隐写分析steganalysis深度学习Deep learning卷积神经网络CNN

 

引言：图像隐写将秘密图像嵌入到载体图像，并尽可能少地修改图像的内容和统计特征，秘密信息可以在两个domain中嵌入：spatial domain 和 frequency domain.空域隐写微量修改像素值，频域隐写通常应用于JPEG图像，通过改变离散余弦变换(DCT)系数来实现。LSB算法将秘密信息嵌入到像素值的最低有效位，算法简单但改变了图像的统计特征。目前提出了许多自适应隐写算法（如空域的那三种)，自适应算法是将秘密信息嵌入到图像中纹理复杂的区域。自适应隐写算法的主要方法是定义失真函数，计算像素变化的代价来估计像素是否适合修改。自适应隐写算法保持了图像的高阶统计特征。早期隐写分析是基于简单的低维统计特征，为检测自适应隐写算法，提出了使用高阶统计特征的分析算法，例如SRM和几种模型。

QIan2015 提出高斯神经元CNN，采用高通滤波(HPF)层增强隐写噪声，并使用高斯函数作为激活函数。Xu2016提出的网络，在第一卷积层后添加绝对激活层ABS，以提升后续层的统计建模，在前两层使用TanH激活函数避免过拟合。使用BN以防止网络训练陷入较差的局部极小值，并且optimize scales and biases for feature maps. Yedroudj2018受Xunet和Yenet的启发，提出新的网络，利用TLU激活函数和BN层。

然而，人工设计的高通滤波器的参数是固定的，不能随着网络的学习而调整。此外，最先进的网络通常包含大量的卷积层和卷积核，这些都会影响网络的效率，而且在大多数网络中，所有的残差都以相同的重要性输入到网络中。

IAS-CNN，为了增强隐写噪声并且减少图像内容的影响，使用SRM中的HPF计算残差图像。考虑到手工设计的滤波器manually designed filter不一定是最优的，因而滤波器的参数被加到网络中的学习过程。自使用隐写算法中特别是低嵌入率的case下，隐写对图像的改变很小。

受到Ye2017(分层表征)的启发，为了进一步增强隐写噪声信号，将选择通道合并到网络中，旨在增强嵌入信息概率高的区域的残差，促进网络学习关键特征。在所提出的网络的特征提取之前，计算图像嵌入概率图embedding probability maps并将其融入残差中 incorporated into the residuals，网络的深度和参数的数量会影响网络的效率。为了提高网络的处理速度，将网络设计为轻量级网络。