[发明专利]一种基于卷积神经网络的图像隐写分析方法及系统

说明书

本发明公开了一种基于卷积神经网络的图像隐写分析方法及系统，包括三个模块：图像预处理部分、特征提取部分、特征分类模块。在图像预处理部分，本发明通过实验选择了一组具有多方向、多尺度参数的Gabor滤波器与输入图像卷积获得高信噪比的图像残差；特征提取部分使用了快捷连接结构将浅层的输出与后面层直接相连来减轻过拟合现象。本发明基于卷积神经网络的隐写方法不需要大量关于隐写、隐写分析的领域知识，特征提取和特征分类过程是联合的优化过程，设计简单易于实施；其次，利用Gabor滤波器的尺度性和方向性可以帮助网络提取更有效的图像残差；最后，对J‑UNIWARD和UED两种内容自适应的隐写算法都能取得比较好的检测效果。

技术领域

本发明属于图像隐写分析领域，更具体地，涉及一种基于卷积神经网络的图像隐写分析方法及系统。

背景技术

随着互联网技术和图像处理技术的不断发展，数字图像成为日常生活中最广泛应用的信息传递媒体之一，人们可以在互联网上传和下载海量的数字图像，但这也给了犯罪分子可乘之机，一旦犯罪分子利用计算机技术通过网络上的数字图像窃取个人隐私、商业机密和国家情报，将造成非常恶劣的影响。因此，数字图像的安全性可信度已经成为信息安全领域的一个热点问题。

数字图像隐写技术是信息隐藏技术的一个重要组成部分，不同于信息加密技术将原始的文件加密成不可读含有密文的文件但并不隐藏通信行为，隐写技术通过修改原始载体图像来嵌入信息，最终得到与普通载体视觉上无区别的含密载体图像，隐藏了秘密信息在公共信道上的传输过程，使攻击者无法确认载体中是否含有隐藏信息。根据隐写算法嵌入秘密信息时的工作域不同，可以将其分为修改图像像素的空域隐写算法和修改离散余弦变换系数的JPEG域隐写算法。由于JPEG图像在网络中传输应用的普遍性和其压缩编码算法的公开性，用JPEG图像作为信息隐藏的载体在网络上进行隐蔽通信与其他格式相比也更为便利和安全，对JPEG图像隐写技术的研究成为信息隐藏领域研究的重中之重。

为了防止隐写技术被犯罪分子恶意使用来传递秘密信息，隐写分析技术的目的是判断图像中是否被嵌入秘密信息。基于信息嵌入对统计特征的改变和机器学习理论的隐写分析方法，通常由特征提取和训练分类器两个部分组成。但由于目前大多数安全性较高的内容自适应隐写算法通过设计一个失真代价函数将信息嵌入在图像复杂纹理的区域，基于人工设计特征的隐写分析算法难以对这些区域进行精准的建模，无法提取到非常有效的特征。近年来，随着深度学习，特别是卷积神经网络在计算机视觉的多个领域取得了突破性进展，隐写分析领域也开始使用卷积神经网络代替传统的人工设计特征的隐写分析方法，但现有的基于卷积神经网络的JPEG隐写分析对低嵌入率的检测结果均不令人满意。

发明内容

为解决现有的基于卷积神经网络的JPEG隐写分析方法的缺陷，本发明通过实验选择了一组具有多方向、多尺度参数的Gabor滤波器与输入图像卷积获得高信噪比的图像残差，这是也第一种使用Gabor滤波器在JPEG隐写分析网络预处理部分提取残差的方法。

为解决上述技术问题，本发明的技术方案如下：

一种基于卷积神经网络的图像隐写分析系统，包括图像预处理部分、特征提取部分、特征分类模块。

一种基于卷积神经网络的图像隐写分析方法，包括以下步骤：

S1：设计实验所需的图像数据库，对图像数据库中的图像进行裁剪、压缩和隐秘信息嵌入，得到载密图像；将原始图像和载密图像分为互不相交的训练集、验证集和测试集；

S2：设计基于卷积神经网络的网络模型，所述的网络模型包括预处理层、使用卷积层和池化层的特征提取层、全连接层和Softmax函数的特征分类层；

S3：基于根据实验结果设计预处理层的图像残差数据确定滤波器的初始化的参数；

S4：将训练集的图像进行数据增强后输入S2的基于卷积神经网络的网络模型进行训练；