[发明专利]一种自适应图像隐写发送和接收方法

说明书

本发明涉及一种自适应图像隐写发送和接收方法，属于图像隐写技术领域。本发明在利用隐写模型进行隐写前，先根据隐写模型输入尺寸对需要隐写的图像(秘密图像)和载体图像进行扩充，使载体图像和秘密图像补全为与隐写模型输入尺寸一致的正方形，并将多余部分填充为纯色，然后进行分割和置乱，并输入到隐写模型中处理，最后将隐写模型的输出结果进行合并，并将多余部分裁剪；同样，在接收时，按照相对应的方式进行处理。可见，本发明的隐写模型能够支持各种大小的图像，保证了隐写模型的安全性以及不可见性的同时，提高了图像隐写模型的实用性以及泛化能力；同时也不会因为图像尺寸不匹配导致隐写图像质量差的问题。

技术领域

本发明涉及一种自适应图像隐写发送和接收方法，属于图像隐写技术领域。

背景技术

近年来，随着移动互联网的飞速发展，人与人之间的信息交互变得越来越方便和频繁。同时，产生的大量隐私数据在互联网透明平台上传输，面临被不法分子窃取和篡改的危险。如果使用密码学对私人信息进行加密，可以在一定程度上防止第三方攻击，但加密后的信息仍会被第三方检测和破解。现在有这样一种叫做隐写术的方法可以将这些私密信息隐藏成普通信息，不易被发现和怀疑，直接降低被攻击的概率，从而实现秘密通信。该技术现在主要被用于国家信息安全。在军事通信领域具有重要价值。如今在互联网的背景下，产生了大量的数字图像、音频、视频等多媒体信息。隐写术将这些秘密的信息嵌入到不易被他人怀疑的多媒体载体中，完成秘密通信。与数字水印技术类似，由于大量的多媒体数据极易在互联网上复制和传播，这无疑会给创作者的利益造成损失，而数字水印技术可以将数据的版权和所有权信息嵌入到数据中。这能有效减少盗版和滥用，保护原作者的合法权益。这两种技术的区别在于隐写术更注重保密。选择多媒体数据作为载体还可以保证嵌入的信息尽可能不被第三方检测到，而数字水印则更加侧重于保护多媒体数据并通过水印追踪其拥有者。传统的隐写术主要是基于空间域和变换域对图像载体上的一些比特进行修改，并将信息嵌入到这些比特中。变异和失真函数的设计需要设计者对图像隐写术有深入的了解。然而，由于其针对性的设计，这些方法往往只对某些类型的图像有更好的效果，而在其他情况下，隐写效果会大大降低。对应隐写术，还有隐写分析，负责检测图像中是否存在隐藏信息，从而破解隐写术，两者之间一直相互对抗。

受传统隐写算法编解码架构的启发，人们开始将卷积神经网络应用于图像隐写。其基本原理是将秘密信息与载体图像连接融合。通过调整卷积核、激活函数和损失函数的参数，完成秘密信息的嵌入。秘密信息将被调整为与图像相同的大小并合并，因此秘密信息分布在图像的每个像素上。隐写术是一个经过广泛研究的主题，旨在将音频，图像和超链接等消息隐藏在一个不易发现的位置。图像隐写将秘密和载体图像作为输入来产生在载密图像。在反向过程中，只有具有提取网络的接收端才有可能从载密图像中重建秘密信息，在视觉上与载体图像相同。隐写分析技术通常通过颜色，频率和其他特征区分载体和载密图像。因此，秘密图像应隐藏在容器图像的无形域中。在应用程序中，将尽可能多的机密数据嵌入到载体图像中也很有价值，并将其评估为有效负载能力。图像隐写术旨在保持隐藏能力，同时考虑安全性和对隐写分析的不可识别。现有的隐写方案无法在无知和高有效载荷能力之间取得平衡。传统的隐写方法在空间域与频域中隐藏秘密信息，虽然能够达到每个像素(BPP)0.2-0.21位的容量，但是秘密数据通常嵌入到较少的意义或无法区分的部分中，从而限制了秘密信息能力的数量。

基于深度学习的隐写方法利用图像的潜在能力，将预处理，隐藏和揭示为单独的模块和设计特定的模块具有独立参数的网络来处理它们。最近的尝试将可逆神经网络引入低水平的逆问题，例如Denoising，recreding和Colorization，在自动编码器GAN和其他基于学习的体系结构中都具有令人印象深刻的潜力。由隐藏和提取过程组成的图像隐写可以视为一对反问题。此外，通过增加图像的通道数量，可以轻松地将多个秘密图像隐藏在一个容器中。这使得隐写模型能够提高隐写能力，并使Unet在众多深度学习模型中成为最先进的图像隐藏技术。基于深度学习的图像隐写模型尽管隐藏效果很好，但是由于大多数基于深度学习的图像隐写模型都需要固定卷积核的大小，进而导致图像的输入输出也必须固定为正方形。