【技术实现步骤摘要】
本专利技术属于图像隐藏，涉及一种基于深度卷积神经网络的大容量图像隐藏方法及系统。
技术介绍
1、随着信息技术的飞速发展以及智能设备的大量普及，互联网中信息的传播数量呈爆炸式增长。人们在享受数字信息所带来便捷的同时，信息安全性受到了严重威胁。而图像隐藏技术是保护信息安全的技术手段之一。
2、早期基于空域和变换域的传统图像信息隐藏方法，在将秘密信息嵌入载体图像后，含密图像中总会遗留修改的痕迹，这使得含密图像难以抵抗基于统计的图像隐写分析，同时还存在容量限制和影响图像质量的问题。随着深度学习技术在包括信息安全在内的各个领域快速的发展和应用。
3、近几年，研究人员利用卷积网络提出一些隐藏和提取秘密信息的解决方案。虽然基于深度学习的图像隐藏方法取得了一定的成就，但是在视觉不可见性和隐藏容量方面仍有待提高。
技术实现思路
1、本专利技术的目的在于解决现有技术中的问题，提供一种基于深度卷积神经网络的大容量图像隐藏方法及系统。
2、为达到上述目的，本专利技术采用以下技术方案予以实现：
3、本专利技术提出的一种基于深度卷积神经网络的大容量图像隐藏方法，包括如下步骤：
4、构建图像隐藏网络及图像提取网络；
5、获取秘密图像的图像预处理模块和载体图像的图像预处理模块；
6、基于秘密图像的图像预处理模块和载体图像的图像预处理模块，获取预处理后的特征图；
7、基于预处理后的特征图、图像隐藏网络及图像提取网络获取权
8、优选地，所述图像隐藏网络由主网络、并行双注意力机制、卷积层1串联构成。
9、优选地，并行双注意力机制由空间注意力机制和通道注意力机制并行连接；
10、通道注意力机制的权重wc(p)的表示如下：
11、wc(p)＝σ(l(avgc(p)+maxc(p)))
12、其中，avgc为通道注意力机制中的平均池化下采样，maxc为通道注意力机制中的最大池化下采样，l为全连接层，σ为sigmoid激活函数；
13、空间注意力机制的权ws(p)重表示如下：
14、ws(p)＝σ(conv(avgs(p)+maxs(p)))
15、其中，avgs表示空间注意力机制中的平均池化下采样，maxs表示空间注意力机制中的最大池化下采样，conv表示卷积；
16、特征图p与通道注意力机制的权重wc(p)、空间注意力机制的权重ws(p)加权相乘得到最终的输出特征图
17、优选地，所述主网络由8个rsau模块、2个混连空洞卷积模块、引入pixelshuffle的金字塔池化模块串联和跳跃连接构成。
18、优选地，将两个空洞卷积子模块进行级联和跳跃连接，从而构成混连的空洞卷积模块，混连的空洞卷积输出表示如下：
19、mdcm＝dcm2(dcm1(x)+x)+dcm1(x)+x
20、其中，x为混连的空洞卷积的输入，mdcm为混连的空洞卷积的输出，dcm1为空洞卷积模块1的输出，dcm2为空洞卷积模块2的输出；
21、所述空洞卷积子模块由卷积层2、批量归一化1、relu激活函数1、卷积层3、批量归一化1、relu激活函数1、卷积层4、批量归一化1、relu激活函数1串联构成。
22、优选地，所述引入pixelshuffle的金字塔池化模块结构如下：金字塔池化尺度设置为1×1、2×2、4×4和8×8，并将金字塔池化模块内部处理顺序调整为最大池化、pixelshuffle上采样和卷积，最后再拼接；
23、所述rsau模块由下采样编码、上采样解码、并行双注意力机制以及跳跃连接三部分构成。
24、优选地，所述图像提取网络由提取网络1、提取网络2并联构成；所述提取网络1和提取网络2均由pixelshuffle层、并行双注意力机制、卷积层1串联构成；
25、所述载体图像的图像预处理模块为预处理模块1，由卷积层2、批量归一化层1和relu激活函数1依次串联构成；秘密图像的图像预处理模块为预处理模块2，由最大池化层、平均池化层并联，最大池化层和平均池化层的输出进行拼接之后与卷积层2、批量归一化层1和relu激活函数1串联而成。
26、本专利技术提出的一种基于深度卷积神经网络的大容量图像隐藏系统，包括：
27、网络结构搭建模块，所述网络结构搭建模块用于构建图像隐藏网络及图像提取网络；
28、获取预处理模块，所述获取预处理模块用于获取秘密图像的图像预处理模块和载体图像的图像预处理模块；
29、图像预处理模块，所述图像预处理模块用于基于秘密图像的图像预处理模块和载体图像的图像预处理模块，获取预处理后的特征图；
30、权重文件获取模块，所述权重文件获取模块用于基于预处理后的特征图、图像隐藏网络及图像提取网络获取权重文件，实现对图像的隐藏。
31、一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行计算机程序时实现基于深度卷积神经网络的大容量图像隐藏方法的步骤。
32、一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现基于深度卷积神经网络的大容量图像隐藏方法的步骤。
