一种基于NICE模型的新型图像隐写方法及系统技术方案

本发明专利技术公开了一种基于NICE模型的新型图像隐写方法及系统,包括：构建NICE模型，获取图像数据集对NICE模型进行训练；训练结束后将NICE模型中的生成器反向搭建，获取提取器；基于生成器将秘密消息直接生成含密图像；基于提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取。本发明专利技术的方法生成图像充分拟合了真实图像的数据分布，机器和人均难以确认真假，所以模型生成的含密图像无法被基于概率统计的隐写分析工具检测到，理论上更为安全。理论上更为安全。理论上更为安全。

【技术实现步骤摘要】
一种基于NICE模型的新型图像隐写方法及系统


[0001]本专利技术属于图像隐写算法领域，尤其涉及一种基于NICE模型的新型图像隐写方法及系统。

技术介绍

[0002]图像隐写(Image Steganography)是研究如何将秘密消息隐藏于数字图像中而不被第三方察觉的一门艺术。根据对秘密消息载体的不同处理策略可将隐写技术概括为了三种类型：载体修改式隐写(Steganography by Cover Modification)，载体选择式隐写(Steganography by Cover Selection)和载体合成式隐写(Steganography by Cover Synthesis)。载体修改式图像隐写通过修改原始载体图像的方式将秘密消息嵌入图像且不能被敌方发现，同时还要能够保证消息在接收方的提取。这种隐写方式具有理论完善、嵌入量大、可操作性强等特点，是传统图像隐写技术研究中最主流的方法。目前主流的修改式隐写方法主要遵循“设定隐写失真指标”，而后再利用“编码方法方法最小化失真指标”的固定技术框架，鲜有突破性成果。载体选择式隐写是通过从自然图像库中选择可以对应秘密消息的自然图像来传递信息，相当于通过在自然图像和秘密消息之间建立对应关系来隐藏数据。但这种方法嵌入量很低，限制了其实用价值。而载体合成式隐写的目的是通过计算机直接合成出含有秘密消息的图像。由于载体合成式隐写可以自由合成图像，所以秘密消息的隐藏方式也更为灵活。从原理上来讲，如果能直接合成出足够真实、自然的含密图像(stego image)，基于统计的隐写分析器是无法检测的，所以这种方法理论上比载体修改式图像隐写更为安全。
[0003]传统的载体合成式图像隐写多采用启发式方法，主要思路是将秘密消息通过简单的设计方法映射为基本图元，再采用图元覆盖、拼接或者变形的方法来生成大幅的人造图像，然而这些方法合成的图像只能是简单的纹理图像、变形图像或马赛克图像，无法做到图像效果的自然逼真，很容易让敌方在视觉上产生怀疑，这也成为传统载体合成式隐写方法的一大弊端。
[0004]近年来，伴随着计算机硬件水平的不断提高，深度学习技术异军突起，特别是深度生成模型的研究，满足了很多应用领域对生成式建模的需求。当前，利用深度生成模型进行载体合成式图像隐写的技术条件已经具备。国内外学者已经开始着手探寻深度生成模型在载体合成隐写中的应用，然而目前此类研究还处于起步阶段，所提的模型、算法比较少，且普遍存在隐写容量小和提取准确率低的弊端。

