[发明专利]一种基于生成对抗网络的图像隐写方法及系统

权利要求书

1.一种基于生成对抗网络的图像隐写方法，其特征在于，包括以下步骤：

S1：在待拟合的数据库中设计网络框架，其中网络框架由三个子网络构成，包括生成器G、判别器D和隐写分析器S；

S2：构建各子网络的损失函数并进行优化函数，三个子网络的损失函数均基于交叉熵损失函数，其中生成器G的损失函数设计为：

其中α＝0.02，β＝1，

判别器D的损失函数设计为：

隐写分析器S的损失函数设计为：

如上公式中G(z⁽ⁱ⁾)表示有生成器G生成的图片，D(x)表示输入x时判别器D的输出，S(x)表示输入x时隐写分析器S的输出，Stego(x)表示对x嵌入信息后得到的结果；

S3：选择随机噪声作为生成器G的输入，选择需要拟合的数据作为判别器D的输入之一，对网络进行训练，得到最终的训练模型；

S4：利用基于卷积神经网络的隐写分析器S对训练模型产生的图片进行性能评估；

S5：将生成器G的输出结果与原始图片库以及其他生成对抗网络模型的对抗结果进行比较。

2.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，步骤S1所述的待拟合的数据库为BOSSbase v1.01数据库。

3.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，所述生成器G采用了微步卷积(fractionally-strided convolution)结构，其中前三个微步卷积层与批量标准化层(Batch Normalization)和修正线性单元(ReLU)级联，最后一个微步卷积层连接双曲正切函数层作为输出。

4.根据权利要求3所述的一种基于生成对抗网络的图像隐写方法，其特征在于，所述生成器G的四个微步卷积层的卷积核大小均为5×5，卷积步长为2，卷积核个数分别为256，128，64，3。

5.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，所述判别器D主要采用了带步长的卷积(strided convolution)及带泄露的修正线性单元(LeakyReLU)结构，其中每个卷积组包含一个带步长的卷积(Strided Convolution)、批量标准化层(Batch Normalization)和泄露的修正线性单元(LeakyReLU)。

6.根据权利要求5所述的一种基于生成对抗网络的图像隐写方法，其特征在于，所述判别器D中第一组卷积组没有批量标准化层，其他三层结构相同，其中四个带步长的卷积层卷积核大小均为5×5，卷积步长为2，卷积核个数分别为64，128，256，512，判别器D通过带有sigmoid函数的全连接层实现分类。

7.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，所述隐写分析器S为采用高通滤波器(KV high-pass filter)的隐写分析器。

8.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，步骤S2所述优化函数包括生成器G和判别器D通过Adam优化器进行优化，隐写分析器S通过小批量梯度下降法优化损失函数。

9.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法，其特征在于，步骤S3中对网络进行训练包括对网络进行200轮及以上的训练。

10.一种基于生成对抗网络的图像隐写系统，应用权利要求1～9任一项所述的基于生成对抗网络的图像隐写方法，其特征在于，包括框架设计模块、网络训练模块和性能估计模块；其中框架设计模块主要用于子网络的选择、子网络结构的搭建、损失函数的设计以及优化器的选择；网络训练模块用于对网络进行训练；性能估计模块用于评估生成图片的图像质量以及抗隐写分析性能。