33、与现有技术相比，本专利技术具有以下有益效果：
34、本专利技术提出的一种基于深度卷积神经网络的大容量图像隐藏方法，包含了两个预处理模块，一个图像隐藏网络和提取网络，实现1幅载体图像中同时有效隐藏和提取2幅大尺寸秘密图像。在秘密图像被隐藏前，预处理模块对载体图像和秘密图像分别进行处理，提高隐藏特征提取效率同时减少网络参数数量。为了更好地提取和融合多尺度、多区域的特征，图像隐藏网络和提取网络中引入u型残差注意力模块、并行双通道注意力机制模块、混连的空洞卷积模块和基于pixelshuffle的金字塔池化模块，保证图像质量的同时提高隐藏容量。实验结果表明，本专利技术提出的方法相对隐藏容量可达800％，同时具有较好的视觉质量。与相同隐藏容量的方法相比，本专利技术方法在视觉质量上有显著提高，载体图像的平均psnr和ssim分别提高了2.46db和1.52％。多个数据集的测试结果表明本专利技术方法具有良好的泛化能力。
35、本专利技术提出的一种基于深度卷积神经网络的大容量图像隐藏系统，通过将系统划分为网络结构搭建模块、获取预处理模块、图像预处理模块及权重文件获取模块，实现对图像的隐藏。采用模块化思想使各个模块之间相互独立，方便对各模块进行统一管理。
本文档来自技高网...【技术保护点】
1.一种基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述图像隐藏网络由主网络、并行双注意力机制、卷积层1串联构成。
3.根据权利要求2所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，并行双注意力机制由空间注意力机制和通道注意力机制并行连接；
4.根据权利要求2所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述主网络由8个RSAU模块、2个混连空洞卷积模块、引入Pixelshuffle的金字塔池化模块串联和跳跃连接构成。
5.根据权利要求4所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，将两个空洞卷积子模块进行级联和跳跃连接，从而构成混连的空洞卷积模块，混连的空洞卷积输出表示如下：
6.根据权利要求4所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述引入Pixelshuffle的金字塔池化模块结构如下：金字塔池化尺度设置为1×1、2×2、4×4和8×8，并将金字塔池化模
7.根据权利要求1所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述图像提取网络由提取网络1、提取网络2并联构成；所述提取网络1和提取网络2均由Pixelshuffle层、并行双注意力机制、卷积层1串联构成；
8.一种基于深度卷积神经网络的大容量图像隐藏系统，其特征在于，包括：
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行计算机程序时实现如权利要求1至7中任意一项所述的基于深度卷积神经网络的大容量图像隐藏方法的步骤。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7中任意一项所述的基于深度卷积神经网络的大容量图像隐藏方法的步骤。
...【技术特征摘要】
1.一种基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述图像隐藏网络由主网络、并行双注意力机制、卷积层1串联构成。
3.根据权利要求2所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，并行双注意力机制由空间注意力机制和通道注意力机制并行连接；
4.根据权利要求2所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述主网络由8个rsau模块、2个混连空洞卷积模块、引入pixelshuffle的金字塔池化模块串联和跳跃连接构成。
5.根据权利要求4所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，将两个空洞卷积子模块进行级联和跳跃连接，从而构成混连的空洞卷积模块，混连的空洞卷积输出表示如下：
6.根据权利要求4所述的基于深度卷积神经网络的大容量图像隐藏方法，其特征在于，所述引入pixelshuffle的...
【专利技术属性】
技术研发人员：朱婷鸽，刘颖，来毅，李文瑄，杨文翠，
申请(专利权)人：西安邮电大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。