申请/专利权人：杭州电子科技大学

申请日：2021-06-08

公开（公告）日：2024-04-16

公开（公告）号：CN113538199B

主分类号：G06T1/00

分类号：G06T1/00;G06V10/40;G06V10/764;G06V10/82;G06N3/0464;G06N3/08

优先权：

专利状态码：有效-授权

法律状态：2024.04.16#授权;2021.11.09#实质审查的生效;2021.10.22#公开

摘要：本发明公开了一种基于多层感知卷积和通道加权的图像隐写检测方法，首先构建图像隐写检测模型：然后对图像数据库中的图像进行压缩得到载体图像；利用隐写算法对载体图像进行隐写信息嵌入，得到载秘图像；将载体图像和载秘图像按一定的比例划分为训练集和测试集；根据反向传播算法，通过训练集对构建的基于多层感知卷积的隐写检测模型进行训练，以获得训练好的隐写检测模型；利用训练好的隐写检测模型对测试集的图像进行隐写检测。本发明使用多层感知卷积层代替传统的线性卷积层，提高模型对高阶特征的抽象能力，从而提高检测准确率；利用全局信息对不同的特征图通道分配不同的权重，对卷积得到的特征图进行重校准，进一步提高检测准确率。

主权项：1.一种基于多层感知卷积和通道加权的图像隐写检测方法，其特征在于，包括以下步骤：步骤1、构建图像隐写检测模型：所述的图像隐写检测模型包括预处理模块、特征提取模块、通道加权模块、分类模块；所述的预处理模块使用高通滤波器对输入图像进行滤波，以获取残差图像，将残差图像传输给特征提取模块；所述特征提取模块对残差图像进行特征提取，以获取检测所需要的特征并传输给分类模块；所述通道加权模块通道加权模块应用在每层卷积的非线性激活函数之后，实现根据全局信息对不同通道特征图分配不同的权重，特征图完成权重重分配之后得到新的特征图再输入到下一层卷积层；所述分类模块由全连接层和softmax函数组成，将图像隐写分析特征映射为分类概率向量，根据分类概率向量判定该图像是否为载秘图像；步骤2、准备数据集：对图像数据库中的图像进行压缩得到载体图像；利用隐写算法对载体图像进行隐写信息嵌入，得到载秘图像；将载体图像和载秘图像按一定的比例划分为训练集和测试集；步骤3：隐写检测模型的训练：根据反向传播算法，通过训练集对构建的基于多层感知卷积的隐写检测模型进行训练，以获得训练好的隐写检测模型；步骤4：利用训练好的隐写检测模型对测试集的图像进行隐写检测；步骤1中所述图像隐写检测模型的预处理模块由包含30个卷积核的卷积层组成，其中卷积层中的30个卷积核，使用SRM中的30个滤波器对其进行初始化，用于提取图像残差，并对其进行扩充处理；30个滤波器尺寸被扩充为13个3×3和17个5×5大小，并进行归一化的处理；对提取到的残差图像进行阈值为T1的截断处理；步骤1中所述图像隐写检测模型的特征提取模块由两层多层感知卷积层和三层传统卷积层依次连接而成，其中所述传统卷积层采用一层线性卷积层，所述多层感知卷积层包括一层线性卷积层层和一个多层感知器,多层感知器由具有非线性激活函数的两个完全连接的层组成，多层感知器对线性卷积核计算得到的数据进行再抽象，提高模型的抽象能力；对于激活函数的选择，在前两层多层感知卷积层中的线性卷积之后应用TLU激活函数，后三层传统卷积层则应用ReLU激活函数；在第一层不做池化，二、三、四层做平均池化，最后一层做全局平均池化。

全文数据：

权利要求：

百度查询： 杭州电子科技大学 一种基于多层感知卷积和通道加权的图像隐写检测方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息，力求客观、公正，但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解，仅供参考使用，不能作为本公司承担任何法律责任的依据或者凭证。

阅读全文 双屏查看 官方信息 专利公告 收藏专利 下载PDF 下载WORD