[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

权利要求书

1.一种基于显著性检测的图像自适应隐写分析方法，其特征在于，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。

2.根据权利要求1所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，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。

3.根据权利要求2所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，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。

4.根据权利要求1所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，步骤1)中，使用显著性检测模块分割出图像的显著性区域；

显著性检测模块采用BASNet模型，包括预测模块和多尺度残差优化模块，形成显著性图具体为：

将BASNet模型的预测模块和多尺度残差优化模块引入网络，通过预测模块得到粗糙显著性图；

多尺度残差优化模块通过学习粗糙显著性图和真实标注之间的残差来优化预测模块的粗糙显著性图，最终得到细化后的显著性图。

5.根据权利要求1所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，步骤2)中，使用区域筛选模块对显著性图进行筛选，提取出符合要求的显著性图。

6.根据权利要求1所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，步骤2)中，显著性区域与隐写区域的重合度η的计算方法如下：

由式(1)得到式(2)：

其中，N表示图像中像素点的总数，N_coin表示重合区域的像素点的个数，N_stego表示隐写区域的像素点个数，P_Stego(i,j)和P_SOD(i,j)分别表示隐写点图和显著性图在位置(i,j)的像素值。

7.根据权利要求1所述的基于显著性检测的图像自适应隐写分析方法，其特征在于，步骤2)中，符合要求的显著性图对应的重合度为0.6～1。

8.一种实现权利要求1～7任意一项所述的基于显著性检测的图像自适应隐写分析方法的图像自适应隐写分析系统，其特征在于，包括显著性检测模块、区域筛选模块和判别器模块；

显著性检测模块用于生成待测图像的显著性区域，采用BASNet模型，包括预测模块和多尺度残差优化模块；

预测模块用于得到粗糙显著性图；多尺度残差优化模块用于通过学习粗糙显著性图和真实标注之间的残差来优化预测模块的粗糙显著性图，最终得到细化后的显著性图；

区域筛选模块，用于对显著性图进行筛选，提取出符合要求的显著性图；

判别器模块采用SRNet模型，用于提供初始检测错误的图像以及更新后数据集的重新训练。

9.根据权利要求8所述的基于显著性检测的图像自适应隐写分析系统，其特征在于，多尺度残差优化模块包含一个输入层，一个编码器，一个桥接层，一个解码器和一个输出层。

10.根据权利要求9所述的基于显著性检测的图像自适应隐写分析系统，其特征在于，编码器和解码器都有四个阶段，每个阶段只有一个卷积层，每层有64个大小为33的过滤器；

桥接层还设置了一个卷积层，该卷积层与其他卷积层参数相同。