[发明专利]一种基于生成对抗网络的JPEG域图像隐写方法和系统

权利要求书

1.一种基于生成对抗网络的JPEG域图像隐写方法，其特征在于，所述的生成对抗网络包括生成网络、模拟编码嵌入模块及判别网络，包括以下步骤：

S1：将载体图像通过可传递梯度JPEG变换模块，得到该载体图像对应的DCT域上的系数矩阵；

S2：将该载体图像对应的DCT系数矩阵输入到所述生成网络中，通过生成网络产生对应的与载体图像大小一致的篡改概率矩阵，所述篡改概率矩阵的每一位置的数值代表该位置对应的像素位置DCT系数受到篡改的概率；

S3：将产生的篡改概率矩阵与随机噪声矩阵通过模拟编码嵌入模块进行模拟编码得到与载体图像大小一致的篡改矩阵，所述随机噪声矩阵与所述篡改概率矩阵大小一致，篡改矩阵中元素的取值为±1与0，随机噪声矩阵用于模拟随机秘密信息；将篡改矩阵与载体图像对应的DCT域上的矩阵相加，得到DCT域上与载体图像DCT系数矩阵对应的载密图像的DCT系数矩阵；

S4：将DCT域上的载密图像的DCT系数矩阵通过可传递梯度的JPEG变换模块转换为空域上的载密图像；

S5：将S4得到载密图像与S1的载体图像输入到判别网络，通过判别网络对载体图像与载密图像进行分类，将判别网络产生的分类误差作为损失函数，并将损失函数反馈回判别网络与生成网络并进行对抗训练；

S6：训练结束后，将训练好的生成网络与传统的信息编码模块以及JPEG变换模块相结合，根据生成网络产生的嵌入代价值将秘密信息以自适应的方式嵌入到载体图像的DCT系数中产生用于隐秘通信的载密图像，所述嵌入代价值ρ_i,j为篡改概率p_i,j转换所得,具体转换公式为：

所述步骤S2中的生成网络为一个U型结构的卷积神经网络，U型结构的卷积神经网络共16组，前8组为卷积层组，每一个卷积层组包含卷积层批、归一化层以及带泄露整流函数，图像特征图的尺寸随着网络层数的增加而减少；后8组为反卷积层组，包含反卷积层、批归一化层以及带泄露整流函数，图像特征图的尺寸随着网络层数的增加而变大，前8层与后8层对应的镜像网络层之间的特征图都以串联concatenate的方式进行连接；

其中最优编码拟合函数所拟合的最优编码方式表示为：

上式中，p_ij为生成网络输出的每个DCT系数对应的篡改概率，n_ij为随机噪声矩阵，m_ij为篡改矩阵；最优编码拟合函数的特征在于保持梯度可传播的同时能够拟合上述的最优编码方式；其中最优编码拟合函数的表达式为：

m_ij＝-k×f_s(λ×(p_ij-2×n_ij))+k＝f_s(λ×(p_ij-2×(1-n_ij)))+c

其中λ为缩放因子其取值越大，最优编码拟合函数的拟合效果越好，对于梯度传播越不利，缩放因子λ取值越小，越有利于梯度的传播，但拟合效果会变差，f_s表示激活函数Tanh、Sigmoid或ReLU，k为权重系数，c为一个常数偏置；

对于生成网络与判别网络利用分类误差得到的损失函数采用梯度反向传播进行参数的训练，每更新一次判别网络的参数则更新两次生成网络的参数，其中用于更新生成网络的损失函数还包含通过篡改概率信息熵得到的拟合嵌入负载量与目标负载量之间误差产生的损失函数。

2.根据权利要求1所述的基于生成对抗网络的JPEG域图像隐写方法，其特征在于，所述可传递梯度JPEG变换模块包括图像数据处理以及矩阵变换，其中图像数据处理包括Tensor数据的batch分离，单一batch的分块处理，分块的合并以及batch的合并；可传递梯度JPEG变换模块中的矩阵变换包括二维离散余弦矩阵变换、反二维离散余弦变换以及对应的量化与反量化处理，其中反量化不采用取整操作以确保梯度有效传递。