[发明专利]一种基于深度对抗生成网络的鲁棒信息隐藏方法

说明书

本发明提供一种基于深度对抗生成网络的鲁棒信息隐藏方法，包括如下步骤：用户将原始图像和加密信息传入编码器信息编码。加密信息可以包含机构编码、管理人员工号、日期、校验位等；通过对抗生成网络将加密信息融入图像；加密后的图像从外观上与原始图像一致；对处理后图像进行涂改、压缩和剪裁等篡改的操作，模拟用户对图像进行加噪处理；接收到的图像通过对抗式生成网络来进行解码，还原加密信息。通过深度对抗生成网络方法对原始图像添加鲁棒性隐藏式数字水印，水印信息含有加密追踪信息，当图片泄露后可以通过加密信息追踪到泄漏源，同时有良好的抗篡改能力。

技术领域

本发明涉及一种基于深度对抗生成网络的鲁棒信息隐藏方法，属于电子信息技术领域。

背景技术

目前业内隐藏鲁棒性数字水印主要采用傅里叶变换方式，容易引起图像失真。比如对于信息量较小的图片融入较大水印信息，图片易失真产生肉眼可见干扰线。采用神经网络深度学习方式可以将原始图像与需要隐藏的信息进行深度学习融合，降低失真，提高融合图像质量。

发明内容

本发明提供一种基于深度对抗生成网络的鲁棒信息隐藏方法，该方法通过深度对抗生成网络方法对原始图像添加鲁棒性隐藏式数字水印，水印信息含有加密追踪信息，当图片泄露后可以通过加密信息追踪到泄漏源，同时有良好的抗篡改能力。

为实现上述目的，本发明采用如下技术方案：

一种基于深度对抗生成网络的鲁棒信息隐藏方法，包括如下步骤：

步骤1：搭建判别器网络和生成网络；所述生成器网络包括编码器；

步骤2：将原始图像和加密信息输入编码器，生成加密图像；

步骤3：以原始图像为真实样本，加密图像为生成样本，将原始图像和加密图像输入判别器网络，得到真实样本判别结果和生成样本判别结果；

步骤4：计算真实样本判别结果和生成样本判别结果的训练损失；

步骤5：判断判别器网络损失值和生成网络损失值是否达到最小化，并分别反馈给判别器网络和生成器网络，以调整网络参数；若已达到最小化，跳到步骤6；否则跳到步骤2；

步骤6：保存当前判别器网络和生成器网络。

优选的，所述生成器网络还包括噪声层和解码器；所述噪声层用以对所述加密图像进行加噪处理，所述解码器用以解码加噪后的加密图像，得到解码信息；

编码器和解码器的总损失函数为L＝L_M(M_in,M_out)+L_I(I_co,I_en)+L_G，其中，L_I(I_co,I_en)为原始图像I_co和加密图像I_en的图像重构损失，L_M(M_in,M_out)为解码信息M_out和加密信息M_in的信息重构损失，生成器网络的对抗损失为L_G＝log(1-A(I_en))，A(.)为判别器网络的输出结果，I_en＝G(I_co)，G为编码器的输出结果；

判别器网络的损失函数定义为L_A＝log(1-A(I_co))+log(A(I_en))。

优选的，所述编码器包括4个卷积块，每个卷积块包含若干个卷积层、批归一化和ReLU激活函数。

优选的，所述解码器包括7个卷积块，1个自适应空间平均池化层，1个线性全连接层。