基于人工智能的数字图像隐写式密码解密

文摘

最近,基于深度学习模型被广泛用于隐写式密码解密。然而,深度学习模型遭受过度拟合和hyperparameter调优问题。因此,在本文中,一个有效的 - - - - - -nondominated排序遗传算法(紧密连接卷积神经网络基于NSGA -) III (DCNN)模型提出了图像隐写式密码解密。NSGA-III利用DCNN模型的初始参数进行优化。它可以控制的准确性和f-measure DCNN模型利用它们作为多目标适应度函数。广泛的实验是画在STEGRT1数据集。比较该模型也隐写式密码解密的竞争力模型。性能分析表明,该模型优于现有的隐写式密码解密模型的各种性能指标。

1。介绍

随着互联网技术的发展和交流,在公共网络上传输大量的图像。最近,人们已经发现,许多犯罪团伙利用图像将危险数据。这些组织数据的图像隐藏他们的危险。一般来说,他们利用隐写术的方法来隐藏有害内容的图像(1]。因此,研究人员开始利用隐写式密码解密模型识别的图像包含嵌入数据。因此,图像隐写式密码解密识别数据嵌入在图像的方法。因此,给定图像隐写式密码解密分类作为stego-embedded图像或正常图像(2]。

周et al。3)设计一个学习模式——基于(ELM)的图像隐写式密码解密。SRNet和RESDET被利用为基础的模型。融合的基础模型是实现对嵌入式图像进行分类。Zhang et al。4)设计了一个利用CNN模型 内核,实现卷积核的优化预处理层。最小的卷积核是用来减少初始参数。空间金字塔池也用于集成本地特性。高达et al。5)设计一个色彩空间模型(ECSM)评估加权激活地图。它可以提取各种特征明确每种颜色空间。随机行走灰太狼优化利用最小化功能在地图中选择的数量。

Boroumand et al。6)提出了一种深剩余模型(DRM)降低启发式和外部执行元素。这个模型计算残差噪声通过禁用池克服隐藏信号的抑制。Yedroudj et al。7)设计了一个截断activation-based合奏模型(托马斯)训练提供了丰富的功能。它利用截断激活函数和批处理标准化规模层。你们et al。8)利用高通基于过滤器CNN (HCNN)实现隐写式密码解密。初始层的权重计算使用高通滤波器来评估剩余地图空间丰富的模型。它是用作有效抑制图像内容的调整。截断的线性单元也被利用。吴et al。9隐写式密码解密]利用CNN和深残余网络。它包含了大量的网络层,评估图像的复杂的统计数据非常重要。

杨et al。10]设计thirty-two-layer cnn增强特性的性能通过整合所有功能增强梯度。瓶颈层传播和最小化CNN参数显著增强特性。李等人。11)设计了一种新颖的CNN模型来评估嵌入式构件以一种有效的方式。信息的多样化也实现了。并行子网模块设计还利用大量的过滤器。独立子网被训练来提高运算速度。Zhang et al。12)设计了一种新颖的CNN模型来提高分类精度的空间域隐写术。一个空间金字塔池是用来整合地方特色。Sharma et al。13)设计了一种聚合残余transformation-based CNN模型为隐写式密码解密获得显著的特性。这个模型初始参数提高分类速度有限。剩余跳过连接也被利用。

刘等人。14]显示SRM-EC和CNN模型之间的相似和不同。整体模型设计集成与CNN SRM-EC平均合成概率。曾庆红et al。(15)利用CNN丰富模型的特性集,底部的策略是利用培训每个子网的输出的实际输出。杨et al。16隐写式密码解密)设计了一个马克斯CNN。它分配重要的权重特性从复杂的纹理区域。杨et al。17]提出的图像隐写式密码解密使用转移学习模型与结构保存。判别投影矩阵是用于构建模型。Frobenius-norm-based正则化也被利用来实现更好的结果。任等。18)设计一个有效的选择渠道网络和隐写式密码解密模式。隐写式密码解密模型结合训练选择通道估计最后隐写式密码解密结果。

