一种基于图像的信息处理方法及相关装置制造方法及图纸

本申请公开一种基于图像的信息处理方法及相关装置，应用于人工智能；通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练得到信息处理模型。获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像，将前述两个编码图像分别输入信息处理模型中的预设嵌入层进行正向的特征表示得到第一正向特征图像和第二正向特征图像；结合待嵌入图像经过正向的第一运算得到已嵌入图像。将已嵌入图像分别输入信息处理模型中的第一特征提取层和第二特征提取层进行逆向的特征提取得到第一逆向特征图像和第二逆向特征图像；结合第二编码图像经过逆向的第二运算得到第一编码图像。第二运算得到第一编码图像。第二运算得到第一编码图像。

【技术实现步骤摘要】
一种基于图像的信息处理方法及相关装置


[0001]本申请涉及计算机
，特别是涉及一种基于图像的信息处理方法及相关装置。

技术介绍

[0002]现阶段，涌现各种各样通过深度学习将信息隐藏于图像和从图像提取信息的方法。即，将信息通过深度学习方式嵌入图像的内部，仅基于嵌入后图像无法确定信息以实现将信息隐藏于图像；从嵌入后图像通过深度学习方式提取所隐藏的信息，基于嵌入后图像得到隐藏的信息以实现从图像提取信息。
[0003]相关技术中，通过深度学习方式预先训练用于将信息隐藏于图像的第一深度学习模型和用于从图像提取信息的第二深度学习模型，将信息和图像输入第一深度学习模型进行嵌入处理，输出隐藏信息的嵌入后图像；将嵌入后图像输入第二深度学习模型进行提取处理，输出嵌入后图像所隐藏的信息。
[0004]然而，上述方法中基于第一深度学习模型的信息嵌入过程和基于第二深度学习模型的信息提取过程是相互分离、相互独立的，且任何对象均可以提取嵌入后图像所隐藏的信息，导致无法证明在嵌入后图像所隐藏的信息以及从嵌入后图像所提取的信息是否正确，从而导致将信息隐本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于图像的信息处理方法，其特征在于，所述方法包括：获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像；通过信息处理模型中的预设嵌入层分别对所述第一编码图像和所述第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；所述信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的；对所述待嵌入图像、所述第一正向特征图像和所述第二正向特征图像进行正向的第一运算，获得已嵌入图像；所述已嵌入图像的图像内部嵌入所述待嵌入信息；通过所述信息处理模型中的第一特征提取层和第二特征提取层分别对所述已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像；对所述第二编码图像、所述第一逆向特征图像和所述第二逆向特征图像进行逆向的第二运算，获得所述第一编码图像。2.根据权利要求1所述的方法，其特征在于，所述逆向的第二运算包括第三运算和第四运算，所述第三运算的运算优先级高于所述第四运算的运算优先级时，所述对所述第二编码图像、所述第一逆向特征图像和所述第二逆向特征图像进行逆向的第二运算，获得所述第一编码图像，包括：对所述第二编码图像和所述第二逆向特征图像进行所述第三运算，获得第一中间特征图像；对所述第一中间特征图像和所述第一逆向特征图像进行所述第四运算，获得所述第一编码图像。3.根据权利要求1所述的方法，其特征在于，所述第一编码图像的获取方式，具体为：根据所述待嵌入图像的图像尺寸，通过预设编码工具对所述待嵌入信息进行随机编码，获得所述第一编码图像；所述第二编码图像的获取方式，具体为：根据所述待嵌入图像的图像尺寸，通过所述预设编码工具对所述预设密钥进行随机编码，获得所述第二编码图像。4.根据权利要求1所述的方法，其特征在于，所述方法还包括：向待传递对象发送所述已嵌入图像；所述已嵌入图像用于保密发送所述待嵌入信息。5.根据权利要求1所述的方法，其特征在于，所述方法还包括：通过预设解码工具对所述第一编码图像进行解码处理，获得所述待嵌入信息。6.根据权利要求1至5任一项所述的方法，其特征在于，所述待嵌入图像的图像通道数、所述第一正向特征图像的图像通道数和所述第二正向特征图像的图像通道数均相同，所述待嵌入图像属于单通道图像时，所述第一正向特征图像和所述第二正向特征图像均属于所述单通道图像；所述待嵌入图像为多通道图像时，所述第一正向特征图像和所述第二正向特征图像均属于所述多通道图像。7.根据权利要求1所述的方法，其特征在于，所述信息处理模型的训练步骤，包括：通过所述可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对所述样本图像、所述第三编码图像和所述第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像；
通过所述可逆神经网络中的第一特征提取层和第二特征提取层分别对所述预测正向嵌入图像进行逆向的特征提取，获得第三逆向特征图像和第四逆向特征图像；对所述第四编码图像、所述第三逆向特征图像和所述第四逆向特征图像进行逆向的第二运算，获得逆向编码图像；根据所述预测正向嵌入图像、所述样本图像、所述第一正向编码图像、所述第二正向编码图像、所述第四编码图像、所述逆向编码图像、所述第三编码图像和所述可逆神经网络的预设损失函数，训练所述可逆神经网络直至网络收敛；将训练完成的可逆神经网络确定为所述信息处理模型。8.根据权利要求7所述的方法，其特征在于，所述通过所述可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对所述样本图像、所述第三编码图像和所述第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像，包括：通过所述可逆神经网络中的预设嵌入层分别对所述第三编码图像和所述第四编码图像进行正向的特征表示，获得第三正向特征图像和第四正向特征图像；对所述样本图像、所述第三正向特征图像和所述第四正向特征图像进行所述正向的第一运算，获得所述预测正向嵌入图像；通过所述可逆神经网络中的第一特征提取层和第二特征提取层分别对所述预测正向嵌入图像进行正向的特征提取，获得第五正向特征图像和第六正向特征图像；对所述第三编码图像、所述第五正向特征图像和所述第六正向特征图像进行正向的第二运算，获得所述第一正向编码图像；通过所述可逆神经网络中的第三特征提取层和第四特征提取层分别对所述预测正向嵌入图像进行正向的特征...

【专利技术属性】
技术研发人员：刘绍腾，
申请(专利权)人：腾讯科技深圳有限公司，
类型：发明
国别省市：