基于SE-ResNet的图像隐写方法技术

本发明专利技术公开了一种基于SE

【技术实现步骤摘要】
基于SE
‑
ResNet的图像隐写方法


[0001]本专利技术属于图像处理
，涉及一种基于SE
‑
ResNet的图像隐写方法。

技术介绍

[0002]隐写术就是将秘密信息隐藏在多媒体数据中从而达到隐匿通信的目的，好处是一般人并不知道秘密通信的发生，从而实现了更高的安全性。从秘密信息的嵌入位置来看，传统的隐写算法分为两类：空域隐写算法和变换域隐写算法。最简单并且最具代表性的空域隐写算法是最低有效位(LSB)算法，该算法首先将秘密信息预处理成二进制数，然后将二进制的秘密信息与载体图像中每个像素的最低有效位进行替换，从而达到隐藏秘密信息的目的。变换域隐写算法主要是将载体图像经过特定的变换，再把秘密信息嵌入到变换域系数中。变换域隐写算法相比于空域隐写算法，嵌入和提取的过程更复杂。近年来，随着深度学习技术的不断发展，基于深度学习的隐写术受到了越来越多的关注，有很多基于深度学习的隐写算法，本专利技术也是基于深度学习来实现的。
[0003]SE
‑
ResNet中的SE即为Squeeze
‑
and
‑
Excitation，意思为特征压缩与激发。SE由自动驾驶公司Momenta在2017年公布的一种全新的图像识别结构，它通过对特征通道间的相关性进行建模，把重要通道的特征强化，非重要通道的特征弱化，即把重要的特征进行强化来提升准确率。SE
‑
ResNet就是在ResNet中加入了SE模块。

