[发明专利]一种图像隐藏方法及装置

权利要求书

1.一种图像隐藏方法，其特征在于，所述方法应用于配置有深度可逆神经网络的设备；其中，所述深度可逆神经网络包括小波变换层、可逆层和小波逆变换层；所述方法包括：

获取载体图像和待隐藏秘密信息的秘密图像；

将所述秘密图像和所述载体图像输入至所述小波变换层，通过所述小波变换层提取所述秘密图像的小波低频子带，得到第一秘密特征图，以及提取所述载体图像的小波高频子带，得到载体特征图；

通过所述可逆层将所述第一秘密特征图嵌入至所述载体特征图，得到隐写特征图和辅助特征图；其中，所述隐写特征图中包含所述第一秘密特征图中的部分秘密信息，所述辅助特征图中包含所述第一秘密特征图中的剩余部分秘密信息；

将所述隐写特征图和所述辅助特征图输入至所述小波逆变换层，通过所述小波逆变换层生成所述隐写特征图对应的隐写图像和生成所述辅助特征图对应的辅助图像。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

对所述辅助图像进行采样，得到采样图像；

将所述采样图像和所述隐写图像输入至所述深度可逆神经网络；

通过所述深度可逆神经网络根据所述采样图像和所述隐写图像，生成所述秘密图像对应的恢复图像。

3.根据权利要求2所述的方法，其特征在于，所述通过所述深度可逆神经网络根据所述采样图像和所述隐写图像，生成所述秘密图像对应的恢复图像，包括：

将所述采样图像和所述隐写图像输入至所述小波变换层，通过所述小波变换层提取所述采样图像的采样特征图和所述隐写图像的隐写特征图；

通过所述可逆层根据所述采样特征图对所述隐写特征图进行秘密信息的恢复，得到恢复特征图；

将所述恢复特征图输入至所述小波逆变换层，通过所述小波逆变换层生成所述恢复特征图对应的恢复图像。

4.根据权利要求1所述的方法，其特征在于，所述可逆层将所述第一秘密特征图嵌入至所述载体特征图，包括：

所述可逆层通过隐藏算法将所述第一秘密特征图嵌入至所述载体特征图；其中，所述隐藏算法为：

其中，是第i个所述可逆层输入的载体特征图，是第i个所述可逆层输出的载体特征图，是第i个所述可逆层输入的第一秘密特征图，是第i个所述可逆层输出的第一秘密特征图，ρ(·)和η(·)均为变换函数，α是具有S形函数Sigmoid的常数因子。

5.根据权利要求3所述的方法，其特征在于，所述可逆层根据所述采样特征图对所述隐写特征图进行秘密信息的恢复，包括：

所述可逆层基于恢复算法并根据所述采样特征图对所述隐写特征图进行秘密信息的恢复；其中，所述解码算法为：

其中，是第i个所述可逆层输入的隐写特征图，是第i个所述可逆层输出的隐写特征图，是第i个所述可逆层输入的采样特征图，是第i个所述可逆层输出的采样特征图，ρ(·)和η(·)均为变换函数，α是具有S形函数Sigmoid的常数因子。

6.根据权利要求1所述的方法，其特征在于，所述深度可逆神经网络还包括连接于所述小波变换层和所述可逆层之间的图像重缩放层；

在所述通过所述小波变换层提取所述秘密图像的第一秘密特征图之后，所述方法还包括：

通过所述图像重缩放层对所述第一秘密特征图进行成比例缩小，得到第二秘密特征图；

将所述第二秘密特征图输入至所述可逆层，以通过所述可逆层将所述第二秘密特征图嵌入至所述载体特征图。

7.根据权利要求3所述的方法，其特征在于，所述深度可逆神经网络的训练过程包括：

基于预设的隐藏损失函数、恢复损失函数和低频小波损失函数对所述深度可逆神经网络进行训练，直至总损失函数值收敛至预设值时，训练结束；

其中，所述总损失函数值为所述隐藏损失函数计算的损失值、所述恢复损失函数计算的损失值和所述低频小波损失函数计算的损失值的加权值；所述隐藏损失函数和所述恢复损失函数对应于所述可逆层，所述低频小波损失函数对应于所述小波变换层。