【CN109816585A】一种基于深度学习的数字图像隐写分析方法【专利】
合集下载
相关主题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
所述深度学习模型为卷积神经网络，所述卷积神经网络包括依次以输入输出相互级联 的第一卷积层、多层第二卷积层、多层全连接层和输出层；所述第一卷积层包括三个逐通道 卷积层 ；在深度学习模型上进行学习时 ，所述红色子带、绿色子带和蓝色子带独立输入到相 对应的逐通道卷积层，全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二卷积 层的输入。
代理人 傅辉阳
(51)Int .Cl . G06T 1/00(2006 .01)
(10)申请公布号 CN 109816585 A (43)申请公布日 2019.05.28
( 54 )发明 名称 一种基于深度学习的数字图像隐写分析方
法 ( 57 )摘要
本发明涉及图像隐写分析技术领域，公开了 一种基于深度学习的数字图像隐写分析方法，所 述方法包括 ：将彩色图 片分成红色子带 、绿色子 带和蓝色子带 ；对三个子带在深度学习模型上进 行学习，以将彩色图片分类为载体图像或者隐秘 图 像 ；深度学 习模型为卷积神经网络 ，包括依次 以输入输出相互级联的第一卷积层、多层第二卷 积层 、多层全连接层和输出层 ；第一卷 积层包括 三个逐通道卷积层；在深度学习模型上进行学习 时 ，三个子带独立输入到相对应的逐通道卷积 层，全部逐通道卷积层的输出联合后作为与第一 卷积层连接的第二卷积层的输入。本发明实施例 利 用深度学 习的 优势 ，获得更高的 识别准 确率 ， 并且将逐通道卷积和去聚合应 用到隐写分析中 ， 实现了更好的性能。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910082604 .8
(22)申请日 2019 .01 .28
(71)申请人 深圳大学 地址 518000 广东省深圳市南山区南海大 道3688号
(72)发明人 曾吉申 谭舜泉 莫显博 李斌 黄继武
(74)专利代理机构 深圳世科丰专利代理事务所 (特殊普通合伙) 44501
2 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，卷积神 经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷积层、四层全连接层和输 出层。
3 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述逐 通道卷积层的卷积核由高通滤波器初始化，一共30个，大小为5*5，步长为1。
说 明 书
1/6 页
一种基于深度学习的数字图像隐写分析方法
技术领域 [0001] 本发明涉及数字图像隐写技术领域，尤其涉及一种基于深度学习的数字图像隐写 分析方法。
背景技术 [0002] 在过去的数十年，图像隐写术主要应用于灰度载体图像。但由于日常生活中的大 部分数字图 像都是彩色的 ，所以 彩色图像领域的隐 写术与隐 写分析对抗已 经愈演愈烈 ，并 吸引了大量研究人员的关注。大多数的现代灰度图像隐写术，例如SUNIWARD ,HILL ,MiPOD 等，都是采用了加性嵌入失真最小化的架构。在此基础上，Li提出了保留相邻像素关系的隐 写方法(CMD)。然后，Tang在2016年提出了CMD-C ,它不仅可以保存各个颜色子带上像素相关 性 ，而且可以 跨子带保存。一般来说 ，灰 度图 像隐 写分析术也可以 直接 用于彩色图 像的 检 测 ，但目前并无针对彩色图 像的隐 写分析算法 ，所以 有必要提出一种针对彩色图 像的隐 写 分析算法。
来自百度文库
发明内容 [0003] 本发明的目的在于提供一种基于深度学习的数字图像隐写分析方法，旨在解决现 有技术中并无针对彩色图像的隐写分析算法的技术问题。 [0004] 为达此目的，本发明采用以下技术方案： [0005] 一种基于深度学习的数字图像隐写分析方法，所述数字图像隐写分析方法包括： 将训练集中彩色图片分成红色子带、绿色子带和蓝色子带；对所述红色子带、绿色子带和蓝 色子带，在深度学习模型上进行学习，以将所述彩色图片分类为载体图像或者隐秘图像； [0006] 所述深度学习模型为卷积神经网络，所述卷积神经网络包括依次以输入输出相互 级联的第一卷积层、多层第二卷积层、多层全连接层和输出层；所述第一卷积层包括三个逐 通道卷积层 ；在深度学习模型上进行学习时 ，所述红色子带、绿色子带和蓝色子带独立输入 到相对应的逐通道卷积层，全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二 卷积层的输入。 [0007] 可选的，卷积神经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷 积层、四层全连接层和输出层 [0008] 可选的，所述逐通道卷积层的卷积核由高通滤波器初始化，一共30个，大小为5*5， 步长为1。 [0009] 可选的，所述第二卷积层的卷积核的个数为8的倍数。 [0010] 可选的，所述三层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。 [0011] 可选的，所述第二卷积层使用批规范化正则化参数，Rectified Linear Unit作为 激活函数以及平均池化操作。 [0012] 可选的，所述四层全连接层分别含有800个线性单元、400个线性单元、200个线性 单元及2个线性单元。
7 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述四 层全连接层分别含有800个线性单元、400个线性单元、200个线性单元及2个线性单元。
8 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述输 出层的激活函数为Softmax函数。
2
CN 109816585 A
权利要求书1页 说明书6页 附图2页
CN 109816585 A
CN 109816585 A
权 利 要 求 书
1/1 页
1 .一种基于深度学习的数字图像隐写分析方法，其特征在于，所述数字图像隐写分析 方法包括 ：将 训练集中彩色图 片分成红色子带 、绿色子带 和蓝色子带 ；对所述红色子带 、绿 色子带 和蓝色子带 ，在深度学 习模型上进行学 习 ，以 将所述彩色图 片分类为载体图 像或者 隐秘图像；
4 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述第 二卷积层的卷积核的个数为8的倍数。
5 .根据权利要求4所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述三 层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。
6 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述第 二卷积层使用批规范化正则化参数，Rectified Linear Unit作为激活函数以及平均池化 操作。
代理人 傅辉阳
(51)Int .Cl . G06T 1/00(2006 .01)
(10)申请公布号 CN 109816585 A (43)申请公布日 2019.05.28
( 54 )发明 名称 一种基于深度学习的数字图像隐写分析方
法 ( 57 )摘要
本发明涉及图像隐写分析技术领域，公开了 一种基于深度学习的数字图像隐写分析方法，所 述方法包括 ：将彩色图 片分成红色子带 、绿色子 带和蓝色子带 ；对三个子带在深度学习模型上进 行学习，以将彩色图片分类为载体图像或者隐秘 图 像 ；深度学 习模型为卷积神经网络 ，包括依次 以输入输出相互级联的第一卷积层、多层第二卷 积层 、多层全连接层和输出层 ；第一卷 积层包括 三个逐通道卷积层；在深度学习模型上进行学习 时 ，三个子带独立输入到相对应的逐通道卷积 层，全部逐通道卷积层的输出联合后作为与第一 卷积层连接的第二卷积层的输入。本发明实施例 利 用深度学 习的 优势 ，获得更高的 识别准 确率 ， 并且将逐通道卷积和去聚合应 用到隐写分析中 ， 实现了更好的性能。
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910082604 .8
(22)申请日 2019 .01 .28
(71)申请人 深圳大学 地址 518000 广东省深圳市南山区南海大 道3688号
(72)发明人 曾吉申 谭舜泉 莫显博 李斌 黄继武
(74)专利代理机构 深圳世科丰专利代理事务所 (特殊普通合伙) 44501
2 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，卷积神 经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷积层、四层全连接层和输 出层。
