一种Jpeg隐写分析方法及系统

本发明属于图像处理，涉及图像隐写分析技术，具体涉及一种jpeg隐写分析方法及系统。

背景技术：

1、图像隐写技术将秘密信息隐藏到图像中，作为隐写术的对立面，图像隐写分析的目的是分析与判断图像中是否含有秘密信息。jpeg图像是最突出的和广泛使用的图像文件格式，因此研究jpeg图像隐写分析方法具有重要的理论意义和实用价值。

2、早期的jpeg域图像隐写算法通过将dct系数的最低位替换为秘密信息来完成信息嵌入，主要包括nsf5、mb等。随着对自适应编码理解的深入，不断有新的自适应隐写算法被提出，例如通用小波失真隐写算法j-uniward，一致嵌入失真算法ued，及其对应改进的uerd算法。这类jpeg域自适应隐写算法可以将隐写嵌入所造成的失真降低到最小，且选定的嵌入秘密信息的位置相对集中在纹理复杂的区域使得隐写分析者难以进行统计建模。对此，研究者提出了一系列隐写分析模型，例如dctr、pharm和gfr，这些模型几乎都有相似的特征提取步骤，即先将jpeg图像解压到空域，并使用滤波器提取噪声残差，最后通过量化阶段处理提取统计特征。这些传统方法虽然取得了不错的检测结果，但是随着自适应隐写算法的不断发展，传统方法的局限性也越来越明显：一方面，设计特征时需要考虑更为复杂的图像统计特性，这就要求研究者对隐写技术有较高程度的理解；另一方面，特征参数的调节需要花费大量的计算力，过程繁琐，效率低下。

3、近年来，深度学习技术在计算机视领域取得了巨大的成功，帮助人类解决了很多复杂的问题，隐写分析本质上是二分类问题，国内外学者也不断尝试利用深度学习实现图像隐写分析。深度学习方法有着强大的特征学习和表达能力，使得隐写分析员只需致力于设计合适的架构，而无需手动设计复杂的高维特征。通过多个卷积和激活函数的组合可以有效提取图像的细节特征，并在同一个模型下完成图像的分类，通过大量的数据训练构建端到端的隐写分析器。现有的研究表明，相较于基于手工提取特征的隐写分析器，基于深度学习的隐写分析器性能有了明显的提升。为了提升模型的识别准确率，现有的jpeg隐写分析网络使用了各种技巧。在网络架构设计方面，结合了一些经典的cnn网络结构，如残差网络、密集网络，在训练策略方面，使用了迁移学习、数据增强、预训练等，另外有的模型还引入了相关领域知识，如jpeg相位感知、高通滤波器等。然而，现有的隐写分析模型还存在一些不足之处。一方面，几乎所有的jpeg隐写分析模型都采用单路径结构，这使得难以充分利用提取到的噪声残差；另一方面，大多数现有的隐写分析器缺乏对可能藏有秘密信息的纹理复杂的区域关注。

技术实现思路

1、为解决上述问题，本发明提供了一种jpeg隐写分析方法及系统，在噪声提取阶段使用双路径网在保留隐写信号的基础上深入探索隐含特征；在噪声聚合阶段使用一种改进的坐标注意力机制使模型迅速定位到可能藏有秘密信息的区域，提取更多有价值的特征，进而提高模型的性能。

2、为了达到上述目的，本发明提供如下技术方案：

3、一种jpeg隐写分析方法，包括如下步骤：

4、s1，构建基于双路径网络和改进的坐标注意力的jpeg隐写分析网络dcanet，包括噪声提取、噪声聚合及分类模块；所述噪声提取模块用于提取出输入图像的噪声残差分量，在保留噪声残差分量的基础上深入探索隐含特征，所述噪声聚合模块对前面提取到的噪声特征进行聚合统计，所述分类模块根据聚合后的特征判别图像是否含有秘密信息；

5、s2，准备数据集，将数据集划分为训练集、验证集和测试集，使用j-uniward和uerd这两种jpeg域自适应隐写算法对原始数据集进行隐写；

6、s3，dcanet模型的训练：使用随机梯度下降优化器adamax对提出的模型进行训练，每个epoch结束后对验证集进行检测，选取验证集准确率最高的模型作为最终模型应用到测试集上；

7、s4，利用训练好的网络模型对待测图像进行测试，根据预测的标签结果判定其中是否含有秘密信息。

8、进一步的，所述步骤s1包括以下子步骤：

9、s11，噪声提取模块包含预处理层和两个双路径模块；预处理层使用4个高通滤波器fkv、fp、fh和fv进行噪声残差的提取，其中fkv用来抑制图像本身内容，fp作为一个点高通滤波器，与fkv组合使用能够提取由jpeg隐写术引入的隐写信号；fh和fv分别是二阶水平和垂直gabor滤波器从不同的尺度和方向准确地描述图像纹理和边缘特征；这四个滤波器的参数在训练过程中进行更新；随后使用两个双路径模块实现了噪声特征的重用和挖掘，提取到了更深层次的特征；

