[发明专利]一种基于深层卷积神经网络的自适应图像隐写分析方法及系统

权利要求书

1.一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于，包括模型训练模块、特征预处理模块、隐写检测模块，所述的模型训练模块用于对深层卷积神经网络模型进行训练，包括隐写图像数据集、第一高通滤波层、第一卷积层、第二卷积层，隐写图像数据集的输出与第一高通滤波层的输入连接，第一高通滤波层的输出与第一卷积层的输入连接，第一卷积层的输出与第二卷积层的输入连接，第二卷积层的输出与深层卷积神经网络模型的输入连接；所述的特征预处理模块用于对输入的灰度图像提取高频特征，包括输入图像、第二高通滤波层、第三卷积层、第四卷积层，输入图像与第二高通滤波层的输入连接，第二高通滤波层的输出与第三卷积层的输入连接，第三卷积层的输出与第四卷积层的输入连接，第四卷积层的输出与最优深层卷积神经网络模型的输入连接；所述的隐写检测模块用于检测图像是否包含隐写信息，包括最优深层卷积神经网络模型、隐写图像、原始图像，最优深层卷积神经网络模型的输出分别与隐写图像、原始图像连接。

2.根据权利要求1所述的一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于，所述的第一高通滤波层、第二高通滤波层均由1个大小为5×5、通道数为1的卷积核组成，第一卷积层、第二卷积层、第三卷积层、第四卷积层均由1个大小为3×3、通道数为1的卷积核组成。

3.根据权利要求1所述的一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于，所述的最优深层卷积神经网络模型是深层卷积神经网络模型经过训练后筛选出的最优模型；模型内部层相互连接，上一层的输出是下一层的输入，其网络结构包括6个卷积子块(CL1～CL6)、1个全连接层、1个Dropout层和1个Softmax层组成；每个卷积子块的输入和输出均为多个二维矩阵，称为特征图，且每个卷积子块的输出作为下一层的输入；每个卷积子块结构包括卷积、非线性激活和池化三种依次进行的操作。

4.根据权利要求3所述的一种基于深层卷积神经网络的自适应图像隐写分析方法及系统，其特征在于：

所述的卷积子块1(CL1)由第五卷积层(8个大小为3×3、通道数为1的卷积核)、第六卷积层(8个大小为3×3、通道数为1的卷积核)、绝对值层、批标准化层、激活函数TanH、均值池化层(核大小为5×5，步长为2)组成；

所述的卷积子块2(CL2)由第七卷积层(16个大小为3×3、通道数为8的卷积核)、第八卷积层(16个大小为3×3、通道数为8的卷积核)、批标准化层，激活函数TanH，均值池化层(核大小为5×5，步长为2)组成；

所述的卷积子块3(CL3)由第九卷积层(32个大小为1×1、通道数为16的卷积核)，批标准化层，激活函数ReLU，均值池化层(核大小为5×5，步长为2)组成；

所述的卷积子块4(CL4)由第十卷积层(64个大小为1×1、通道数为32的卷积核)，批标准化层，激活函数ReLU，均值池化层(核大小为5×5，步长为2)组成；

所述的卷积子块5(CL5)由第十一卷积层(128个大小为1×1、通道数为64的卷积核)，批标准化层，激活函数ReLU，均值池化层(核大小为5×5，步长为2)组成；

所述的卷积子块6(CL6)由第十二卷积层(256个大小为1×1、通道数为128的卷积核)，批标准化层，激活函数ReLU，全局池化层(核大小为16×16，步长为1)组成；

所述的全连接层有4096个线性单元；

所述的Dropout层的作用是防止网络过拟合，提升模型泛化能力；

所述的Softmax层为输出层，使用的激活函数为Softmax函数，隐写分析用二分类法得到检测的结果，1为隐写图像，0为原始图像。