本发明实施例的计算机可读存储介质，可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子（非穷举的列表）包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器（RAM）、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
存储介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于无线、电线、光缆、RF（Radio Frequency，射频）等等，或者上述的任意合适的组合。
此外，一种非临时计算机可读存储介质的其他具体工作过程参照上述图像隐写分析方法实施例的描述，不再赘述。
综合上述各实施例提供的图像隐写分析方法、装置及存储介质，利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图，利用高通滤波方法提取待分析原始图片的高频信息图，对提取的空域高频噪声信息图和高频信息图进行切割、特征提取，最后计算出图像不同部分的噪声特征相似度，并利用平均相似度判断噪声分布是否相似，提高了图像隐写分析的准确率，解决了现有技术中图像隐写分析性能不高的问题，适用于多种不同的计算设备，扩大了适用范围，简化了操作，提高图像隐写分析检测的速度与效果。
在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的步骤、方法不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种步骤、方法所固有的要素。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种图像隐写分析方法，其特征在于，所述方法包括以下步骤:
利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；
利用高通滤波方法提取待分析原始图片的高频信息图；
对所述空域高频噪声信息图和所述高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
利用深度学习网络对所述频域信息子图和所述空域信息子图进行特征提取；
将提取的特征进行相似度计算，得到特征相似度矩阵；
对所述特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
通过设定决策边界，并通过所述特征平均相似度与所述决策边界比较得到待分析原始图片的隐写分析结果；
利用三个srm滤波分别对所述待分析原始图片的RGB三通道进行卷积处理，得到空域高频噪声信息图；
利用高通滤波方法提取待分析原始图片的高频信息图，包括以下步骤：
对所述待分析原始图片进行离散余弦变换，得到频谱图；
对所述频谱图进行高通滤波，保留所述频谱图高频信息；
使用逆向离散余弦变换，将保留高频信息的所述频谱图转换为RGB三通道图片，得到所述待分析原始图片的高频信息图；
利用深度学习网络对所述频域信息子图和空域信息子图进行特征提取，具体包括以下步骤：
将相同位置的所述频域信息子图和所述空域信息子图配对后输入训练好的深度学习网络；
将所述深度学习网络输出相同位置的频域信息子图特征和空域信息子图特征进行拼接后得到整体特征；
所述深度学习网络包括两个路径，第一条路径提取空域信息子图特征，第二条路径提取频域信息子图特征，两条路径均包括若干卷积层、批量正则化层和修正线性单元层，两条路径中间均有两层多域特征融合注意力层，该注意力层将空域特征和频域特征进行融合，并计算所述空域特征和所述频域特征在不同位置的注意力权重,最后分别与各自域的路径特征相乘，得到频域信息子图特征和空域信息子图特征。
2.根据权利要求1所述的图像隐写分析方法，其特征在于，对所述空域高频噪声信息图和所述高频信息图分别沿着垂直中线以及水平中线进行图像切割，分别得到四个位置的频域信息子图和四个位置的空域信息子图。
3.根据权利要求1所述的图像隐写分析方法，其特征在于，遍历提取的特征中两种不同特征进行余弦相似度计算，得到特征相似度三角矩阵。
4.根据权利要求1所述的图像隐写分析方法，其特征在于，设定决策边界，并将所述决策边界与所述特征平均相似度进行比较，若所述决策边界不小于所述特征平均相似度，则判定所述待分析原始图片为非含密图片；若所述决策边界小于所述特征平均相似度，则判定所述待分析原始图片为含密图像。
5.一种图像隐写分析装置，其特征在于，所述装置包括：
空域高频噪声信息图获取模块，用于利用空域富模型中的srm滤波提取待分析原始图片的空域高频噪声信息图；
高频信息图获取模块，用于利用高通滤波方法提取待分析原始图片的高频信息图；
图像切割模块，用于对所述空域高频噪声信息图和所述高频信息图分别进行图像切割，得到不同位置的频域信息子图和空域信息子图；
特征提取模块，用于利用深度学习网络对所述频域信息子图和所述空域信息子图进行特征提取；
相似度计算模块，用于将提取的特征进行相似度计算，得到特征相似度矩阵；
特征平均相似度获取模块，用于对所述特征相似度矩阵的非零元素进行求和取平均，获得特征平均相似度；
结果判断模块，用于通过设定决策边界，并通过所述特征平均相似度与所述决策边界比较得到待分析原始图片的隐写分析结果；
其中，空域高频噪声信息图获取模块中利用三个srm滤波分别对所述待分析原始图片的RGB三通道进行卷积处理，得到空域高频噪声信息图；
高频信息图获取模块中利用高通滤波方法提取待分析原始图片的高频信息图，包括以下步骤：
对所述待分析原始图片进行离散余弦变换，得到频谱图；
对所述频谱图进行高通滤波，保留所述频谱图高频信息；
使用逆向离散余弦变换，将保留高频信息的所述频谱图转换为RGB三通道图片，得到所述待分析原始图片的高频信息图；
利用深度学习网络对所述频域信息子图和空域信息子图进行特征提取，具体包括以下步骤：
将相同位置的所述频域信息子图和所述空域信息子图配对后输入训练好的深度学习网络；
将所述深度学习网络输出相同位置的频域信息子图特征和空域信息子图特征进行拼接后得到整体特征；
所述深度学习网络包括两个路径，第一条路径提取空域信息子图特征，第二条路径提取频域信息子图特征，两条路径均包括若干卷积层、批量正则化层和修正线性单元层，两条路径中间均有两层多域特征融合注意力层，该注意力层将空域特征和频域特征进行融合，并计算所述空域特征和所述频域特征在不同位置的注意力权重,最后分别与各自域的路径特征相乘，得到频域信息子图特征和空域信息子图特征。
6.一种非临时计算机可读存储介质，所述存储介质上存储有计算机指令，其特征在于，所述指令被处理器执行时实现如权利要求1至4任一项所述图像隐写分析方法的步骤。
CN202410140154.4A 2024-02-01 2024-02-01 一种图像隐写分析方法、装置及存储介质 Active CN117671302B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410140154.4A CN117671302B (zh) 2024-02-01 2024-02-01 一种图像隐写分析方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410140154.4A CN117671302B (zh) 2024-02-01 2024-02-01 一种图像隐写分析方法、装置及存储介质