从广泛的审查,发现深上优于模型可以用于隐写式密码解密(19]。然而,深度学习模型遭受过度拟合和hyperparameter调优问题。因此,在本文中,一个有效的NSGA-III-based密集连接卷积神经网络(DCNN)模型提出了图像隐写式密码解密。这是原则的区别从现有模型在文献中可用。

本文的主要贡献如下:(1)一个有效的NSGA-III-based DCNN模型提出了图像隐写式密码解密。(2) NSGA-III是用来优化DCNN模型的初始参数。(3)准确性和f-measure性能指标作为多目标适应度函数。(4)广泛的实验是画在STEGRT1数据集。比较该模型也隐写式密码解密的竞争力模型。

剩下的纸是组织如下:部分2提出了建议隐写式密码解密NSGA-III-based DCNN模型。给出实验结果和比较分析第三节。第四节总结了纸。

2。提出的模型

在本文中,一个有效的NSGA-III-based DCNN模型提出了图像隐写式密码解密。下一节讨论了DCNN和工作NSGA-III。

2.1。人口卷积神经网络连接

的图解流DCNN图所示1。

假设一个隐藏/正常的形象 ,这是分配给CNN。模型层,利用非线性变换这样显示层的索引(20.]。显示一组运营商像池、纠正线性单元(ReLU)卷积(Conv)和批处理规范化(BN)。显示的结果层。然而,现有的CNN连接的结果层作为输入层。它实现了层过渡 。跳过加入ResNets利用,避免了非线性转换利用身份符等

ResNets取得更好的梯度流相比,CNN。然而,身份的求和算子的输出可能会阻碍模型中的数据流。

因此,为了提高数据流,DenseNet设计。它包含从一个给定的直接链接层隔层。的层需要所有先前层的特征图谱, ,作为输入:

在这里, 显示功能的集成地图获得层 。

被定义为一组操作符。它包含BN, ReLU, Conv。

集成运营商利用方程(2)是不可持续的,如果有一些特征图的大小的变化。CNN的downsampling层随特征图的大小。为了实现将采样,模型分为各种人口密集的街区连接。层块中表示为过渡层。在本文中,过渡层利用BN和11 Conv后跟一个22平均池层。没有链接在密集的街区除了过渡层。

如果每个生成特征图,它认为层与 输入特征图。定义输入层的通道。DenseNet在CNN的主要意义是封闭层,例如, 。 代表DenseNet的增长率。每一层的合并特征图。增长速度调节的细节层的贡献全球的每一个州。全球国家全球定义;因此,它不需要重新定义在每一层。

每层将计算特征图,但它可能有更多的输入。11 Conv利用瓶颈层每3之前3 Conv最小化特征图的大小,提高了算法的计算速度。DenseNet这个模型是有效的,DenseNet瓶颈层可以被定义为BN-ReLU-Conv (11)-BN-ReLU-Conv (33)版本的 ,DenseNet-B。在本文中,11 Conv提供特征图。

提高密度模型,特征图谱最小化的过渡层。如果一个密集的街区特征图,然后计算的过渡层输出特征图。 被表示为一个压缩因子。如果 ,然后通过过渡层特征图的大小保持不变。

DenseNet包含四个密集的街区。每个密集块包含一个相同数量的层。最初,Conv 16输出通道实现对输入图像。Conv层有内核大小33,四面八方的输入是在保持固定大小的特性映射。11 Conv紧随其后的是22之间的平均池两个连接密集的街区。最后,全球平均池实现,softmax激活函数。特征地图大小在浓密的块的大小是3232岁,1616日和8分别为8。DenseNet与配置 , ,和 计算。输入图像的大小是256256年。Conv层卷积有大小55和2的步伐。

