[发明专利]图像隐写方法、装置、电子设备及介质

说明书

本发明提供了图像隐写方法、装置、电子设备及介质，包括：S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像；S2，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度；S3，根据第一梯度的值和第一梯度的方向得到第二动量，并根据第二动量更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像；S4，重复步骤S2‑S3，根据第N梯度的值和第N梯度的方向得到第N+1动量，并根据第N+1动量更新第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，该第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。

技术领域

本申请设计图像隐写、神经网络以及对抗样本领域，具体涉及图像隐写方法、装置、电子设备及介质。

背景技术

图像隐写的基本原理是通过利用图像中存在的人类肉眼难以感知的冗余信息，将需要传递的秘密信息隐藏到这些冗余信息中，并借助图像的传输来实现秘密信息的传送。由于信息隐藏到图像的过程通常不会改变图像的正常感知特性，因此潜在的攻击者很难觉察到秘密信息的存在，从而保证了信息安全隐蔽地进行传输。图像隐写还可以结合加密、置乱、编码等技术，使得写入隐写信息的图像即使被第三方察觉到存在异常，隐藏的信息也很难被提取出来，从而进一步保证信息传递的安全性。

但基于目前的迭代对抗样本的方法，每一次迭代都要训练一个隐写分析网络模型，并且需要存储多个训练好的网络模型，使实施过程变得繁琐；另外，以往的隐写分析网络模型结构固定不变，该固定不变的结构使得载密图像对抗多种类型的隐写分析网络检测的能力受到限制；同时，以前常用的STC隐写嵌入编码是不可微的，使得在之前的隐写过程中，梯度并不直接作用于失真代价图，而是根据梯度的方向修改失真代价图，因此梯度的值未得到利用。

发明内容

(一)要解决的技术问题

本发明提供的图像隐写方法、装置、电子设备及介质至少用于解决载密图像抗检测能力低、隐写分析网络模型结构固定不变以及梯度的值没有得到有效利用的问题。

(二)技术方案

本发明一方面提供一种图像隐写方法，包括：S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像；S2，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度；S3，根据所述第一梯度的值和所述第一梯度的方向得到第二动量，并根据所述第二动量更新所述第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像；S4，重复步骤S2-S3，根据所述第N梯度的值和所述第N梯度的方向得到第N+1动量，并根据所述第N+1动量更新所述第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。

可选地，步骤S3中，根据所述第一梯度的值和所述第一梯度的方向得到第二动量，并根据所述第二动量更新第一失真代价图，得到第二失真代价图，包括：根据所述第一梯度的值和所述第一梯度的方向得到第二动量，第二动量具有一第二预设方向；按照第二预设方向更新第一失真代价图，得到第二失真代价图。

可选地，按照第二预设方向更新第一失真代价图，得到第二失真代价图，包括：将第一失真代价图中的第一失真代价的值与第二动量值的差值作为第二失真代价图中的第二失真代价的值。

可选地，步骤S2中，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度，包括：将第一载密图像输入至隐写分析网络模型，从隐写分析网络模型中输出至少一个的预测矢量；通过至少一个的预测矢量得到集成的预测矢量，计算集成的预测矢量的损失函数值；将损失函数值通过隐写分析网络模型反向传播得到第一失真代价图的第一梯度。

可选地，通过至少一个的预测矢量得到集成的预测矢量，包括：将至少一个的预测矢量的值加权平均，得到集成的预测矢量。