文章插图
前言目前 ， 隐写分析的研究主要分为两个方向 ， 一种是传统的手工隐写分析 ， 另一种是应用深度学习的隐写分析 。 本文将这两种隐写分析方式结合起来 ， 在参考空域富模型（SRM）的概念后 ， 选择一个滤波器来初始化预处理层的卷积核权重以获取图像残差 。 为了获得最佳的隐写残差信息 ， 预处理层的卷积核权重被约束且被添加到网络的学习中 。 为了满足快速处理的工程需求 ， 本文设计了一个轻量级的网络 ， 称为LCR-CNN 。 仿真结果表明 ， LCR-CNN模型具有良好的隐写检测性能 ， 为卷积神经网络在隐写术和数字取证领域的应用提供了新的改进思路 。
隐写术是一种将秘密信息嵌入到载体中并通过公共信道传输秘密消息的密码通信技术 。 常用的隐写术载体有图像、文本文档、视频和音频文件等 。 图像隐写技术可以分为两类：空间域隐写术和频域隐写术 。 空间域隐写术方法主要是通过直接修改图像像素来嵌入秘密信息 。 频域隐写术则是将某种正交变换（例如离散小波变换）应用于图像 ， 但最常用的方法是离散余弦变换 。 目前新型的图像隐写术是一种内容自适应隐藏方法 ， 这些方法通常使用自定义失真函数来评估图像失真程度并优化整体失真 ， 典型的有空间域中的WOW算法和频域中的JUNIWARD算法 。
在图像隐写技术发展的同时 ， 图像隐写分析技术也取得了长足的进步 。 图像隐写分析是一种通过分析图像特征来判断秘密信息是否隐藏在图像中的技术 。 最经典的图像隐写分析技术是空域富模型（SRM） 。 SRM构造各种残差组合以提取图像特征 ， 然后使用集成分类器方法来区分图像是否为隐写图像 。 在SRM的基础上 ， 产生了maxSRMd和PSRM ， 以更好地检测自适应隐写术 。
近年来 ， 随着图像运算性能的提升 ， 深度学习已逐渐被应用于图像分类中 。 与传统的隐写分析算法相比 ， 基于深度学习的隐写分析算法无需手工设计图像特征 ， 它可以通过训练和学习来优化特征提取和分类过程 ， 使模型更有利于隐写图像的分类工作 。 有学者提出了一个基于卷积神经网络的隐写分析模型GNCNN ， 它使用高斯函数作为激活函数 ， 实现了与SRM差不多的隐写分析性能 。 之后有学者基于抑制图像内容的思想提出了一种约束网络用于图像的识别工作 ， 这为图像隐写提供了新的思路 。
先前的隐写分析研究倾向于通过手工设计的滤波器获得图像的残差信息 。 研究人员认为 ， 用于图像分类的卷积神经网络模型不能很好地提取隐写特征信息 。 手工设计的滤波器有助于提取隐写特征 ， 但是以这种方式提取的特征可能不是最佳特征 。 并且现有的隐写分析网络结构较为复杂 ， 参数量大 ， 无法快速训练 ， 不能便捷地应用于实际场景中 。
轻量级隐写分析模型本文提出一个轻量级隐写分析模型 ， 它具有如下特点：
（1）受约束型卷积神经网络的启发 ， 本文约束了预处理层卷积核的权重 ， 并将它添加到网络的学习中 ， 这使得预处理层提取的隐写残差信息可以被充分利用 。 如果检测结果较差 ， 可以通过网络的训练调整卷积核权重获得更好的残差信息 。 （2）模型中的网络架构是轻量级的 。 与经典隐写分析模型相比 ， 本文隐写分析模型除了具有相同数量的卷积层外 ， 其卷积核更小 ， 因此总体的参数规模较少 。 这使得本模型具有较低的复杂度和相当好的隐写检测性能 。
经典的隐写分析模型通常分为三个模块：残差噪声计算、特征提取和二分类 。
预处理层中的残差噪声计算隐写术等效于添加非常低幅的噪声到载波图像中 。 这种噪音对图像内容的影响可忽略不计 ， 但是它改变了图像中相邻像素之间的关系 。 通用的图片分类算法只关注图片内容信息的识别 ， 无法有效地基于隐写噪声进行分类 。 因此 ， 本文在一般卷积层的前面添加了一个预处理层 ， 预处理层在放大隐写噪声影响的同时 ， 还降低图像内容的干扰 。
受空域富模型（SRM）思想的启发 ， 可以通过提取隐写残差信息来捕获隐写痕迹 。 有多种类型的滤波器可以提取残差信息 ， 本文根据已有经验选择如下图所示的滤波器 。 在深度学习中 ， 可以通过卷积运算做残差信息的提取操作 。
文章插图
由于手工设计的卷积核可能不会表现出最佳的性能 ， 因此本文将卷积核添加到神经网络的学习过程中 ， 即随着网络的训练和优化 ， 预处理层的卷积核也在做持续的微调来适应隐写检测的功能 。 同时 ， 为了保证卷积核所提取出的残差的正确性 ， 本文约束了权重的调整 ， 即保持卷积核的中心元素恒为-1 ， 卷积核的所有元素总和恒为0 。 这使得所提取的隐写残差信息可以被更好地应用于隐写分析工作中 。

稿源：(未知)

【傻大方】网址：http://www.shadafang.com/c/111J302532020.html

标题：轻量级隐写分析模型