Python实现基于深度学习的图像隐写分析

资源下载地址：https://download.csdn.net/download/sheziqiong/88627960
资源下载地址：https://download.csdn.net/download/sheziqiong/88627960
选题背景：

在当今的信息化社会中，信息的安全传输和存储显得尤为重要。图像隐写作为一种有效的信息隐藏技术，可以将秘密信息嵌入到普通的图像中，从而实现信息的隐蔽传输和存储。然而，随着计算机技术和人工智能的不断发展，图像隐写的检测和分析也变得越来越困难。为了应对这一挑战，研究者们提出了多种不同的神经网络模型，如SRNet、DDSP等，用于图像隐写的分析和去除。

意义：

基于深度学习的图像隐写分析是一个重要的研究方向，对于保护信息安全具有重要意义。本文选取SRNet和DDSP两种网络模型进行研究，分别用于图像隐写的分析和去除。SRNet模型可以有效地检测出隐写在图像中的信息，为信息安全提供保障；DDSP模型则可以将隐写信息从图像中去除，恢复原始图像。这两种模型在图像隐写分析和去除方面具有重要的应用价值。

首先，SRNet模型的应用可以有效地提高隐写分析的准确性和效率。在SRNet模型中，研究者们利用深度学习技术对图像进行特征提取和分类，从而实现对隐写图像的检测和识别。这种模型在面对复杂的隐写攻击时，仍能够保持较高的准确率，为信息安全提供有力保障。

其次，DDSP模型的应用可以实现对隐写信息的去除和图像的恢复。在DDSP模型中，研究者们利用深度学习技术对图像进行逆向映射，从而将隐写信息从图像中去除，恢复原始图像。这种模型在处理经过隐写的图像时，可以有效地去除隐写信息，保护原始图像的信息安全。

最后，本文对SRNet和DDSP两种模型进行深入研究和实现，可以为相关领域的研究提供参考和借鉴。同时，本文的研究成果还可以为图像隐写和检测领域的发展提供新的思路和方法，推动相关领域的技术创新和发展。

对于基于深度学习的图像隐写分析，目前的研究现状主要表现在以下几个方面：

神经网络模型的发展：随着深度学习技术的不断发展，越来越多的神经网络模型被应用于图像隐写的分析和去除。例如，SRNet模型利用残差网络模拟传统SRM筛选特征的过程，可以有效地检测出隐写在图像中的信息；DDSP模型则通过训练一个GAN网络，可以实现对隐写图像的逆向映射，去除隐写信息并恢复原始图像。此外，还有一些其他的神经网络模型，如CNN、RNN等，也被广泛应用于图像隐写的分析去除。
多域联合分析：随着多域联合分析技术的不断发展，越来越多的研究者开始尝试将多种域（如空域、频域、DCT域等）联合起来进行分析，以提高图像隐写的准确性和鲁棒性。例如，在SRNet模型中，研究者们就利用了空域和频域的联合信息，提高了对隐写图像的检测准确率。
跨学科应用：基于深度学习的图像隐写分析技术不仅在信息安全领域有着广泛的应用，在其他领域中也得到了广泛的应用。例如，在数字取证、版权保护、隐私保护等领域中，都可以利用图像隐写分析技术来提取隐藏的信息，实现数据的溯源和追踪。
安全性增强：由于图像隐写的分析去除是一个对抗性的过程，因此如何提高神经网络模型的安全性也是目前研究的重点之一。目前，一些研究者通过增加模型的复杂度、使用加密技术等方式来增强模型的安全性，以防止模型被恶意攻击者利用。
综上所述，基于深度学习的图像隐写分析是目前信息安全领域的一个研究热点，目前的研究现状主要表现为神经网络模型的发展、多域联合分析、跨学科应用和安全性增强等方面。然而，由于图像隐写的复杂性和变化性，目前的研究仍面临着许多挑战和难点，需要进一步深入研究和探索。

Steganalysis-StegoRemoval

​ 主要任务为实现图像隐写分析以及隐写去除，其中隐写分析采用SRNet网络模型，隐写去除采用DDSP网络模型。

​ 项目中有4个文件夹，分别为: 0.SRNet、1.GUI、2.DDSP、3.SRNet 其中0.SRNet为图像隐写分析，使用Jessica教授的官方源码，框架为tensorflow；1.GUI为隐写嵌入以及隐写分析可视化演示系统，由PyQ5实现；2.DDSP为图像隐写去除，pytorch实现；3.SRNet为图像隐写分析，pytorch实现。其中自己复现的SRNet网络模型其性能弱于官方代码。

