[发明专利]基于卷积神经网络的图像隐写分析方法

说明书

本发明属于图像处理、计算机视觉技术领域，为提出一种能够在抑制原有图像细节特征的前提下，有效提取到隐写图像中隐写特征，提高图像隐写分析效果的方法。为此，本发明采用的技术方案是，基于卷积神经网络的图像隐写分析方法，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。本发明主要应用于图像处理场合。

技术领域

本发明属于图像处理、计算机视觉技术领域，具体讲，涉及基于卷积神经网络的图像隐写分析方法。

背景技术

人们多把隐写分析问题看作是二分类问题，目标是区分正常图像和载密图像。图像隐写分析的困难在于隐写操作引入到图像中的隐写噪声信号通常是很微弱的，隐写前后图像差异很小，且这种差异很容易被不同图像内容间的差异性掩盖。而当嵌入到图像中的信息量逐渐减少时,隐写分析的困难性还将进一步加大。尤其是近年来提出的内容自适应隐写术在进行信息嵌入时可以优先将隐写信号隐藏到难以统计建模的图像复杂纹理区域。因此在低嵌入率条件下，自适应隐写术可以更好的发挥其优势，也更难检测。

为了更准确地去检测出隐写图像，研究人员进行了广泛的研究，将图像去雨分为了三个步骤：图像预处理、特征提取和分类。图像预处理就是预处理通过利用高通滤波(残差预测算子)对空域图像进行卷积操作，提取出图像的高频信息，即边缘和纹理复杂的区域，这些区域也是隐写术嵌入的区域。特征提取是指对图像进行特征提取，并根据图像的特征，利用多维向量对图像进行表示。其中，多维向量的一个维度即为卷积神经网络提取的一个特征图像，特征图像的数量即为多维向量的维数。在图像隐写分析中，特征提取是关键的一步，为了对抗自适应隐写术，传统方法中的特征设计需要考虑更复杂的图像统计特性，特征也向着复杂化、高维化发展。但是，有效特征的设计更多的依赖于人的经验，而且需要花费大量的时间。在深度学习方法中，模型中的卷积结构在捕捉图像局部区域像素间的相关性方面具有优势，但是卷积神经网络(convolutional neural network，CNN)在特征抽取过程中对于全局信息的利用方面，一般是通过卷积层的缩放或是池化(pooling)等操作逐层的融合局部区域的信息，该方式存在本身的限制性。

发明内容

为克服现有技术的不足，本发明旨在提出一种能够在抑制原有图像细节特征的前提下，有效提取到隐写图像中隐写特征，提高图像隐写分析效果的方法。为此，本发明采用的技术方案是，基于卷积神经网络的图像隐写分析方法，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。

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；