[发明专利]基于条件标准化流模型的强鲁棒性图像隐写方法及系统

说明书

本发明涉及基于条件标准化流模型的强鲁棒性图像隐写方法，包括步骤：S1.构建流模型单元：对输入的宿主图像和隐藏图像进行分布变换，转化为高频冗余信息和容器图像；S2.构造分布映射模块：建模高频冗余信息在容器图像条件依赖下的分布，将其映射到标准正态分布以隐式保存有价值的隐藏信息；S3.构造失真模拟单元：在模型训练过程中仿真各类失真干扰的影响；S4.构造图像增强模块：对受干扰的容器图像进行初步增强去噪处理；以及S5.构造条件调制模块：以干扰强度和类型为条件，调制流模型单元的网络参数。本发明方法解决当前图像隐写术在鲁棒性和还原质量、隐写容量上的缺陷和不足，解决之前基于学习的隐写术在受到失真干扰时性能大幅下降的问题。

技术领域

本发明涉及图像水印、信息隐写等领域，特别地，涉及基于标准化流模型的强鲁棒性图像隐写方法及系统。

背景技术

隐写术是一个被广泛研究的话题，它旨在以一种未被发现的方式将音频、图像和超链接等消息隐藏到一个容器中。图像隐写术将隐藏图和宿主图像作为输入来生成容器图像。在其反向过程中，只有具有特定揭示网络的接收器才有可能从容器图像中重建隐藏信息，该容器图像在视觉上与宿主图像相同^[1]。与隐写术对应的，隐写分析技术通常通过颜色、频率和其他特征来区分容器和宿主图像^[2]。因此，隐藏图像应该隐藏在容器图像的不可见域中。在应用程序中将尽可能多的机密数据嵌入到宿主图像中也很有价值，这被评估为有效负载容量。

图像隐写术旨在保持隐藏能力，同时考虑对隐写分析的安全性和不可察觉性。现有的隐写方案未能在不可察觉性和高有效载荷容量之间取得平衡^[3]。传统方法在空间或自适应域中转换隐藏消息，实现每像素 1bpp以下的容量。隐藏数据通常嵌入到较少的重要位或无法区分的部分中，从而限制了隐藏信息容量的数量。最近基于学习的隐写术方法努力利用隐藏的潜在能力^[4]。它们中的大多数将预处理、隐藏和显示作为单独的模块，并设计具有独立参数的特定网络来处理它们。

最近的工作尝试将标准化流模型^[5]引入去噪、重采样等图像处理问题，显示出流模型相对于自编码器（VAE）、生成对抗网络（GAN）和其他生成模型的巨大潜力。在图像隐写任务中，隐藏和显示过程可以看作是一对逆问题。因此，基于流的可逆神经网络从数学上是适合这项任务的。

现有技术存在的主要问题是：由于先前的图像隐写术强调的是容量和不可见性而不是鲁棒性，并且在实践中忽略了噪声和压缩干扰，因此它们通常对容器媒体传播过程中的干扰很敏感。 由于依赖于固有的可逆双射变换属性，标准化流模型往往更容易受到中间失真的影响。现有的方法一旦在容器上实施轻微的噪音或有损压缩，所揭示的隐藏几乎无法识别，接收端的宿主图像也是如此。解决以上问题及缺陷的难度为：即使网络针对预定义的噪声或 JPEG 压缩级别进行了专门微调，重建质量和泛化仍然有限。

解决以上问题及缺陷的意义为：本发明旨在构建一个强鲁棒性的图像隐写模型，能够有效抑制媒体传播过程中的噪声和压缩等失真对容器图的干扰，增强图像隐写术在各类复杂情况下的还原质量和泛用性，提升有限条件下的隐写信息容量，有助于图像隐写的普及和应用。

发明内容

本发明提供了基于条件标准化流模型的强鲁棒性图像隐写方法及系统，使用基于条件流模型的可逆神经网络将隐藏图像隐写入容器图像，该方法对噪声和压缩等干扰鲁棒，以解决当前图像隐写术在鲁棒性和还原质量、隐写容量上的缺陷和不足，解决之前基于学习的隐写术在受到失真干扰时性能大幅下降的问题。