[发明专利]基于卷积神经网络的图像隐写分析方法

权利要求书

1.一种基于卷积神经网络的图像隐写分析方法，其特征是，具体关系为：

y＝H_p(x)

式中，H_P(·)表示卷积神经网络，p表示网络参数，x表示输入图像，通过训练卷积神经网络，使得网络损失值达到最小，得到最优参数值P^*，进而提高网络模型的检测性能，其中，图像经过卷积神经网络预处理层、特征提取层处理后，还需要全连接层来对提取出的特征进行分类，全连接层中softmax层对提取出的特征进行分类。

2.如权利要求1所述的基于卷积神经网络的图像隐写分析方法，其特征是，具体地，首先将需要处理的图像进行预处理，即将图像通过高通滤波器进行卷积操作，以提取出图像的高频信息，便于之后进入网络进行处理；然后，利用卷积神经网络对图像进行特征提取，具体地，膨胀卷积如下式所示：

式中：X₀，X₀，…，X_n-1为一系列的图像，k₀，k₁，…，k_n-1为一系列的3×3滤波器，为以指数增长的膨胀卷积；

对于X_j+1中的元素p，它的感受野定义为形成X_j+1(p)这个值所需要的X₀中的所有元素，感受野的大小即为X₀中这些元素的大小，所以在X_j+1中，每个元素的感受野大小为(2^j+2-1)×(2^j+2-1)；

利用膨胀卷积，提取不同尺度感受野的图像特征。

3.如权利要求1所述的基于卷积神经网络的图像隐写分析方法，其特征是，全连接层构成了网络模型中的分类模块，每层全连接层均包括多个神经单元，且两层之间根据下式进行计算：

其中，表示第i层全连接层的第i输入单元，表示连接第l层全连接层的第i输入单元和第j输出单元的权重，表示第l层全连接层的第j输出单元的偏置；这里，每个单元均与前一层的所有单元连接，其中第一层与卷积层的最后一层相连，其最后一层与输出层相连，每层的输出作为下一层的输入；f(x)为激活函数，其中最后一层全连接层中元素的激活函数为softmax函数，如下式所示：

其中i＝1,2表示分类类别。

4.如权利要求1所述的基于卷积神经网络的图像隐写分析方法，其特征是，残差图像x是输入图像I和高通滤波器K两者卷积生成：

x＝I*K

式中，I表示原始输入图像，K表示高通滤波器，*表示卷积操作，选择KV滤波器作为高通滤波器：

具体地，针对网络的训练目标，网络中的参数通过最小化softmax函数来学习：

式中y_i表示样本x_i的标签，δ(·)表示delta函数，N表示训练样本数，K表示标签数，o_ik(x_i，θ)指表示是第i个样本在第k个标签时的输出，θ表示网络的参数，对于一个神经网络模型来说，θ一般指的是权重矩阵w或者是偏置向量b，每一层的权重矩阵和偏置向量是通过梯度衰减来更新的，更新公式如下：

式中α是学习率，使用小批量随机梯度下降来优化网络。