人工智能专业项目实践-基于深度学习的图像隐写分析

毕业设计-基于深度学习的图像隐写分析：隐写术及隐写分析是信息安全领域研究热点之一.隐写术的滥用造成许多安全隐患,如非法分子利用隐写进行隐蔽通信完成恐怖袭击.传统隐写分析方法的设计需要大量先验知识,而基于深度学习的隐写分析方法利用网络强大的表征学习能力自主提取图像异常特征,大大减少了人为参与,取得了较好的研究效果。多媒体技术的普及与应用,一方面给社会带来了不少便利,另一方面也带来了许多风险,如信息泄

HaiLang_IT

3992人浏览 · 2022-12-26 18:00:00

HaiLang_IT · 2022-12-26 18:00:00 发布

前言

📅大四是整个大学期间最忙碌的时光,一边要忙着备考或实习为毕业后面临的就业升学做准备,一边要为毕业设计耗费大量精力。近几年各个学校要求的毕设项目越来越难,有不少课题是研究生级别难度的,对本科同学来说是充满挑战。为帮助大家顺利通过和节省时间与精力投入到更重要的就业和考试中去,学长分享优质的选题经验和毕设项目与技术思路。

🚀对毕设有任何疑问都可以问学长哦!

选题指导: https://blog.csdn.net/qq_37340229/article/details/128243277

大家好,这里是海浪学长毕设专题,本次分享的课题是

🎯基于深度学习的图像隐写分析

课题背景和意义

隐写术及隐写分析是信息安全领域研究热点之一 . 隐写术的滥用造成许多安全隐患 , 如非法分子利用隐写进行隐蔽通信完成恐怖袭击. 传统隐写分析方法的设计需要大量先验知识 , 而基于深度学习的隐写分析方法利用网络强大的表征学习能力自主提取图像异常特征, 大大减少了人为参与 , 取得了较好的研究效果。多媒体技术的普及与应用,一方面给社会带来了不少便利,另一方面也带来了许多风险,如信息泄露、恶意篡改、隐私窃取等.人们越来越注重多媒体传播过程中的信息安全和隐私保护问题.现有的通信安全保障主要分为加密和信息隐藏:加密主要对秘密信息本身进行操作,但经过特殊处理后的明文更加容易受到第三方的怀疑;而信息隐藏则隐藏秘密数据的存在性,使秘密数据在不引起第三方的怀疑下进行隐蔽通信。因此,信息隐藏这种具有伪装特性的通信安全保障受到了越来越多的关注。隐写术是一门关于信息隐藏的科学,所谓信息隐藏指的是不让除预期的接受者之外的任何人知晓信息的传递事件。

实现技术思路

一、隐写术介绍

首先将现有的隐写分析模型分为专用型隐写分析模型与通用型隐写分析模型, 由于专用型隐写分析模型仅针对特定的隐写算法且对于不匹配的或者未知的隐写算法检测效果较差, , 也逐渐退出历史舞台 , 通用型隐写分析模型也逐渐成为主流隐写分析模型 . 接着, 将通用型隐写分析模型按照其采用的技术基础分为传统隐写分析模型与基于深度学习的隐写分析模型: 传统隐写分析模型需要一定的先验知识和根据数据而设定的滤波核 ;基于深度学习的隐写分析方法大大减少了人为参与 , 且取得了显著的检测效果 . 将现有的基于深度学习的隐写分析模型按照不同的预处理层训练方式分为以下两个大类:(1) 半学习隐写分析模型 ;(2) 全学习隐写分析模型。

在囚徒模型中,可以很好地阐述隐写术中各方的角色:Alice 和 Bob 是监狱中不同牢房的犯人,他们之间的通信需要在狱警 Eve 的监视下完成;同时,Eve 能够看见他们的通信内容.为了降低狱警 Eve 防范心的同时完成通信,隐写术孕育而生.Alice 将想要传达的秘密信息进行隐写操作隐藏在载体当中,Bob 则需要将含密载体中的秘密信息进行提取,狱警 Eve 时刻监视 Alice 和 Bob 的通信,一旦发现任何可疑信息就断绝双方通信。

图像隐写是隐写术中的一个重要分支,由于数字图像具有信息冗余度大的特性,因此在其中隐藏秘密信息时难以被肉眼察觉, 是一个理想的秘密信息载体.LSB(least significant bit)[19]作为早期的隐写方法,是一种基于图片最低有效位修改并储存信息的隐写方法.利用人眼对于色彩差异的不敏感性,将秘密信息通过一定的嵌入方法放入图片的最低有效位,从而将我们所需要隐藏的信息通过一定方法放入图片的最低有效位上.

