[发明专利]一种基于通道空间注意力机制的JPEG图像隐写分析方法

说明书

本发明提供一种基于通道空间注意力机制的JPEG图像隐写分析方法，包括以下步骤：对待检测JPEG图像进行解压；构建基于通道空间注意力机制的卷积神经网络并进行训练；将解压后的待检测JPEG图像输入卷积神经网络中进行分类，计算分类概率向量；根据分类概率向量判定待检测JPEG图像是否为载密图像，完成JPEG图像隐写分析。本发明提供一种基于通道空间注意力机制的JPEG图像隐写分析方法，基于通道空间注意力机制，设计了一种JPEG图像隐写分析方法，有效突出对隐写分析有用的残差特征，提高隐写分析信号的信噪比；同时，本方法可接受任意尺寸JPEG图像的输入，可以更多地保留图像的特征信息，有效提升检测的准确率。

技术领域

本发明涉及图像处理技术领域，更具体的，涉及一种基于通道空间注意力机制的JPEG图像隐写分析方法。

背景技术

图像隐写技术的目的是在载体图像中埋藏秘密信息，一般通过修改载体图像的像素值或量化DCT系数实现。前者称为空域图像隐写。由于JPEG文件实际保存的是图像进行DCT变换后的量化DCT系数，因此后者称为JPEG图像隐写。

图像隐写分析的任务是检测图像中是否被埋藏秘密信息。现有的主流技术按照隐写分析对象可分为空域图像隐写分析与JPEG图像隐写分析；按照使用的方法可分为基于特征的图像隐写分析和基于卷积神经网络的图像隐写分析。对于JPEG图像隐写分析，基于特征的有GFR[1]Song X,Liu F,Yang C,et al.Steganalysis of Adaptive JPEGSteganography Using 2D Gabor Filters[C]//the 3rd ACM Workshop.ACM,2015、SCA-GFR[2]Denemark Denemark,Boroumand M,Fridrich J.Steganalysis Featuresfor Content-Adaptive JPEG Steganography[J].IEEE Transactions on InformationForensicsSecurity,2017,11(8):1736-1746等算法，基于卷积神经网络的有XuNet、SRNet及SCA-SRNet[3]Boroumand M,Chen M,Fridrich J.Deep residual network forsteganalysis of digital images[J].IEEE Transactions on Information Forensicsand Security,2018,14(5):1181-1193、HuangNet及SCA-HuangNet[4]Huang J,Ni J,WanL,et al.A Customized Convolutional Neural Network with Low Model Complexityfor JPEG Steganalysis[C]//Proceedings of the ACM Workshop on InformationHiding and Multimedia Security.2019:198-203等。目前，图像隐写分析的难点主要集中在对安全性能较好的自适应隐写算法的检测，对自适应隐写算法的检测准确率也成为评判隐写分析算法性能的重要指标。

基于特征的JPEG图像隐写分析算法研究较为深入,其主要分为三个步骤：使用高通滤波器提取残差、基于残差提取特征、训练分类器进行分类。目前最优的是GFR、SCA-GFR等算法，其基本原理是：JPEG图像相邻像素间具有一定的相关性，JPEG图像隐写对JPEG图像保存的量化DCT系数进行修改，将破坏JPEG图像相邻像素间的相关性，因此可使用一系列高通滤波器对图像进行滤波得到图像残差值，基于图像残差值构造图像特征进行分类。

实际应用中，基于特征的隐写分析算法像一般的基于特征的机器学习任务一样，需要构建好数据集并划分为训练集、测试集，提取训练集样本的特征向量，如上述的GFR、SCA-GFR特征，组成训练集的特征集合用于训练一个分类器。由于隐写分析特征一般具有维度高的特点，因此常使用集成分类器(ensemble classifier)，在隐写分析特征中随机抽取子特征训练子分类器，再将子分类器集成。训练好分类器后，按同样的方式提取测试集样本输入分类器，即可得到分类结果并衡量算法性能。