[发明专利]一种基于NICE模型的新型图像隐写方法及系统

说明书

本发明公开了一种基于NICE模型的新型图像隐写方法及系统,包括：构建NICE模型，获取图像数据集对NICE模型进行训练；训练结束后将NICE模型中的生成器反向搭建，获取提取器；基于生成器将秘密消息直接生成含密图像；基于提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取。本发明的方法生成图像充分拟合了真实图像的数据分布，机器和人均难以确认真假，所以模型生成的含密图像无法被基于概率统计的隐写分析工具检测到，理论上更为安全。

技术领域

本发明属于图像隐写算法领域，尤其涉及一种基于NICE模型的新型图像隐写方法及系统。

背景技术

图像隐写(Image Steganography)是研究如何将秘密消息隐藏于数字图像中而不被第三方察觉的一门艺术。根据对秘密消息载体的不同处理策略可将隐写技术概括为了三种类型：载体修改式隐写(Steganography by Cover Modification)，载体选择式隐写(Steganography by Cover Selection)和载体合成式隐写(Steganography by CoverSynthesis)。载体修改式图像隐写通过修改原始载体图像的方式将秘密消息嵌入图像且不能被敌方发现，同时还要能够保证消息在接收方的提取。这种隐写方式具有理论完善、嵌入量大、可操作性强等特点，是传统图像隐写技术研究中最主流的方法。目前主流的修改式隐写方法主要遵循“设定隐写失真指标”，而后再利用“编码方法方法最小化失真指标”的固定技术框架，鲜有突破性成果。载体选择式隐写是通过从自然图像库中选择可以对应秘密消息的自然图像来传递信息，相当于通过在自然图像和秘密消息之间建立对应关系来隐藏数据。但这种方法嵌入量很低，限制了其实用价值。而载体合成式隐写的目的是通过计算机直接合成出含有秘密消息的图像。由于载体合成式隐写可以自由合成图像，所以秘密消息的隐藏方式也更为灵活。从原理上来讲，如果能直接合成出足够真实、自然的含密图像(stegoimage)，基于统计的隐写分析器是无法检测的，所以这种方法理论上比载体修改式图像隐写更为安全。

传统的载体合成式图像隐写多采用启发式方法，主要思路是将秘密消息通过简单的设计方法映射为基本图元，再采用图元覆盖、拼接或者变形的方法来生成大幅的人造图像，然而这些方法合成的图像只能是简单的纹理图像、变形图像或马赛克图像，无法做到图像效果的自然逼真，很容易让敌方在视觉上产生怀疑，这也成为传统载体合成式隐写方法的一大弊端。

近年来，伴随着计算机硬件水平的不断提高，深度学习技术异军突起，特别是深度生成模型的研究，满足了很多应用领域对生成式建模的需求。当前，利用深度生成模型进行载体合成式图像隐写的技术条件已经具备。国内外学者已经开始着手探寻深度生成模型在载体合成隐写中的应用，然而目前此类研究还处于起步阶段，所提的模型、算法比较少，且普遍存在隐写容量小和提取准确率低的弊端。

发明内容

本发明要解决的技术问题是，利用了NICE模型的可逆特性，模型经过一次训练可以直接用于秘密消息的隐藏和提取，避免了基于GAN的隐写方案中需要专门训练消息提取器的步骤，巧妙地设计了模型隐变量同秘密消息双向映射的方法，能够做到合成含密图像中秘密消息的完全恢复，克服了当前该类方法消息无法完全恢复的显著弊端，且隐写容量远大于现有的技术方法。

一方面为实现上述目的，本发明提供了一种基于NICE模型的新型图像隐写方法，包括以下步骤：

构建NICE模型，获取图像数据集对所述NICE模型进行训练；

训练结束后将所述NICE模型中的生成器反向搭建，获取提取器；

基于所述生成器将秘密消息和图像生成含密图像；

基于所述提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取。

可选的，构建NICE模型，获取图像数据集对所述NICE模型进行训练的过程中包括：