[发明专利]基于卷积神经网络的双支网络图像隐写框架及方法

说明书

本发明提供一种基于卷积神经网络的双支网络图像隐写框架及方法。该框架包括编码网络与解码网络；所述编码网络包括特征提取网络和隐写网络；所述特征提取网络用于灰度秘密图像的特征提取；所述隐写网络用于将特征提取网络提取到的灰度图像特征嵌入至自然载体图像之中，得到含密载体图像；所述解码网络用于从含密载体图像中提取出灰度秘密图像。本发明设计了秘密图像与载体图像并行的双支隐写网络，突破了传统的基于卷积神经网络的单支图像隐写框架，提高了图像隐写的安全性、透明性并避免了网络训练时的梯度消失等问题，加速网络的训练过程。

技术领域

本发明涉及图像信息隐写技术领域，尤其涉及一种基于卷积神经网络的双支网络图像隐写框架及方法。

背景技术

图像隐写技术是在不改变载体图像的语义信息和统计特征的情况下，将秘密信息嵌入到自然的载体图像中，从而实现信息的隐藏。根据隐写方式不同，现有图像隐写算法可分为空域方法和变换域方法。

传统的空域隐写方法是直接将秘密信息通过某种算法嵌入到图像的像素值中，如最低有效位(Least Significant Bit，简称LSB)算法,LSB算法对载体图像的视觉感知效果影响最小，不容易被察觉，然而该算法生成的隐写图像带有明显的直方图统计特性，安全性较低。

近年来随着深度学习的快速崛起，涌现出了多种图像隐写方法，如2016年提出的SGAN(参考文献1：Volkhonskiy D,Nazarov I,Burnaev E.Steganographic GenerativeAdversarial Networks[J].2017.)，其方法利用深度卷积生成对抗网络，生成载体图像，再经过传统的嵌入算法将秘密信息嵌入，实现了信息的隐写；2017年，在SGAN基础上又提出SSGAN，该算法基于WGAN来生成载体图像，从而避免了深度学习中的梯度消失等问题；但这二者存在同一个问题，生成的图像质量不高，容易被第三方察觉。

2017年，Deep Steganography利用编码-解码网络实现了将彩色图像隐写到另外一张同尺寸的彩色载体图像之中；2018年的Atique(参考文献2：Rahim R,Nadeem S.End-to-end trained CNN encoder-decoder networks for image steganography[A].Proceedings of the European Conference on Computer Vision(ECCV)[C].2018:0–0)提出的网络，实现将灰度图像隐写到了彩色图像之中，并提出端到端网络训练的损失函数；但这二者同样存在着生成的含密图像颜色失真，且安全性较低的问题。2019年ISGAN(参考文献3：Zhang R,Dong S,Liu J.Invisible steganography via generative adversarialnetworks[J].Multimedia tools and applications,Springer,2019,78(7):8559–8575.)利用了YUV通道下，Y通道只含语义信息的特性，实现了将灰度图像隐写到Y通道下，并后续将UV通道拼接，实现了将灰度图像隐写到彩色图像之中，成功解决了生成的含密图像颜色失真的问题，且在安全性上也有很大的提高；2020年初始，提出的HIGAN，实现了将彩色图像隐写到彩色图像的情况下，同时还考虑到了隐写图像的视觉质量和安全性。模型使用了卷积层和残差块组成的编码网络，解码网络则沿用了ISGAN中的模型，该模型生成的含密图像质量上优于Deep Steganography，但其由于引入了隐写分析器作为鉴别器，利用生成对抗网络，提高了模型的安全性，抵抗隐写分析的能力远超于Deep Steganograph的模型。

上述工作虽然达到较好图像隐写效果，但是在生成的含密图像以及提取出的秘密图像在质量上仍有很大的提升空间，此外利用神经网络训练最重要的一环，损失函数方面，除ISGAN之外并没有太大的改变。

发明内容