[发明专利]一种基于双路卷积和特征融合的图像隐写分析方法

摘要

本发明公开了一种基于双路卷积和特征融合的图像隐写分析方法，其步骤包括：1、构建图像隐写分析的深度学习网络框架；2、图像数据集的准备；3、网络的初始化；4、网络的训练及其验证。本发明能通过两路卷积神经网络自动提取更丰富、更精确的图像特征，根据特征判断图像是否存在隐藏信息，从而能以较高的准确率区分载体图像和载密图像。

主权项

1.一种基于双路卷积和特征融合的图像隐写分析方法，其特征是按如下步骤进行：/n步骤1、从数据库中获取m张原始的灰度载体图像X＝{x_k|k＝1,2,…m}，其中，x_k表示第k张原始的灰度载体图像，令任意一张原始的灰度载体图像所对应的标签类型为“0”；/n利用隐写算法对第k张原始的灰度载体图像x_k进行秘密信息嵌入，得到第k张载密图像y_k以及第k张原始的灰度载体图像x_k中每个像素被修改的概率，从而得到m张原始的灰度载体图像X所对应的载密图像Y＝{y_k|k＝1,2,…m}以及对应的原始的灰度载体图像中每个像素被修改的概率，令第k张原始的灰度载体图像x_k中第i行第j列的像素被修改的概率为令任意一张载密图像所对应的标签类型为“1”；/n由所述m张原始的灰度载体图像X和相应的载密图像Y共同构成数据集，并将所述数据集分为训练集和验证集；/n利用式(1)计算残差失真矩阵/n /n式(1)中：K为残差滤波器，P表示概率矩阵，且概率矩阵P中第i行第j列的元素值为概率的2倍；/n步骤2、构建图像隐写分析的深度学习网络，包括：输入模块、特征提取模块和输出模块；/n所述特征提取模块包括两个子网络，且每个子网络均有预处理层和网络层；/n所述网络层是由M个网络单元层组成；/n所述输出模块是由带有softmax函数的两层全连接层组成；/n步骤2.1、设置当前迭代周期为t、最高迭代周期为T_max和批处理图像尺寸为batch_size；初始化t＝1；/n步骤2.2、在第t个周期中，依次向所述输入模块输入批次大小为batch_size的训练集，并分别进入所述特征提取模块中的两个子网络，由两个子网络中的预处理层内的高通滤波器K′进行过滤，得到两个残差特征图像；/n将两个残差特征图像相应传递到自身预处理层的激活函数TLU中，分别输出一定尺寸的特征激活图像；/n步骤2.3、由所述概率矩阵分别与两个子网络中特征激活图像进行相加，并相应得到特征映射图像F₁⁰和作为相应预处理层的输出；/n步骤2.4、定义变量m，并初始化m＝0；以预处理层的输出的特征映射图像F₁⁰和作为第m层输出的特征映射图像F₁^m和/n步骤2.5、将第m层输出的特征映射图像F₁^m和分别传递到自身子网络中网络层的第m+1个网络单元层进行处理，得到第m+1层输出的特征映射图像F₁^m+1和/n步骤2.6、判断m+1＝M是否成立，若成立，则表示得到M个层输出的特征映射图像，否则，将m+1赋值给m后，返回步骤2.5；/n步骤2.7、将两个子网络分别生成的M个层输出的特征映射图像进行聚合，得到第t个周期的当前批次多维聚合矩阵；/n步骤2.8、计算第t个周期的多维聚合矩阵中每张特征映射图像的均值，并分别与所设定的阈值进行比较，将小于阈值的特征映射图像删除，将大于等于阈值的特征映射图像保留，从而得到第t个周期筛选后的当前批次多维聚合矩阵；/n步骤2.9、将第t个周期筛选后的当前多维聚合矩阵中每张特征映射图像的各个元素作为神经元，并与所述输出模块中第一个全连接层中的神经元进行全连接处理，得到第一单维特征向量V1并传递给第二个全连接层；由第二个全连接层输出第二单维特征向量V2并经过softmax函数处理后，得到第t个周期当前批次分类概率值；/n步骤2.10、利用优化算法将所述分类概率值反向传播至深度学习网络中，从而更新第t个周期中深度学习网络的各层权值和偏置项；/n步骤2.11、利用验证集验证第t个周期深度学习网络是否为最优网络，如是，则将第t个周期深度学习网络作为当前最优网络，并执行步骤2.12；否则直接执行步骤2.12；/n步骤2.12、将t加1赋值给t后，并判断t＞T_max是否成立，若成立，则表示完成网络训练，并得到全局最优网络，用于实现灰度载体图像和载密图像的分类，否则，返回步骤2.2。/n