10、s12，噪声聚合部分包括改进的坐标注意力模块和4个残差块，先通过改进的坐标注意力模块引导网络重点关注纹理复杂的可能藏有秘密信息的区域，通过残差连接实现了低层次特征和高层次特征的融合，随后使用4个残差块来聚合特征，并减小特征图的大小；

11、s13，分类模块使用全局协方差池化将特征图转换为特征向量，随后通过全连接层和softmax层得到判别结果。

12、进一步的，改进的坐标注意力模块实现如下功能：

13、首先，对输入s＝[s1,s2,...,sc]∈r分别沿x轴方向和y轴方向进行一维平均池化操作，从而完成对每个通道的编码，获取空间上的精确位置信息；第c个通道在高度为h处的输出可以表示为：

14、

15、其中，w代表特征图的宽度，sc(h,i)代表第c个通道在高度为h、宽度为i处进行平均池化后的特征值；随后对得到的特征向量首先沿着通道维度拼接，然后依次进行1×1的卷积、批量归一化处理和非线性操作，计算公式如下：

16、f＝δ(f1[zh,zw])

17、其中，[,]表示特征向量的拼接运算，f1是卷积变换函数，作用是减少通道数量，δ是非线性激活函数，生成的f是包含水平和竖直方向信息的中间向量；接着，将f沿水平和竖直方向分成两个独立的特征张量fh和fw，并通过两个1×1的卷积将其变换到和输入特征s具有相同的通道数，计算公式如下：

18、gh＝sigmoid(fh(fh))

19、gw＝sigmoid(fw(fw))

20、其中，fh和fw都是卷积变换函数，gh和gw代表注意力权重；最后将输入特征图s和注意力权重对应相乘；在注意力模块中引入了残差连接，将输入与注意力输出相加形成残差学习模式，在不增加过多成本的条件下将高级特征和低级特征融合在一起；注意力模块的最终输出p表达如下：

21、

22、进一步的，所述步骤s2包括以下子步骤：

23、s21，调整数据集中图片大小，将数据集划分为训练集、验证集和测试集；

24、s22，使用matlab中的imwrite函数分别以两种质量因子对图像进行压缩，得到不同质量因子的jpeg图像；

25、s23，使用两种jpeg域自适应隐写方法j-uniward和uerd分别以4种不同嵌入率的秘密信息，共得到8个隐写数据集。

26、进一步的，所述步骤s3包括以下子步骤：

27、s31，使用随机梯度下降优化器adamax对提出的模型进行训练；

28、s32，训练过程中使用合适的批数量，每个批次中的图像通过随机镜像和旋转90度进行数据增强，每次迭代后数据集被随机打乱防止模型过拟合；

29、s33，将在高嵌入率隐写图像下训练的模型参数迁移到具有低嵌入率图像下，并在训练过程中对模型进行微调；

30、s34，基于上述设置对网络进行训练，使用交叉熵作为损失函数，通过误检率来评估模型的性能。

31、进一步的，通过如下公式评估模型性能：

32、

33、其中，pfa和pfn分别表示虚警率和漏检率。

34、进一步的，每次迭代后对模型进行保存，最后选取在验证集上分类准确率最高的模型作为步骤s4中训练好的网络模型应用到测试集进行测试。

35、本发明还提供了一种jpeg隐写分析系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，该计算机程序被加载至处理器时实现上述的jpeg隐写分析方法。

36、与现有技术相比，本发明具有如下优点和有益效果：

37、1.本发明提出的jpeg隐写分析网络，结合了不同网络的优点，可以使模型重点关注纹理复杂的可能藏有秘密信息的区域，相比典型的jpeg隐写分析方法取得了更好的检测结果。

38、2.本发明噪声提取模块在预处理层之后没有直接进入噪声聚合模块，而是使用了两个双路径模块，结合残差网络和密集网络的优点，在保留隐写信号的基础上对隐含的特征进行深度探索，实现了噪声残差的重用和挖掘。

39、3.本发明噪声聚合模块提出了一种改进的坐标注意力模块引导网络重点关注纹理复杂的区域，提取更多有利于隐写分析的特征，改进的残差连接将高层次特征和低层次特征结合，进一步提高注意力模块的学习能力。

40、4.本发明采用j-uniward和uerd这两种jpeg域自适应隐写算法，在检测精度和泛化能力方面相对于srnet和danet有了明显的提升，同时实现了准确率和训练时间的平衡。