一种图像隐写分析方法、装置、介质及设备

申请涉及隐写分析，特别涉及一种图像隐写分析方法、装置、介质及设备。

背景技术：

1、生成式图像隐写方法的快速发展，对图像隐写分析任务提出了巨大的挑战。得益于神经网络强大的特征提取能力，现有基于深度学习得图像隐写分析方法在检查性能上取得了巨大进步，但是鲜有研究工作探究载体图像与隐写图像在空域和变换域直接的差异与联系，从而针对性地指导隐写分析网络结构的设计，隐写分析方法仍存在提升的空间。

2、现有方法大多仅根据图像的空域特征来判断是否是隐写图像。2022年，翁韶伟等人提出一种结合空域富模型高通滤波器与卷积神经网络的隐写分析方法，获得了较好检测性能。然而仅以空域特征作为判断隐写图像的标准，并且忽视了隐写方法对于图像统计特征的改动，使得该方法的检测性能存在局限。小波域是一种基于小波变换的表示方式，它将图像分解成低频部分和高频部分，其中低频部分对应于图像中的平滑细节，而高频部分对应于图像中的纹理和边缘信息，可以捕捉图像中不同尺度上的信息。图像的统计特征是对图像中像素值的分布进行描述和分析的指标，可以用来揭示图像的纹理、亮度、对比度等信息。而隐写术通常不仅会导致图像空域产生变化，更会明显反应在小波域和统计特征上。

3、因此，本发明从载体图像与隐写图像在空域和小波域的直接差异与联系出发，结合图像的统计特征，提出一种图像隐写分析方法、装置、介质及设备，采用孪生网络提取空域和小波域特征之间的差异，结合基于变分自编码器提取的图像统计特征，通过自适应权重，提升了隐写分析的检测性能，具有现实意义和良好的应用前景。

技术实现思路

1、本发明的目的在于克服现有技术中的不足，提供一种图像隐写分析方法、装置、介质及设备，提升了图像隐写分析的检测性能，具有现实意义和良好的应用前景。

2、为解决上述技术问题，本发明是采用下述技术方案实现的：

3、一方面，本发明提供一种图像隐写分析方法，包括：

4、使用隐写术将秘密信息嵌入获取到的载体图像c中，生成隐写图像s；

5、对所述载体图像c和隐写图像s进行离散小波变换，得到小波载体图像dc和小波隐写图像ds；

6、将所述载体图像c、隐写图像s、小波载体图像dc和小波隐写图像ds，分别输入到孪生隐写分析子网络，得到四个域特征，分别为载体图像特征fc，小波载体图像特征fdc、隐写图像特征fs和小波隐写图像特征fds；

7、将所述四个域特征划分为四组，得到四组域特征，分别为载体图像特征fc和小波载体图像特征fdc、载体图像特征fc和小波隐写图像特征fds、隐写图像特征fs和小波隐写图像特征fds、隐写图像特征fs和小波载体图像特征fdc；

8、使用注意力机制生成所述四组域特征的域差异特征d；

9、将所述载体图像c和隐写图像s输入到统计特征子网络，得到统计分布差异j；

10、使用注意力机制生成所述域差异特征d和统计分布差异j的融合特征r；

11、将所述融合特征r输入到分类器中，得到隐写分析结果

12、可选的，所述使用注意力机制生成所述四组域特征的域差异特征d通过公式1实现：

13、

14、其中，softmax表示归一化指数函数，a和b表示每组域特征的两条特征，*表示矩阵元素乘法，t表示特征矩阵转置，conv表示通道卷积操作，表示通道拼接操作，d表示特征的维度。

