[发明专利]一种基于神经网络的图像信息隐写方法

说明书

本发明公开了一种基于神经网络的图像信息隐写方法，所述基于神经网络的图像信息隐写方法包括以下步骤：对生成对抗网络和提取器进行同步训练，所述生成对抗网络包括用于生成图像的生成器和用于判别图像的判别器；发送者将秘密信息转换成噪声信号并输入训练好的生成器，生成隐写图像；接收者接收隐写图像，输入训练好的提取器，提取隐写图像的噪声信号并将噪声信号还原成秘密信息。实现了无修改的隐写方法，隐写后的载体图像并没有经过传统隐写算法的“修改”操作，理论上可以抵抗所有基于特征提取的隐写分析方法的攻击，同时对生成对抗网络和提取器进行同步训练，不仅能提高安全性而且能节省训练时间。

技术领域

本发明涉及神经网络领域，尤其涉及一种基于神经网络的图像信息隐写方法。

背景技术

随着信息化的不断发展，信息安全问题变得越来越重要，传统的保障信息安全的手段主要通过密码学来实现，但是利用密码加密的方法无法掩盖正在通信这一事实，在版权保护、隐蔽通信等特定场合并不适用，近年来发展起来的信息隐藏技术很好地补充了密码学的这一缺点。信息隐藏技术通过将秘密信息嵌入在普通载体中来达到信息安全的目的，这些载体包括常见的文本、音频、图片以及视频等，图片由于人们日常使用广泛而成为最常用的载体。在这个密码信息的通信过程中，有信息的保护者和攻击者两个主要的参与人，对应隐写者与隐写分析者，隐写者的目的是通过信息隐藏算法将秘密信息嵌入到载体中但不被敌人发现，通常要做到视觉、听觉不可感知和统计不可感知；而隐写分析者的目的是判断一个特定的载体是否含有秘密信息，通常意义上来说，隐写分析者一旦对一个含密载体产生合理怀疑，则这个信息隐藏过程就是失败的。

随着信息隐藏技术的发展，视觉、听觉等较低层次的不可感知性对于大部分隐写算法来说都是可以较容易做到的，因此主要的研究集中在统计不可感知性上。近年来，高统计安全性的算法主要是基于内容自适应的最小化失真嵌入隐写框架，其基本思想是为每个载体元素定义一个失真度，目的是保证整体上的失真最小化，而嵌入主要集中在载体的高频噪声部分，这些高频噪声部分通常难以建模，即所谓的内容自适应隐写。这样的典型算法有HUGO，UNIWARD，MG，HILL，等，作为攻击手段，隐写分析者通常从载体中提取高维特征，然和结合分类器进行隐写分析。这类隐写算法的最大问题是其需要利用经验知识和特殊的技巧来设计合理的失真函数，相当于给图像建模，而目前为止图像模型仍然是一个较难问题。