[发明专利]一种基于深度学习的高动态范围图像隐写和恢复方法

说明书

本发明公开了一种基于深度学习的高动态范围图像隐写和恢复方法，包括以下步骤：S1、构建HDR和LDR秘密图像数据集；S2、对HDR图像进行预处理，得到多张不同的载体图像、HDR图像的符号位和HDR图像的指数位；S3、将一张载体图像与一张LDR秘密图像连接在一起，并输入嵌入模型，得到隐写图像；S4、将隐写图像、符号位和指数位合并为HDR隐写图像；S5、对HDR隐写图像做与预处理相同的操作，得到HDR隐写图像小数空域的后八位比特平面；S6、将后八位比特平面输入提取模型，得到恢复的LDR秘密图像；本发明首次将HDR图像作为载体实现以图藏图的隐写，并解决了现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降的问题。

技术领域

本发明涉及图像处理领域，具体涉及一种基于深度学习的高动态范围图像隐写和恢复方法。

背景技术

互联网的飞速发展给人们的生活带来天翻地覆的变化，然而我们在享受网络所带来的便利的同时，也承担着信息泄露、账号被盗等众多风险。图像隐写作为信息安全领域的一项重要技术，利用图像载体的冗余特性，将需要传播的秘密信息隐藏于载体图像之中，而不引起第三方的怀疑，最终实现秘密信息的隐秘传播。

传统的隐写方法都是通过对载体图像做一些修改实现秘密信息的嵌入，但是修改操作都会在一定程度上改变原始载体图像的统计特性，隐写技术的对立面—隐写分析技术正是利用图像修改前后统计特征的变化来区分载体图像和隐写图像，随着隐写分析特征的维度不断增大，使隐写分析技术向深度学习领域扩展。深度学习是机器学习领域中的一个较为流行的方法，通过模拟人脑来自主学习数据的各种特征，实现数据的分类或者回归，在数字图像处理和计算机视觉等领域有广泛的应用。基于深度学习的隐写分析技术可以更好地捕捉图像的各维特征，在一个训练过程中同时完成特征提取和分类任务，逐渐取得了比传统隐写特征更好的检测准确率。

由于隐写技术与隐写分析技术在不断的对抗过程中，相互促进，相互发展。传统的隐写方法越来越难以抵抗基于深度学习的隐写分析检测，且深度学习中“生成对抗”的思想与隐写和隐写分析之间十分类似，让研究学者尝试将深度学习应用于隐写技术中。2017年首次提出的以图藏图的深度学习隐写网络，用基于自动编码器框架的图像隐写模型实现将图片隐藏到另一张相同尺寸的图片中，为本申请的研究提供了新的思路。

现有的基于深度学习的隐写技术采用的图像载体均为低动态范围(Low DynamicRange,LDR)图像，随着高动态范围(High Dynamic Range,HDR)图像逐渐普及，以HDR图像为载体的隐写技术受到了越来越多的关注。由于HDR图像能够提供更大的动态范围，展现更自然真实的画面，对于隐写技术来说，这意味着HDR图像有更多的冗余空间来嵌入秘密信息，同时HDR图像不同的存储格式也为图像隐写技术带来新的切入点，因此用HDR图像进行图像隐写有着极大的研究价值和研究意义。

HDR图像与LDR图像最大的不同是像素是由单精度浮点数表示的，范围不仅仅局限于0-255，且在存储过程中，使用了不同的图像存储格式，这些格式有效节省了HDR图像的存储空间，但也使得基于LDR图像的隐写算法不能直接移植到HDR图像上。与此同时，现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降等，为解决这些不足并将高动态范围图像作为隐写载体，需要对高动态范围图像的存储格式进一步研究，分析深度学习网络模型，设计一种基于深度学习的高动态范围图像的隐写算法。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于深度学习的高动态范围图像隐写和恢复方法解决了现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种基于深度学习的高动态范围图像隐写和恢复方法，包括以下步骤：

S1、构建HDR图像数据集和LDR秘密图像数据集；