[发明专利]一种基于深度学习模型的隐写图像检测方法及系统

摘要

本发明公开了一种基于深度学习模型的隐写图像检测方法及系统，方法包括：预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型；选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型；整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果。本发明可以准确的区分隐密图像和载体图像能力，而且数据计算维度低，计算量小，提高了隐写图像检测速度。

主权项

1.一种基于深度学习模型的隐写图像检测方法，其特征在于，所述方法包括步骤：/nA、预先设置拟合分析数字图像隐写富模型特征的初始深度学习模型,所述初始深度学习模型包括设计拟合DCTR富模型生成余量图像、量化和截断操作、一阶统计量获取与整合三个DCTR子模型对应的三个卷积神经网络子模型；/nB、选取有监督的预训练算法对初始深度学习模型进行预训练后得到预训练深度学习模型,所述预训练深度学习模型通过使用载体图像和隐密图像以及其对应的DCTR特征对所述卷积神经网络子模型进行预训练，使得所述卷积神经网络子模型具有对应DCTR特征生成余量图像、量化和截断操作、一阶统计量获取与整合的功能；/nC、整合预训练深度学习模型和深度分类网络生成整合深度学习模型，根据预先获取的训练数据集对整合深度学习模型进行训练后生成最终深度学习模型，根据最终深度学习模型对隐写图像进行检测，输出检测结果,所述整合深度学习模型及所述最终深度学习模型具有与DCTR富模型特征提取相似功能的CNN模型，所述CNN模型进行整合，并通过训练对载体图像和隐密图像进行分类；/n所述步骤B具体包括步骤：/nB1、预先获取预定数量的隐密图像与载体图像对，根据DCTR富模型中的N个DCT卷积核对隐密图像与载体图像中的一幅图像进行卷积后生成N幅余量图像，并根据对应余量图像的DCTR富模型对应DCT卷积核特征作为标识；/nB2、依次连接量化截断操作CNN子模型和一阶统计量获取与整合CNN子模型组成组合CNN模型；/nB3、利用欧式距离作为误差方程，使用预先获取预定数量的隐密图像与载体图像对来对组合CNN模型进行预训练后生成预训练CNN模型；/n所述步骤C具体包括步骤：/nC1、预先获取用于预训练的隐密图像与载体图像数据，对隐秘图像标记为0，载体图像标记为1；/nC2、依次连接生成余量图像的CNN子模型、N个组合CNN模型与CNN分类模型得到整合CNN模型,所述CNN分类模型是由全连接层和正则化层构成的输入为64个组合CNN模型的输出、输出为0和1标识的CNN模型；/nC3、根据预训练的隐密图像与载体图像数据对整合CNN模型训练后生成最终CNN模型；/nC4、将待测图像作为最终CNN模型的输入，若最终CNN模型输出为0，则判定待测图像为隐密图像，若为1则判定待测图像为未经隐密的载体图像，并输出检测结果。/n