​ 该项目总代码在4600左右。

隐写分析

​ 本项目隐写分析中使用的隐写术为: S-UNIWARD、HUGO、WOW三种图像空域隐写算法，采用的隐写嵌入率为：0.4bpp、0.7bpp和1.0bpp三种。采用的隐写分析模型是2018年Jessica教授团队提出的SRNet隐写分析网络模型，关于网络模型此处不赘述.
这里直接粘贴知乎的一篇帖子: https://zhuanlan.zhihu.com/p/362127299.
SRNet隐写分析网络模型论文地址: https://ieeexplore.ieee.org/document/8470101.
隐写分析使用的BOSSBase数据集和隐写术的下载地址为: http://dde.binghamton.edu/download/stego_algorithms/. 该页面可以下载BOSSBase1.01版数据集以及空域和JPEG域两大类隐写算法。
隐写分析官方代码下载页面: http://dde.binghamton.edu/download/feature_extractors/。
​ 隐写分析中为了进一步提升图像隐写分析的性能，本项目还将CBAM注意力机制和原始SRNet网络模型相结合，实验结果表明将CBAM注意力机制添加到SRNet网络模型中后，网络在某些嵌入率和隐写术中有性能的提高，但是对有些嵌入率和隐写术其性能还不如原始SRNet网络的性能。CBAM注意力机制论文地址为: https://arxiv.org/abs/1807.06521.

隐写去除

​ 隐写去除采用的是DDSP模型，DDSP模型本质上是一个GAN网络，和SRGAN网络的结构非常类似，只不过DDSP网络的Generator是一个自编码器Autoencoder，在训练模型的过程中需要先训练自编码器，当自编码器收敛之后，再代入到GAN网络框架中进行对抗训练，GAN网络的鉴别器Discriminator是一个普通的卷积神经网络，主要是判别输入的图片是真实的图片还是自编器生成的图片，用于提高Autoencoder生成图片的视觉质量。DDSP隐写去除，个人认为更准确的描述是隐写破坏，也就破化之前嵌入的信息。

​ DDSP隐写去除模型作者没有公开实现代码，故本项目中隐写去除代码为小编本人独立实现（虽然效果比不上论文中描述的效果）DDSP论文地址为: https://arxiv.org/abs/1912.10070

演示系统

​ 为了更好的演示如何实现隐写嵌入和隐写分析，使用PyQt5编写了可视化界面，调用现有的隐写术和训练好的隐写分析模型进行操作。

import torch
import torch.nn as nn
from torch import optim

from train_valid_function import train
from dataloader import generate_data
# from SRNet import SRNet
from SRNet_Attention import SRNet_CBAM as SRNet

# device
device = torch.device('cuda:0' if torch.cuda.is_available() else 'cpu')

# 实例化模型
model = SRNet(data_format='NCHW', init_weights=True)
print('model down successfully')

# 数据预处理
data_path = {
    'train_cover': '/home/dengruizhi/0.paper/3.datasets/1.dataset/WOW_BOSS_256_04/train/cover/',
    'train_stego': '/home/dengruizhi/0.paper/3.datasets/1.dataset/WOW_BOSS_256_04/train/stego/',
    'valid_cover': '/home/dengruizhi/0.paper/3.datasets/1.dataset/WOW_BOSS_256_04/validation/cover/',
    'valid_stego': '/home/dengruizhi/0.paper/3.datasets/1.dataset/WOW_BOSS_256_04/validation/stego/'
}

batch_size = {'train': 2, 'valid': 2}
# batch_size = {'train': 8, 'valid': 20}
train_loader, valid_loader = generate_data(data_path, batch_size)
print('data_loader down successfully')

# 训练参数设置
EPOCHS = 180
write_interval = 40
valid_interval = 50
save_interval = 50
learning_rate = 1e-3

# 损失函数 优化器
criterion = nn.CrossEntropyLoss()
optimizer = optim.Adam(model.parameters(), lr=learning_rate)

load_path = None

# 开始训练
print('start train')
train(model=model,
      train_loader=train_loader,
      valid_loader=valid_loader,
      EPOCHS=EPOCHS,
      optimizer=optimizer,
      criterion=criterion,
      device=device,
      valid_interval=valid_interval,
      save_interval=save_interval,
      write_interval=write_interval,
      load_path=load_path)

资源下载地址：https://download.csdn.net/download/sheziqiong/88627960
资源下载地址：https://download.csdn.net/download/sheziqiong/88627960