[發(fā)明專利]一種圖像隱寫(xiě)分析方法、模型和系統(tǒng)

在審

• 申請(qǐng)?zhí)枺?/td>: 202210680456.1
• 申請(qǐng)日: 2022-06-15
• 公開(kāi)（公告）號(hào): CN114943634A
• 公開(kāi)（公告）日: 2022-08-26
• 發(fā)明（設(shè)計(jì)）人: 劉佳豪;焦鉻
• 申請(qǐng)（專利權(quán)）人: 衡陽(yáng)師范學(xué)院
• 主分類號(hào): G06T1/00
• 分類號(hào): G06T1/00;G06V10/774;G06N3/04;G06N3/08;G06V10/40;G06V10/764;G06V10/82;G06T3/40
• 代理公司: 北京繪聚高科知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 11832
• 代理人: 張春慧

本發(fā)明公開(kāi)一種圖像隱寫(xiě)分析方法、模型和系統(tǒng)，其中，基于特征增強(qiáng)傳遞和通道注意力的圖像隱寫(xiě)分析方法包括：構(gòu)建特征增強(qiáng)傳遞模塊和通道注意力下采樣模塊；使用特征增強(qiáng)傳遞模塊和通道注意力下采樣模塊，組建圖像隱寫(xiě)分析模型；構(gòu)建圖像隱寫(xiě)數(shù)據(jù)集，其中，圖像隱寫(xiě)數(shù)據(jù)集包括圖像隱寫(xiě)訓(xùn)練集和圖像隱寫(xiě)測(cè)試集；使用圖像隱寫(xiě)訓(xùn)練集訓(xùn)練圖像隱寫(xiě)分析模型；當(dāng)圖像隱寫(xiě)分析模型訓(xùn)練完成時(shí)，使用圖像測(cè)試集評(píng)估圖像隱寫(xiě)分析模型；當(dāng)圖像隱寫(xiě)分析模型評(píng)估通過(guò)時(shí)，應(yīng)用圖像隱寫(xiě)分析模型分析圖像隱寫(xiě)信息。本發(fā)明的技術(shù)方案能解決現(xiàn)有技術(shù)中微弱的隱寫(xiě)信號(hào)容易出現(xiàn)特征消失的問(wèn)題。

技術(shù)領(lǐng)域

本發(fā)明涉及圖像隱寫(xiě)分析技術(shù)領(lǐng)域，尤其涉及一種基于特征增強(qiáng)傳遞和通道注意力的圖像隱寫(xiě)分析方法、模型和系統(tǒng)。

背景技術(shù)

隨著互聯(lián)網(wǎng)技術(shù)的快速發(fā)展和數(shù)字多媒體技術(shù)的日漸成熟，人們?cè)絹?lái)越重視通信過(guò)程中的信息安全問(wèn)題，因此作為一種保障信息安全的手段，圖像隱寫(xiě)算法得到了快速的發(fā)展。圖像隱寫(xiě)算法能夠?qū)D像隱寫(xiě)信息嵌入到圖像中的復(fù)雜區(qū)域，以避免造成可見(jiàn)的偽影和統(tǒng)計(jì)屬性的變化。大多數(shù)灰度圖像隱寫(xiě)算法能夠?qū)⒚總€(gè)色帶作為灰度圖像，并將秘密比特獨(dú)立嵌入到灰度圖像中，因此圖像隱寫(xiě)技術(shù)能夠用來(lái)增強(qiáng)信息安全。

雖然圖像隱寫(xiě)技術(shù)能夠增強(qiáng)信息安全，但是隱寫(xiě)技術(shù)是一把雙刃劍——不少危險(xiǎn)分子能夠利用圖像隱寫(xiě)技術(shù)將危害國(guó)家安全的圖像隱寫(xiě)信息隱藏在各種載體并發(fā)布到網(wǎng)站上。若不加篩查，圖像隱寫(xiě)技術(shù)寫(xiě)入的圖像隱寫(xiě)信息將造成難以估量的損失。因?yàn)榇祟愖赃m應(yīng)的圖像隱寫(xiě)算法難以被檢測(cè)到，所以對(duì)于互聯(lián)網(wǎng)上的海量圖像數(shù)據(jù)，要想通過(guò)人工檢測(cè)這些視覺(jué)不可見(jiàn)的微弱信息更是難上加難。由此，高效、精準(zhǔn)的自動(dòng)隱寫(xiě)分析方法具有重要研究意義和應(yīng)用價(jià)值。

