(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211178570.0 (22)申请日 2022.09.26 (71)申请人 河南大学 地址 475001 河南省开封市顺河区明伦街 85号 (72)发明人 甘志华　程晓辉　杨扬　朱长江　 柴秀丽　蒋文斌　 (74)专利代理 机构 郑州大通专利商标代理有限 公司 41111 专利代理师 刘莹莹 (51)Int.Cl. G06T 1/00(2006.01) G06T 7/00(2017.01) G06V 10/764(2022.01) G06V 10/80(2022.01)G06V 10/82(2022.01) G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 基于辅助信息生成和注意力机制的图像隐 写分析方法 (57)摘要 本发明提供一种基于辅助信息生成和注意 力机制的图像隐写分析方法。 该方法包括： 构建 空域图像隐写分析网络， 包含两个相同的辅助信 息生成网络和一个SA ‑Siamese ‑Net， SA ‑ Siamese ‑Net含有两个共享结构和参数的子网 络， 一个辅助信息生成网络后接一个子网络； 辅 助信息生成网络用于生成增大噪声残差大小的 辅助信息； SA ‑Siamese‑Net用于计算图像的噪声 残差并在噪声残差的基础上建模， 对输入图像进 行分类； 定义空域图像隐写分析网络的损失函 数； 初始化空域图像隐写分析网络； 准备数据集； 使用准备好的数据集训练空域图像隐写分析网 络； 利用训练好的空域图像隐写分析网络对待检 测图像进行分类， 分为不含秘密信息的载体图像 和包含秘密信息的载秘图像 。 权利要求书2页 说明书10页 附图6页 CN 115546000 A 2022.12.30 CN 115546000 A 1.基于辅助信息生成和注意力机制的图像隐写分析 方法， 其特 征在于， 包括： 步骤1： 构建空域图像隐写分析网络， 包含两个相同的辅助信 息生成网络和一个融合注 意力机制的Siamese ‑Net， 记作 SA‑Siamese‑Net， 所述SA ‑Siamese‑Net含有两个共 享结构和 参数的子网络， 一个辅助信息生成网络后接一个子网络； 所述辅助信息生成网络用于生成 增大噪声残差大小的辅助信息； SA ‑Siamese‑Net用于计算图像的噪声残差并在噪声残差的 基础上建模， 对输入图像进行分类； 步骤2： 定义空域图像隐写分析网络的损失函数； 步骤3： 初始化空域图像隐写分析网络； 步骤4： 准备 数据集； 步骤5： 使用准备好的数据集训练 空域图像隐写分析网络； 步骤6： 利用训练好的空域图像隐写分析网络对待检测图像进行分类， 分为不含秘密信 息的载体图像和包 含秘密信息的载秘图像。 2.根据权利要求1所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 所述辅助信息生 成网络基于U ‑Net网络框架， 包含8个3 ×3卷积核的卷积层、 8个5 × 5卷积核的反卷积层和5个空间注 意力机制SAM； 其中， 第一层卷积层、 第二层卷积层、 第五层 卷积层、 第六层卷积层和 第七层卷积层与各自相对称的反卷积层之间通过SAM相连接， 其余 卷积层与各自对称的反卷积层之间采用跳跃 连接。 3.根据权利要求1所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 每个所述子网络由浅层至深层依次包含预处理层、 特征提取层和分类层； 其中， 两 个子网络共用一个分类层； 其中， 预处理层采用一个由30个SRM滤波器初始化的卷积层来提取图像中的噪声残差； 特征提取层用于提取噪声残差中的特征信息， 由7个残差块、 3个Shuffle  Attention层和全 局平均池化层共11层组成， 所述残差块包含两种残差结构， 分别记为ResConv和 DownResConv， 特征提取层的前6层依次为ResConv和Shuffle  Attention层交替连接， 特征 提取层的中间4层依次为DownResConv和ResConv交替连接， 特征提取层的最后一层为全局 平均池化层； 所述分类层为一个全 连接层后跟 一个Softmax， 用于对输入的特征向量进 行分 类。 4.根据权利要求3所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 图像在经过预处理层和特征提取层处理之后， 将得到的两部分特征向量分别记作 fsub1和fsub2， 在两部分特征向量进入分类层之前还包括： 计算两个特征向量fsub1和fsub2的欧 式距离， 并将两个特征向量在最后一维进行拼接， 接着对拼接后的特征向量进行Fusion操 作得到新的特征向量， 最后将欧式距离和Fusion操作后的特征向量在最后一维进行拼接， 拼接后的特 征向量作为分类层的输入。 5.根据权利要求4所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 所述的对拼接后的特征向量进行Fusion操作得到新的特征向量， 具体包括： 计算每 个通道特征的最大值mmax、 最小值mmin、 平均值mmean和方差mvar， 采用公式表示为Fusion(fsub1, fsub2)＝[mmax,mmin,mmean,mvar]。 6.根据权利要求1所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 使用Siamese ‑Net的损失函数作为空域图像隐写分析网络的损失函数。权　利　要　求　书 1/2 页 2 CN 115546000 A 27.根据权利要求3所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 步骤3具体包括： 对于空域图像隐写分析网络中的卷积层， 除SA ‑Siamese‑Net的预 处理层外， 其余卷积层使用Kaiming高斯分布初始 化对卷积核进 行参数初始化； 对于空域图 像隐写分析网络中的BN层， 使用均值 为1.0、 标准差为0.02高斯分布进行初始化。 8.根据权利要求1所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 步骤4具体包括： 对原始的载体数据集使用自适应隐写算法以不同的嵌入率嵌入秘 密信息， 获得载体数据集对应的载秘数据集， 将载体数据集和载秘数据集按名称两两成对 并按比例划分为训练集、 验证集和 测试集。 9.根据权利要求8所述的基于辅助信息生成和注意力机制的图像隐写分析方法， 其特 征在于， 步骤5具体包括： 使用Adamax算法和准备好的数据集对空域图像隐写分析网络进 行 训练， 每一代都通过验证集对训练中的空域图像隐写分析网络进 行验证并通过Adamax算法 的迭代更新 参数， 直至网络收敛。 10.根据权利要求1所述的基于辅助信息生成和注意力 机制的图像隐写分析方法， 其特 征在于， 步骤6具体包括： 将待检测图像分成左右相等的两部分sub1和sub2， 将sub1分别输入到其中一个辅助信 息生成网络和与其连接的子网络中， 将sub2分别输入到另一个辅助信息生成网络和与其连 接的子网络中， 从而利用训练好的空域图像隐写分析网络对所述待检测图像进行分类。权　利　要　求　书 2/2 页 3 CN 115546000 A 3