[发明专利]基于滤波器子集选择和CNN的隐写分析框架构建方法

说明书

本发明提供了一种基于滤波器子集选择和CNN的隐写分析框架构建方法，包括：获取目标滤波器集合，其中，所述目标滤波器集合包括所有的高通滤波器和导数滤波器；根据滤波器类型对所述目标滤波器集合中的滤波器进行筛选，以得到筛选后的滤波器集合；获取残差图像的结构相似度，并根据所述残差图像的结构相似度对所述筛选后的滤波器集合中的滤波器按升序排列；将排序前k个滤波器应用于隐写分析框架的预处理层。通过本发明的技术方案，能够降低输入残差特征图的维数，在保证检测准确率的前提下，加快了计算速度，在计算复杂度和检测性能之间取得了良好的平衡。

技术领域

本发明涉及信息隐藏技术领域，具体而言，涉及一种基于滤波器子集选择和CNN的隐写分析框架构建方法。

背景技术

隐写分析是隐写术的对抗技术。它对看似正常的图像进行检查，判断其是否含有秘密信息，其通常被视为二分类问题，目的是区分载体图像和载密图像。

隐写分析一般分为特征提取和分类器训练两个阶段。长期以来，隐写分析的特征都是通过人工设计的特征提取方法获得的。之后利用支持向量机(Support VectorMachine，SVM)或Fisher线性判别(Fisher Linear Discriminant，FLD)集成分类器对高维特征向量进行二分类。如今，基于卷积神经网络(Convolutional Neural Network，CNN)的隐写分析将特征提取和分类过程结合起来，形成一个完整的框架。特征提取对分类器训练至关重要，因为它决定了隐写分析的性能。

当前最流行的人工设计的特征提取方法都出自富模型(Rich Model，RM)，其中，空域富模型(Spatial Rich Model，SRM)是一种对隐写术安全性进行评估的常用方法。在SRM的特征提取框架中，一幅图像首先通过一组高通滤波器滤波后生成残差图像。然后，对残差图像进行量化、取整和截断等步骤后，计算四阶共生矩阵得到图像像素的联合概率分布。最后根据四阶共生矩阵符号对称和方向对称的特点对其元素进行合并，得到用于隐写分析的特征。其中，符号对称是指对图像取负值不会改变其统计特性。SRM采用一组形状和方向不同的线性和非线性高通滤波器，并结合若干量化因子，以增加模型的多样性。但这一过程无法并行计算，且存在计算复杂度高、耗时长等问题。

新近提出了一种基于导数滤波器的特征提取框架。首先，残差图像是经过导数滤波器而非高通滤波器计算的。第二，对残差图像进行量化，截断和阈值局部二值运算(Threshold Local Binary Operation，TLBP)后，计算二阶共生矩阵。最后，通过特征合并和非线性映射得到用于隐写分析的特征。与SRM类似，该方法使用一系列不同形状、不同方向的线性或非线性导数滤波器，结合不同的量化因子来增加模型的多样性。它同样存在着无法并行计算，计算复杂度高且计算耗时长等问题。

基于CNN的隐写分析框架将特征提取和分类器训练融合为一个过程。首先，一幅图像经过一个或多个滤波器生成残差图像，如果残差图像个数大于2，则将其叠加为多通道图像。然后利用CNN强大的非线性拟合能力自动提取用于隐写分析的特征。尽管其训练过程比较耗时，但是由于它易于并行计算且前馈速度快，吸引了众多研究者的关注。

如图1所示，这三种框架的共同之处在于它们都需要计算残差图像，无论是采用高通滤波器还是导数滤波器。这是因为在图像采集过程中，会将读出噪声、放大器噪声等多种噪声源叠加在采集到的图像上，并进行彩色插值、去噪、色彩校正、滤波等相机内处理。这些操作在相邻像素的噪声成分中建立了复杂的依赖关系。隐写嵌入破坏了这些依赖关系，因为隐写噪声的分布独立于载体图像的分布。SRM利用相邻像素的差值对相邻像素的依赖关系进行建模。计算残差图像的差分矩阵本质上是图像的高通滤波器，可以抑制图像的内容，增强隐写噪声，从而提高信噪比(signal to noise ratio，SNR)，提高隐写分析的性能。具有方向性的导数滤波器不仅可以用来滤除图像内容，还可以用来评估由隐写噪声引起的微弱变化。基于CNN的隐写分析框架使用这两种类型的滤波器对输入图像进行预处理。一系列实验表明，与没有预处理的模型相比，使用残差图像的模型更容易收敛，取得的效果更好。