的网络配置和其他hyperparameters DenseNet调整使用 。

2.2。 - - - - - -Nondominated排序遗传Algorithm-III

NSGA-III [21)已被广泛用于许多工程优化应用程序。取得了良好的收敛速度,它不受过早收敛问题[22- - - - - -24]。

表1代表的命名法NSGA-III。算法1演示了初始种群的生成NSGA-III-based DCNN。最初,一个随机的人口计算,利用正态分布。然后计算解决方案映射到群DCNN的初始参数。

算法2证明了提出的NSGA-III-based DCNN模型。最初,我们将使用随机测试DCNN人口训练和测试数据集模型的隐写术。然后获得每种解决方案的适应性。主导和nondominated组织评估。此后,变异和交叉操作是用来计算孩子的解决方案。Nondominated排序是用来获得Nondominated解决方案。如果健康评估的数量超过了最大允许的,然后我们返回DCNN的调优参数。最后,NSGA-III-based DCNN隐写式密码解密数据集上训练。

3所示。性能分析

3.1。数据集

雷et al。25)设计了一个参考的数据集图像隐写式密码解密。这就是所谓的真正的版本1 (STEGRT1),它包含JPEG和位图图像。它有8000个覆盖和隐藏图像有不同的大小和特性。这些图片是使用各种隐写方法获得的有效载荷和质量等因素。

3.2。试验装置

提出和现有的实验模型是画在MATLAB在线服务器的帮助下深学习工具箱。此外,增加数据集的大小,BitMix数据增加(26)也执行。该模型的性能比HCNN [8),托马斯(7],CNN [4],榆树[3],ECSM [5],DRM (6]。

3.3。比较分析

在本节中,提出了之间的比较和现有CNN-based隐写式密码解密模型。

图2显示了该模型的性能分析。发现最佳的性能在时代8和发现迭代。因此,该模型有效地收敛具有良好的收敛速度。

数据3和4代表了使用该模型获得的混淆矩阵有或没有NSGA-III。人们已经发现,大多数的结果(即躺在真正的类。对角矩阵)。因此,它将导致良好的性能结果准确性等f-measure,精度,召回,曲线下的面积(AUC)。在图4,每一个对角线值显示对应的类是否真或假。它有助于在评估各种性能指标。假设stego-embedded形象是我们真正的类;这意味着正常图像属于负类。总的来说,分析表明该模型NSGA-III比不使用达到更好的性能NSGA-III。

数据5来9显示现有和拟议的模型之间的比较分析。在这些数据中,取得箱线图所示。框显示四分位范围(差)。红线显示中值的计算性能。切口周围表示置信区间的中值依赖于中值四分位范围/根号许多实验( )。在这里,我们考虑过 。如果切口更小的大小,那么隐写式密码解密模型达到更好的结果。评价显著提高或降低,我们选择了该模型的平均计算的值和一个从现有的隐写式密码解密模型(即。,显示一个更好的平均价值在现有的模型)。此后,我们评价他们的绝对差。计算平均意味着改善或减少;以百分比形式,我们绝对差除以最大可能值和计算值乘以100。

图5代表了对比现有的和隐写式密码解密提出了模型的准确性。它表明该模型达到更好的精度比现有的隐写式密码解密模式。该模型优于现有的隐写式密码解密模型的准确性 。

图6代表之间的精度分析模型和现有的隐写式密码解密模式。评价,该模型达到一致的值精度比现有的模型。该模型优于现有的模型 。

图7演示了该隐写式密码解密的回忆分析模型。可以看出该模型优于竞争模型的回忆值相比,现有的模型。该模型表明回忆值平均提高了1.2832%。

图8代表了f-measure分析该模型和现有的隐写式密码解密模式。评价,该模型达到一致的价值观f-measure比现有的模型。该模型优于现有的模型 。

图9演示了该隐写式密码解密的AUC分析模型。可以看出该模型优于竞争模型的AUC值相比,现有的模型。该模型表明AUC值平均提高了1.2913%。

4所示。结论

从广泛的审查,它已经发现,深度上优于模型被广泛用于隐写式密码解密。然而,这些模型过度拟合和hyperparameter调优问题。因此,基于NSGA-III DCNN模型提出了图像隐写式密码解密。NSGA-III是利用优化DCNN模型的初始参数。的准确性和f-measure被用来设计一个多目标适应度函数。大量的实验被画在STEGRT1数据集。比较该模型也隐写式密码解密模式的竞争力。性能分析表明,该模型优于现有的隐写式密码解密模型的准确性,f-measure,精度,回忆,和AUC 1.2643%, 1.0245%, 1.1438%, 1.2832%,和1.2913%,分别。结果表明,该模型可以记录甚至小图像特性的变化。

