一种基于深度学习的高动态范围图像隐写和恢复方法技术

本发明专利技术公开了一种基于深度学习的高动态范围图像隐写和恢复方法，包括以下步骤：S1、构建HDR和LDR秘密图像数据集；S2、对HDR图像进行预处理，得到多张不同的载体图像、HDR图像的符号位和HDR图像的指数位；S3、将一张载体图像与一张LDR秘密图像连接在一起，并输入嵌入模型，得到隐写图像；S4、将隐写图像、符号位和指数位合并为HDR隐写图像；S5、对HDR隐写图像做与预处理相同的操作，得到HDR隐写图像小数空域的后八位比特平面；S6、将后八位比特平面输入提取模型，得到恢复的LDR秘密图像；本发明专利技术首次将HDR图像作为载体实现以图藏图的隐写，并解决了现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降的问题。质量下降的问题。质量下降的问题。

【技术实现步骤摘要】
一种基于深度学习的高动态范围图像隐写和恢复方法


[0001]本专利技术涉及图像处理领域，具体涉及一种基于深度学习的高动态范围图像隐写和恢复方法。

技术介绍

[0002]互联网的飞速发展给人们的生活带来天翻地覆的变化，然而我们在享受网络所带来的便利的同时，也承担着信息泄露、账号被盗等众多风险。图像隐写作为信息安全领域的一项重要技术，利用图像载体的冗余特性，将需要传播的秘密信息隐藏于载体图像之中，而不引起第三方的怀疑，最终实现秘密信息的隐秘传播。
[0003]传统的隐写方法都是通过对载体图像做一些修改实现秘密信息的嵌入，但是修改操作都会在一定程度上改变原始载体图像的统计特性，隐写技术的对立面—隐写分析技术正是利用图像修改前后统计特征的变化来区分载体图像和隐写图像，随着隐写分析特征的维度不断增大，使隐写分析技术向深度学习领域扩展。深度学习是机器学习领域中的一个较为流行的方法，通过模拟人脑来自主学习数据的各种特征，实现数据的分类或者回归，在数字图像处理和计算机视觉等领域有广泛的应用。基于深度学习的隐写分析技术可以更好地捕捉图像的各维特征，在一个训练过程中同时完成特征提取和分类任务，逐渐取得了比传统隐写特征更好的检测准确率。
[0004]由于隐写技术与隐写分析技术在不断的对抗过程中，相互促进，相互发展。传统的隐写方法越来越难以抵抗基于深度学习的隐写分析检测，且深度学习中“生成对抗”的思想与隐写和隐写分析之间十分类似，让研究学者尝试将深度学习应用于隐写技术中。2017年首次提出的以图藏图的深度学习隐写网络，用基于自动编码器框架的图像隐写模型实现将图片隐藏到另一张相同尺寸的图片中，为本申请的研究提供了新的思路。
[0005]现有的基于深度学习的隐写技术采用的图像载体均为低动态范围(Low Dynamic Range,LDR)图像，随着高动态范围(High Dynamic Range,HDR)图像逐渐普及，以HDR图像为载体的隐写技术受到了越来越多的关注。由于HDR图像能够提供更大的动态范围，展现更自然真实的画面，对于隐写技术来说，这意味着HDR图像有更多的冗余空间来嵌入秘密信息，同时HDR图像不同的存储格式也为图像隐写技术带来新的切入点，因此用HDR图像进行图像隐写有着极大的研究价值和研究意义。
[0006]HDR图像与LDR图像最大的不同是像素是由单精度浮点数表示的，范围不仅仅局限于0
‑
255，且在存储过程中，使用了不同的图像存储格式，这些格式有效节省了HDR图像的存储空间，但也使得基于LDR图像的隐写算法不能直接移植到HDR图像上。与此同时，现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降等，为解决这些不足并将高动态范围图像作为隐写载体，需要对高动态范围图像的存储格式进一步研究，分析深度学习网络模型，设计一种基于深度学习的高动态范围图像的隐写算法。

