[发明专利]基于GAN网络结构自动学习失真的图像隐写方法和系统

权利要求书

1.一种基于GAN网络结构自动学习失真的图像隐写方法，其特征在于，包括如下步骤：

S20，将增强载体图像输入预设的改进U-Net网络，生成初始像素改变概率图；

其中，将增强载体图像输入预设的改进U-Net网络包括：采用图像边缘增强方法对载体图像进行预处理操作，得到增强载体图像，将增强载体图像输入预设的改进U-Net网络；

改进U-Net网络的设置过程包括：在U-Net网络结构的基础上增加浅层的网络连接和深层的网络连接，以强化生成网络提取到的特征信息，得到改进U-Net网络；

S30，令初始像素改变概率图模拟最优嵌入过程，生成初始含密图像；

S40，将初始含密图像输入判别网络，得到判别结果；所述判别结果包括将初始含密图像识别为载体图像或含密图像；

S50，根据判别结果计算判别网络的损失，根据判别结果和当前的隐写容量计算生成网络的总损失函数，以最小化损失函数为目标优化生成式对抗网络，当损失下降并保持稳定时认为训练结束，在训练结束后从生成式对抗网络中提取生成网络；所述生成式对抗网络包括改进U-Net网络和判别网络；

S60，将待传输的原始图像输入生成网络，得到像素改变概率，计算像素改变概率对应的嵌入失真，依据嵌入失真采用伴随式矩阵编码技术对秘密信息与待传输的原始图像进行编码，得到与原始图像对应的隐写图像。

2.一种基于GAN网络结构自动学习失真的图像隐写系统，其特征在于，包括：

第一输入模块，用于将增强载体图像输入预设的改进U-Net网络，生成初始像素改变概率图；

生成模块，用于根据初始像素改变概率图模拟最优嵌入过程，生成初始含密图像；

第二输入模块，用于将初始含密图像输入判别网络，得到判别结果；所述判别结果包括将初始含密图像识别为载体图像或含密图像；

计算模块，用于根据判别结果计算判别网络的损失，根据判别结果和当前的隐写容量计算生成网络的总损失函数，以最小化损失函数为目标优化生成式对抗网络，当损失下降并保持稳定时认为训练结束，在训练结束后从生成式对抗网络中提取生成网络；所述生成式对抗网络包括改进U-Net网络和判别网络；

第三输入模块，用于将待传输的原始图像输入生成网络，得到像素改变概率，计算像素改变概率对应的嵌入失真，依据嵌入失真采用伴随式矩阵编码技术对秘密信息与待传输的原始图像进行编码，得到与原始图像对应的隐写图像；

其中，将增强载体图像输入预设的改进U-Net网络包括：采用图像边缘增强方法对载体图像进行预处理操作，得到增强载体图像，将增强载体图像输入预设的改进U-Net网络；

改进U-Net网络的设置过程包括：在U-Net网络结构的基础上增加浅层的网络连接和深层的网络连接，以强化生成网络提取到的特征信息，得到改进U-Net网络。