[发明专利]一种基于模型的数字图像隐写方法

说明书

本发明提供一种基于模型的数字图像隐写方法，包括以下操作步骤：步骤S1：获取待检测的彩色数字图像集，并将获取的彩色数字图像集做分类处理；步骤S2：通过训练数据集训练得到具有分析图像隐写富模型特征能力的深度学习模型，该深度学习模型为深度卷积神经网络CNN；步骤S3：将步骤S1中分类好的彩色数字图像独立输入步骤S2中训练得到深度学习模型中对应的卷积通道内学习，最终得出非载体图像、即隐密图像的检测结果；本发明通过具有分析图像隐写富模型特征能力的深度学习模型去分析数字图像，再结合大数据的优势，降低了数据计算维度，大大地提高了识别准确率和速度。

技术领域

本发明涉及图像隐写技术领域，尤其涉及一种基于模型的数字图像隐写方法。

背景技术

信息隐藏是上世纪90年代开始兴起的信息安全新技术，并成为信息安全技术研究的热点。传统通信领域为了保证传递的信息能够不被窃听或破坏，常采用密码来保护信息，即让窃听者无法看到或听懂，但是这种技术的缺点是告诉窃听者这就是秘密信息，特别是随着计算机技术的发展，密码的安全性受到很大挑战；而数字隐写是将需要传递的秘密信息，隐藏在一个普通的非秘密消息当中，再进行传输，这样即使窃听者窃听了传输的信息，也只会将其当成普通的消息，而不会怀疑或者无法得知是否有秘密信息的存在。

现有技术中的隐写分析法特征都具有较多的维数，使得提取特征与特征分类的时间大大增加，不利于实际应用，而且增加了图像隐写分析技术的时间成本；同时对于彩色图像的隐写分析无针对性，导致最终的检测的结果不够准确，影响判断。

因此，有必要提供一种基于模型的数字图像隐写方法解决上述技术问题。

发明内容

为解决上述技术问题，本发明提供一种基于模型的数字图像隐写方法用于解决了现有技术中的隐写分析法特征都具有较多的维数，使得提取特征与特征分类的时间大大增加，不利于实际应用，而且增加了图像隐写分析技术的时间成本；同时对于彩色图像的隐写分析无针对性，导致最终的检测的结果不够准确，影响判断的问题。

本发明提供的一种基于模型的数字图像隐写方法，包括以下操作步骤：步骤S1：获取待检测的彩色数字图像集，并将获取的彩色数字图像集做分类处理；

步骤S2：通过训练数据集训练得到具有分析图像隐写富模型特征能力的深度学习模型，该深度学习模型为深度卷积神经网络CNN；

步骤S3：将步骤S1中分类好的彩色数字图像独立输入步骤S2中训练得到深度学习模型中对应的卷积通道内学习，最终得出非载体图像、即隐密图像的检测结果。

优选的，在步骤S1中，根据RGB色彩标准，将获取的彩色图像集分成R子频带、G子频带和B子频带，实现对彩色图像的隐写分析。

优选的，步骤S2还包括获取载体图像和隐密图像数据集；根据富模型对获取的载体图像和隐密图像数据集中任一图像进行卷积处理得出N幅余量图像；生成深度学习子模型；利用载体图像和隐密图像数据集对组合卷积神经网络模型进行训练得到深度学习模型Ⅰ。

优选的，步骤S2还包括将深度分类模型与深度学习模型Ⅰ整合得到深度学习模型Ⅱ。

优选的，步骤S2还包括根据预训练的载体图像和隐密图像数据集对深度学习模型Ⅱ训练，最终生成所需的深度学习模型。

优选的，所述深度学习模型包括依次以输入输出相互级联的若干个特征提取层、若干个特征映射层和输出层，其中若干个特征提取层和若干个特征映射层交错分布，依次为特征提取层C1、特征映射层S1、特征提取层C2、特征映射层S3和输出层。

优选的，所述特征提取层包括通过滤波器和可加偏置与输入图像卷积形成的三个逐通道卷积单元，该逐通道卷积单元与R子频带、G子频带和B子频带相对应，特征提取层的卷积核由高通滤波器初始化。