[发明专利]基于图像块的图像隐写分析方法、系统、装置及介质

说明书

本发明公开了一种基于图像块的图像隐写分析方法、系统、装置及介质，其中方法包括以下步骤：获取待检测图像；采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析，根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像；所述图像隐写分析模型包括主干网络和支线网络，所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析，所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。本发明采用多任务学习的思想，将图像隐写分析模型分为主干网络和支线网络两部分，消除一定的像素点修改位置的不确定性，可广泛应用于图像信号处理、图像隐写分析领域。

技术领域

本发明涉及图像信号处理、图像隐写分析领域，尤其涉及一种基于图像块的图像隐写分析方法、系统、装置及介质。

背景技术

图像隐写术的目的是把秘密信息嵌入到载体图像中，通过传输生成的载密图像进行秘密通信。图像隐写术关乎着秘密通信的安全性，图像隐写术越安全，敌方越不容易察觉到秘密通信的存在，秘密通信越安全。相反，图像隐写分析的目的则是检测图像是否有嵌入秘密信息，是一个二分类问题，图像隐写分析算法的性能越好，越容易检测到秘密通信的存在，从而切断秘密通信的进行。

传统的隐写分析算法，典型的算法包括SRM以及maxSRM，提取特征和训练分类器是两个完全分离的步骤，这就意味着在训练分类器的过程中并不能指导优化提取特征的过程，只能不断地尝试提取特征然后输入到分类器中进行分类才知道所提取的特征是否有效，这极大地限制了提取特征的进一步优化，也限制了最后分类的结果。而CNN不需要依赖于手工设计的特征，能自动从大量的训练数据中学到表征能力和鲁棒性都更强的特征，特征提取和分类器的训练是端到端地联合优化的，可使最终的网络模型得到更优的性能。

由于图像隐写分析的特殊性，即载密图像和载体图像在视觉和内容上是几乎一样的，肉眼是完全分辨不出来，传统的结构并不适用于图像隐写分析。因此，研究者们把CNN和传统方法的先验知识结合起来，在CNN网络的第一层卷积核中使用在SRM算法里验证过有效的高通滤波器进行初始化，能有效地提取载体图像和载密图像的残差信号，然后进行下一步的特征提取和分类器的训练。钱银龙等人使用SRM里的一个高通滤波器预处理图像，实现了与SRM可比较的结果，但仍差于SRM。叶健等人则直接把SRM里用到的30个高通滤波都用来预处理图像，还提出了一个新的激活函数——截断线性单元(Truncated Linear Unit，TLU)用于网络的初始化层，获得了比maxSRM更好的性能。为了进一步提高性能，叶健等人还在网络里引入了选择信道的知识。Yu等人首次提出在图像隐写分析中引入多任务学习，在进行图像隐写分析的同时，进行像素点二分类，检测像素点是否有发生改变。经过实验发现，像素点二分类具有以下局限性，第一，像素点改变的位置具有随机性，由失真函数的设计和STC编码的原理发现，在纹理区域的像素点不一定会发生改变，第二，像素点改变的比例较小，较难学习，经过实验表明在不同的嵌入率下，像素点正负样本的比例约为1:49到1:9，当正负样本比例比较大时，对于网络来说较难学习。

发明内容

为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于图像块的图像隐写分析方法、系统、装置及介质。

本发明所采用的技术方案是：

一种基于图像块的图像隐写分析方法，包括以下步骤：

获取待检测图像；

采用训练好的图像隐写分析模型对所述待检测图像进行隐写分析，根据所述图像隐写分析模型的输出判定所述待检测图像是否为载密图像；

所述图像隐写分析模型包括主干网络和支线网络，所述主干网络用于提取图像隐写分析特征并进行图像的隐写分析，所述支线网络用于提取图像块隐写分析特征并进行图像块的隐写分析。

进一步，所述图像隐写分析方法还包括建立所述图像隐写分析模型的步骤，所述建立所述图像隐写分析模型的步骤包括建立训练集的步骤和训练模型的步骤，其中，所述建立训练集的步骤具体为：