一种抗物理传输形变的端到端图像隐写方法技术

本发明专利技术公开了一种抗物理传输形变的端到端图像隐写方法，包括以下步骤：制作载体图像数据集、构造噪声图像、构建图像隐写模型、训练图像隐写模型。本发明专利技术基于神经网络构造图像隐写算法，通过大量的图像数据来训练模型，其嵌入位置所依赖的语义特征更为精细且不同载体会有所差异不易被隐写分析算法检测，从而有效提升了图像隐写算法的隐写能力和抗检测能力；本发明专利技术考虑了图像载体在现实中的物理传输场景，通过使用噪声图像构造算法模拟生成各种物理形变图像，使模型在训练过程中可以输入近似真实变化的训练样本，进而保证训练后的图像隐写模型具备解码实体传输的图像载体能力。写模型具备解码实体传输的图像载体能力。写模型具备解码实体传输的图像载体能力。

【技术实现步骤摘要】
一种抗物理传输形变的端到端图像隐写方法


[0001]本专利技术涉及图像隐写
，具体涉及一种抗物理传输形变的端到端图像隐写方法。

技术介绍

[0002]随着公司的飞速发展，人员数量与业务的复杂性与日俱增，对公司的运作流程提出了新的挑战。传统的纸质办公数据采集难度大，归纳统计难，严重依赖人工，并且有数据丢失的风险。当公司大部分内部数据与资料信息化、数字化之后，又面临着数据泄漏的风险。
[0003]对于公司与员工隐私数据，如发展方案、业绩评估、工资待遇等，这部分敏感信息可以通过加密技术与权限控制来保证只有拥有权限的员工才能看到指定的数据，但是却无法防止这部分员工通过技术手段拿到数据载体后再进行传播。
[0004]图像隐写术是一种隐秘的信息加密技术，利用的是数字载体的冗余性以及人类视觉系统对信息变化的不敏感性。它将信息嵌入到图像中而不改变图像本身的视觉感官特性，从而避免引起第三方攻击者的怀疑，有效保护了秘密信息的安全传输。运用图像隐写技术，在员工获取敏感信息时，将员工信息加密写入信息载体中，如果产生泄密，可以通过隐写数据反向追查到泄密源头。
[0005]传统图像隐写术主要分为基于空域的隐写术（如LSB）和基于频域的隐写术（如基于DCT），它们主要依赖于人工分析、设计手工统计特征，非常耗费时间精力且容易被隐私分析工具所检测。或是基于载体修改的图像隐写，这类隐写算法有UED、UNIWARD等，一般地，可将隐写分析问题定义为载体图像与含密图像的二分类问题，进而采用特征提取和机器学习等手段对图像进行检测。近年来，深度学习在隐写分析领域的应用取得了重要成果，一些基于卷积神经网络的图像先进隐写分析方法如Yenet、SRnet等相继被提出。
[0006]此外，现有的传统图像隐写方法仅考虑了载体在数字信道上的传输，当图像载体在物理环境流通时（如打印和拍摄），图像因为发生物理形变如质量损坏或歪了，会导致隐写信息可能无法被正确提取。为了克服这种困难，我们需要针对物理传输形变设计相应的噪声图像生成算法，用以构造成像过程中常见的形变图像。通过神经网络对于噪声图像的增强学习，训练后的隐写模型可以有效提升其抗物理传输形变的鲁棒性能。

