[发明专利]基于Gabor滤波和卷积神经网络的图像隐写检测方法

权利要求书

1.基于Gabor滤波和卷积神经网络的图像隐写检测方法，其特征在于：

选取载体图像和载密图像生成载体图像和载密图像样本；

利用Gabor滤波器和深度卷积神经网络提取样本图像的学习型隐写检测特征和构造型隐写检测特征，将上述学习型隐写检测特征和构造型隐写检测特征组合作为样本图像的隐写检测特征；

将样本图像的隐写检测特征和类标组成训练样本；

利用训练样本对集成分类器进行训练，将训练好的分类器作为隐写检测器；

提取待检测图像的学习型隐写检测特征和构造型隐写检测特征，并学习型隐写检测特征和构造型隐写检测特征组合作为待检测图像的隐写检测特征；

将待检测图像的隐写检测特征输入训练好的隐写检测器进行判决；

根据隐写检测器的输出结果判定待检测图像为载体图像或载密图像；

其中，所述学习型隐写检测特征的提取步骤包括：首先利用多尺度多方向的2DGabor滤波器对样本图像进行滤波，然后分别利用由相同尺度参数2D Gabor滤波器得到的滤波图像来训练深度卷积神经网络，得到多个训练完成的深度卷积神经网络；在学习型特征提取时，对样本图像进行多尺度多方向的2D Gabor滤波，然后将不同尺度滤波图像输入到对应的训练好的深度卷积神经网络，得到多个学习型隐写检测特征，最后将得到的多个学习型隐写检测特征组合为最终的学习型隐写检测特征；

其中，所述构造型隐写检测特征的提取步骤包括：首先对图像进行解压缩操作，然后利用多尺度多方向的2D Gabor滤波器对解压缩的图像进行高通滤波操作得到残差图像；其次利用多个量化步长对每个残差图像进行多次量化操作，进而对多个量化图像分别进行直方图特征提取并累加合并作为一个残差图像对应的直方图特征，然后合并对称方向的2DGabor滤波器产生残差图像的直方图特征，最后将合并后的所有直方图特征组合作为最终的构造型隐写检测特征。

2.根据权利要求1所述基于Gabor滤波和卷积神经网络的图像隐写检测方法，其特征在于：所述类标包括载体图像类标为1，载密图像类标为-1。

3.根据权利要求2所述基于Gabor滤波和卷积神经网络的图像隐写检测方法，其特征在于：所述图像格式为JPEG。

4.根据权利要求3所述基于Gabor滤波和卷积神经网络的图像隐写检测方法，其特征在于：所述学习型隐写检测特征提取包括如下步骤：

Step1：生成不同参数的2D Gabor滤波器；利用下式所示的2D Gabor函数来生成2DGabor滤波器，

其中，x′＝xcosθ+ysinθ，y′＝-xsinθ+ycosθ，σ＝0.56λ，γ＝0.5；

Step2：产生残差图像；利用上一步产生的2D Gabor滤波器对输入的训练样本图像进行高通滤波操作，得到滤波残差图像；

Step3：训练深度卷积神经网络；利用滤波残差图像，分别训练深度卷积神经网络；

Step4：提取学习型隐写检测特征；将输入图像分别与2D Gabor滤波器进行卷积操作，然后将得到的残差图像分别输入到对应的深度卷积神经网络中，取每个深度卷积神经网络输出的特征，最后将得到的多个学习型隐写检测特征组合为最终的学习型隐写检测特征。

5.根据权利要求4所述基于Gabor滤波和卷积神经网络的图像隐写检测方法，其特征在于：所述2D Gabor滤波器的生成步骤为：(1)生成采样点；假定2D Gabor滤波器尺寸为M×N，则x取值范围为y取值范围为以步长1生成采样点(x,y)；(2)确定滤波器参数；确定2DGabor函数中参数σ,θ和的值，计算参数λ值，γ＝0.5；(3)生成2D Gabor滤波器；根据2D Gabor函数表达式和参数值，计算采样点处函数值，得到对应的2D Gabor滤波器；(4)规范化2D Gabor滤波器；将2D Gabor滤波器减去它所有元素的均值得到零均值的高通滤波器。