技术实现思路

[0005]本专利技术要解决的技术问题是，利用了NICE模型的可逆特性，模型经过一次训练可以直接用于秘密消息的隐藏和提取，避免了基于GAN的隐写方案中需要专门训练消息提取器的步骤，巧妙地设计了模型隐变量同秘密消息双向映射的方法，能够做到合成含密图像中秘密消息的完全恢复，克服了当前该类方法消息无法完全恢复的显著弊端，且隐写容量
远大于现有的技术方法。
[0006]一方面为实现上述目的，本专利技术提供了一种基于NICE模型的新型图像隐写方法，包括以下步骤：
[0007]构建NICE模型，获取图像数据集对所述NICE模型进行训练；
[0008]训练结束后将所述NICE模型中的生成器反向搭建，获取提取器；
[0009]基于所述生成器将秘密消息和图像生成含密图像；
[0010]基于所述提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取。
[0011]可选的，构建NICE模型，获取图像数据集对所述NICE模型进行训练的过程中包括：
[0012]基于所述图像数据对所述NICE模型进行训练，获取真实图像数据和隐变量空间数据分布之间的映射关系。
[0013]可选的，训练结束后将所述NICE模型中的生成器反向搭建，获取提取器的过程中包括：
[0014]训练好的模型的参数保持不变，将生成器进行方向搭建，获取提取器，并获取秘密消息和隐变量之间的可逆映射方法。
[0015]可选的，基于所述生成器将秘密消息生成含密图像的过程中包括：
[0016]基于所述秘密消息和所述隐变量的映射关系，将需要隐藏的秘密消息映射为浮点数组；
[0017]基于真实图像的数据分布和隐变量空间的基准分布之间的映射关系，将所述浮点数组输入所述生成器，获得含密图像。
[0018]可选的，基于所述提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取的过程中包括：
[0019]基于所述提取器将所述含密图像中的浮点数组提取出来；
[0020]基于所述秘密消息和所述隐变量的映射关系，将获得的浮点数组反向映射，恢复出原始信息。
[0021]另一方面为实现上述目的，本专利技术提供了一种基于NICE模型的新型图像隐写系统，包括：
[0022]生成器，用于生成含密图像；
[0023]提取器，用于提取含密图像中的原始信息。
[0024]可选的，所述生成器基于NICE模型构建完成，包括六个正向交叉线性叠加的耦合层和第一神经网络模块。
[0025]可选的，所述提取器基于NICE模型构建完成，包括六个逆向交叉线性叠加的耦合层和第二神经网络模块。
[0026]可选的，所述第一神经网络模块和所述第二神经网络模块均采用了6个全连接网络，激活函数采用了Relu函数。
[0027]本专利技术的技术效果为：
[0028]本专利技术一种基于NICE模型的新型图像隐写方法及系统的优点在于：
[0029](1)基于NICE模型的载体合成式图像隐写根据秘密消息由NICE模型直接生成含密图像。从原理上讲，生成图像充分拟合了真实图像的数据分布，机器和人均难以确认真假，所以模型生成的含密图像无法被基于概率统计的隐写分析工具检测到，理论上更为安全。
[0030](2)将生成图像反向经过NICE模型，而后再按照公式，从含密图像中提取秘密消息，可以做到秘密消息的完全可逆恢复，使该方法达到100％的消息提取率。
[0031](3)根据NICE模型的特点，模型原始的输入数据z的维度必须和输出数据x的维度一致。对于多通道图像，图像尺寸为w
×
h
×
c(w
×
h为图像尺寸，c为图像的通道数)，模型输入数据z的维度应该等于生成图像的尺寸，即w
×
h
×
c维的向量。而z的维度又决定了可隐藏秘密消息的比特数。理论上，一张w
×
h
×
c的图像对应于w
×
h
×
c个浮点数，而每一个浮点数对应n位的秘密消息位数。按照我们所提的方法(设置n＝13，a＝4444，c＝5555)，一个像素对应一个浮点数，而一个浮点数对应了13bit的二进制秘密消息。也就是说，该方法的隐写容量为13bpp(采用了Numpy中的float32数据格式进行运算，图像存储格式为*.tiff格式的单通道图像)。
[0032]可见，基于N本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于NICE模型的新型图像隐写方法，其特征在于，包括以下步骤：构建NICE模型，获取图像数据集对所述NICE模型进行训练；训练结束后将所述NICE模型中的生成器反向搭建，获取提取器；基于所述生成器将秘密消息和图像生成含密图像；基于所述提取器将含密图像中的秘密消息分离出来，进行秘密消息的获取。2.如权利要求1所述的基于NICE模型的新型图像隐写方法，其特征在于，构建NICE模型，获取图像数据集对所述NICE模型进行训练的过程中包括：基于所述图像数据对所述NICE模型进行训练，获取真实图像数据和隐变量空间数据分布之间的映射关系。3.如权利要求1所述的基于NICE模型的新型图像隐写方法，其特征在于，训练结束后将所述NICE模型中的生成器反向搭建，获取提取器的过程中包括：训练好的模型的参数保持不变，将生成器进行方向搭建，获取提取器，并获取秘密消息和隐变量之间的可逆映射方法。4.如权利要求2或3所述的基于NICE模型的新型图像隐写方法，其特征在于，基于所述生成器将秘密消息生成含密图像的过程中包括：基于所述秘密消息和所述隐变量的映射关系，将需要隐藏的秘密消息映射为浮点数组；基于真实图像的...

【专利技术属性】
技术研发人员：张卓，刘佳，钮可，杨海滨，王耀杰，周潭平，狄富强，周子琛，
申请(专利权)人：中国人民武装警察部队工程大学，
类型：发明
国别省市：