基于对抗网络的二值图像隐写方法技术

本发明专利技术公开了基于对抗网络的二值图像隐写方法，所述方法包括：获取二值图像的像素源数据；将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，所述阶梯激活函数包含反向传播梯度。本发明专利技术实施例将二值图像的像素源数据输入到二值图像隐写模型，得到图像概率像素数据，再根据图像概率像素数据和嵌入模拟器，就可以得到隐写二值图像，实现更加安全的二值图像隐写。

【技术实现步骤摘要】
基于对抗网络的二值图像隐写方法
本专利技术涉及图像处理
，尤其涉及的是基于对抗网络的二值图像隐写方法。
技术介绍
二值图像隐写是信息隐藏技术的一个分支，利用了人类感官系统对于冗余信息不敏感的特点，将信息隐藏到冗余信息中依靠图像为传输载体的方式传递秘密信息。目前，对于不同的二值图像隐写嵌入方式，较常用的是根据二值图像的特征利用传统人工方法，选择合适的像素点嵌入信息，但是随着神经网络的发展，通过训练网络可以自动学习提取出二值图像的特征，避免手动提取二值图像的特征，传统的二值图像隐写方法的安全性有待提高。因此，现有技术还有待改进和发展。
技术实现思路
本专利技术要解决的技术问题在于，针对现有技术的上述缺陷，提供一种基于对抗网络的二值图像隐写方法，旨在解决现有技术中二值图像隐写不安全的问题。本专利技术解决问题所采用的技术方案如下：第一方面，本专利技术实施例提供一种基于对抗网络的二值图像隐写方法，其中，所述方法包括：获取二值图像的像素源数据；将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，所述阶梯激活函数包含反向传播梯度。在一种实现方式中，其中，所述二值图像隐写模型具体包括：二值图像隐写生成器和二值图像隐写判别器；其中，所述二值图像隐写生成器采用深度残差网络；所述二值图像隐写判别器采用XuNet。所述深度残差网络具体包括：第一残差网络结构，第二残差网络结构和第三残差网络结构；其中，所述第一残差网络结构包括卷积层、批量归一化层和激活层；所述第三残差网络结构包括卷积层、批量归一化层和Sigmoid函数。在一种实现方式中，其中，所述第二残差网络结构具体为：所述第二残差网络结构包括第一子网络结构和第二子网络结构；其中，所述第一子网络结构包括卷积层、批量批归一化层和激活层；所述第二子网络结构包括卷积、批量归一化、残差链路层。在一种实现方式中，其中，所述二值图像隐写模型的生成方式为：获取训练样本数据集；将所述训练样本数据集输入到建模模型，得到建模模型输出数据；将所述建模模型输出数据输入到所述建模模型进行训练迭代；重复所述将所述建模模型输出数据输入到所述建模模型进行训练迭代的步骤，直至建模模型输出数据满足预设要求时，停止训练迭代，得到二值图像隐写模型。在一种实现方式中，其中，所述所述嵌入模拟器生成方式为：获取设计的反向传播函数；将所述反向传播函数代替阶梯激活函数，生成嵌入模拟器。在一种实现方式中，其中，所述反向传播函数的表达式为：其中，所述x为输入的图像概率像素数据。在一种实现方式中，其中，所述根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像包括：将所述图像概率像素数据输入到嵌入模拟器，得到隐写二值图像。第二方面，本专利技术实施例还提供一种基于对抗网络的二值图像隐写装置，其中，所述装置包括：像素源数据获取单元，用于获取二值图像的像素源数据；图像概率像素数据获取单元，用于将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；隐写二值图像获取单元，用于根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，所述阶梯激活函数包含反向传播梯度。第三方面，本专利技术实施例还提供一种智能终端，包括有存储器，以及一个或者一个以上的程序，其中一个或者一个以上程序存储于存储器中，且经配置以由一个或者一个以上处理器执行所述一个或者一个以上程序包含用于执行如上述任意一项所述的基于对抗网络的二值图像隐写方法。第四方面，本专利技术实施例还提供一种非临时性计算机可读存储介质，当所述存储介质中的指令由电子设备的处理器执行时，使得电子设备能够执行如上述中任意一项所述的基于对抗网络的二值图像隐写方法。本专利技术的有益效果：本专利技术实施例首先获取二值图像的像素源数据；然后将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；最后根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，所述阶梯激活函数包含反向传播梯度；可见，本专利技术实施例中将二值图像的像素源数据输入到二值图像隐写模型，得到图像概率像素数据，再根据图像概率像素数据和嵌入模拟器，就可以得到隐写二值图像，实现更加安全的二值图像隐写。附图说明为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。图1本专利技术实施例提供基于对抗网络的二值图像隐写方法流程示意图图2本专利技术实施例提供的基于对抗网络的二值图像隐写模型流程示意图图3本专利技术实施例提供的基于对抗网络的二值图像隐写模型内部三层结构图图4本专利技术实施例提供的嵌入模拟器流程示意图图5本专利技术实施例提供的基于对抗网络的二值图像隐写装置的原理框图。图6本专利技术实施例提供的智能终端的内部结构原理框图。具体实施方式本专利技术公开了基于对抗网络的二值图像隐写方法、智能终端、存储介质，为使本专利技术的目的、技术方案及效果更加清楚、明确，以下参照附图并举实施例对本专利技术进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本专利技术，并不用于限定本专利技术。本
技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本专利技术的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或无线耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的全部或任一单元和全部组合。本
技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)，具有与本专利技术所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语，应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样被特定定义，否则不会用理想化或过于正式的含义来解释。由于现有技术中，二值图像隐写方法的安全性很差。为了解决现有技术的问题，本实施例提供了一种基于对抗网络的二值图像隐写方法，获取二值图像的像素源数据；二值图像的像素源数据一部分来自现有的数据集，另一部分从谷本文档来自技高网...