非自适应的隐写算法

LSB 是比较简单的隐写方法,都是一种非自适应的隐写算法.非自适应隐写术的思想是:对载体图像中像素内容修改地越少,隐写算法抗隐写分析能力就越强.非自适应隐写术对载体图像整体进行修改而不考虑单独像素间的关联性;

自适应的隐写算法

自适应隐写术则考虑载体图像的自身属性,例如图片内容的纹理信息、边缘信息 , 根据图像纹理复杂区域难于检测的特点, 有选择地将秘密信息嵌入到载体纹理复杂或者边缘丰富的区域 , 提高了载密图像的抗隐写分析检测能力

数据集

隐写术和隐写分析所采用的数据集多为 BOWS2(https://photogallery.sc.egov.usda.gov/)和BOSSbase-v1.01 (ttp://agents.fel.cvut.cz/stegodata/),两款数据集都是 512×512 的一万张灰度图,数据集中包含生活、景点、建筑等多种类型图片.

二、半学习隐写分析

半学习是指在隐写分析网络利用固定滤波核作为独立的一个预处理层,并且内部的权重参数不参与反向传播,其他的网络层则是依赖深度学习方法去优化.在本节中,按照网络的架构分为深度网络模型与宽度网络模型.

基于深度网络的半学习隐写分析模型

GNCNN(Gaussian-Neuron CNN）网络结构包括一个预处理层、5 个卷积层和 3 个全连接层 , 预处理层将卷积层中的卷积核替换成定的高通滤波核, 获取数字图像的高维残差信息 , 辅助网络进行学习 . 这样不仅仅加快了隐写分析网络的训练 , 而且将不必要的图像内容信息移除, 减少了图像低维信息干扰 .

在实验过程中,加入了固定的高通滤波核的 GNCNN网络在训练速度和训练结果上都会优于使用在预处理层中随机初始化卷积核的网络.在 GNCNN 中,使用平均池化操作来减少残差信息的丢失

σ是用来衡量函数曲线宽度的参数。

GNCNN 与传统隐写分析在不同隐写算法下实验结果对比：

为了减少残差图像信息的丢失使用Xu-Net，网络.Xu-Net 在网络框架上仍然沿用了 GNCNN 的网络架构特点,例如依旧采用全局池化操作,.同样在网络前端添加了一个固定的高通滤波层,即 KV 核作为预处理层,如下所示.

进一步研究，在原有 Xu-Net 基础上提出了一种基于 JPEG 域的隐写分析网络,并命名为 Xu-Net-JPEG,采用20 层的全卷积网络证明了深度学习网络可以在复杂领域击败基于特征的隐写分析方法,同时也证明了深度网络比宽度网络更容易提取隐写噪声.

为了防止过深的卷积层会使网络在训练时出现梯度弥散或者梯度爆炸的情况, 在网络中采用与 ResNet 相同的跳接结构 .同时在 Xu-Net 的基础上提出一种带有 JPEG 相位感知的频域隐写分析网络 VNet 与 PNet。

基于宽网络的半学习隐写分析模型

1）Zeng’s model

2017 年首次提出一种基于深度学习的频域图像隐写分析模型(后称 Zeng’s model).Zeng’s model 首先采用 25 个固定的 DCT 基础块作为预处理层,对频域图像进行处理;经过预处理层后,得到一个 25 层的特征图,再放入与 DCTR取值相同的量化截断值层;然后,将这些经过截断与量化操作的 25通道的信噪比信息放入与 Xu-Net 结构相似的子网络中分别运算;最后,将 25 个不同子网络提取的长度为 125 的一维信息进行级联,放入全连接层中进行判别.

从上表中可知，与其他隐写分析模型对比的实验结果可以看出:Zeng’s model 在检测的精确率上略优于 DCTR 且略劣于 PHARM;

2）ReST-Net 的结构

2018 年,提出一种名为 ReST-Net 的结构,该网络在 Xu-Net 模型的基础之上融合宽度网络思想, 采用 Inception结构.ReST-Net 希望通过 3 个子模型的并行,可以获取更多的经过预处理的图像信息.在不同的子模型中采用 Sigmoid、ReLU、TanH 这 3 类函数不同组合方式的应用

实验结果所示,不仅 ReST-Net 本身,ReST-Net 的 3 个子网络在检测准确率上相较于 Xu-Net 都存在明显的提升.

三、全学习隐写分析

全学习网络是指在训练过程中 , 预处理层中的参数会随着网络反向传播一起更新. 在本节中 , 按照网络的架构分为深度网络模型与宽度网络模型 .

基于深度网络的全学习隐写分析模型

为 TanNet. 该网络结构一共只有 4 层网络 , 分别由 3 层卷积层和一层全连接层组合而成 .Tan 提

出了 3 种不同的方案 , 用以证明将深度学习与隐写分析相结合方法的可行性与有效性 .

Ye-Net 网络 , 直接将传统的 SRM 中的特征提取中滤波核与深度学习网络结合 , 利用 SRM 的 30 个高通滤波核共同工作 , 然后得到了一张通道数为 30 的残差叠加图像.相较于之前，还提出了一种新型的截断(truncated linear unit,简称 TLU)激活函数,用以模仿 SRM 中的截断操作.