15、可选的，所述统计分布差异j具体通过以下步骤得到：

16、将载体图像c和隐写图像s分别输入统计特征子网络，得到将载体图像c和隐写图像s映射到潜在空间的均值μc、μs和标准差αc、αs；

17、随机采样一个均值为μc和标准差为αc的标准正态分布作为载体图像参数cc；

18、随机采样一个均值为μs和标准差为αs的标准正态分布作为隐写图像参数cs；

19、使用公式2计算统计分布差异j：

20、

21、其中，softmax表示归一化指数函数，*表示矩阵元素乘法，t表示特征矩阵转置，conv表示通道卷积操作，表示通道拼接操作，d表示特征的维度。

22、可选的，所述统计特征子网络基于变分自编码器设计而成。

23、可选的，所述使用注意力机制生成所述域差异特征d和统计分布差异j的融合特征r通过公式3实现：

24、

25、其中，softmax表示归一化指数函数，*表示矩阵元素乘法，t表示特征矩阵转置，conv表示通道卷积操作，表示通道拼接操作，d表示特征的维度。

26、可选的，所述孪生隐写分析子网络和统计特征子网络的训练包括：

27、计算损失函数l，采用随机梯度下降方法更新孪生隐写分析子网络和统计特征子网络的参数；

28、所述损失函数l包括域差异损失ld、统计分布差异损失lj和分类损失la三个子损失函数：

29、ld＝max(0，dis(fc，fdc)-dis(fc，fds)+γ1)+max(0，dis(fs，fds)-dis(fs，fdc)

30、+γ2)

31、lj＝(1-cos(cc，cs)*γ3)

32、

33、其中，max表示取最大值操作，dis表示距离度量函数，γ1、γ2表示预先定义的用于控制两个距离差异的边界值，cos表示余弦距离函数，γ3表示预先定义用于控制样本之间的距离的超参数，log表示取对数操作；

34、所述损失函数l通过公式4计算得到：

35、l＝β1ld+β2la+β3lj    (4)

36、其中，β1、β2、β3分别表示三个子损失函数的权重。

37、第二方面，本发明提供一种图像隐写分析装置，包括：

38、隐写术模块：用于：将秘密信息嵌入获取到的载体图像c中，生成隐写图像s；

39、离散小波变换模块，用于：对所述载体图像c和隐写图像s进行离散小波变换，得到小波载体图像dc和小波隐写图像ds；

40、孪生隐写分析子网络模块，用于：计算所述载体图像c、隐写图像s、小波载体图像dc和小波隐写图像ds的四个域特征，分别为载体图像特征fc，小波载体图像特征fdc、隐写图像特征fs和小波隐写图像特征fds；

41、注意力机制模块，用于：生成所述四组域特征的域差异特征d，以及生成所述域差异特征d和统计分布差异j的融合特征r；

42、统计特征子网络模块，用于：计算载体图像c和隐写图像s的统计分布差异j；

43、分类器模块，用于：将所述融合特征r输入到分类器中，得到隐写分析结果

44、第三方面，本发明提供一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时，实现第一方面中任一所述的图像隐写分析方法的步骤。

45、第四方面，本发明提供一种计算机装置/设备/系统，包括：

46、存储器，用于存储计算机程序/指令；

47、处理器，用于执行所述计算机程序/指令以实现第一方面中任一项所述的图像隐写分析方法的步骤。

48、第五方面，本发明提供一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现第一方面中任一项所述的图像隐写分析方法的步骤。

49、现有技术相比，本发明所达到的有益效果：

50、1.本发明提供的图像隐写分析方法，提出一种基于域差异的孪生网络，从载体图像c与隐写图像s在空域和小波域直接的差异与联系出发，使得模型能够更容易分辨隐写对图像的改动；还提出一种基于统计差异的对比学习方法，将载体图像c和隐写图像s映射到潜在空间来对比分布的差异，降低模型分辨难度；

51、2.本发明提供的图像隐写分析装置，通过设置隐写术模块、离散小波变换模块、孪生隐写分析子网络模块、注意力机制模块、统计特征子网络模块和分类器模块，共同实现对图像的隐写分析，提升了图像隐写分析的检测性能，具有现实意义和良好的应用前景；

52、3.本发明提供的计算机可读存储介质、计算机装置/设备/系统和计算机程序产品，可执行本发明提供的图像隐写分析方法的步骤。