基于深度学习的图像隐写分析研究

作     者：陈梦飞 

作者单位：福建工程学院 

学位级别：硕士

导师姓名：翁韶伟

授予年度：2023年

学科分类：12[管理学] 1201[管理学-管理科学与工程(可授管理学、工学学位)] 08[工学] 0839[工学-网络空间安全] 081104[工学-模式识别与智能系统] 0835[工学-软件工程] 081201[工学-计算机系统结构] 0811[工学-控制科学与工程] 0812[工学-计算机科学与技术（可授工学、理学学位）] 

主      题：图像隐写分析 深度学习 隐写术 载体源失配 

摘      要：随着计算机技术以及经济的不断发展,我国电力系统建设朝着数字化、智能化的方向逐步建成智能电网。智能电网的安全问题分为物理安全和信息安全,信息安全问题威胁着智能电网信息系统的同时,也会对其物理系统产生影响破坏其正常运行。图像隐写术可以将秘密信息隐藏进图像,既能起到保护信息安全的作用,同时也容易被不法分子利用威胁智能电网的信息安全。图像隐写分析作为图像隐写术的对抗技术能检测数字图像中是否隐藏了秘密信息,可以对传入电力企业的图像进行检测,以防止含有恶意信息的图像威胁智能电网的安全稳定运行,因此研究图像隐写分析技术对维护智能电网的信息安全有着十分重要的意义。随着深度学习的快速发展,大量的深度学习图像隐写分析网络不断涌现。但是大多数性能不错的深度学习图像隐写分析网络的参数量较大,实际使用时所需内存空间较大。针对此问题,本文设计了一种轻量且有效的深度学习图像隐写分析网络,命名为LWENet。首先,预处理部分采用空域富模型(SRM)高通滤波器并结合瓶颈残差块(BRB)在保持轻量化的前提下提升隐写信号的信噪比(SNR)。然后,提出了多角度全局池化(MGP)产生丰富的分类特征,并且为了保持轻量化,分类部分只选择了一层全连接(FC)层作为分类器。最后,在网络特征提取的末端使用深度可分离卷积(DWSConv)大幅度减小网络参数量并提升性能。实验结果证明,无论是在标准数据集还是在电气工程领域数据集,LWENet相比其他对比方法参数量最小,且检测性能有较大的优势。在实际使用场景中,训练深度学习隐写分析网络使用的载体图像通常与待检测图像来源不同,即载体源失配(CSM)现象,这会导致深度学习图像隐写分析网络的性能大大降低。针对此问题,本文设计了一种叫做CAA-Steg的深度学习图像隐写分析网络。该网络由骨干图像隐写分析网络和基于可靠隐写分析标记(RSL)的对比域差异(CDD)构成。因其利用样本的类别信息来减小目标域与源域之间的域差异,CDD可用于图像隐写分析中来解决CSM问题。然而,CDD所用的聚类算法无法为弱隐写信号提供可靠有效的伪标签,因此在目标域上的检测性能不好。鉴于此,本文提出了基于RSL的CDD来产生具有伪标签的扩展目标域样本,以帮助CDD实现更好的检测性能。此外,CAA-Steg具有一定的通用性,因为其可结合多种不同的骨干图像隐写分析网络。大量实验证明,相比于J-Net,CAA-Steg实现了明显的性能提升。