[发明专利]一种无参考生成的图像鲁棒隐写方法

说明书

本发明公开了一种无参考生成的图像鲁棒隐写方法，涉及深度学习技术领域，所述方法包括：以GAN模型为图像生成器，并对所述GAN模型进行预训练；建立秘密信息到噪声的映射；以秘密信息为输入，输出图像为隐写图像；图像处理层接收GAN模型生成的隐写图像，通过添加模拟干扰，传递给解码器进行解码；以现有的神经网络模型为解码器，以添加干扰后的隐写图像为输入，经过神经网络转换为噪声，将噪声进行映射得到秘密信息。本发明的方法可以在任意由噪声直接驱动生成图像的生成对抗网络的生成器的基础上，结合图像处理层和具有卷积神经网络结构的解码器即可使生成图像具有鲁棒性。

技术领域

本发明涉及深度学习技术领域，具体涉及一种无参考生成的图像鲁棒隐写方法。

背景技术

传统图像隐写算法可分为两类：空域隐写算法和频域隐写算法。空域隐写算法通过修改图像像素来嵌入秘密信息，如LSB替换和匹配算法；频域隐写算法通过修改主信号中某些指定的频域系数进行秘密信息的嵌入，如离散余弦变换（DCT）算法、离散傅里叶变换（DFT）算法、离散小波变换（DWT）算法等。但这些传统隐写算法缺少鲁棒性，在社交网络、无线通信等有损信道中传输时，轻微的干扰就会导致秘密信息无法正确提取。

随着深度学习的发展，不少学者利用深度学习来实现鲁棒隐写，有人提出了HiDDeN模型，该模型分为四个部分：编码器E、解码器D、噪声层N和判别器A。编码器E输入为图像和秘密信息，输出为图像；解码器输入为图像，输出为秘密信息；判别器A负责判别编码器生成图像与输入图像的差距。HiDDeN模型在秘密信息嵌入量方面表现良好，且所提出的端到端隐写框架允许在原框架基础上给噪声层添加新的噪声，从而实现对新的噪声的鲁棒性，框架存在一定的可扩展性，但在隐写图像质量上存在不足。还有人在HiDDeN模型的基础上提出StegaStamp模型，在噪声层添加了透视变换、颜色变换、模糊等图像处理操作，模拟隐写图像经过打印、拍照得到新图像过程中存在的变化，解决了HiDDeN在经过物理传输后秘密信息无法解密的问题，是对HiDDeN在应用方面的改进。但StegaStamp模型生成的图像存在明显的灰色斑块，且随着消息嵌入量的增大，灰色斑块越明显。而且上述隐写方法均采用秘密信息联合原始图像生成隐写图像的形式，要求隐写图像和原始图像在内容上保持不变，在保证秘密信息提取准确率的前提下，必然会使图像质量下降。

发明内容

为了解决上述问题，本发明提供一种无参考生成的图像鲁棒隐写方法，该方法的框架由GAN模型、解码器和图像处理层组成，GAN模型输入秘密信息，输出高清图像；图像处理层包含各种模拟的干扰和攻击，负责将GAN模型输出的图像进行处理并传递给解码器；解码器负责将处理过的图像还原成秘密信息，还可以通过解码损失来约束还原信息的准确率。

为了实现上述目的，本发明采用的技术方案为：一种无参考生成的图像鲁棒隐写方法，包括：

S1：秘密信息的隐藏

S11：以GAN模型为图像生成器，并对所述GAN模型进行预训练；

S12：建立秘密信息到噪声的映射；

S13:以秘密信息为输入，输出图像为隐写图像;

S2：隐写图像的处理：图像处理层接收GAN模型生成的隐写图像，通过添加模拟干扰，传递给解码器进行解码；

S3：秘密信息的提取：以现有的神经网络模型为解码器，以添加干扰后的隐写图像为输入，经过神经网络转换为噪声，将噪声进行映射得到秘密信息；其中解码器的损失通过式（1）进行计算：

（1）

其中，表示解码器损失，采用sigmoid交叉熵损失函数；分别表示输入的秘密信息和解码器还原出的信息。