[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

说明书

本发明公开了一种基于GAN网络结构自动学习失真的图像隐写方法和系统，其将增强载体图像输入预设的改进U‑Net网络，依次生成初始像素改变概率图和初始含密图像，将初始含密图像输入判别网络，得到判别结果，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，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。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于GAN网络结构自动学习失真的图像隐写方法和系统。

背景技术

图像隐写是一种将秘密信息隐藏于载体图像中进行隐蔽通信的技术。该技术在信息安全、数据通信等多方面都发挥着重要作用，对保障数据安全、维护社会稳定都具有重要意义。然而图像隐写存在着较大的挑战：定义隐写失真代价函数的准则是启发式原则，设计失真代价函数的过程依赖于人为经验知识，缺少统计检测的验证交互。

近年来，深度学习的研究与发展进入了爆发时期，在计算机视觉等领域产生了许多研究成果，相比于传统根据先验知识手工设计的方法，深度学习具有强大的特征学习能力。研究者们将深度学习引入图像隐写中，让网络学习更隐蔽的隐写行为，如使用GAN网络生成更适于隐写的载体图像、自动学习隐写失真，使用编码-解码网络直接生成含密图像。但这些方法依然存在一些问题，如训练不稳定、图像质量差影响隐写的安全性等。随着隐写分析器与神经网络结构的结合发展，隐写分析检测准确率持续上升，图像隐写始终面临着挑战，需要进一步提升安全性能。

发明内容

针对以上问题，本发明提出一种隐蔽性好、训练高效的基于GAN网络结构自动学习失真的图像隐写方法和系统。

为实现本发明的目的，提供一种基于GAN网络结构自动学习失真的图像隐写方法，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；

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。

在一个实施例中，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。

在一个实施例中，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。

一种基于GAN网络结构自动学习失真的图像隐写系统，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；