[发明专利]一种有参考生成的图像鲁棒隐写方法

说明书

本发明公开了一种有参考生成的图像鲁棒隐写方法，涉及深度学习技术领域，所述方法包括：以现有的神经网络模型作为编码器，并且以原始图像和秘密信息作为编码器的输入，隐写图像作为输出；以现有的神经网络模型为判别器，以隐写图像作为判别器的输入，采用原始图像与隐写图像的均值之差作为损失，用来判断隐写图像的真实性；以现有的神经网络模型为解码器，以添加干扰后的隐写图像为输入，对秘密信息进行提取并输出。与其它现有的图像鲁棒隐写方法相比，本发明方法可以使秘密信息提取的准确率提高至98.55%,而且在添加干扰的情况下，秘密信息的提取率也可以达到90%以上。

技术领域

本发明涉及深度学习技术领域，具体涉及一种有参考生成的图像鲁棒隐写方法。

背景技术

传统图像隐写算法可分为两类：空域隐写算法和频域隐写算法。空域隐写算法通过修改图像像素来嵌入秘密信息，如LSB替换和匹配算法；频域隐写算法通过修改主信号中某些指定的频域系数进行秘密信息的嵌入，如离散余弦变换（DCT）算法、离散傅里叶变换（DFT）算法、离散小波变换（DWT）算法等。但这些传统隐写算法缺少鲁棒性，在社交网络、无线通信等有损信道中传输时，轻微的干扰就会导致秘密信息无法正确提取。

基于上述缺陷，有人提出了鲁棒无损信息隐藏算法，利用patchwork理论和模256加运算，通过双映射转换的循环解释实现鲁棒性，但该方法易产生椒盐噪声；还有人提出了一种基于整数小波变换的算法，通过改变HL1和LH1系数的平均值来嵌入信息。但该方法需要嵌入方和提取方共享如阈值等的边信息，且容量较低。

随着深度学习的发展，不少学者利用深度学习来实现鲁棒隐写，有人提出了HiDDeN模型，该模型分为四个部分：编码器E、解码器D、噪声层N和判别器A。编码器E输入为图像和秘密信息，输出为图像；解码器输入为图像，输出为秘密信息；判别器A负责判别编码器生成图像与输入图像的差距。HiDDeN模型在秘密信息嵌入量方面表现良好，且所提出的端到端隐写框架允许在原框架基础上给噪声层添加新的噪声，从而实现对新的噪声的鲁棒性，框架存在一定的可扩展性，但在隐写图像质量上存在不足。还有人在HiDDeN模型的基础上提出StegaStamp模型，在噪声层添加了透视变换、颜色变换、模糊等图像处理操作，模拟隐写图像经过打印、拍照得到新图像过程中存在的变化，解决了HiDDeN在经过物理传输后秘密信息无法解密的问题，是对HiDDeN在应用方面的改进。但StegaStamp模型生成的图像存在明显的灰色斑块，且随着消息嵌入量的增大，灰色斑块越明显。

发明内容

为了解决上述问题，本发明提供一种有参考生成的图像鲁棒隐写方法，该方法通过将秘密信息与原始图像联合编码为隐写图像，然后经过图像处理层传递给解码器，解码器还原秘密信息，判别器用来判别隐写图像和原始图像，其中，通过图像重构损失来约束编码器使隐写图像纹理和分布接近原始图像，通过解码损失来约束还原信息的准确率，而且该方法还可以通过添加新的噪声来获得对此噪声的鲁棒性，还可通过更换编码器、解码器和判别器来改变秘密信息嵌入量和图像质量，该方法具有更高的秘密信息嵌入量和更高的隐写图像质量。

为了实现上述目的，本发明采用的技术方案为：一种有参考生成的图像鲁棒隐写方法，包括：

S1：秘密信息的隐藏

S11：以带有残差结构的Residual-encoder模型为编码器，并且以原始图像和秘密信息作为编码器的输入，隐写图像作为输出；其中，所述编码器采用感知损失约束生成图像内容，感知损失的计算公式见式（1）：

（1）

其中，分别代表原始图像和隐写图像，代表编码器损失；

S12：以Basic-discriminator模型为判别器，步骤S11中的隐写图像作为判别器的输入，并采用原始图像与隐写图像的均值之差作为损失，用来判断隐写图像的真实性；