技术实现思路

[0007]为了克服现有技术的不足，本专利技术提出一种抗物理传输形变的端到端图像隐写方法，在现有的基础上，进一步优化算法，基于神经网络提出一种端到端的图像隐写算法。
[0008]本专利技术为实现上述目的，所采用的技术方案是：一种抗物理传输形变的端到端图像隐写方法，包括以下步骤：步骤1，制作载体图像数据集，通过公司各种业务系统导出虚拟数据，收集并构建图像隐写模型所需要的载体图像，以满足模型训练需要；
步骤2，构建图像隐写模型，以位串编码后的秘密信息与载体图像作为输入，以提取的秘密信息作为输出构建由编码器、检测器、解码器组成的端到端图像隐写模型；步骤3，构造噪声图像，考虑到图像载体在打印和拍摄等物理传输过程中可能造成的一些形变，在训练过程中需要尽可能的模拟生成各种物理形变图像，从而使得模型训练后可以有效提升图像隐写方法的鲁棒性能；位串编码编码至载体图像得到编码图像，编码图像会通过噪声构造算法生成各类型形变图像输入给解码器用来训练；步骤4，训练图像隐写模型，设置网络所需参数训练图像隐写模型，根据训练结果保存好最优模型，并使用保存好的最优模型进行图像隐写。
[0009]根据上述方法，提供一种抗物理传输形变的端到端图像隐写系统，包括以下模块：数据处理与训练模块、加密模块、噪声图像生成模块、检测模块、解密模块、构建模块、模型训练模块以及对外开放的服务模块，其中，数据处理与训练模块包含收集原始载体图像数据集，该模块具体包括以下内容：通过公司内部需要进行隐写的系统，搜集到大量虚拟的图像数据，例如虚拟的员工工资条图像、过期的保密方案PDF等，制作正常用于图像隐写模型所需的训练数据；在训练期间，需要在编码器和解码器之间构造一系列扰动图像来近似物理显示和成像所造成的扭曲；加密模块，将位串编码后的秘密信息和载体图像通过编码器网络计算残差，将残差加回原输入图像，生成编码后的编码图像，加密用的编码器采用U
‑
Net架构；构造图像生成模块，具体步骤为：模拟针孔成像，通过对正常图像使用随机单应性变换，模拟没有与编码图像标记器精确对齐的相机的效果；模拟颜色变化，与RGB颜色空间相比，打印机和显示器的色域是有限的，此外，相机也通过曝光设置来修改输出等，因此，本专利技术通过采用一系列随机仿射颜色变换近似这些图像变化；模拟成像模糊，相机的运动和不准确的自动对焦可能导致成像模糊，为了模拟这种相机成像时的模糊，本专利技术采样一个随机的角度生成图像，并用直线模糊内核来变换近似扰动；同时，为了模拟不准确对焦，使用高斯模糊核变换近似扰动；模拟相机噪声，噪声是由相机系统引入的，主要包括光子噪声、暗噪声、镜头噪声，为了模拟这一系列噪声，本专利技术主要使用高斯噪声模型来近似成像噪声；模拟图像压缩，相机图像通常以有损格式(如JPEG)存储，通常会计算图像中每个8
×
8块的余弦变换来压缩图像，通过四舍五入到相邻整数来量化生成的系数，这个舍入步骤是不可微的，所以本专利技术用分段函数近似量化来逼近零，使其在一定范围内处处有非零导数。
[0010]检测模块，用于检测和纠正解码之前的编码图像，检测器以语义分割网络为基准，使用一个随机转换的编码数据集进行训练，其中编码区域被标注为目标标签。通过训练数据我们可以微调一个检测编码区域的语义分割网络。因此，在模型训练完成后的测试（使用）阶段，我们将一个四边形拟合到网络建议的每个区域上，然后计算一个单应性，并将每个四边形弯曲回一个400
×
400像素的图像。这样我们就可以实现编码区域的检测与纠正；解密模块，解密模块的解密功能通常由解码器实现，解码器经过训练用于从编码图像中恢复秘密信息，本专利技术使用空间变换网络作为解码器结构，包含一系列卷积和一个sigmoid激活函数，其可以对经过平移、旋转、缩放及裁剪等操作的图像得到与未经变换前相同的检测结果；构建模块，为了构建端到端的图像隐写模型，需要将编码器、检测器、解码器整合
成一个端到端的网络模型，以载体图像和编码信息作为输入，以解码的秘密编码信息作为输出，并设计好优化目标相应的损失函数，实现图像隐写模型的整体构建；模型训练模块，设置好模型所需要的参数，其中包括学习率、批次大小、优化器类型、迭代次数、激活函数等一系列模型超参数，对训练的图像隐写模型进行整体参数调优，使得模型损失尽可能小，使得训练模型真实样本与预测样本在损失函数的监督下逼近，并保存好训练的最优模型用于最终部署；对外开放的服务模块，当业务系统需要进行员工信息隐写时，调用该服务模块，传入图像信息与员工信息，服务自动根据业务系统的调用参数进行适配计算，并返回隐写成功图像。
[0011]本专利技术的有益效果是：本专利技术基于神经网络构造图像隐写算法，通过大量的图像数据来训练模型，其嵌入位置所依赖的语义特征更为精细且不同载体会有所差异不易被隐写分析算法检测本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种抗物理传输形变的端到端图像隐写方法，其特征在于,包括以下步骤：步骤1，制作载体图像数据集，收集并构建图像隐写模型所需要的载体图像数据，以满足模型训练需要；步骤2，构建图像隐写模型，以位串编码后的秘密信息与载体图像作为输入，以提取的秘密信息作为输出构建由编码器、检测器、解码器组成的端到端图像隐写模型；步骤3，构造噪声图像，模拟生成各种物理形变图像，具体包括以下内容：模拟针孔成像，通过对正常图像使用随机单应性变换，模拟没有与编码图像标记器精确对齐的相机的效果；模拟颜色变化，采用均匀采样每个RGB通道并添加随机颜色偏移实现色相偏模拟，在RGB图像和其灰度图像之间随机线性插值模拟去饱和，使用仿射变换和直方图均衡化做标准化处理模拟亮度和对比度变化；模拟成像模糊，采样一个随机的角度生成图像，并用直线模糊内核来变换近似扰动，使用高斯模糊核变换近似扰动模拟不准确对焦；模拟相机噪声，使用高斯噪声模型来近似成像噪声；模拟图像压缩，拍摄后的相机图像以有损格式存储，模拟图像压缩中使用分段函数将量化步骤逼近为零；步骤4，训练图像隐写模型，设置网络所需参数训练图像隐写模型，根据训练结果保存好最优模型，并使用保存好的最优模型进行图像隐写。2.根据权利要求1所述的抗物理传输形变的端到端图像隐写方法，其特征在于,采用一种抗物理传输形变的端到端图像隐写系统实现，该系统包括以下模块：数据处理与训练模块、加密模块、噪声图像生成模块、检测模块、解密模块、构建模块、模型训练模块以及对外开放的服务模块，其中，数据处理与训练模块包括收集原始载体图像数据集；加密模块，将位串编码后的秘密信息和载体图像通过编码器网络计算残差，将残差加回原输入图像，生成编码后的编码图像；噪声图像生成模块，利用编码图像模拟生成各种类型的物理传输形变图像；检测模块，用于检测和纠正解码之前的编码图像，借助检测器中的语义分割网络，通过微调现有的语义分割网络来检测...

【专利技术属性】
技术研发人员：钟正阳，李一文，曹庭，朱泽瑞，
申请(专利权)人：湖南菠萝互娱网络信息有限公司，
类型：发明
国别省市：