基于深度学习的图像隐写检测方法
【技术领域】
[0001] 本发明属于图像处理领域，尤其涉及基于深度学习的图像隐写检测方法。
【背景技术】
[0002] 随着近年来媒体资源的数字化以及互联网的迅速发展和应用，数字图像的获取以 及在网络上的交换与传输变得十分容易与普遍。从而也为基于数字图像的信息隐藏提供了 便利条件。隐写术用于将秘密信息嵌入到正常载体中而不改变载体的感知特性，从而实现 隐秘传输信息。随着信息隐藏技术的蓬勃发展，出现了大量隐写方法。人们可以方便地获取 和使用多种隐写工具在Internet上互通消息。隐写术的滥用带来了日益突出的信息安全 问题，给国家和社会带来了潜在的严重危害。这使得社会对数字图像的隐写分析技术的需 求十分迫切。数字图像隐写分析（DigitalImageSteganalysis)的目的是通过对图像数 据进行分析来判断图像中是否含有额外的隐秘信息，甚至可以估计信息嵌入量、估计密钥、 获取隐秘信息等。通过图像隐写分析可以发现隐藏信息的图像，从而有效监督隐写术的使 用、防止隐写术的非法应用，对于网络信息安全有重大意义。
[0003] 目前，隐写分析技术主要有两大类：针对特定隐写工具或某一类嵌入技术的专用 方法和不针对特定嵌入方法的通用方法。专用方法一般检测率都很高，但实用性不强，因为 实际应用中不能穷举所有的隐藏算法。与此同时，新的隐写算法在不断出现，通用隐写分析 的重要性日益突出，近些年来对该类方法的研宄明显加强。通用的隐写分析技术又称为盲 检测技术，其通常是基于特征的模式分类方法，包括特征提取和分类器训练两个步骤。目前 的通用隐写分析方法的检测准确率主要取决于人工特征设计。在当前的图像隐写分析领 域，关于特征设计的方法较多，典型的如文献[J.FridrichandJ.Kodovsky，〃RichModels forSteganalysisofDigitalImages，〃IEEETrans,onInfo.ForensicsandSecurity ，vol. 7(3)，pp. 868-882, 2012]和[V.HolubandJ.Fridrich，"Randomprojectionsof residualsfordigitalimagesteganalysis，"IEEETransactionsonInformation ForensicsandSecurity，vol. 8,no. 12,pp. 1996 - 2006, 2013.]这些特征的设计筛选，参 数的设置非常依赖于特定的数据集，且需要花费大量的时间精力，且对人的经验知识有很 高要求。实际应用中，现实图像数据的复杂性及多样性，给特征设计带来更多挑战。
[0004] 近年来，随着深度学习的研究进展，利用深度学习方法从图像数据中自动学习 特征在识别与分类等问题中得到了广泛的关注和应用。深度学习是通过训练含有多层 非线性结构的网络模型来实现特征学习的一类机器学习方法，其可以将特征提取与分 类融合到一个网络模型中，通过训练整个网络来优化模型参数，同时实现特征学习和分 类。典型的深度学习方法如文献[HintonGE，SalakhutdinovRR."Reducingthe dimensionalityofdatawithneuralnetworks，"Science，2006, 313 (5786) : 504-507.] 和[KrizhevskyA,SutskeverI，HintonGE."Imagenetclassificationwithdeep convolutionalneuralnetworks，"Advancesinneuralinformationprocessing systems. 2012:1097-1105]〇
【发明内容】
[0005] 本发明提供一种基于深度学习的图像隐写检测方法，以实现通过自动学习创建盲 检模型且能较准确的辨别隐写图像的图像隐写检测方法。
[0006] 本发明提供一种基于深度学习的图像隐写检测方法，包括：
[0007] 对训练集中对应有隐写类标记或真实类标记的图像用高通滤波器进行滤波，以获 得包括隐写类残差图像和真实类残差图像的训练集；
[0008] 对所述训练集在深度网络模型上进行学习，以获得训练后的深度网络检测模型；
[0009] 对待检图像用所述高通滤波器进行滤波，以获得待检残差图像；
[0010] 在所述深度网络检测模型上对所述待检残差图像进行检测，以确定待检残差图像 是否为隐写图像。
[0011] 本发明的有益效果为：
