郭继昌;何艳红;魏慧文
【摘 要】In order to improve the detection accuracy of small embedding rate steganography,an image steganalysis method based on the highly modularized convolutional neural network is proposed.First,the fundamental network is built by repeating residual network units to extract the complex statistical properties of digital images.Then,extracting the channel information on the residual image by adding the group convolution,it is very good to strengthen the signal characteristics from the hidden information.Finally,a large number of datasets are used to train the network,and the image steganalysis method based on the modularized residual network is obtained.Experimental results show that compared with the existing methods,the proposed method has a better performance,and extracts more effective image features. Meanwhile,using the residual network module as the template,the network model can be easily built to facilitate adjustment and training.%为了提高图像隐写分析方法对小嵌入率隐写术检测的准确性,针对
小嵌入率隐写术提出一种基于高度模块化网络结构的图像隐写分析方法.首先,通过重复残差网络单元来构建基础网络模型,以提取数字图像中的复杂统计特性;其次,增加分组卷积以提取残差图像通道信息,加强来自隐写信息的信号特征;最后,利用大量数据集对网络进行训练,得到了基于模块化残差网络的图像隐写分析方法.实验结果表明,所提方法相较于现有算法可以提取更有效的图像特征,从而得到更好的检测效果.同时,利用残差网络块作为模板,可以很容易地搭建网络模型,便于网络的调整和训练. 【期刊名称】《西安电子科技大学学报（自然科学版）》
水位显示器
【年(卷),期】2019(046)001
热力井【总页数】7页(P79-85)
【关键词】隐写分析;残差网络;分组卷积;模块化;低嵌入率
【作 者】郭继昌;何艳红;魏慧文
【作者单位】天津大学电气自动化与信息工程学院,天津 300072;天津大学电气自动化与信息工程学院,天津 300072;天津大学电气自动化与信息工程学院,天津 300072
【正文语种】中 文
【中图分类】TP391.4
图像隐写分析的困难在于隐写操作嵌入到图像中的隐写信息是很少的，隐写前后图像会产生微弱的差异,且这种差异很容易被图像内容间的差异性所掩盖。尤其是近年来提出的内容自适应隐写术，在进行隐写操作时优先将隐写信息嵌入到图像复杂纹理区域。因此在低嵌入率条件下,自适应隐写术可以更好地发挥其优势,也更难检测。
为了对抗自适应隐写术，传统方法中的特征设计需要考虑更复杂的图像统计特性，特征也向着复杂化、高维化发展。其中最典型的是Fridrich和Kodovsky两人[1]提出的富模型(Spatial Rich Model, SRM)特征提取方法，虽然富模型方法取得了不错成果，但是也面临诸多的困难。首先，需要考虑更复杂的统计特性，特征设计难度不断加大；其次，在耗时上需要花费大量的时间。
近些年，随着深度学习方法的兴起，研究者将特征学习应用到图像隐写分析研究领域。2015年，Qian等[2]提出了基于卷积神经网络(Convolutional Neural Network, CNN)的隐写
分析框架。该网络是一个5层网络，用一个高通滤波器对图片进行预处理，提取噪声残差；然后，通过卷积层提取特征；最后通过完全连接层和softmax层进行分类。该方法将特征提取和分类整合到一个网络框架下，并通过反向传播方法自动优化两个步骤中的参数，从而同时实现特征学习和分类。2016年，Xu等[3]对Qian提出的网络结构进行了改进，在预处理的网络单元上借鉴了当时新提出的结构单元，利用残差图像的对称性，提取有效特征，该网络模型取得了稍优于富模型的检测结果。同年，Wu等[4]将深层残差网络应用到图像隐写分析问题上，该网络具有跨层连接，能够很好地捕捉到有效的统计特性，并能强化由信息嵌入产生的弱信号，该网络模型取得了不错的效果。2017年，Ye等[7]提出了一种网络结构，此网络使用一组高通滤波器作为预处理，并且采用了截断线形单元(Truncated Linear Unit, TLU)作为激活函数，可以更好地提取到隐写信息。该网络的提出表明：加宽网络结构可以提高其性能。
