一种基于生成对抗网络的图像隐写方法技术

本发明专利技术的一种基于生成对抗网络的图像隐写方法，包括：使用大卷积核，并在不使用复杂网络结构与反卷积的条件下，构建基于U

【技术实现步骤摘要】
一种基于生成对抗网络的图像隐写方法


[0001]本专利技术属于多媒体信息安全
，涉及一种基于生成对抗网络的图像隐写方法。

技术介绍

[0002]随着计算机技术的发展和互联网的广泛普及，人们可以借由互联网方便地获取信息，大数据与云计算技术的迅猛发展也为人们获取、存储和共享信息提供了极大的便利。与此同时，多媒体作为信息最直观便捷的承载途径，已在互联网中得到了广泛使用，其中最具代表性的便是图像。然而，互联网技术的不断发展不仅为人们带来了便利，也带来了一系列的安全与隐私问题。由于互联网的开放性，人们传输的秘密信息可能被攻击者截获，人们的个人隐私信息也可能泄露。因此，信息安全问题成为了当下研究的一大热点。
[0003]目前信息安全的保护主要有三种方法：安全信道、加密技术和隐写术。通过安全信道传输虽然保密性最高，但是并不适合利用云存储来获取和保存秘密信息。加密技术是信息安全领域中最重要的保密方式之一，通过加密算法保护用户私有信息不被非法浏览。然而在不安全的信道中直接发送密文不能隐藏保密通信的行为，可能导致加密行为被发现并遭受攻击。隐写术则对于本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成对抗网络的图像隐写方法，其特征在于，包括：步骤1：使用大卷积核，并在不使用复杂网络结构与反卷积的条件下，构建基于U
‑
Net编码器
‑
解码器架构的生成器网络，以及用于对抗训练的判别器网络；步骤2：将载体图像输入生成器生成嵌入概率模型，通过double
‑
tanh函数模拟理想嵌入得到模拟载密图像，使用交叉熵构建判别器损失函数训练判别器；步骤3：基于判别器的交叉熵损失、嵌入容量、图像视觉相似性和高通滤波误差，设计生成器的损失函数并训练生成器；步骤4：重复步骤2、3，同时多次迭代生成器与判别器，直至完成整个训练；步骤5：使用训练完成的生成对抗网络和STC编码器，生成载密图像。2.如权利要求1所述的基于生成对抗网络的图像隐写方法，其特征在于，所述步骤1具体为：步骤1.1：基于U
‑
Net架构构建生成器网络，包括顺次连接的多个编码器模块和解码器模块；步骤1.2：基于深度隐写分析网络SRNet构建判别器网络。3.如权利要求2所述的基于生成对抗网络的图像隐写方法，其特征在于，所述编码器中采用多层卷积堆叠加深网络结构，同时采用大卷积核替代小卷积核提取图像更深层信息，编码器的激活函数使用ReLU6。4.如权利要求2所述的基于生成对抗网络的图像隐写方法，其特征在于，所述解码器中使用上采样与卷积结构，不使用反卷积，避免生成结果的棋盘格效应。5.如权利要求1所述的基于生成对抗网络的图像隐写方法，其特征在于，所述步骤2具体为：步骤2.1：将载体图像分批次随机输入生成器网络中，生成一批载体图像的嵌入概率；步骤2.2：利用理想嵌入模型，通过double
‑
tanh函数作为嵌入模拟器，将随机信息嵌入载体图像中，得到模拟载密图像；步骤2.3：将载体图像与模拟载密图像同时输入判别器，依据图像是否载密对判别器的输出结果计算交叉熵损失，并最小化交叉熵。6.如权利要求5所述的基于生成对抗网络的图像隐写方法，其特征在于，所述double
‑
tanh函数数学表示式为：m
i,j
＝
‑
0.5
×
tanh(λ
×
(p
i,j
‑2×
r
i,j
))+0.5
×
tanh(λ
×
(p
i,j
‑2×
(1
‑
r
i,j
)))其中，p
i,j
为载体图像第(i,j)像素对应的嵌入概率，r
i,j
为取值范围[0,1]均匀分布的随机矩阵(i,j)点的值，m
i,j
为模拟嵌入结果，λ为控制因子。7.如权利要求5所述的基于生成对抗网络的图像隐写方法，其特征在于，判别器损失函数如下：其中，n为批次的大小，t
i
为表示载密图像与载体图像标...

【专利技术属性】
技术研发人员：彭宇翔，付冲，曹桂兴，刘军，
申请(专利权)人：东北大学，
类型：发明
国别省市：