一种基于生成对抗网络的彩色图像隐写方法技术

本申请公开了一种基于生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析；通过训练集和验证集对模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练；利用测试集对模型进行性能测试。这样可以得到高质量的隐写图像和提取图像，同时隐写图像具有抗隐写分析能力。

【技术实现步骤摘要】
一种基于生成对抗网络的彩色图像隐写方法
本专利技术涉及信号处理
，特别是涉及一种基于生成对抗网络的彩色图像隐写方法。
技术介绍
随着计算机技术的发展，信息的传递越来越方便，但是与此同时，信息的安全问题也面临着巨大的挑战。为了应对这些挑战，研究者提出了许多举措，比如数字水印，密码学和信息隐藏。信息隐藏一直是信息安全研究的重要领域，相比于其他领域，比如密码学是防止秘密消息被发现，而信息隐藏则需要隐藏信息传递的过程。相比于文字和音频，图像具有丰富的冗余信息，通常作为信息隐藏的载体，目前大多数信息隐藏研究都是以图像为载体，而秘密消息则可以是图像、文本或者音频等。图像隐写可以看作是一种伪装的加密技术，但它不同于传统的加密技术，图像隐写将消息嵌入到图像中而不改变其感知特性，保证嵌入秘密信息的载体在视觉上看起来与原始图像非常相似，从而避免监控者的注意和怀疑，避免被监控者截获和攻击。卷积神经网络具有优越的特征提取和特征表示能力，在计算机视觉和自然语言处理等任务中得到了广泛的应用，并取得了显著的效果。因此许多学者试图利用深度学习强大的特征提取能力，将深度学习理论应用于图像隐写。图像隐写的评价指标主要包括不可感知性、安全性和隐写容量。不可感知性主要是隐写图像不能够被人眼所察觉出异样，安全性主要是指能够抵抗一定的抗隐写分析能力，隐写容量是在载体中能够嵌入足够的信息。但是，在传统的图像隐写方法中，嵌入的秘密信息越多，图像的不可感知性就会越差。因此，如何平衡好图像的安全性与隐写容量，是本领域技术人员亟待解决的技术问题。<br>
技术实现思路
有鉴于此，本专利技术的目的在于提供一种基于生成对抗网络的彩色图像隐写方法，可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。其具体方案如下：一种基于生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。优选地，在本专利技术实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述对构建的所述图像隐写模型进行训练，包括：将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图；将所述第一特征图输入到所述隐藏网络，得到所述隐写图像；将所述隐写图像输入到所述提取网络，得到所述提取图像；将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果。优选地，在本专利技术实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图，包括：将所述载体图像和所述秘密图像分别输入到所述预处理网络的两个分支中，所述载体图像和所述秘密图像分别通过各分支的第一个卷积层，用ReLU激活函数激活，分别得到第一载体特征图和第一秘密特征图；将所述第一载体特征图和所述第一秘密特征图分别通过各分支的第二个卷积层，用ReLU激活函数激活，分别得到第二载体特征图和第二秘密特征图；将所述第二载体特征图和所述第二秘密特征图分别通过各分支的第三个卷积层，用ReLU激活函数激活，分别得到第三载体特征图和第三秘密特征图；将所述第三载体特征图和所述第三秘密特征图进行合并，得到第一特征图。优选地，在本专利技术实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述第一特征图输入到所述隐藏网络，得到所述隐写图像，包括：将所述第一特征图输入到所述隐藏网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第二特征图；将所述第一特征图通过跳过连接和所述第二特征图进行合并，并输入到所述隐藏网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第三特征图；将所述第一特征图和所述第二特征图分别通过跳过连接和所述第三特征图进行合并，并输入到所述隐藏网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第四特征图；将所述第一特征图、所述第二特征图和所述第三特征图分别通过跳过连接和所述第四特征图进行合并，并输入到所述隐藏网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第五特征图；将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图分别通过跳过连接和所述第五特征图进行合并，并输入到所述隐藏网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第六特征图；将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图分别通过跳过连接和所述第六特征图进行合并，并输入到所述隐藏网络的第六个卷积层中进行卷积和使用Tanh函数进行激活，得到第七特征图；将所述载体图像通过跳过连接和所述第七特征图相加，得到所述隐写图像。优选地，在本专利技术实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述隐写图像输入到所述提取网络，得到所述提取图像，包括：将所述隐写图像输入到所述提取网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一隐写特征图；将所述第一隐写特征图输入到所述提取网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二隐写特征图；将所述第二隐写特征图输入到所述提取网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第三隐写特征图；将所述第三隐写特征图输入到所述提取网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第四隐写特征图；将所述第四隐写特征图输入到所述提取网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第五隐写特征图；将所述第五隐写特征图输入到所述提取网络的第六个卷积层中进行卷积和使用Tanh函数进行激活，得到所述提取图像。优选地，在本专利技术实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果，包括：将所述输入图像输入到所述隐写分析网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一输入特征图；将所述第一输入特征图输入到所述隐写分析网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二输入特征图；将所述第二输入特征图输入到所述隐写分析网络的第本文档来自技高网...

