[发明专利]一种基于显著性检测的图像自适应隐写分析系统及方法

说明书

本发明属于图像处理技术领域，具体公开了一种基于显著性检测的图像自适应隐写分析系统，包括显著性检测模块、区域筛选模块和判别器模块。还公开了分析方法，具体为：首先将判别器模块检测错误的图像输入显著性检测模块，形成显著性图；然后由区域筛选模块提取出符合要求的显著性图，与其对应的原始图像进行图像融合，形成显著性融合图；最后将不符合要求的显著性图则替换为原始图像，由这部分原始图像和显著性融合图组合成更新后的数据集输入判别器模块进行训练，使判别器对与隐写区域重合度较高的区域进行有针对性的特征学习。本发明利用显著性检测技术引导隐写分析模型更加关注图像隐写区域的特征，从而提高模型的训练效果以及检测准确率。

技术领域

本发明属于图像处理技术领域，涉及一种基于显著性检测的图像自适应隐写分析系统及方法。

背景技术

图像隐写术是将秘密消息嵌入在图像载体文件中进行传递的一种隐蔽通信技术，与传统的加密通信方式使第三方难以破译不同，图像隐写术掩盖了通信行为本身，使第三方难以察觉秘密消息的嵌入，因此具有很强的欺骗性.图像隐写分析专门用于检测使用图像隐写术进行嵌入的消息，与图像隐写术是一对相互博弈并在博弈的过程中促进彼此发展的技术.图像隐写分析的困难在于隐写操作嵌入图像中的信息很少，图像前后产生的微弱差异很容易被图像内容间的差异所掩盖。尤其是近几年提出的图像自适应隐写术，在进行隐写操作时优先将秘密信息嵌入到图像的纹理复杂区域，在低嵌入率的情况下，更加难以检测，极大地提高了隐写术的安全性，为图像隐写分析带来了巨大的挑战。

基于失真函数和STC相结合的内容自适应隐写算法的主要思想包括两部分：基于失真函数的变化代价定量分析和基于STC的嵌入，失真函数的目的是通过定量分析捕捉嵌入后局部或全局特征的变化，例如计算每个元素变化后可能的失真，STC的目的是根据失真情况，综合考虑确定最终要改变的元素，从而使整体失真最小化。最常用的自适应隐写算法有HUGO、WOW、S-UNIWARD、UED、和J-UNIWARD，图像中位于纹理复杂区域的元素大于位于平滑区域元素的修改概率，其原因是隐写算法在这些统计规律复杂区域造成的扰动更加不易被觉察。

但是，现有的图像隐写分析研究工作大多是改进网络结构以提升基于网络模型的隐写分析检测性能，但是在利用图像自适应隐写术进行隐写时，秘密消息并非嵌入在图像的所有区域，而图像含有丰富的信息维度，所以图像中所包含的信息并不完全对训练有利，这种情况使得模型在训练时存在不必要的冗杂干扰，导致检测精度降低。因此有必要提出一种对隐写区域针对性高的隐写分析方法，引导模型更加关注隐写区域的特征。

发明内容

为了克服上述现有技术存在的缺陷，本发明的目的在于提供一种基于显著性检测的图像自适应隐写分析系统及方法，利用显著性检测技术引导隐写分析模型更加关注图像隐写区域的特征，从而提高模型的训练效果以及检测准确率。

本发明是通过以下技术方案来实现：

一种基于显著性检测的图像自适应隐写分析方法，包括以下步骤：

1)在检测错误的图像中分割出图像的显著性区域，形成显著性图；

2)根据显著性区域与隐写区域的重合度，对显著性图进行筛选，提取出符合要求的显著性图，将符合要求的显著性图与其对应的原始图像进行图像融合，形成显著性融合图；其中，符合要求的显著性图为显著性区域与隐写区域重合度高的图像；

3)将不符合要求的显著性图替换为原始图像，由这部分原始图像和显著性融合图组合成更新后的数据集；

4)然后用更新后的数据集进行训练。

进一步，步骤1)中，使用判别器模块检测错误的图像，判别器模块采用SRNet模型。

进一步，步骤2)中，图像融合具体为：将图像中除了显著性区域的像素外的其余像素置0，让判别器模块只关注显著性区域的图像特征。