[发明专利]一种基于生成对抗网络的彩色图像隐写方法

说明书

本申请公开了一种基于生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析；通过训练集和验证集对模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练；利用测试集对模型进行性能测试。这样可以得到高质量的隐写图像和提取图像，同时隐写图像具有抗隐写分析能力。

技术领域

本发明涉及信号处理技术领域，特别是涉及一种基于生成对抗网络的彩色图像隐写方法。

背景技术

随着计算机技术的发展，信息的传递越来越方便，但是与此同时，信息的安全问题也面临着巨大的挑战。为了应对这些挑战，研究者提出了许多举措，比如数字水印，密码学和信息隐藏。信息隐藏一直是信息安全研究的重要领域，相比于其他领域，比如密码学是防止秘密消息被发现，而信息隐藏则需要隐藏信息传递的过程。相比于文字和音频，图像具有丰富的冗余信息，通常作为信息隐藏的载体，目前大多数信息隐藏研究都是以图像为载体，而秘密消息则可以是图像、文本或者音频等。图像隐写可以看作是一种伪装的加密技术，但它不同于传统的加密技术，图像隐写将消息嵌入到图像中而不改变其感知特性，保证嵌入秘密信息的载体在视觉上看起来与原始图像非常相似，从而避免监控者的注意和怀疑，避免被监控者截获和攻击。

卷积神经网络具有优越的特征提取和特征表示能力，在计算机视觉和自然语言处理等任务中得到了广泛的应用，并取得了显著的效果。因此许多学者试图利用深度学习强大的特征提取能力，将深度学习理论应用于图像隐写。图像隐写的评价指标主要包括不可感知性、安全性和隐写容量。不可感知性主要是隐写图像不能够被人眼所察觉出异样，安全性主要是指能够抵抗一定的抗隐写分析能力，隐写容量是在载体中能够嵌入足够的信息。但是，在传统的图像隐写方法中，嵌入的秘密信息越多，图像的不可感知性就会越差。

因此，如何平衡好图像的安全性与隐写容量，是本领域技术人员亟待解决的技术问题。

发明内容

有鉴于此，本发明的目的在于提供一种基于生成对抗网络的彩色图像隐写方法，可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。其具体方案如下：

一种基于生成对抗网络的彩色图像隐写方法，包括：

制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；

构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；

通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；

利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。

优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述对构建的所述图像隐写模型进行训练，包括：

将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图；

将所述第一特征图输入到所述隐藏网络，得到所述隐写图像；

将所述隐写图像输入到所述提取网络，得到所述提取图像；