[发明专利]基于细粒度图像的多任务卷积神经网络的图像隐写分析方法

摘要

本发明公开了一种基于细粒度图像的多任务卷积神经网络的图像隐写分析方法，其步骤包括：1获取数据集，对数据集进行处理；2搭建多任务卷积神经网络模型；3训练多任务卷积神经网络；4利用训练好的网络模型对其他测试集图像进行隐写分析，以此判断图像是否为载密图像。本发明首次将显著性检测技术和隐写分析相结合，把提取的细粒度图像作为输入，采用并行训练的方式已达到共享数据源中的不同信息，同时通过修改卷积核的步长从而没有使用池化操作，从而避免了图像特征的丢失，提高了网络的检测精度。

主权项

1.一种基于细粒度图像的多任务卷积神经网络的图像隐写分析方法，其特征是按如下步骤进行：/n步骤1、构建训练样本：/n步骤1.1、获取灰度图像集Z＝{z_k|k＝1,2,…m}，其中，z_k表示第k张灰度图像；对所述k张灰度图像z_k进行剪裁，得到长×宽为a×a的剪裁后的灰度图像x_k，从而得到剪裁后的灰度图像集X＝{x_k|k＝1,2,...m}；/n步骤1.2、对剪裁后的灰度图像集X中的每个灰度图像进行隐写加密处理，得到载密图像集Y＝{y_k|k＝1,2,...m}，其中，y_k表示对第k张剪裁后的灰度图像x_k进行隐写加密后的载密图像；/n步骤1.3、采用基于谱残差的显著性检测算法对所述第k张剪裁后的灰度图像x_k进行定位剪裁，得到长×宽为b×b的细粒度图像集其中，表示对第k张剪裁后的灰度图像x_k进行定位剪裁后的第j张细粒度图像；/n步骤1.4、根据所述第k张剪裁后的灰度图像x_k的细粒度图像集中每张细粒度图像依次对第k张载密图像y_k进行剪裁，从而得到剪裁后的载密图像集其中，表示根据第j张细粒度图像对第k张载密图像y_k进行剪裁后的载密图像；/n步骤1.5、由所述细粒度图像集中每张细粒度图像依次与剪裁后的载密图像集中每张载密图像构成j+1对训练样本，其中，第j+1对训练样本为第j张细粒度图像和第j张剪裁后的载密图像；从而由m张剪裁后的灰度图像的细粒度图像集与其对应的剪裁后的载密图像集构成m×(j+1)对训练样本；/n步骤2、构建多任务卷积神经网络，包括：一个输入模块、一个预处理模块、w个可分离卷积模块、q个基本模块、一个空间金字塔池模块以及全连接层；/n步骤3、初始化多任务卷积神经网络：/n以Relu作为激活函数，使用高通滤波器对所述预处理模块中的参数进行初始化，并使用Xavier初始化方法对w个可分离卷积模块和q个基本模块进行参数初始化；/n步骤4、将所述第k张剪裁后的灰度图像x_k及其细粒度图像集并行输入到多任务神经网络中，并在所述预处理模块中加入选择通道，从而相应得到第k个大小为a×a的S₀张灰度残差特征图R和大小为b×b的j×S₀张细粒度残差特征图H，其中，S₀表示预处理模块中滤波器数目；/n步骤5、将所述灰度残差特征图R和细粒度残差特征图H输入到可分离卷积模块：/n步骤5.1、定义变量p，并初始化p＝1；/n步骤5.2、将所述灰度残差特征图R和细粒度残差特征图H输入到第p个可分离卷积模块的第一层卷积层中得到第k个大小为a×a的张灰度残差特征图和大小为b×b的张细粒度残差特征图表示第p个可分离卷积模块中第一层卷积层滤波器数目；/n步骤5.3、将灰度残差特征图和细粒度残差特征图输入到第p个可分离卷积模块的第二层卷积层中得到第k个大小为a×a的张灰度残差特征图和大小为b×b的张细粒度残差特征图其中，表示第p个可分离卷积模块中第二层卷积层滤波器数目；/n步骤5.4、令p+1赋值给p，判断p＞w是否成立，若成立，则表示得到第w个可分离卷积模块输出的具有空间和信道相关性的灰度残差特征图和细粒度残差特征图否则，将和分别赋值给R和H后，执行步骤5.2；/n步骤6、将所述灰度残差特征图和细粒度残差特征图输入到基本模块中：/n步骤6.1、定义变量t，并初始化t＝1；/n步骤6.2、将灰度残差特征图和细粒度残差特征图输入到第t个基本模块中，并经过步长为c₁的卷积核的卷积处理后得到第k个大小为a′×a′的S_t张灰度残差特征图R_t和大小为b′×b′的j×S_t张细粒度残差特征图H_t，其中，S_t表示第t个基本模块中卷积层滤波器数目；/n步骤6.3、令t+1赋值给t，判断t＞q-1是否成立，若成立，则表示得到第q-1个基本模块输出的灰度残差特征图R_q-1和细粒度残差特征图H_q-1，并执行步骤6.4；否则，将R_t和H_t分别赋值给和后，执行步骤6.2；/n步骤6.4、将第q-1个基本模块输出的灰度残差特征图R_q-1和细粒度残差特征图H_q-1输入到第q个基本模块中，并经过步长为“1”的卷积核的卷积处理后得到第q个基本模块输出的第k个大小为a′×a′的S_q张灰度残差特征图R_q和大小为b′×b′的j×S_q张细粒度残差特征图H_q，其中，S_q表示第q个基本模块中卷积层滤波器数目；/n步骤7、将所述灰度残差特征图R_q和细粒度残差特征图H_q输入空间金字塔池模块中：/n步骤7.1、定义临时变量α，并初始化α＝1；/n步骤7.2、对于L级金字塔中任意第α级金字塔设有n_α×n_α个空间金字塔分层分网格数；/n令第α级金字塔窗口大小为步长大小其中，表示取上限操作，表示取下限操作；/n步骤7.3、将所述灰度残差特征图R_q和细粒度残差特征图H_q输入第α级金字塔，获得长度为n_α×n_α的第α个生成特征；/n步骤7.4、令α+1赋值给α后，判断α＞L是否成立，若成立，则表示得到L个生成特征，否则，返回步骤7.2；/n步骤7.5、将所述L个生成特征进行叠加，得到长度为K×M的一维输出特征；其中，K表示S_q和j×S_q之和；M表示L个生成特征的长度累加和，即/n步骤8、将所述长度为K×M的一维输出特征输入到全连接层中，并经过sofxmax函数的处理，得到隐写概率，以所述隐写概率来判断相应输入所述多任务卷积神经网络的灰度图像是否为载密图像。/n