3 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述逐 通道卷积层的卷积核由高通滤波器初始化，一共30个，大小为5*5，步长为1。
说 明 书
1/6 页
一种基于深度学习的数字图像隐写分析方法
技术领域 [0001] 本发明涉及数字图像隐写技术领域，尤其涉及一种基于深度学习的数字图像隐写 分析方法。
背景技术 [0002] 在过去的数十年，图像隐写术主要应用于灰度载体图像。但由于日常生活中的大 部分数字图 像都是彩色的 ，所以 彩色图像领域的隐 写术与隐 写分析对抗已 经愈演愈烈 ，并 吸引了大量研究人员的关注。大多数的现代灰度图像隐写术，例如SUNIWARD ,HILL ,MiPOD 等，都是采用了加性嵌入失真最小化的架构。在此基础上，Li提出了保留相邻像素关系的隐 写方法(CMD)。然后，Tang在2016年提出了CMD-C ,它不仅可以保存各个颜色子带上像素相关 性 ，而且可以 跨子带保存。一般来说 ，灰 度图 像隐 写分析术也可以 直接 用于彩色图 像的 检 测 ，但目前并无针对彩色图 像的隐 写分析算法 ，所以 有必要提出一种针对彩色图 像的隐 写 分析算法。
来自百度文库
发明内容 [0003] 本发明的目的在于提供一种基于深度学习的数字图像隐写分析方法，旨在解决现 有技术中并无针对彩色图像的隐写分析算法的技术问题。 [0004] 为达此目的，本发明采用以下技术方案： [0005] 一种基于深度学习的数字图像隐写分析方法，所述数字图像隐写分析方法包括： 将训练集中彩色图片分成红色子带、绿色子带和蓝色子带；对所述红色子带、绿色子带和蓝 色子带，在深度学习模型上进行学习，以将所述彩色图片分类为载体图像或者隐秘图像； [0006] 所述深度学习模型为卷积神经网络，所述卷积神经网络包括依次以输入输出相互 级联的第一卷积层、多层第二卷积层、多层全连接层和输出层；所述第一卷积层包括三个逐 通道卷积层 ；在深度学习模型上进行学习时 ，所述红色子带、绿色子带和蓝色子带独立输入 到相对应的逐通道卷积层，全部逐通道卷积层的输出联合后作为与第一卷积层连接的第二 卷积层的输入。 [0007] 可选的，卷积神经网络包括依次以输入输出相互级联的第一卷积层、三层第二卷 积层、四层全连接层和输出层 [0008] 可选的，所述逐通道卷积层的卷积核由高通滤波器初始化，一共30个，大小为5*5， 步长为1。 [0009] 可选的，所述第二卷积层的卷积核的个数为8的倍数。 [0010] 可选的，所述三层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。 [0011] 可选的，所述第二卷积层使用批规范化正则化参数，Rectified Linear Unit作为 激活函数以及平均池化操作。 [0012] 可选的，所述四层全连接层分别含有800个线性单元、400个线性单元、200个线性 单元及2个线性单元。
7 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述四 层全连接层分别含有800个线性单元、400个线性单元、200个线性单元及2个线性单元。
8 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述输 出层的激活函数为Softmax函数。
2
CN 109816585 A
权利要求书1页 说明书6页 附图2页
CN 109816585 A
CN 109816585 A
权 利 要 求 书
1/1 页
1 .一种基于深度学习的数字图像隐写分析方法，其特征在于，所述数字图像隐写分析 方法包括 ：将 训练集中彩色图 片分成红色子带 、绿色子带 和蓝色子带 ；对所述红色子带 、绿 色子带 和蓝色子带 ，在深度学 习模型上进行学 习 ，以 将所述彩色图 片分类为载体图 像或者 隐秘图像；
4 .根据权利要求2所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述第 二卷积层的卷积核的个数为8的倍数。
5 .根据权利要求4所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述三 层第二卷积层分别含有8n个卷积核、32n个卷积核、128n个卷积核。
6 .根据权利要求1所述的基于深度学习的数字图像隐写分析方法，其特征在于，所述第 二卷积层使用批规范化正则化参数，Rectified Linear Unit作为激活函数以及平均池化 操作。