[发明专利]一种生成式鲁棒图像隐写方法

权利要求书

1.一种生成式鲁棒图像隐写方法，其特征在于，包括以下步骤：

S1：构建图像数据集，并对图像数据集进行预处理；

S2：构建并初始化深度学习网络架构；

S3：采用联合-精调式方法训练深度学习网络架构，得到网络架构模型；

S4：利用网络架构模型生成载密伪图并进行秘密通信，完成生成式鲁棒图像隐写过程；

所述步骤S2具体为：

基于StyleGAN网络构建深度学习网络架构，包括调制模块、编码模块、生成器、判别器、提取器和加噪模块；其中：

调制模块将秘密信息调制到随机生成的噪声图中，生成载密噪声图；

编码模块对载密噪声图进行非线性变化以适应鲁棒图像隐写任务，使秘密信息分布到鲁棒的图像特征中；

生成器以随机隐向量和从编码模块得到的含有秘密信息的噪声图作为输入，生成载密伪图；

判别器以载密伪图或真实图像作为输入，生成判别分数，作为生成器对抗训练的对象；

提取器以载密伪图作为输入，从载密伪图中提取出秘密信息进行输出；

加噪模块设置在生成器和提取器中间，对传输过程中的载密伪图进行信道攻击，以训练提升载密伪图的鲁棒性。

2.根据权利要求1所述的一种生成式鲁棒图像隐写方法，其特征在于，所述步骤S1具体为：

选用CelebA-HQ人脸数据集作为训练集，该数据集包含30000张1024×1024的高质量人脸图，对其进行镜像扩增，变为60000张人脸图；

进一步通过使用MATLAB的imresize函数，缩放为128×128的大小，保存为pgm格式，完成图像数据的预处理。

3.根据权利要求1所述的一种生成式鲁棒图像隐写方法，其特征在于，在所述步骤S2中，所述载密噪声图由64×64比特的秘密信息调制到一个64×64分辨率的随机噪声图得到的；为了将秘密信息融入到图像的生成过程中，将秘密信息造成的影响降到最低，采用不改变噪声分布的信息调制方式：

用二进制编码的信息对输入噪声的符号进行调制，以1、0分别表示噪声的正、负，用下式表示：

N′＝ABB(N)*(2M-1)

其中N代表输入噪声，N^′代表调制后的噪声，M代表二进制编码的秘密信息，ABS(·)是取绝对值运算符；假设二进制编码的信息服从0、1等概率分布，而输入噪声是从正态分布中采样的，那么符号调制后的载密噪声也将服从正态分布。

4.根据权利要求1所述的一种生成式鲁棒图像隐写方法，其特征在于，在所述步骤S2中，所述编码模块是一个定制化的残差型卷积神经网络，其中，包含两个卷积层以及两个残差块；残差块是在两个的卷积层之间加入短接通路的结构；所有卷积层的核尺寸设为3×3、步长设为1，除最后一层外每一层的激活函数都采用带泄露的修正线性单元，以避免信息的丢失；经过该编码模块得到的变换后的载密噪声图分辨率不变，但其更能适应伪图的分布，使得秘密信息分布到鲁棒的图像特征当中。

5.根据权利要求4所述的一种生成式鲁棒图像隐写方法，其特征在于，在所述步骤S2中，所述生成器、判别器均为进阶式的卷积神经网络结构，分为4×4、8×8、16×16、…、128×128共6个层次；生成器以隐向量、多个随机噪声图以及含有秘密信息的噪声图作为输入，以载密伪人脸图像作为输出；其中隐变量为映射模块的输入，其决定了图像内容；随机噪声是各层次加噪模块的输入，相应地包含4×4、8×8、16×16、…、128×128等6个不同分辨率的噪声图，它们影响了图像不同级别的细微变化和特征；判别器作为生成器对抗训练的对象，以载密伪图或真实图像作为输入，以判别分数作为输出，其结构与生成器除去附加模块后互为镜像。

6.根据权利要求5所述的一种生成式鲁棒图像隐写方法，其特征在于，在所述步骤S2中，所述提取器是一个密集连接型网络，其输入为128×128×3的载密图像，输出为64×64比特的秘密信息；该密集连接型网络包含5个5×5的卷积层和一个2×2的平均池化层，将在前卷积层的输出短接到后续卷积层的输出中以提升网络的信息流动，采用平均池化层在网络的最后进行下采样以降低信息损失的风险。