[发明专利]一种基于成分能量的双任务图像隐写方法

说明书

本公开属于图像加密领域，具体而言涉及一种基于成分能量的双任务图像隐写方法，包括：获取待隐写图像数据对，待隐写图像数据对包括待隐写秘密图像和待隐写覆盖图像；通过成分能量提取模型基于待隐写图像数据对分别得到与待隐写能量数据对相对应的第一能量隐变量对；通过可逆神经网络基于第一能量隐变量对得到隐藏隐变量对；隐藏隐变量对通过图像生成模块得到隐写图像；获取噪声图像；通过成分能量提取模型基于隐写图像和噪声图像得到第二能量隐变量对；通过可逆神经网络基于第二能量隐变量对得到揭示隐变量对；揭示隐变量对通过图像生成模块得到秘密图像和覆盖图像，以精准实现隐写和揭示。

技术领域

本公开属于图像加密领域，具体而言涉及一种基于成分能量的双任务图像隐写方法。

背景技术

图像隐写，是将包含敏感信息的秘密图像隐藏到无敏感信息的覆盖图像中生成隐写图像，同时只允许知情的接收方通过图像揭示得到覆盖图像和秘密图像的过程。出于信息通信安全方面的考虑，通常要求隐写图像与覆盖图像在视觉上看起来无差别。与图像加密和传统隐写术不同，图像隐写对于隐写图像的信息容量、秘密图像的不可见性和信息处理过程的安全性都具有更高的要求，因而该任务更具挑战性。图像隐写具有很高的实用性，其要求包含秘密图像信息的隐写图像与覆盖图像难以区分，因而更适用于加密通信，保障秘密数据通信安全。

传统图像隐写方法，通常由图像隐写和图像揭示两个子功能模块组成。其主要通过以下两种技术手段实现，其一，通过复杂置换、转换算法将秘密图像信息藏于覆盖图像中，但随着计算资源性能的提升，置换和转换算法不能保障隐写图像具有合理的分辨率和容量，数据的安全性也得不到保障。其二，基于机器学习深度神经网络的双功能模块松耦合衔接，两个功能模块分别具有独立参数集合，会带来图像颜色失真和纹理瑕疵等数据质量问题。此外，传统图像隐写方法几乎没有考虑安全问题，使得被隐藏信息很容易被检测到。

基于可逆神经网络的方法，其使用相同的深度神经网络功能模块双向作用分别完成图像隐写和图像揭示过程。图像揭示为图像隐藏的反向过程，因此功能模块只需进行一次训练就可以获得完成图像隐写和图像揭示功能所需的所有网络参数，这也正是该方法与传统方法的根本区别。目前，该方法在秘密图像恢复准确性、隐藏安全性和不可见性方面达到了最先进的水平。但是，该种方法的模型耦合度高，扩展性较弱，对输入图像的表征能力有限。

发明内容

本公开正是基于现有技术的上述需求而提出的，本公开要解决的技术问题是提供一种基于成分能量的双任务图像隐写方法以精准地隐写和揭示秘密图像。

为了解决上述问题，本公开提供的技术方案包括：

提供了一种基于成分能量的双任务图像隐写方法，包括：获取待隐写图像数据对，所述待隐写图像数据对包括待隐写秘密图像和待隐写覆盖图像；通过成分能量提取模型基于待隐写图像数据对分别得到待隐写能量数据对的成分能量对，所述能量提取模型包括二维卷积层、全连接层以及全局平均池化，所述待隐写能量数据对的成分能量包括待隐写秘密图像的成分能量和待隐写覆盖图像的成分能量；通过可逆神经网络基于待隐写能量数据对的成分能量对得到隐藏隐变量对；所述隐藏隐变量对通过图像生成模块得到隐写图像；获取噪声图像；通过所述成分能量提取模型基于所述隐写图像和所述噪声图像分别得到所述隐写图像和所述噪声图像的成分能量；通过可逆神经网络基于隐写图像的成分能量和噪声图像的成分能量得到揭示隐变量对；所述揭示隐变量对通过所述图像生成模块得到秘密图像和覆盖图像。

优选的，在获取待隐写图像数据对时，同时获取待隐写图像数据对中图像的物理尺度信息。

优选的，所述成分能量提取模型的参数根据输入的待隐写图像的物理尺度信息进行自调整。