【CN109816585A】一种基于深度学习的数字图像隐写分析方法【专利】
一种基于数字视频图像分析解密印刷品中隐藏图像的方法[发明专利]
![一种基于数字视频图像分析解密印刷品中隐藏图像的方法[发明专利]](https://img.taocdn.com/s3/m/292e1595a26925c52dc5bf7f.png)
专利名称：一种基于数字视频图像分析解密印刷品中隐藏图像的方法
专利类型：发明专利
发明人：臧戈平
申请号：CN201810469340.7
申请日：20180516
公开号：CN108647659A
公开日：
20181012
专利内容由知识产权出版社提供
摘要：本发明提供一种基于数字视频图像分析解密印刷品中隐藏图像的方法，涉及智能手机或智能移动设备信息识别与防伪技术领域。
该方法针对隐藏有底图的印刷品或物体表面纹路，用智能手机或智能移动设备的摄像头摄入要识别的印刷品或物体表面纹路的图像，得到该印刷品或物体表面纹路的表图实况视频数字图像，对该实况视频数字图像的每一帧图像进行分析判断，对适合藏图解析的帧页进一步解析获得隐藏底图的方式和相关参数，并用相对应的方法和参数解密隐藏的底图，获得底图图像，并进行显示。
本发明能大大增加检测或识读底图的实时性、真实性、透明性、确定性和实况感，更好地保证了用智能手机或智能移动设备APP扫图、扫码防伪溯源、防窜货的功能。
申请人：臧戈平
地址：110021 辽宁省沈阳市铁西区沈辽东路47-7号2-2-1
国籍：CN
代理机构：沈阳东大知识产权代理有限公司
代理人：梁焱
更多信息请下载全文后查看。
【CN109743553A】一种基于深度学习模型的隐藏图像检测方法及系统【专利】
( 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 201910076569 .9
(22)申请日 2019 .01 .26
(71)申请人 温州大学 地址 325000 浙江省温州市高教园区（瓯海 区茶山镇）
(72)发明人 钱乐旦
(74)专利代理机构 北京盛凡智荣知识产权代理 有限公司 11616
3 .根据权利要求1所述的一种基于深度学习模型的隐藏图像检测系统，其特征在于，所 述图 像分析模块包括图 像位置分析模块 、图 像时间分析模块以 及图 像大小分析模块 ，图 像 位置分析模块能 够解析图 像的 位置信息 ，图 像时间分析模块能 够分析出图 像的时间 信息 ， 具体为哪个时间点拍摄或者制作的 ，图像大小分析模块能够分析图像所占 空间的大小。
2 .根据权利要求1所述的一种基于深度学习模型的隐藏图像检测系统，其特征在于，所 述图 像采集模块包括互联网图 像下载模块 、相机摄影模块以 及图 像采集卡采集模块 ，互联 网图像下载模块能够从互联网上进行相关图像的下载，相机摄影模块能够对目标物进行摄 影直接获取图像，图像采集卡采集模块能够利用图像采集卡进行图像信息的采集。
基于深度学习的图像隐写研究综述
基于深度学习的图像隐写研究综述摘要：随着信息技术的快速发展，图像隐写作为信息隐藏的重要手段，在信息安全领域具有重要的应用价值。
近年来，深度学习技术的兴起为图像隐写带来了新的机遇和挑战。
本综述旨在对基于深度学习的图像隐写技术进行全面的分析和总结，包括其发展历程、主要方法、性能评估以及面临的问题和未来的发展趋势。
一、引言在当今数字化时代，信息的安全传输和存储成为人们关注的焦点。
图像隐写技术通过将秘密信息嵌入到普通的图像中，实现了信息的隐蔽传输，有效地保护了信息的安全性。
传统的图像隐写方法主要基于手工设计的算法，存在着隐写容量有限、抗检测能力弱等问题。
深度学习技术的出现为解决这些问题提供了新的思路和方法，使得图像隐写技术得到了快速的发展。
二、深度学习在图像隐写中的发展历程（一）早期探索阶段在深度学习技术的早期，研究人员开始尝试将神经网络应用于图像隐写。
2014 年，生成对抗网络（GAN）的出现为图像隐写提供了新的可能性。
2016 年，第一个基于深度学习的隐写模型——SGAN 被提出。
该模型利用 DCGAN 生成载体图像，并使用传统的嵌入算法实现秘密信息的隐藏，为后续的研究奠定了基础。
（二）快速发展阶段随着深度学习技术的不断发展，越来越多的基于深度学习的图像隐写方法被提出。
研究人员从不同的角度出发，提出了多种类型的隐写模型，如基于生成载体式、嵌入载体式、合成载体式和映射关系式等。