通过改进网络结构可以提升基于网络模型的隐写分析方法的检测性能，为了提升对小嵌入率隐写算法的检测准确率，笔者将分组卷积与跨层连接相结合，构建网络模型应用到图像隐写分析上。网络结构重复采用残差网络层，通过分裂—转换—合并的方法构成。首先，网络中所有的卷积通道都具有相同的拓扑结构，这使得通道可以作为检测影响因素来研究；
其次，残差网络块集合了一组具有相同拓扑结构的子残差网络，网络的残差学习方法可以很好地加强来自隐写信息的信号特征。
1 残差网络块
在图像隐写分析领域，如何提高对低嵌入率载密图像的检测率一直是重点关注的问题。为了提高卷积神经网络对小嵌入率隐写图像的检测准确率，文中构建了一个基于模块化残差网络的隐写分析模型。该模型结合分组卷积和跨层连接构建残差网络块，通过提取通道间的特征信息来增强小嵌入率载密图像数据集上的特征学习，从而提升模型的检测性能。
1.1 残差网络
事实上，要检测秘密信息的存在，隐写分析应该正确地区分输入图像x为
(1)
图1 两种不同网络块的结构
其中，c表示载体图像，0表示没有秘密信号，m表示有信息嵌入产生的弱秘密信号。cover
quartz插件为原始图像，stego为载密图像。如图1(b)所示，残差学习满足残差映射F(x):=H(x)-x，所以，残差学习层的最后映射可以表达为F(x)+x。从表达式上来看，网络满足残差映射比原始映射更容易些，特别是在原始映射是恒等映射或者接近恒等映射的时候。输入图像进入残差网络，网络的残差映射F(x)满足0或m，又因为0和m都是小信号，所以可以有效地被残差学习网络建模出来。因此，通过单个残差网络层可以很好地保留和强化隐写信号。这个优点也使得残差网络非常适用于图像隐写分析。
1.2 残差网络块
残差网络的提出是为了解决图像识别问题，这与图像隐写分析的目的大致相似。根据残差网络性质，残差网络块需要遵循两个规则：(ⅰ)如果生成的特征图谱具有相同的大小，那么这个模块有相同的超参数(宽度、滤波器尺寸等)；(ⅱ)如果特征图谱被以因数为2下采样，那么模块的宽度要乘以2。第二条规则确保了所有块的计算复杂度基本相同。干电池手机
根据上述两条规则可以设计一个模板模块，网络中所有模块都可以照此设计。图2(a)是一个简单的残差网络，相当于把通道分成一组，图中卷积层表示输入通道数，卷积尺寸和输出通道数。图2(b)是一个残差网络块，文中残差网络块由4组卷积通道组成(即C=4)。首先，
残差网络块通过在各通道间进行卷积操作，提取出图像的不同特征；再把各通道的特征连接集合起来而得到更丰富的图像特征；其次，残差网络块进行了跨层连接，可以提取到非线性特征信息，减少了信息损失，也使得残差网络块非常适用于图像隐写分析。
图2 残差网络块结构
2 模块化残差网络的图像隐写分析
为了将卷积神经网络应用到图像隐写分析中，文中根据图像隐写分析的过程设计了对应的网络结构，并且加入跨层连接和分组卷积来增强卷积神经网络的能力。下面对网络结构进行详细介绍。
2.1 图像预处理
实验证明，若将图片样本直接输入到网络中，则会造成网络不收敛，所以需要对输入到CNN模型中的图片样本数据进行相应的预处理。目前常用高通滤波器做预处理操作，从输入图像中提取噪声残差。已有研究表明，用噪声残差取代像素可以很大程度地抑制图像内容，同时在图像信号和微弱的载密信号之间形成一个狭窄的动态范围，从而获得一个较大
的信噪比，这使得经过高通滤波器后的图像统计特性更加紧密，鲁棒性更好。文中选择KV滤波器作为高通滤波器。
汽轮机转子
2.2 图像特征提取
二进制并行加法器在很多图像隐写分析的研究中，将图像在空域中进行处理是一种常见的方法。这种方法相当于利用一系列不同卷积核的滤波器对图像进行卷积，得到的结果即为基于不同方法的原始图像特征表示。文中利用卷积神经网络对图像进行特征提取，得到的特征图像相较于人为选择的特征图像，更加适合于图像隐写分析。
利用分组卷积，在通道维度分解网络，可以对网络进行精简，综合多个独立训练的网络可以有效提高准确率。文中分4个通道对图像特征进行提取。将一个通道看做一个转换组，每个转换组分别由3个卷积层构成，卷积层的卷积核大小分别为1×1、3×3和1×1，卷积层的后面均接有修正线性单元(Rectified Linear Unit, ReLU)激励层和批归一化(Batch Normalization, BN)层。将各个通道得到的特征图像通过连接层构成一个集合，用于后面对非线性映射关系的估计，然后4个通道的计算关系为
豫公网安备41160202000603
站长QQ:729038198
关于我们
投诉建议