[发明专利]基于卷积神经网络的信息隐藏方法及装置

说明书

本发明公开了一种基于卷积神经网络的信息隐藏方法及装置，涉及图像信息隐藏领域。该方法能够在人眼无法感知的情况下将秘密信息有效嵌入图像中。实验结果证明该方法可以有效的将秘密信息嵌入到图像中，并且在网络中加了注意力模块，更不易被人察觉，也能够成功提取出秘密信息。

技术领域

本发明涉及图像信息隐藏领域，提出了一种基于卷积神经网络的信息隐藏方法及装置。

背景技术

图像信息隐藏的目的是在图像中隐藏秘密信息。在典型的场景中，发送方将秘密信息隐藏在图像中，并将其发送给接收方，接收方接收到隐藏信息的图像能够恢复秘密信息。如果图像被截获，除了发送方和接收方，其他人都不能成功检测出秘密信息的存在。

图像隐写术是通过对像素值(空间域)或DCT系数(JPEG域)的轻微修改来隐藏图像中秘密信息的一门科学和艺术。目前，最安全的隐写方案是内容自适应方案，它倾向于将秘密数据嵌入到内容复杂、嵌入痕迹不易被发现的区域。空间领域的例子有HUGO，WOW和S-UNIWARD。

随着互联网技术的发展，人们对知识产权保护的意识越来越强，这对信息隐藏技术提出了更高的要求。图像信息隐藏的挑战是在图像中隐藏更多的秘密信息，同时保证图片看起来自然。最近，深度神经网络已经被证明可以完成这一要求。

发明内容

鉴于上述特点，本发明提出了一种基于卷积神经网络的信息隐藏方法。

本发明的技术方案步骤如下：

第一方面，本发明提供了一种基于卷积神经网络的信息隐藏方法，所述方法的具体步骤如下：

S1：利用数据集对卷积神经网络模型进行训练得到信息隐藏模型，使其能够实现秘密信息在原始图像中的嵌入和提取；

所述卷积神经网络模型包括编码网络、解码网络和评价网络；

编码网络第一层为卷积层，输入为原始图像，并且采用LeakyReLU函数作为激活函数；

编码网络第二层为卷积层，输入为第一层的输出特征和秘密信息，并且采用LeakyReLU函数作为激活函数；

编码网络第三层为SKNet注意力网络，输入为第二层的输出特征；

编码网络第四层为卷积层，输入为第三层的输出特征，并且采用LeakyReLU函数作为激活函数；

编码网络第五层为SKNet注意力网络，输入为第二层的输出特征；

编码网络第六层为卷积层，输入为第五层的输出特征，并且采用LeakyReLU函数作为激活函数，第六层输出为嵌入秘密信息后的含密图像；

解码网络第一层为卷积层，输入为含密图像，并且采用LeakyReLU函数作为激活函数；

解码网络第二、三层为卷积层，卷积核大小均为3*3，并且均采用LeakyReLU函数作为激活函数；

解码网络第四层为卷积层，输出为秘密信息；

评价网络第一层为卷积层，输入为原始图像和含密图像，并且采用LeakyReLU函数作为激活函数；

评价网络第二、三层为卷积层，卷积核大小均为3*3，并且均采用LeakyReLU函数作为激活函数；

评价网络第四层为卷积层，输出为一个用于判断输入图像是否是含密图像的分数；

S2：发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中，由编码网络输出含密图像；