CN119445325A 一种面向空域和jpeg域的通 用隐写分析检测方法 （福建理工大学）

一种面向空域和JPEG域的通用隐写分析检本发明公开一种面向空域和JPEG域的通用隐写分析检测方法，将SRM滤波核初始化分支和随机初始化的卷积核分支通过精心设计的双向的隐写特征。在分类器中多尺度注意力池化(MSAP)利用不同尺寸的卷积核来提取多尺度特征加强特征表达，再利用门控通道变换(GCT)控准差池化和全局平均池化的风格池化对特征图2步骤1、获取待处理的图像转化为像素值进行预处理，分2.根据权利要求1所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在3.根据权利要求1所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在步骤1_1，将经过分支1的特征图和分支2的特征图的信息通过拼接操作在通道C维度进行合并得到合并后步骤1_2，合并的特征图依次通过GCT模块和2层点卷积层PWConv进行融合计算得到融其中，分别表示经过融合模块融合后产生的互补信息4.根据权利要求3所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在步骤1_2_1，基于GCT注意力机制在通道级别上进行假设代表大小为HXW的C1+C2个特征图，3步骤1‑2‑4，经过GCT的特征图F=(F,FZ,…,F…Fcrc},通过2层PWConv进行通道级5.根据权利要求4所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在6.根据权利要求1所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在7.根据权利要求6所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在4于：步骤2_1中低级语义信息的特征图使用的卷积核大小大于高级语义信息的特征图使用8.根据权利要求1所述的一种面向空域和JPEG域的通用隐写分析检测方法，其特征在5expertsgroup,JPEG)域隐写算法两大类。空域隐写算法通过直接修改图像的像素值隐藏缘区域，极大地提高了抗隐写分析的检测能力。其中，空域常见的隐写算法分别是WOW、JPEG域是J_UNIWARD。隐写算法的差异导致了早期隐写分析检测方法在空域和JPEG域中的检测器早期研究更多体现的是将先验知识和深度学习知识的结合。在空域GNCNN探讨了引入高斯神经元作为激活函数的意义，同时将KV高通滤波核初始化预处理层来计算噪声残tangent,TanH)激活函数，同时引入(batchnormalization,BN)层来帮助神经网络的训练6一种基于JPEG相位信息的隐写分析网络。他们的预处理利用了4个不同的高通滤波器和一pyramidpooling,SPP)取代全局平均池化对高阶特征图进行压缩，保留了局部的特征信角的池化来增强全局平均池化提升分类器的检测性能。FPNet利用特征增强传递模块将隐写特征从浅层传递到深层，并使用注意力下采样模块对全分辨率特征进行注意力学习。GFS_Net是一个综合的隐写分析网络，平衡了参数量和时间复杂度。该模型通过SRM+(pointwiseconvolution,PWConv)+(gatedchanneltransformation,GCT)的联合策略在预处理阶段大幅提升了信噪比，在特征提取的最后两层使用部分卷积组成的FasterNet(stylepooling)增强统计量来提升检于基于深度学习的JPEG域隐写分析来说，通常只关注JPEG域图片解压缩后隐写信号的变处理的效果能够有效的在两个域上提升预处理阶段的信噪比。但是，SRNet不考虑空域和7同级别的特征图通过空间注意力机制加权，再下采样到相同尺度来整合不同级别特征图，[0011]步骤3、在分类器中，将特征提取整合的多级别特征图送入多尺度注意力池化信息通过拼接操作在通道C维度进行合并得[0017]步骤1_2合并的特征图依次通过GCT模块和2层点卷积层PWConv进行融合计算得8[0020]h(r⃞c+B)](4)化α,用0来初始化r和β。9表示不同尺度特征图；[0057]本发明采用以上技术方案，将SRM滤波核初始化分支和随机初始化的卷积核分支[0058]本发明提出ESNet，将双分支预处理、多级特征融合(multi_levelfeature[0065]图5为JPEG域对J_UNIWARD隐写算法在0.4bpnzac嵌入率的信噪比检测结果示意同级别的特征图通过空间注意力机制加权，再下采样到相同尺度来整合不同级别特征图，[0074]步骤3、在分类器中，将特征提取整合的多级别特征图送入多尺度注意力池化[0080]步骤1_2合并的特征图依次通过GCT模块和2层点卷积层PWConv进行融合计算得化α,用0来初始化γ和β。[0093]F'=W2(6BN(W1F)(5)表示不同尺度特征图；[0115]步骤3_3，级联的不同尺度特征图通过通道洗牌操作进行重新排列，支的设计同样存在问题，简单的使用Concatenation操作将两个分支的特征按照通道维度噪比(signal_to_noiseratio,SNR[0122]融合模块(Fusionblock)：融合模块的设计考虑使GCT注意力机制加上2层过Concatenation操作在通道C维F=(F,FZ,…,FO,…Fczrc⃞}代表大小为H×W的C1+C2个特征图，FC=h(r⃞:+B.)](4)来初始化γ和β;[0135]其次，经过GCT的特征图要通过2层PWIF))(5)用大的卷积核，高级语义信息的特征图使用小的卷积核)，注意力加权后的特征图Ni表示级别特征图，尽可能地保留了微弱的隐写特征。步骤3、在分类器中，多尺度注意力池化