作為圖像隱寫(xiě)算法的對(duì)抗技術(shù)，圖像隱寫(xiě)分析技術(shù)能夠判斷給定圖像中是否含有圖像隱寫(xiě)信息，對(duì)保障信息安全具有重要的研究意義。圖像隱寫(xiě)分析方法大多使用卷積神經(jīng)網(wǎng)絡(luò)CNN直接從輸入的圖像中學(xué)習(xí)大量的特征并對(duì)特征進(jìn)行分類；然后計(jì)算損失并通過(guò)反向傳播算法計(jì)算梯度，并根據(jù)得到的梯度更新網(wǎng)絡(luò)的參數(shù)以獲得更好的分類性能和實(shí)現(xiàn)快速地自動(dòng)檢測(cè)。具體而言，這些方法大多使用卷積核對(duì)待檢測(cè)的圖像進(jìn)行預(yù)處理；隨后通過(guò)一系列卷積與下采樣操作對(duì)預(yù)處理后的特征進(jìn)行進(jìn)一步的特征抽象及維度變換，以使得到的特征能更好地被辨別。目前，最先進(jìn)的圖像隱寫(xiě)分析方法是利用基于特征的隱寫(xiě)分析和機(jī)器學(xué)習(xí)來(lái)構(gòu)建，并共享相同的處理流程，即：噪聲殘差計(jì)算、特征構(gòu)造和二值分類。對(duì)于上述方法，殘差有助于提高隱寫(xiě)信號(hào)的信噪比，以提取更準(zhǔn)確的特征；然而最先進(jìn)的特征集是不同濾波器殘差共存的結(jié)合，即所謂的富模型。富模型通常是高維的，例如30000或更多維。從隱寫(xiě)分析的角度來(lái)看，為了獲得更完整的原圖像描述，高維表示是一個(gè)必然的趨勢(shì)，高維表示會(huì)使得隱寫(xiě)分析得到的特征變得越來(lái)越復(fù)雜，這些分析得到的特征可能偏離實(shí)際特征。同時(shí)要獲得高維的特征就意味著使用更多的卷積和池化來(lái)更深的感受野，然而卷積和池化本身就有抑制弱信號(hào)的特點(diǎn)，這將導(dǎo)致本身就很微弱的隱寫(xiě)信號(hào)在隨著網(wǎng)絡(luò)加深的過(guò)程中容易出現(xiàn)特征消失的現(xiàn)象，即單純的卷積和全連接層的組合難以學(xué)習(xí)到深層特征與淺層特征之間的長(zhǎng)距依賴關(guān)系。在此前提下，淺層網(wǎng)絡(luò)下采樣得到本就微弱的隱寫(xiě)信號(hào)更容易出現(xiàn)特征消失的現(xiàn)象，僅使用深層特征并不能達(dá)到理想的檢測(cè)效果。

發(fā)明內(nèi)容

本發(fā)明提供一種基于特征增強(qiáng)傳遞和通道注意力的圖像隱寫(xiě)分析方法、模型和系統(tǒng)，旨在解決現(xiàn)有技術(shù)中單純的卷積和全連接層的組合難以學(xué)習(xí)到深層特征與淺層特征之間的長(zhǎng)距依賴關(guān)系。在該類前提下，淺層網(wǎng)絡(luò)下采樣得到本就微弱的隱寫(xiě)信號(hào)更容易出現(xiàn)特征消失的現(xiàn)象的問(wèn)題。

為實(shí)現(xiàn)上述目的，根據(jù)本發(fā)明的第一方面，本發(fā)明提出了一種基于特征增強(qiáng)傳遞和通道注意力的圖像隱寫(xiě)分析方法，包括：

構(gòu)建特征增強(qiáng)傳遞模塊和通道注意力下采樣模塊，其中，特征增強(qiáng)傳遞模塊用于對(duì)圖像進(jìn)行特征增強(qiáng)傳遞操作，通道注意力下采樣模塊用于對(duì)圖像進(jìn)行通道注意力加權(quán)和下采樣操作；

使用特征增強(qiáng)傳遞模塊和通道注意力下采樣模塊，組建圖像隱寫(xiě)分析模型；