【技术保护点】
1.一种基于生成对抗网络的彩色图像隐写方法，其特征在于，包括：/n制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；/n构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；/n通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；/n利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。/n

【技术特征摘要】
1.一种基于生成对抗网络的彩色图像隐写方法，其特征在于，包括：
制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；
构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；
通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；
利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。


2.根据权利要求1所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述对构建的所述图像隐写模型进行训练，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图；
将所述第一特征图输入到所述隐藏网络，得到所述隐写图像；
将所述隐写图像输入到所述提取网络，得到所述提取图像；
将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果。


3.根据权利要求2所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络的两个分支中，所述载体图像和所述秘密图像分别通过各分支的第一个卷积层，用ReLU激活函数激活，分别得到第一载体特征图和第一秘密特征图；
将所述第一载体特征图和所述第一秘密特征图分别通过各分支的第二个卷积层，用ReLU激活函数激活，分别得到第二载体特征图和第二秘密特征图；
将所述第二载体特征图和所述第二秘密特征图分别通过各分支的第三个卷积层，用ReLU激活函数激活，分别得到第三载体特征图和第三秘密特征图；
将所述第三载体特征图和所述第三秘密特征图进行合并，得到第一特征图。


4.根据权利要求3所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述第一特征图输入到所述隐藏网络，得到所述隐写图像，包括：
将所述第一特征图输入到所述隐藏网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第二特征图；
将所述第一特征图通过跳过连接和所述第二特征图进行合并，并输入到所述隐藏网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第三特征图；
将所述第一特征图和所述第二特征图分别通过跳过连接和所述第三特征图进行合并，并输入到所述隐藏网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第四特征图；
将所述第一特征图、所述第二特征图和所述第三特征图分别通过跳过连接和所述第四特征图进行合并，并输入到所述隐藏网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第五特征图；
将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图分别通过跳过连接和所述第五特征图进行合并，并输入到所述隐藏网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第六特征图；
将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图分别通过跳过连接和所述第六特征图进行合并，并输入到所述隐藏网络的第六个卷积层中进行卷积和使用Tanh函数进行激活，得到第七特征图；
将所述载体图像通过跳过连接和所述第七特征图相加，得到所述隐写图像。


5.根据权利要求4所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述隐写图像输入到所述提取网络，得到所述提取图像，包括：
将所述隐写图像输入到所述提取网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一隐写特征图；
将所述第一隐写特征图输入到所述提取网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二隐写特征图；
将所述第二隐写特征图输入到所述提取网络的第三个卷积层中进行卷积和使用...

【专利技术属性】
技术研发人员：李京兵，曾城，刘婧，黄梦醒，
申请(专利权)人：海南大学，
类型：发明
国别省市：海南;46