【技术保护点】
1.一种基于对抗网络的二值图像隐写方法，其特征在于，所述方法包括：/n获取二值图像的像素源数据；/n将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；/n根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，基于对抗网络的二值图像隐写模型所述阶梯激活函数包含反向传播梯度。/n

【技术特征摘要】
1.一种基于对抗网络的二值图像隐写方法，其特征在于，所述方法包括：
获取二值图像的像素源数据；
将所述像素源数据输入到基于对抗网络的二值图像隐写模型，得到图像概率像素数据；
根据所述图像概率像素数据和嵌入模拟器，得到隐写二值图像；其中，所述嵌入模拟器包含一个阶梯激活函数，基于对抗网络的二值图像隐写模型所述阶梯激活函数包含反向传播梯度。


2.根据权利要求1所述的基于对抗网络的二值图像隐写方法，其特征在于，所述二值图像隐写模型具体包括：
二值图像隐写生成器和二值图像隐写判别器；其中，所述二值图像隐写生成器采用深度残差网络；所述二值图像隐写判别器采用XuNet。


3.根据权利要求2所述的基于对抗网络的二值图像隐写方法，其特征在于，所述深度残差网络具体包括：
第一残差网络结构，第二残差网络结构和第三残差网络结构；
其中，所述第一残差网络结构包括卷积层、批量归一化层和激活层；所述第三残差网络结构包括卷积层、批量归一化层和Sigmoid函数。


4.根据权利要求3所述的基于对抗网络的二值图像隐写方法，其特征在于，所述第二残差网络结构具体为：
所述第二残差网络结构包括第一子网络结构和第二子网络结构；其中，所述第一子网络结构包括卷积层、批量批归一化层和激活层；所述第二子网络结构包括卷积、批量归一化、残差链路层。


5.根据权利要求1所述的基于对抗网络的二值图像隐写方法，其特征在于，所述二值图像隐写模型的生成方式为：
获取训练样本数据集；<...

【专利技术属性】
技术研发人员：谭舜泉，关雨呈，李斌，黄继武，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44