[发明专利]抗干扰消息隐写与提取方法、系统、计算机设备、终端

说明书

本发明属于消息隐写、深度学习和神经网络技术领域，公开了一种抗干扰消息隐写与提取方法、系统、计算机设备、终端，所述抗干扰消息隐写与提取方法包括：在训练隐写功能的过程中，损失函数里使用包含与载体图像视觉评分有关的项；在训练提取功能的过程中，隐写图像会经过一个干扰模拟模块，以此训练图像的抗干扰能力；用户将获得的隐写图像打印在纸上或显示在屏幕上，使用摄像设备拍摄采集后使用网络模型提取消息。本发明提供的抗干扰消息隐写与提取方法，基于深度学习中的GAN架构，不仅可以有效地从隐写图像中提取出隐写入其中的消息，从而达到消息隐藏和分发的目的，保证图像的视觉质量不受到很大的破坏，同时也可以对抗现实中常见的影响图像质量的干扰。

技术领域

本发明属于消息隐写、深度学习和神经网络技术领域，尤其涉及一种抗干扰消息隐写与提取方法、系统、计算机设备、终端。

背景技术

目前，隐写术是一种在正常消息后隐藏秘密消息的技术，与其类似的则是消息加密技术，隐写术为特殊环境中的加密提供了可行的替代方法，因为在这种情况下，使用加密技术可能会引起不必要的关注。古典隐写术是古代人们使用的秘密交流手段，主要包括隐形的墨水，卡丹格栅，藏族诗歌等。现代隐写术是指使用电子通信和数字技术将消息隐藏到数字媒体中。每个现代的隐写系统都包含两个基本组件：嵌入算法和提取算法。嵌入算法接受三个输入：秘密消息，秘密密钥和载体对象，这些用来传递消息。嵌入算法的输出称为隐写对象。隐写对象也被作为提取算法的输入以生成秘密消息。隐写术中最常见的形式是图像隐写术，同时也存在着文字隐写术或视频隐写术，现实生活中常见的二维码在某种程度上就可以认为是图像隐写术。

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影响图像视觉感知的痕迹，且随着消息嵌入量的增大，痕迹对图像的破坏越来越严重。

解决以上问题及缺陷的难度在于，因隐藏消息产生的痕迹对图像造成了明显且人眼可感知的破坏，且为了保证图像在经过物理传输如打印并拍摄后仍能解析，消息不能以细微的变化隐藏，即产生的痕迹是必须存在的。痕迹也严重影响了该技术的隐写容量上限，因为容量越大，痕迹越重。

解决以上问题及缺陷的意义在于，图像质量的严重破坏在某些使用场景如数字图像水印中是不能容忍的，因此严重限制了StegaStamp在这种场合的应用，解决了痕迹严重的问题可以扩展该技术的使用场景，同时也能提高该技术的可用隐写容量。

发明内容