这些模型在隐写容量、抗检测能力和图像质量等方面都取得了显著的提升。
（三）成熟应用阶段近年来，基于深度学习的图像隐写技术已经逐渐成熟，并在实际应用中得到了广泛的关注。
研究人员不仅关注隐写模型的性能，还开始关注其安全性和可靠性。
同时，随着硬件设备的不断升级，深度学习模型的计算效率也得到了提高，使得图像隐写技术能够更加高效地应用于实际场景。
三、基于深度学习的图像隐写主要方法（一）基于生成载体式1.原理：该方法首先利用生成对抗网络生成尽可能真实的载体图像，然后在生成的载体图像中嵌入秘密信息。
一种基于深度学习的数字病理图像智能分析方法[发明专利]
![一种基于深度学习的数字病理图像智能分析方法[发明专利]](https://img.taocdn.com/s3/m/8167c07151e79b89680226fc.png)
专利名称：一种基于深度学习的数字病理图像智能分析方法专利类型：发明专利
发明人：钱光武
申请号：CN202010824348.8
申请日：20200817
公开号：CN112116559A
公开日：
20201222
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于深度学习的数字病理图像智能分析方法，包括以下步骤：S1：收集各个科室病理图像，并对图像进行分类处理；S2：将图像扫描并上传到计算机，存储在病理图像的数据库，由相关科室的专家对病理图像种病变的区域进行标注并提取，从而获取病变图像的数据库；
S3：对数据库内的图像进行预处理，获得算法训练数据库；S4：对算法训练数据库中的病理图像进行分析和学习，获得自动诊断模型和数字病理图像检索模型，从而形成智能分析系统；S5：获取临床数字病理切片数据，对其进行图像扫描并上传到计算机；S6：通过智能分析系统对临床的病理数据进行分析。
本发明，可获得准确的分析系统，从而减小结果的误差，提高分析的准确性。
申请人：您好人工智能技术研发昆山有限公司
地址：215300 江苏省苏州市昆山开发区春旭路18号联彩商务中心1402室
国籍：CN
代理机构：苏州圆融专利代理事务所(普通合伙)
代理人：赵磊
更多信息请下载全文后查看。
一种基于范畴表示的图像序列隐含信息分析方法[发明专利]
![一种基于范畴表示的图像序列隐含信息分析方法[发明专利]](https://img.taocdn.com/s3/m/08068e1bf90f76c660371abe.png)
专利名称：一种基于范畴表示的图像序列隐含信息分析方法专利类型：发明专利
发明人：刘贵全,范寅
申请号：CN201810841511.4
申请日：20180727
公开号：CN109118530A
公开日：
20190101
专利内容由知识产权出版社提供
摘要：本发明涉及一种基于范畴表示的图像序列隐含信息分析方法，包括以下步骤：⑴图像序列特征用范畴表示；⑵两个图像子序列用函子表示；⑶图像序列的自然变换；⑷建立图像序列中子图像之间的对应机制。
本发明利用范畴理论来表示图像序列隐含信息深度特征进行表示，根据范畴的数学特性，再结合层次认知机理，建立范畴表示深度学习理论框架。
方法使用范畴理论表示的连续图像序列研究图像序列的相关性，可以用于机器人等智能设备的视觉感知、动作捕捉，人脸表情分析、手写识别等人工智能领域。
申请人：苏州女娲机器人有限公司
地址：215000 江苏省苏州市苏州工业园区星湖街328号创意产业园6-901-88单元
国籍：CN
代理机构：南京乐羽知行专利代理事务所(普通合伙)
代理人：缪友建
更多信息请下载全文后查看。
用于对图像进行隐写分析的方法和装置[发明专利]
![用于对图像进行隐写分析的方法和装置[发明专利]](https://img.taocdn.com/s3/m/266272fb59eef8c75fbfb3ec.png)
专利名称：用于对图像进行隐写分析的方法和装置专利类型：发明专利
发明人：施云庆,宣国荣
申请号：CN200910166327.5
申请日：20060125
公开号：CN101655971A
公开日：
20100224
专利内容由知识产权出版社提供
摘要：提供了用于对图像进行隐写分析的方法和装置。
该方法包括：从与图像对应的灰度图像中产生预测误差图像；计算所述灰度图像和所述预测误差图像的离散小波变换；计算与所述灰度图像和所述预测误差图像的离散小波变换关联的多个子带的矩，其中对所述矩的计算基于所述多个子带的直方图；利用所述矩以向一个或更多个分类器提供输入特征，所述一个或更多个分类器被配置用来检测用于指示所述图像中是否存在隐藏数据的、所述直方图的变化。
