[发明专利]一种生成式鲁棒图像隐写方法

说明书

本发明提供一种生成式鲁棒图像隐写方法，包括：构建图像数据集，并对图像数据集进行预处理；构建并初始化深度学习网络架构；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；利用网络架构模型生成载密伪图并进行秘密通信，完成图像隐写过程。本发明提供的图像隐写方法，通过利用生成对抗网络StyleGAN，将秘密信息的嵌入过程融入到图像的生成过程中，构建一种能承担较大容量秘密信息并具备一定鲁棒性的生成式图像隐写架构，从而得到的生成式图像隐写方法具有嵌入的容量较大、生成的图像质量好、载密图像统计不可检测性强、实用性高等优点，并克服了现有的生成式图像隐写生成的载密图像质量差、嵌入容量低下、信息提取准确率不高等问题。

技术领域

本发明涉及多媒体安全中的图像隐写技术领域，更具体的，涉及一种生成式鲁棒图像隐写方法。

背景技术

图像隐写是将秘密信息通过某些算法将秘密信息嵌入到载体图像中产生含密图像，并通过公开信道进行传输，接收方可以通过相应的提取手段得到含密图像中的秘密信息，而产生的含密图像在视觉上和统计上都不应有明显痕迹，使第三方无法获知该图像是否含有秘密信息。根据载体图像的使用方式，图像隐写算法可分为载体修改和载体生成两类。前者是目前普遍采用的一种方式，其对载体图像的像素值或者变换域的系数进行细小的修改，达到嵌入信息的目的；后者则是生成式图像隐写，其通过某种算法构造秘密信息和图像分布的双向映射，发送端可以将秘密信息映射为逼真的伪自然图像，而接收端可以将图像映射回秘密信息，从而不再需要载体图像和嵌入的过程。

传统的图像隐写一般是指基于载体修改的图像隐写，这类隐写算法有UED[1]、UNIWARD[2]等，一般地，可将隐写分析问题定义为载体图像与含密图像的二分类问题，进而采用特征提取和机器学习等手段对图像进行检测。近年来，深度学习在隐写分析领域的应用取得了重要成果，一些基于卷积神经网络的图像先进隐写分析方法如Yenet、SRnet等相继被提出，基于内容自适应的图像隐写方案已经受到较大威胁。

实际上，对载体进行修改不可避免地会对图像造成失真，而生成式图像隐写避免了对图像进行修改，在理论上是更安全可靠的隐写方式。但由于对复杂的图像分布进行完全建模几乎不可能，很难在高负载情况下得到秘密信息与图像分布的双向映射。现有的生成式图像隐写方法中：一些方法是通过词袋或图像哈希等方式构造秘密信息与图像语义的映射，其容量非常低，并且需要构造庞大的自然图像数据库；另外一些方法通过精心设计的可逆数学函数来映射秘密信息与一类图像纹理的合成，其容量同样受限。

生成对抗网络(GAN)是一种无监督学习框架，在图像生成等任务中表现优异，已经成为深度学习的一个重要分支。生成对抗网络当中包含生成器和判别器，生成器的目标是生成逼真的伪自然图像以尝试欺骗判别器，而判别器的目标是尽可能的分辨出真实图像和生成图像，它们彼此相互对抗并学习，促使双方不断朝着目标演进。其中生成器和判别器间的对抗关系，正与隐写方和隐写分析方之间的对抗行为契合。考虑将生成对抗网络应用到图像隐写任务中，让网络自主学习隐写方案，从而脱离传统图像隐写的启发性设计问题。基于这个思想，一些利用生成对抗网络进行图像隐写的方法已经被提出。目前，基于生成对抗网络的图像隐写方法还比较有限，均集中在载体修改的框架下进行信息嵌入，根据对抗网络生成目标的不同可分为以下三类：

其一，使用生成对抗网络生成利于图像隐写的载体图像，隐写过程仍然使用传统的隐写算法进行，如SGAN[3]、SSGAN[4]。以SGAN为例，其包含一个生成器G、两个判别器D和S。生成器G输入为随机噪声，输出为载体图像；生成器G与判别器D利用自然图像与生成的载体图像进行对抗训练，以生成更接近自然图像的载体图像；生成的载体图像使用传统的隐写算法进行图像隐写得到含密图像；生成器G与判别器S利用载体图像与载密图像进行对抗训练，以提高载密图像的安全性。