一种基于新型U-Net结构生成器的对抗网络图像隐写方法技术

本发明专利技术公开了一种基于新型U‑Net结构生成器的对抗网络图像隐写方法，包括：利用卷积策略和反卷积策略构建大小对称的U型网络，利用shortcut连接策略将U型网络逐层连接作为生成器；构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器；输入载体图像，构建损失函数对生成器和判别器进行对抗训练，基于秘密信息嵌入模拟器进行秘密信息的嵌入，生成嵌入概率图像；根据率失真原理构建基于最小失真的隐写框架，基于嵌入概率图像对载体图像进行信息的嵌入和提取，完成对抗网络图像隐写。本发明专利技术降低了隐写算法嵌入的难度，提高了算法的实用性；具有更高的隐写安全性；避免了针对性的隐写分析；具有较强的可拓展性以及继续提高隐写安全性的可能性。

【技术实现步骤摘要】
一种基于新型U-Net结构生成器的对抗网络图像隐写方法
本专利技术涉及数字图像、隐写的
，尤其涉及一种基于新型U-Net结构生成器的对抗网络图像隐写方法。
技术介绍
近年来，随着大数据、人工智能等技术的发展，传统的图像隐写技术已经逐渐不能满足人们对于信息安全的强烈需求。随着卷积神经网络在隐写分析领域应用的不断成熟，如何将深度学习技术应用于隐写领域从而实现载体安全传输成了一个重要的研究课题。生成对抗网络最早应用于图像的生成及修改，由于GAN技术生成的图像与自然图像仍存在较大差异，所以从根本上决定了基于GAN技术的图像生成隐写术难以广泛应用，因此研究者进一步深入探究如何将GAN技术和传统隐写领域知识深度融合，由于生成对抗网络本质上是生成模型和判别模型的博弈，因此通过两个网络的博弈学习生成嵌入代价可以避免使用手工设计失真函数的局限，利用学习到的嵌入代价进行图像修改嵌入秘密信息是一个折中的好方案。生成对抗网络主要包括生成器和判别器，其中生成器为隐写模型，判别器充当隐写分析模型，因此，两种模型相互博弈最终使用生成器生成隐写图像；因此如何设计本文档来自技高网...

【技术保护点】
1.一种基于新型U-Net结构生成器的对抗网络图像隐写方法，其特性在于，包括：/n利用卷积策略和反卷积策略构建大小对称的U型网络，利用shortcut连接策略将所述U型网络逐层连接作为生成器；/n构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器；/n输入载体图像，构建损失函数对所述生成器和所述判别器进行对抗训练，基于所述秘密信息嵌入模拟器进行秘密信息的嵌入，生成嵌入概率图像；/n根据隐蔽通信中的率失真原理构建基于最小失真的隐写框架，基于所述嵌入概率图像对所述载体图像进行信息的嵌入和提取，完成对抗网络图像隐写。/n

【技术特征摘要】
1.一种基于新型U-Net结构生成器的对抗网络图像隐写方法，其特性在于，包括：
利用卷积策略和反卷积策略构建大小对称的U型网络，利用shortcut连接策略将所述U型网络逐层连接作为生成器；
构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器；
输入载体图像，构建损失函数对所述生成器和所述判别器进行对抗训练，基于所述秘密信息嵌入模拟器进行秘密信息的嵌入，生成嵌入概率图像；
根据隐蔽通信中的率失真原理构建基于最小失真的隐写框架，基于所述嵌入概率图像对所述载体图像进行信息的嵌入和提取，完成对抗网络图像隐写。


2.如权利要求1所述的基于新型U-Net结构生成器的对抗网络图像隐写方法，其特征在于：所述构建大小对称的U型网络过程包括，
使用3×3或1×1大小的卷积核以2的步长对载体图像进行卷积操作；
每一次卷积操作后紧跟BatchNormalization层以及LeakyRelu激活函数；
卷积核的数量以2倍的速度递增，直到原始载体图像大小变为1×1或者2×2；
对所述载体图像进行同样的反卷积操作直到图像大小恢复到所述原始载体图像相同的大小。


3.如权利要求2所述的基于新型U-Net结构生成器的对抗网络图像隐写方法，其特征在于：所述利用shortcut连接策略将所述U型网络逐层连接作为生成器过程包括，
对每个反卷积层后使用dropout函数；
对卷积操作和反卷积操作对应大小的载体图像使用shortcut结构进行连接；
在所述shortcut结构后面使用Relu激活函数进行激活。


4.如权利要求1所述的基于新型U-Net结构生成器的对抗网络图像隐写方法，其特征在于：所述构建隐写分析网络作为判别器过程包括，<...

【专利技术属性】
技术研发人员：栗风永，于宗良，
申请(专利权)人：上海电力大学，
类型：发明
国别省市：上海;31