Publications (2)

Publication Number Publication Date
CN117671302A CN117671302A (zh) 2024-03-08
CN117671302B true CN117671302B (zh) 2024-05-28

Family

ID=90075401

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410140154.4A Active CN117671302B (zh) 2024-02-01 2024-02-01 一种图像隐写分析方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN117671302B (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN106327413A (zh) * 2016-08-10 2017-01-11 深圳大学 一种基于频域分析的图像隐写方法及系统
CN110930287A (zh) * 2019-10-16 2020-03-27 中国平安财产保险股份有限公司 一种图像隐写检测方法、装置及计算机设备、存储介质
CN112150450A (zh) * 2020-09-29 2020-12-29 武汉大学 一种基于双通道U-Net模型的图像篡改检测方法及装置
CN116797437A (zh) * 2023-07-31 2023-09-22 东南大学 一种基于生成对抗网络的端到端图像隐写方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103914839A (zh) * 2014-03-27 2014-07-09 中山大学 一种基于隐写分析的图像拼接篡改检测方法及装置
CN106327413A (zh) * 2016-08-10 2017-01-11 深圳大学 一种基于频域分析的图像隐写方法及系统
CN110930287A (zh) * 2019-10-16 2020-03-27 中国平安财产保险股份有限公司 一种图像隐写检测方法、装置及计算机设备、存储介质
CN112150450A (zh) * 2020-09-29 2020-12-29 武汉大学 一种基于双通道U-Net模型的图像篡改检测方法及装置
CN116797437A (zh) * 2023-07-31 2023-09-22 东南大学 一种基于生成对抗网络的端到端图像隐写方法

Also Published As

Publication number Publication date
CN117671302A (zh) 2024-03-08

Similar Documents

Publication Publication Date Title
CN113554089B (zh) 一种图像分类对抗样本防御方法、系统及数据处理终端
Mayer et al. Exposing fake images with forensic similarity graphs
CN111222564B (zh) 基于图像通道相关性的图像鉴别系统、方法、装置
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
Hosny et al. Copy‐for‐duplication forgery detection in colour images using QPCETMs and sub‐image approach
CN109426773A (zh) 一种道路识别方法和装置
Thirunavukkarasu et al. Non-intrusive forensic detection method using DSWT with reduced feature set for copy-move image tampering
CN111932577A (zh) 文本检测方法、电子设备及计算机可读介质
CN115546076A (zh) 一种基于卷积网络的遥感图像薄云去除方法
Wang et al. An Intelligent Forensics Approach for Detecting Patch‐Based Image Inpainting
CN113392728B (zh) 一种基于ssa锐化注意机制的目标检测方法
Zhang et al. Feature compensation network based on non-uniform quantization of channels for digital image global manipulation forensics
CN113962900A (zh) 复杂背景下红外弱小目标检测方法、装置、设备及介质
CN117671302B (zh) 一种图像隐写分析方法、装置及存储介质
Liu et al. Image forgery localization based on fully convolutional network with noise feature
Le-Tien et al. A combination of super-resolution and deep learning approaches applied to image forgery detection
Wu et al. Joint manipulation trace attention network and adaptive fusion mechanism for image splicing forgery localization
CN115564709A (zh) 一种对抗场景下电力算法模型鲁棒性的评估方法和系统
CN108805842A (zh) 图像处理方法与装置
CN114882557A (zh) 一种人脸识别方法和装置
CN112052863B (zh) 一种图像检测方法及装置、计算机存储介质、电子设备
CN111626373A (zh) 多尺度加宽残差网络、小目标识别检测网络及其优化方法
Prakash et al. Detection of copy-move image forgery with efficient block representation and discrete cosine transform
Zhang et al. A multi-level feature enhancement network for image splicing localization
CN118379484B (zh) 基于频率指导空间自适应的伪装目标检测方法

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