在不久的将来,一个可能扩展提出设计一种新颖的工作深度学习模型来进一步提高的结果。此外,您可以测试该模型对其他隐写术数据集。

数据可用性

没有数据被用来支持本研究

的利益冲突

作者宣称没有利益冲突。

确认

这项研究工作是由机构基金项目批准号(ifprc - 027 - 135 - 2020)。因此,作者欣然承认的技术和财政支持教育部和阿卜杜拉国王大学,吉达,沙特阿拉伯。

引用

1. z s . Tan w . Wu邵,问:李,李b和j·黄”Calpa-net: channel-pruning-assisted深残余网络数字图像隐写式密码解密的,”电气和电子工程师学会取证和安全交易信息,16卷,不。131 - 146年,2021年。视图:出版商的网站|谷歌学术搜索
2. Ozcan和a . f . Mustacoglu“转移学习影响图像隐写式密码解密pre-trained深残余神经网络模型,”学报2018年IEEE国际会议上大数据(大数据),第2287 - 2280页,西雅图,佤邦,2018年12月美国。视图:谷歌学术搜索
3. z,棕褐色,j .曾c .汉和香港,“真实的图像隐写式密码解密的合奏深度学习的特性,“KSII交易网络和信息系统(、),14卷,不。11日,第4572 - 4557页,2020年。视图:谷歌学术搜索
4. r·张f·朱、刘j .和g .刘”有效特征学习和基于cnn multi-size图像隐写式密码解密,”2018年,https://arxiv.org/pdf/1807.11428.pdf。视图:谷歌学术搜索
5. s . N高达和c .元隐写式密码解密Stegcolnet:基于整体色彩的方法,2020,https://arxiv.org/abs/2002.02413。
6. m . Boroumand m . Chen和j . Fridrich“深残余网络数字图像隐写式密码解密的,”电气和电子工程师学会取证和安全交易信息,14卷,不。5,1181 - 1193年,2018页。视图:谷歌学术搜索
7. f m . Yedroudj蜂巢状的m .肖蒙”Yedroudj-net:一个有效的空间隐写式密码解密,cnn”学报2018年IEEE国际会议音响、演讲和信号处理(ICASSP)IEEE,页2092 - 2096年,卡尔加里,AB,加拿大,2018年4月。视图:谷歌学术搜索
8. j .你们,j .倪,y,“深度学习分层表示的图像隐写式密码解密,”电气和电子工程师学会取证和安全交易信息,12卷,不。11日,第2557 - 2545页,2017年。视图:出版商的网站|谷歌学术搜索
9. s, s .钟,y . Liu,“通过深隐写式密码解密残余网络”学报2016年IEEE 22日国际会议上并行计算和分布式系统(ICPADS)武汉,页1233 - 1236年,中国,2016年12月。视图:谷歌学术搜索
10. j .杨Y.-Q。施、e . k . Wong和x Kang“基于densenet Jpeg隐写式密码解密,”2017年,https://arxiv.org/pdf/1711.09335.pdf。视图:谷歌学术搜索
11. w . b . Li Wei, a·费雷拉和s . Tan“Rest-net:不同激活模块和并行subnets-based cnn对空间图像隐写式密码解密,”电气和电子工程师学会信号处理信件,25卷,不。5,650 - 654年,2018页。视图:出版商的网站|谷歌学术搜索
12. r·张f·朱、刘j .和g .刘“深度方面可分隆起和多层次池的有效空间cnn-based隐写式密码解密,”电气和电子工程师学会取证和安全交易信息15卷,第1150 - 1138页,2019年。视图:谷歌学术搜索