技术实现思路
/>[0004]本专利技术的目的是提供一种基于SE
‑
ResNet的图像隐写方法，采用该方法提高了图像隐写的容量，增强了图像的不可见性，使得秘密信息不易被检测出来。
[0005]本专利技术所采用的技术方案是，基于SE
‑
ResNet的图像隐写方法，具体包括如下步骤：
[0006]步骤1，获取秘密图像M
emb
，将秘密图像M
emb
进行通道分离，获得分离后的三张图像为：B通道图像、R通道图像和G通道图像，B通道图像即为载体图像I
cover
的B通道I
cover
‑
B
；
[0007]步骤2，将步骤1中的得到的秘密图像M
emb
和载体图像I
cover
的B通道I
cover
‑
B
分别输入到编码网络中，获取级联后的特征图；
[0008]步骤3，将步骤2中得到的级联特征图经过3个SE
‑
ResNet块和2个卷积层得到最终的隐写图像的B通道I
stego
‑
B
；
[0009]步骤4，将步骤3得到的隐写图像B通道I
stego
‑
B
和步骤1中载体图像的R通道与G通道合并，得到隐写图像I
stego
；
[0010]步骤5，将步骤4中得到的隐写图像I
stego
进行通道分离，得到3张图像：隐写图像的B通道图像、隐写图像的R通道图像和隐写图像的G通道图像；将隐写图像的B通道图像输入到解码网络中，提取得到秘密图像M
ext
。
[0011]本专利技术的特点还在于：
[0012]步骤1的具体过程为：
[0013]步骤1.1，在网络上分别下载CIFAR10、ImageNet、PASCAL
‑
VOC2012和LFW数据集；
[0014]步骤1.2，将步骤1.1中数据集的图像尺寸统一为H
×
W；分别选取n张灰度图像和n张彩色图像，组成n对图像对，其中尺寸为H
×
W的灰度图像即为秘密图像M
emb
；将尺寸为H
×
W的3通道彩色图像分离成B通道图像、R通道图像和G通道图像，其中B通道图像即为载体图像I
cover
的B通道I
cover
‑
B
。
[0015]步骤2的具体过程为：
[0016]步骤2.1，将步骤1.2中得到的H
×
W大小的灰度秘密图像M
emb
输入到编码网络的Guest网络分支中，进行特征提取，得到特征图；
[0017]步骤2.2，将步骤1.2中得到的H
×
W大小的载体图像B通道I
cover
‑
B
输入编码网络的Host网络分支中，进行特征提取；且每经过两个卷积层和ReLU层，会对Guest网络分支的M
emb
特征图和Host网络分支的I
cover
‑
B
特征图进行级联操作，即将Guest网络分支提取的特征叠加到Host网络分支提取的特征上，得到级联的特征图。
[0018]步骤3的具体过程为：
[0019]Host网络分支将得到的级联特征图经过3个SE
‑
ResNet块和2个卷积层操作，得到最终的隐写图像的B通道I
stego
‑
B
；
[0020]编码网络的损失函数如下公式(1)所示：
[0021]L
E
＝MSE(I
cover
‑
B
，E(θ
E
，I
cover
‑
B
，M
emb
))＝MSE(I
cover
‑
B
，I
stego
‑
B
)
ꢀꢀꢀ
(1)；
[0022]其中L
E
表示编码网络的损失函数，I
cover
‑
B
表示载体图像的B通道，θ
E
表示编码网络中的参数，M
emb
表示要嵌入的秘密图像；E(θ
E
，I
cover
，M
emb
)表示载体图像I
cover
的B通道和秘密图像M
emb
经过编码网络后的输出，其输出为I
stego
‑
B
即隐写图像的B通道。
[0023]步骤5的具体过程为：
[0024]步骤5.1，将步骤4得到的隐写图像I
steg
o通道分离，分离成B、G和R通道，得到的隐写图像的B通道I
steg
o
‑
B
。
[0025]步骤5.2，将步骤5.1中得到的隐写图像I
steg
o
‑
B
输入到解码网络中，经过3个SE
‑
ResNet块和2个卷积层提取得到秘密图像M
ext本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于SE
‑
ResNet的图像隐写方法，其特征在于：具体包括如下步骤：步骤1，获取秘密图像M
emb
，将秘密图像M
emb
进行通道分离，获得分离后的三张图像为：B通道图像、R通道图像和G通道图像，B通道图像即为载体图像I
cover
的B通道I
cover
‑
B
；步骤2，将步骤1中的得到的秘密图像M
emb
和载体图像I
cover
的B通道I
cover
‑
B
分别输入到编码网络中，获取级联后的特征图；步骤3，将步骤2中得到的级联特征图经过3个SE
‑
ResNet块和2个卷积层得到最终的隐写图像的B通道I
stego
‑
B
；步骤4，将步骤3得到的隐写图像B通道I
stego
‑
B
和步骤1中载体图像的R通道与G通道合并，得到隐写图像I
stego
；步骤5，将步骤4中得到的隐写图像I
stego
进行通道分离，得到3张图像：隐写图像的B通道图像、隐写图像的R通道图像和隐写图像的G通道图像；将隐写图像的B通道图像输入到解码网络中，提取得到秘密图像M
ext
。2.根据权利要求1所述的基于SE
‑
ResNet的图像隐写方法，其特征在于：所述步骤1的具体过程为：步骤1.1，在网络上分别下载CIFAR10、ImageNet、PASCAL
‑
VOC2012和LFW数据集；步骤1.2，将步骤1.1中数据集的图像尺寸统一为H
×
W；分别选取n张灰度图像和n张彩色图像，组成n对图像对，其中尺寸为H
×
W的灰度图像即为秘密图像M
emb
；将尺寸为H
×
W的3通道彩色图像分离成B通道图像、R通道图像和G通道图像，其中B通道图像即为载体图像I
cover
的B通道I
cover
‑
B
。3.根据权利要求2所述的基于SE
‑
ResNet的图像隐写方法，其特征在于：所述步骤2的具体过程为：步骤2.1，将步骤1.2中得到的H
×
W大小的灰度秘密图像M
emb
输入到编码网络的Guest网络分支中，进行特征提取，得到特征图；步骤2.2，将步骤1.2中得到的H
×
W大小的载体图像B通道I
cover
‑
B
输入编码网络的Host网络分支中，进行特征提取；且每经过两个卷积层和ReLU层，会对Guest网络分支的M
emb
特征图和Host网络分支的I
cover
‑
B
特征图进行级联操作，即将Guest网络分支提取的特征叠加到Host网络分支提取的特征上，得到级联的特征图。4.根据权利要求3所述的基于SE
‑
ResNet的图像隐写方法，其特征在于：所述步骤3的具体过程为：Host网络分支将得到的级联特征图经过3个SE
...

【专利技术属性】
技术研发人员：刘晶，杨慧，
申请(专利权)人：西安理工大学，
类型：发明
国别省市：