申请人：新泽西理工学院
地址：美国新泽西州
国籍：US
代理机构：北京集佳知识产权代理有限公司
更多信息请下载全文后查看。
一种基于少样本学习的图像隐形水印通用检测方法[发明专利]
![一种基于少样本学习的图像隐形水印通用检测方法[发明专利]](https://img.taocdn.com/s3/m/2c388d0319e8b8f67d1cb9a3.png)
专利名称：一种基于少样本学习的图像隐形水印通用检测方法专利类型：发明专利
发明人：李大秋,付章杰
申请号：CN202110084996.9
申请日：20210121
公开号：CN112785479A
公开日：
20210511
专利内容由知识产权出版社提供
摘要：本发明公开了一种基于少样本学习的图像隐形水印通用检测方法，包括水印特征提取、图构造、标签传播、损失计算四个步骤组成，在少样本转导传播网络框架的基础上改进了其特征嵌入步骤，改造后的特征嵌入部分由预处理、多尺度特征融合和特征嵌入三个子步骤组成。
本发明在实际的图像隐形水印检测任务中可作为通用的隐形水印检测器，不需要单独训练针对特定的隐形水印嵌入算法。
另外可在少量隐形水印嵌入算法的水印图像基础上训练图像隐形水印通用检测模型，使实际的图像隐形水印检测过程更加便捷，更加符合实际条件的限制，可真正满足实际情况下的图像隐形水印的检测。
申请人：南京信息工程大学
地址：210044 江苏省南京市江北新区宁六路219号
国籍：CN
代理机构：南京苏高专利商标事务所(普通合伙)
代理人：柏尚春
更多信息请下载全文后查看。
基于深度学习的图像隐写分析算法
基于深度学习的图像隐写分析算法
王爱伟;李晖
【期刊名称】《信息技术与信息化》
【年(卷),期】2022()9
【摘要】现阶段大部分隐写分析方法只能对固定大小的图像进行检测,为打破检测范围的局限性,设计了一种可针对不同分辨率图像的隐写分析模型。
首先在预处理部分通过改进深度学习去噪网络对图像进行去噪,在与输入图像作差后得到隐写噪声残差。
其次,采用设计的6层卷积结构对噪声残差进行特征提取,并运用批量归一化、激活函数等提升网络性能。
最后,在全连接层前加入空间金字塔池化,进而实现模型对不同分辨率下图像的隐写分析。
实验基于经过裁剪和隐写嵌入后的BOSSbase1.01数据集进行,结果表明该方案可以实现对不同分辨率图像的隐写分析并能够得到较好的检测结果。
【总页数】4页(P217-220)
【作者】王爱伟;李晖
【作者单位】沈阳工业大学
【正文语种】中文
【中图分类】TP3
【相关文献】
1.基于隐写编码和Markov模型的自适应图像隐写算法
2.深度学习在图像隐写术与隐写分析领域中的研究进展
3.深度学习在图像隐写术与隐写分析领域\r中的研
究进展4.结合图像加密与深度学习的高容量图像隐写算法5.基于深度学习的数字图像隐写和隐写分析术研究概述
因版权原因，仅展示原文概要，查看原文内容请购买。
- 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)。
(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。
权利要求书1页 说明书6页 附图2页
CN 109816585 A
CN 109816585 A
权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；
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。
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。
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。
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。
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。
( 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
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