13. 沙玛和s . k . Muttoo“基于resnext空间图像隐写式密码解密,”学报2018年IEEE 18通信技术国际会议(国际)IEEE,页1213 - 1216年,成都,中国,2018年6月。视图:谷歌学术搜索
14. j . k . Liu Yang, x康”合奏cnn和丰富模型的隐写式密码解密,”《2017国际会议系统、信号和图像处理(IWSSIP),页1 - 5,IEEE,伦敦,英国,2017年3月。视图:谷歌学术搜索
15. b . j .曾s Tan李,j .黄”通过拟合深神经网络训练的富有型模式特征提取过程及其对隐写式密码解密的影响深度学习,”电子成像,卷2017,不。7,44-49,2017页。视图:出版商的网站|谷歌学术搜索
16. j .杨k . Liu x Kang e . Wong和y .史,“基于selection-channel意识和深度学习隐写式密码解密,数字取证和水印,”《国际研讨会上数字水印施普林格,页263 - 272年,济州岛,韩国,2017年10月。视图:出版商的网站|谷歌学术搜索
17. l, m .男人,y .雪,j .温和p .钟,“转移子空间学习不匹配基于结构保存jpeg图像隐写式密码解密,”信号处理:图像通信文章ID 116052卷,90年,2021年。视图:出版商的网站|谷歌学术搜索
18. w . Ren, l .翟j .贾l . Wang和l .张“学习选择渠道在空间域图像隐写式密码解密,”Neurocomputing卷,401年,第90 - 78页,2020年。视图:谷歌学术搜索
19. 科恩,科恩和n . Nissim“艾瑟夫巴德:先进和苗条的jpeg图像隐写式密码解密检测框架基于深卷积去噪autoencoder和暹罗网络,”神经网络:国际神经网络协会的官方杂志卷,131年,第77 - 64页,2020年。视图:出版商的网站|谷歌学术搜索
20. 黄g . l . Van Der Maaten z . Liu和k·温伯格,“人口回旋的网络连接,”《IEEE计算机视觉与模式识别会议火奴鲁鲁,页4700 - 4708年,美国,2017年7月,你好。视图:谷歌学术搜索
21. y元,徐h . b . Wang和x姚明,“许多客观的新优势性进化算法优化,“电气和电子工程师学会交易进化计算,20卷,不。1,16-37,2015页。视图:谷歌学术搜索
22. a·古普塔d·辛格,m·考尔,“一个有效的图像加密使用基于non-dominated排序遗传algorithm-iii 4 d混乱的地图,“环境智能和人性化计算杂志》上,11卷,不。3、1309 - 1324年,2020页。视图:出版商的网站|谷歌学术搜索
23. m·考尔·d·辛格,诉Kumar“彩色图像加密使用极小极大微分基于进化学7 d hyper-chaotic地图,”应用物理B,卷126,不。9 - 2020页。视图:出版商的网站|谷歌学术搜索
24. m·考尔·d·辛格,诉Kumar和k .太阳,“彩色图像dehazing使用梯度通道和引导l0过滤器之前,“信息科学卷,521年,第342 - 326页,2020年。视图:出版商的网站|谷歌学术搜索
25. m·雷·m·Riahi h .”协议,“Stegrt1:为评估系统在真实的场景中,隐写式密码解密的数据集”电气工程学报2020年28日伊朗会议(ICEE)大不里士,页1 - 5,IEEE,伊朗,2020年8月。视图:谷歌学术搜索
26. m . Yedroudj m .肖蒙,f .蜂巢状的“如何增加一个小的表演学习,来改善cnn-based steganalyzer ?”电子成像,卷2018,不。7,317 - 321年,2018页。视图:出版商的网站|谷歌学术搜索

版权

版权©2021艾哈迈德。Iskanderani et al。这是一个开放的分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。