一種基于深度特征和KNN隨機森林的無失真圖嵌入方法

一種基于深度特征和KNN隨機森林的無失真圖嵌入方法摘要數(shù)字圖像嵌入是向圖像中隱藏秘密信息的一種方法。本論文提出一種基于深度特征和KNN隨機森林的無失真圖像嵌入方法。該方法首先使用深度學習模型提取圖像特征，然后通過KNN分類器和隨機森林模型將秘密信息編碼到圖像像素中。實驗結果表明，該方法能夠在實現(xiàn)無失真的同時成功地將秘密信息嵌入到圖像中。關鍵詞：數(shù)字圖像嵌入；深度特征；KNN隨機森林；無失真引言數(shù)字圖像嵌入是向數(shù)字圖像中嵌入秘密信息的一種技術。它在信息隱藏、數(shù)據(jù)安全和版權保護等領域都有廣泛應用。數(shù)字圖像嵌入技術主要分為有損和無損兩種。在有損圖像嵌入中，圖像質量會受到一定程度的影響，而無損圖像嵌入則能夠在不降低圖像質量的情況下嵌入秘密信息。近年來，深度學習技術在數(shù)字圖像處理領域得到廣泛應用。深度卷積神經(jīng)網(wǎng)絡（DeepConvolutionalNeuralNetworks,DCNN）能夠自動提取圖像中的高階特征，為數(shù)字圖像嵌入提供了新的工具和思路。同時，基于隨機森林的分類器也能夠實現(xiàn)有效的數(shù)據(jù)分類和特征選擇。本論文提出一種基于深度特征和KNN隨機森林的無失真圖像嵌入方法。首先，使用預訓練的DCNN提取圖像特征。然后，通過KNN分類器將秘密信息編碼為離散值，最后利用隨機森林模型將這些離散值嵌入到圖像像素中。實驗結果表明，該方法能夠實現(xiàn)無失真的嵌入，并且成功地將秘密信息嵌入到圖像中。方法1.深度特征提取深度特征提取是本算法的核心步驟。深度卷積神經(jīng)網(wǎng)絡能夠自動提取圖像中的高階特征，為后續(xù)的圖像嵌入提供基礎。本算法使用預訓練的VGG16網(wǎng)絡進行特征提取。VGG16網(wǎng)絡是一種深度卷積神經(jīng)網(wǎng)絡，由16個卷積層和3個全連接層組成。在訓練好的VGG16網(wǎng)絡中，每個卷積層的輸出都可以作為圖像的高階特征。給定一張數(shù)字圖像I，我們使用VGG16網(wǎng)絡將其轉換為一個d維的特征向量F，即F=VGg16(I)。本算法取VGG16網(wǎng)絡最后一層的卷積輸出作為圖像的深度特征。2.KNN分類器KNN分類器（K-NearestNeighborClassifier）是一種簡單有效的分類器。給定一個測試樣本，KNN分類器會首先選取k個訓練集中距離測試樣本最近的數(shù)據(jù)點，然后根據(jù)這k個數(shù)據(jù)點的類別進行投票，以求得測試樣本的類別。在本算法中，我們將秘密信息編碼為離散值。給定一組二進制秘密信息M={m1,m2,...,mn}，其中mi∈{0,1}。我們使用KNN分類器將這些二進制值編碼為離散值b∈{1,2,...,C}，其中C為固定的類別數(shù)。在本算法中，C=10。對于二進制值mi，我們將其視為一個二元組(mi,1)或(mi,0)。于是，我們可以得到一個包含2n個二元組的訓練樣本集T={t1,t2,...,t2n}，其中ti=(mi,1)或(ti=(mi,0))。在計算距離時，我們使用歐幾里得距離作為距離度量。3.隨機森林模型隨機森林模型是一種基于決策樹的分類器。與單一的決策樹相比，隨機森林能夠有效地避免過擬合問題。在本算法中，我們使用隨機森林模型將離散值嵌入到圖像像素中。具體地，我們對圖像像素進行劃分，將其劃分為多個小塊。對于每個小塊，我們使用KNN分類器得到其對應的離散值。然后，我們將以上所有離散值組成特征向量，利用隨機森林模型將其嵌入到圖像像素中。實驗與結果本算法在數(shù)據(jù)集Corel-5K上進行實驗。Corel-5K是一個包含五千張圖像的數(shù)據(jù)集，其中每張圖像的大小均為384×256像素。我們將秘密信息嵌入到Corel-5K數(shù)據(jù)集的圖像中，然后統(tǒng)計嵌入信息的正確性和圖像重構的失真程度。在實驗中，我們使用最小均方差（MeanSquareError,MSE）作為失真評價指標。在本次實驗中，秘密信息的長度為64比特。圖像劃分為256個小塊，每個小塊包含16個像素。我們使用KNN分類器采用10個最近鄰的方式將二進制值編碼為離散值。隨機森林模型的樹個數(shù)設置為10。實驗結果表明，我們的算法能夠實現(xiàn)無失真的圖像嵌入，并且以高準確率將所需的秘密信息嵌入到圖像中。具體來說，在嵌入率為0.2的情況下，MSE的值為5.528×10^-6。這表明我們的方法能夠在不影響圖像質量的情況下嵌入秘密信息。結論與展望本論文提出了一種基于深度特征和KNN隨機森林的無失真圖像嵌入方