一种基于特征增强与样本扩充的少样本隐写分析方法

本发明提出了一种基于特征增强与样本扩充的少样本隐写分析方法，该方法结合少样本学习理论，通过增强特征空间多样性，并利用生成的伪隐写样本对预训练模型进行微调，从而提高隐写分析模型的训练效果和检测精度。具体而言，首先通过空域富模型和2D Gabor滤波器提取图像的高频噪声特征，并通过归一化特征显著性度量筛选最具代表性的隐写特征图。接着，采用变分自编码器VAE生成隐写特征原型，并通过采样、阈值分割等方法生成大量伪隐写样本，增强训练样本的多样性。最后，结合真实隐写样本与伪隐写样本，对预训练的隐写分析模型进行分层训练，逐步优化模型性能。本方法适用于多种隐写分析网络，并可有效检测不同隐写算法生成的隐写图像。