技術(shù)特征：

1.一種通用隱寫(xiě)分析的深度學(xué)習(xí)堆棧式自動(dòng)編碼方法，其特征在于，主要包括以下步驟：

第一步，圖像分塊處理；輸入待檢測(cè)的圖像樣本通過(guò)酉變化對(duì)圖像進(jìn)行分解，運(yùn)用圖像信號(hào)的聯(lián)合概率密度函數(shù)拉普拉斯變換對(duì)信號(hào)方差進(jìn)行處理，并運(yùn)用馬兒科夫準(zhǔn)則獲得概率密度函數(shù)的統(tǒng)計(jì)關(guān)系：

$p_{X,{\Σ}_X^2}(x,{\mathrm{\σ}}_X^2)=p_{{\mathrm{\Σ}}_X^2}\left({\mathrm{\σ}}_X^2\right)p_{X|{\mathrm{\Σ}}_X^2}\left(x\right|{\mathrm{\σ}}_X^2)---\left(4\right)$

其中，代表了圖像信號(hào)的臨界方差分布，而條件概率分布表示了系統(tǒng)獲得局部系數(shù)的一種概率統(tǒng)計(jì)行為，對(duì)應(yīng)臨界分布條件，全局?jǐn)?shù)據(jù)概率統(tǒng)計(jì)特性為：

$p_X\left(x\right)={\∫}_0^{\mathrm{\∞}}{p}_{X,{\mathrm{\Σ}}_X^2}(x,{\mathrm{\σ}}_X^2){\mathrm{d\σ}}_X^2={\∫}_0^{\mathrm{\∞}}{p}_{X,{\mathrm{\Σ}}_X^2}\left(x\right|{\mathrm{\σ}}_X^2)p_{{\mathrm{\Σ}}_X^2}\left({\mathrm{\σ}}_X^2\right){\mathrm{d\σ}}_X^2---\left(5\right)$

運(yùn)用公式(4)對(duì)公式(5)進(jìn)行統(tǒng)計(jì)條件分割，并按照不同大小屬性的間隔，得到相關(guān)性統(tǒng)計(jì)模型；

第二步，USoSAE特征數(shù)據(jù)輸入，通過(guò)編碼函數(shù)f將i個(gè)不同節(jié)點(diǎn)數(shù)據(jù)分別按照相關(guān)性統(tǒng)計(jì)模型的分割結(jié)果輸入到各自的輸入層，并通過(guò)梯度下降算法求解誤差代價(jià)函數(shù)L(x₁，y′₁)＝argmin_{w，p，q}[error(x₁，y′₁)]訓(xùn)練出第1級(jí)隱含層結(jié)構(gòu)的網(wǎng)絡(luò)參數(shù)θ₁＝{w₁，p₁，q₁}，并將訓(xùn)練好的參數(shù)作為該節(jié)點(diǎn)第1級(jí)隱含層的輸出；

第三步，USoSAE特征數(shù)據(jù)的映射，通過(guò)編碼h＝f(x)：＝s_f(wx+p)得到特征表達(dá)h，再用梯度法求解誤差代價(jià)函數(shù)(y′₁，y₁)＝argmin_w，p，q[error(y′₁，y₁)]，訓(xùn)練該節(jié)點(diǎn)第2級(jí)隱含層網(wǎng)絡(luò)的參數(shù)θ₂＝{w₂，p₂，q₂}；

第四，USoSAE特征數(shù)據(jù)輸出，通過(guò)在每個(gè)節(jié)點(diǎn)上按照第二步和第三步的兩級(jí)訓(xùn)練方式，得到隱寫(xiě)圖像的特征數(shù)據(jù)集輸出作為多分類器的輸入，利用原始數(shù)據(jù)標(biāo)簽來(lái)訓(xùn)練出分類器的網(wǎng)絡(luò)參數(shù)作為最后隱寫(xiě)分析的判斷依據(jù)；

第五，重復(fù)第一步、第二步和第三步的網(wǎng)絡(luò)參數(shù)作為USoSAE技術(shù)檢測(cè)的深度網(wǎng)絡(luò)系統(tǒng)的參數(shù)初始化值，然后用隨機(jī)梯度下降算法迭代求出上面代價(jià)函數(shù)最小值附近處的參數(shù)值，并作為整個(gè)USoSAE網(wǎng)絡(luò)訓(xùn)練最后的優(yōu)化參數(shù)值。