[发明专利]基于对抗样本生成的深度自适应图像隐藏方法

说明书

基于对抗样本生成的深度自适应图像隐藏方法，包含如下几个步骤：首先，设计实验样本，确定需要隐藏的图(secret图)和将接受隐藏信息的图(cover图)；然后建立局部隐藏patch选择的SSD网络，找出cover图中最合适隐藏secret图的区域；之后，建立encode网络，secret图用对抗样本的方法，通过encode网络产生扰动，直接添加到cover图的选定区域产生藏有隐藏信息的container图；接着，建立decode网络，解出与secret图高度相似的revealed图；最后，训练和测试encode网络和decode网络，对每一组输入进行编码网络的更新，实现对于每组图像的个性化隐藏。通过以上三个主要步骤，本发明可以在保持编码得到很好的隐藏还原效果的同时，实现图像的自适应局部隐藏，提高图像隐藏的重建质量，拓展其实际应用范围。

技术领域

本发明属于信息隐藏传输管理领域。通过图像隐藏，实现更灵活、更大容量和更安全的信息传输，针对图像隐藏存在的色差，以及图像隐藏只能达到全局隐藏的效果等问题，提出了一种基于对抗样本生成的深度自适应图像隐藏方法。

背景技术

最流行的图像隐藏算法是基于最低有效位(LSB)的方法，定义需要隐藏的图为secret图，将接受隐藏信息的图为cover图，通过encode网络加入隐藏信息的结果图为container图，由container图解析出来的图为revealed图。这些基于LSB的算法的主要思想是改变cover图像的至少4个有效位来放置隐藏信息。这样，在隐藏过程中cover图像的颜色变化可以最小化，并且所产生的失真通常是不可观测的。尽管基于LSB的方法具有显著的性能，但通常容易受到检测图像隐藏的统计分析方法的攻击。为了解决这一局限性，隐藏图像提出了更安全的算法，以保证在隐藏secret图像的同时保留图像统计信息，例如高度不可检测的图像隐藏(Hugo)和小波获得的权重(Wow)。然而，这些算法的有效载荷容量(覆盖图像可以包含的信息)相对较小。

最近，受卷积神经网络(CNN)的启发，提出了一种基于深度学习的图像隐藏算法。这些深度图像隐藏方法利用CNN隐式模拟隐藏过程中所涉及图像的分布，建立了一个完全基于CNN的隐藏系统。隐藏系统包括Preparing网络、Hiding网络和Revealing网络，Preparing网络接受secret图作为输入并应用预处理操作，然后将处理后的secret图像和cover图像输入Hiding网络，得到含有隐藏信息的container图像。Revealing网络的目的是将container图像解码为目标secret图像，所有的网络都以完全有监督的方式进行训练。这项工作表明利用CNN将整个secret图像中的大量信息隐藏到一个只有很少视觉失真的单一cover图像中是可行的。Meng等人进一步提出利用目标检测算法选择复杂纹理区域进行信息隐藏，最近的工作还将基于CNN的图像隐藏扩展到了视频方面。

对抗样本是经过修改的原图像版本，这些图像被故意干扰以攻击并达到混淆深层神经网络的效果。对抗样本不仅存在于深度分类网络，而且也存在于生成网络、循环神经网络和强化学习中。例如，对于生成网络，对抗样本可以通过添加一些干扰来将网络的输出更改为另一个图像，这些干扰仍然使受干扰的图像在视觉上与原始图像相似，这与深度图像隐藏的目标相匹配。

深度图像隐藏本质上也是一个图像重建问题。图像重建的目的是反转特征表示，即从目标特征重建整个图像。图像重建算法分为两类：基于在线图像优化的慢速图像重建和基于离线模型优化的快速图像重建。第一类迭代优化像素空间中的图像，通常从随机噪声开始，迭代直到满足所需的特征分布。第二类，快速图像重建，通过预先训练一个前馈网络来加速重建过程，将计算负担置于训练阶段。