[0012] 本发明基于深度学习的图像隐写检测方法本发明所述图像隐写检测方法通过对 预先标记的图像进行滤波并组成训练集、进而对训练集在深度神经网络上进行训练、以获 得针对非特定类别图像特征的通用性高的图像隐写检测模型，实现了通过自动学习创建盲 检模型、且能较准确的辨别隐写图像。
【附图说明】
[0013] 图1为本发明基于深度学习的图像隐写检测方法实施例一的流程图；
[0014] 图2为本发明基于深度学习的图像隐写检测方法实施例一的流程框图；
[0015] 图3为本发明基于深度学习的图像隐写检测方法实施例一中深度卷积神经网络 的结构图；
[0016] 图4为本发明基于深度学习的图像隐写检测方法实施例一中各步骤所涉及的图 像；
[0017] 图中，图4(a)-训练集中对应真实类标记的图像集，图4(b)-隐写类待检图像一 例，图4 (c)-待检图像滤波所得残差图像一例。
【具体实施方式】
[0018] 图1是本发明基于深度学习的图像隐写检测方法实施例一的流程图，图2为本发 明基于深度学习的图像隐写检测方法实施例一的流程框图，图3为本发明基于深度学习的 图像隐写检测方法实施例一中深度卷积神经网络的结构图；如图1、图2和图3所示，本发 明基于深度学习的图像隐写检测方法包括：
[0019] S101、对训练集中对应有隐写类标记或真实类标记的图像用高通滤波器进行滤 波，以获得包括隐写类残差图像和真实类残差图像的训练集；优选的，所述图像为灰度图 像，所述图像的大小为256X256 ;
[0020] 优选的，所述用高通滤波器进行滤波包括对图像I用公式（1)所示滤波核模板K 进行卷积操作：
[0021]
【主权项】
1. 一种基于深度学习的图像隐写检测方法，其特征在于，包括： 对训练集中对应有隐写类标记或真实类标记的图像用高通滤波器进行滤波，以获得包 括隐写类残差图像和真实类残差图像的训练集； 对所述训练集在深度网络模型上进行学习，以获得训练后的深度网络检测模型； 对待检图像用所述高通滤波器进行滤波，以获得待检残差图像； 在所述深度网络检测模型上对所述待检残差图像进行检测，以确定待检残差图像是否 为隐写图像。
2. 根据权利要求1所述的基于深度学习的图像隐写检测方法，其特征在于，所述深度 网络模型为深度卷积神经网络CNN。
3. 根据权利要求2所述的基于深度学习的图像隐写检测方法，其特征在于，所述深度 卷积神经网络CNN包括依次以输入输出相互级联的至少两个卷积层、至少一个全连接层和 一个输出层。
4. 根据权利要求3所述的基于深度学习的图像隐写检测方法，其特征在于，所述卷积 层中的元素的激活函数为高斯函数。
5. 根据权利要求3所述的基于深度学习的图像隐写检测方法，其特征在于，所述全连 接层中元素的激活函数为ReLU函数（6): f(x) =max(0,x) (6) 〇
6. 根据权利要求3所述的基于深度学习的图像隐写检测方法，其特征在于，所述输出 层中元素的激活函数为softmax函数（8):
7. 根据权利要求2所述的基于深度学习的图像隐写检测方法，其特征在于，所述对训 练集在深度网络模型上进行学习包括对所述卷积层对应的池化窗口执行平均池化操作。
8. 根据权利要求2所述的基于深度学习的图像隐写检测方法，其特征在于，所述对所 述训练集在深度网络模型上进行学习，以获得训练后的深度网络检测模型包括： 根据反向传播算法通过最小化式（9)所示函数对所述训练集在深度卷积神经网络上 进行学习，以获得训练后的深度网络检测模型： -logZi(9) 其中，iG{1，2}。
9. 根据权利要求1所述的基于深度学习的图像隐写检测方法，其特征在于，所述高通 滤波器包括线性滤波核和非线性滤波核。
10. 根据权利要求1所述的基于深度学习的图像隐写检测方法，其特征在于，所述图像 为灰度图像。
【专利摘要】本发明提供一种基于深度学习的图像隐写检测方法，包括：对训练集中对应有隐写类标记或真实类标记的图像用高通滤波器进行滤波，以获得包括隐写类残差图像和真实类残差图像的训练集；对所述训练集在深度网络模型上进行学习，以获得训练后的深度网络检测模型；对待检图像用所述高通滤波器进行滤波，以获得待检残差图像；在所述深度网络检测模型上对所述待检残差图像进行检测，以确定待检残差图像是否为隐写图像。本发明所述图像隐写检测方法能实现通过自动学习创建盲检模型且能较准确的辨别隐写图像。
【IPC分类】G06T7-00
【公开号】CN104778702
【申请号】CN201510178034
【发明人】谭铁牛, 董晶, 王伟, 钱银龙
【申请人】中国科学院自动化研究所
【公开日】2015年7月15日
【申请日】2015年4月15日