技术实现思路

[0007]针对现有技术中的上述不足，本专利技术提供的一种基于深度学习的高动态范围图像隐写和恢复方法解决了现有方法生成的嵌入秘密图像后的隐写图像和恢复出的秘密图像大多存在颜色失真和图像质量下降的问题。
[0008]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于深度学习的高动态范围图像隐写和恢复方法，包括以下步骤：
[0009]S1、构建HDR图像数据集和LDR秘密图像数据集；
[0010]S2、对HDR图像数据集中的HDR图像进行预处理，得到多张不同的载体图像、HDR图像的符号位和HDR图像的指数位；
[0011]S3、通过concat操作将一张不同的载体图像与一张LDR秘密图像在通道维度上连接在一起，并输入嵌入模型，得到隐写图像；
[0012]S4、将隐写图像、HDR图像的符号位和HDR图像的指数位合并为HDR隐写图像；
[0013]S5、对HDR隐写图像做预处理，得到HDR隐写图像小数空域的后八位比特平面；
[0014]S6、将HDR隐写图像小数空域的后八位比特平面输入提取模型，得到恢复的LDR秘密图像。
[0015]进一步地，步骤S2包括以下分步骤：
[0016]S21、将HDR图像数据集中每张HDR图像输入Preprocess预处理模块中，提取HDR图像小数空域M、符号位S和指数位E；
[0017]S22、提取HDR图像小数空域M的后八位比特平面，得到后八位比特平面图像；
[0018]S23、对后八位比特平面图像进行随机裁剪，得到标准尺寸图像；
[0019]S24、对标准尺寸图像进行数据增强操作，得到多张不同的载体图像。
[0020]进一步地，步骤S3中嵌入模型包括依次连接的输入层、Layer1层、Layer2层、Layer3层、Layer4层、Layer5层、Layer6层、Layer7层、Layer8层、Layer9层和Output层；
[0021]所述Layer1层、Layer2层、Layer3层和Layer4层均包括：残差模块ResBlock1和最大池化层Maxpool；所述残差模块ResBlock1的输入端作为Layer1层、Layer2层、Layer3层或Layer4层的输入端，其输出端与最大池化层Maxpool的输入端连接；所述最大池化层Maxpool的输出端作为Layer1层、Layer2层、Layer3层或Layer4层的输出端；
[0022]所述Layer5层为残差模块ResBlock2；
[0023]所述Layer6层、Layer7层、Layer8层和Layer9层均为卷积模块ConvBlock1；
[0024]所述Output层为卷积模块ConvBlock2。
[0025]进一步地，残差模块ResBlock1和残差模块ResBlock2均包括：3*3卷积层conv1、3*3卷积层conv2、1*1卷积层conv3和激活函数层LeakyReLU1；
[0026]所述3*3卷积层conv1的输入端与1*1卷积层conv3的输入端连接，并作为残差模块ResBlock1或残差模块ResBlock2的输入端；
[0027]所述3*3卷积层conv1的输出端与3*3卷积层conv2的输入端连接；
[0028]所述3*3卷积层conv2的输出端与激活函数层LeakyReLU1的第一输入端连接；
[0029]所述1*1卷积层conv3的输出端与激活函数层LeakyReLU1的第二输入端连接；
[0030]所述激活函数层LeakyReLU1的输出端作为残差模块ResBlock1或残差模块ResBlock2的输出端。
[0031]进一步地，卷积模块ConvBlock1包括依次连接的3*3卷积层conv4、归一化层BN1、激活函数层LeakyReLU2、3*3卷积层conv5、归一化层BN2和激活函数层LeakyReLU3；所述3*3卷积层conv4的输入端作为卷积模块ConvBlock1的输入端本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，包括以下步骤：S1、构建HDR图像数据集和LDR秘密图像数据集；S2、对HDR图像数据集中的HDR图像进行预处理，得到多张不同的载体图像、HDR图像的符号位和HDR图像的指数位；S3、通过concat操作将一张载体图像与一张LDR秘密图像在通道维度上连接在一起，并输入嵌入模型，得到隐写图像；S4、将隐写图像、HDR图像的符号位和HDR图像的指数位合并为HDR隐写图像；S5、对HDR隐写图像做预处理，得到HDR隐写图像小数空域的后八位比特平面；S6、将HDR隐写图像小数空域的后八位比特平面输入提取模型，得到恢复的LDR秘密图像。2.根据权利要求1所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述步骤S2包括以下分步骤：S21、将HDR图像数据集中每张HDR图像输入Preprocess预处理模块中，提取HDR图像小数空域M、符号位S和指数位E；S22、提取HDR图像小数空域M的后八位比特平面，得到后八位比特平面图像；S23、对后八位比特平面图像进行随机裁剪，得到标准尺寸图像；S24、对标准尺寸图像进行数据增强操作，得到多张不同的载体图像。3.根据权利要求1所述的基于深度学习的高动态范围图像隐写和恢复方法，其特征在于，所述步骤S3中嵌入模型包括依次连接的输入层、Layer1层、Layer2层、Layer3层、Layer4层、Layer5层、Layer6层、Layer7层、Layer8层、Layer9层和Output层；所述Layer1层、Layer2层、Layer3层和Layer4层均包括：残差模块ResBlock1和最大池化层Maxpool；所述残差模块ResBlock1的输入端作为Layer1层、Layer2层、Layer3层或Layer4层的输入端，其输出端与最大池化层Maxpool的输入端连...

【专利技术属性】
技术研发人员：霍永青，乔彦，刘曜辉，甘静，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：