[发明专利]一种高容量通用图像信息隐藏方法

说明书

本发明公开一种高容量通用图像信息隐藏方法，用以解决现有图像信息隐藏方案嵌入效率低，隐蔽性低的问题。在嵌入阶段，编码器以秘密信息为输入，生成一个通用的含密扰动添加到不同的载体图像上；利用注意力模块使编码器可以在通道维度上将可能引起较高注意力的含密扰动进行抑制；通过对抗训练促使编码器学习生成含密对抗扰动，从而让含密图像同时成为攻击隐写分析模型的对抗样本。在提取阶段，解码器以含密图像为输入，输出提取的秘密信息。采用本发明方法可同时生成多张含密图像，提高了信息隐藏的嵌入效率，且生成的含密图像有着较高的视觉质量，在恢复秘密信息和抵抗隐写分析上取得了较好的性能，具有实用价值。

技术领域

本发明涉及信息安全技术领域，特别是高容量通用图像信息隐藏方法。

背景技术

图像信息隐一种将秘密信息隐藏在载体图像中从而获得含密图像，然后通过含密图像恢复秘密信息的技术，常用于隐蔽通信等用途。评价图像信息隐藏算法的基本标准是隐蔽性和嵌入容量，隐蔽性要求含密图像的失真尽可能小，且难以被隐写分析检测到，嵌入容量则代表了载体图像中可以隐藏的秘密信息量。因此，如何在保证隐蔽性的前提下进一步提高信息隐藏算法的嵌入容量是图像信息隐藏发展的一个重要方向。从最低有效位信息隐藏算法，发展到基于最小失真和综合网格编码框架的自适应信息隐藏算法，图像信息隐藏算法的隐蔽性不断提高，但嵌入容量往往都在0.5bpp(Bits Per Pixel)以下，并无明显改变。直到基于深度学习的图像信息隐藏算法的出现，大大提高了嵌入容量，一张RGB三通道的彩色图像作为秘密信息嵌入载体图像时的嵌入容量可达24bpp[Zhang C,Benz P,Karjauv A,Sun G.UDH:Universal Deep Hiding for Steganography,Watermarking,andLight Field Messaging.In Advances in Neural Information Processing Systems(Vol.33).2020.]。主流的基于深度学习的图像信息隐藏模型往往包含一对编码器和解码器用来嵌入和恢复秘密信息，嵌入时需要将载体图像和秘密信息一起输入编码器来生成含密图像，因此在嵌入过程中载体图像和秘密信息是耦合的，一次嵌入过程只能将秘密信息隐藏到一张载体图像中，每生成一张新的含密图像都需要重新进行一次嵌入过程，效率较低。此外，一张载体图像能隐藏的信息量也是根据训练过程中的设置决定的，训练完成后便无法更改，如训练时设置一张灰度图像作为秘密信息，则测试时也只能将一张灰度图像隐藏进载体图像。此外，由于基于深度学习的图像信息隐藏模型具有较高的嵌入容量，因此会不可避免地使含密图像的视觉效果有所下降，且基本不具备抵抗隐写分析检测的能力。

发明内容

本发明提供了一种高容量通用图像信息隐藏方法，用以解决现有技术中图像信息隐藏方案嵌入效率低，隐蔽性低的问题。

为解决上述问题，本发明的技术方案如下：

一种高容量通用图像信息隐藏方法，采用包含编码器，完成信息隐藏模型训练的判别器、和解码器组成的信息隐藏模型；在编码端，秘密信息输入所述编码器生成含密扰动，然后将含密扰动与载体图像相加得到含密图像；在解码端将含密图像解码提取秘密信息，其中：

1)编码器中包含一个注意力模块和一个简化的U-Net网络，注意力模块使用两个卷积块创建一个注意力概率图，并鼓励编码器根据图像的内容关注像素的不同通道维度，注意力模块输出注意力概率图P_m后与秘密信息M相乘，得到注意力特征图M_a，然后送进编码器剩下的网络结构中生成含密扰动，然后添加到载体图像上生成含密图像；所述注意力模块可表示为：

其中，Conv表示卷积层，a和b表示卷积层输出的特征图，d是秘密信息M的通道数，l代表b中元素位置，j和k表示b的通道维度；

秘密信息的嵌入方法为：将秘密信息输入编码器，生成含密扰动M_e，然后与载体图像相加：