一种高容量通用图像信息隐藏方法技术

本发明专利技术公开一种高容量通用图像信息隐藏方法，用以解决现有图像信息隐藏方案嵌入效率低，隐蔽性低的问题。在嵌入阶段，编码器以秘密信息为输入，生成一个通用的含密扰动添加到不同的载体图像上；利用注意力模块使编码器可以在通道维度上将可能引起较高注意力的含密扰动进行抑制；通过对抗训练促使编码器学习生成含密对抗扰动，从而让含密图像同时成为攻击隐写分析模型的对抗样本。在提取阶段，解码器以含密图像为输入，输出提取的秘密信息。采用本发明专利技术方法可同时生成多张含密图像，提高了信息隐藏的嵌入效率，且生成的含密图像有着较高的视觉质量，在恢复秘密信息和抵抗隐写分析上取得了较好的性能，具有实用价值。具有实用价值。具有实用价值。

【技术实现步骤摘要】
一种高容量通用图像信息隐藏方法


[0001]本专利技术涉及信息安全
，特别是高容量通用图像信息隐藏方法。

技术介绍

[0002]图像信息隐一种将秘密信息隐藏在载体图像中从而获得含密图像，然后通过含密图像恢复秘密信息的技术，常用于隐蔽通信等用途。评价图像信息隐藏算法的基本标准是隐蔽性和嵌入容量，隐蔽性要求含密图像的失真尽可能小，且难以被隐写分析检测到，嵌入容量则代表了载体图像中可以隐藏的秘密信息量。因此，如何在保证隐蔽性的前提下进一步提高信息隐藏算法的嵌入容量是图像信息隐藏发展的一个重要方向。从最低有效位信息隐藏算法，发展到基于最小失真和综合网格编码框架的自适应信息隐藏算法，图像信息隐藏算法的隐蔽性不断提高，但嵌入容量往往都在0.5bpp(Bits Per Pixel)以下，并无明显改变。直到基于深度学习的图像信息隐藏算法的出现，大大提高了嵌入容量，一张RGB三通道的彩色图像作为秘密信息嵌入载体图像时的嵌入容量可达24bpp[Zhang C,Benz P,Karjauv A,Sun G.UDH:Universal Deep Hiding for Steganography,Watermarking,and Light Field Messaging.In Advances in Neural Information Processing Systems(Vol.33).2020.]。主流的基于深度学习的图像信息隐藏模型往往包含一对编码器和解码器用来嵌入和恢复秘密信息，嵌入时需要将载体图像和秘密信息一起输入编码器来生成含密图像，因此在嵌入过程中载体图像和秘密信息是耦合的，一次嵌入过程只能将秘密信息隐藏到一张载体图像中，每生成一张新的含密图像都需要重新进行一次嵌入过程，效率较低。此外，一张载体图像能隐藏的信息量也是根据训练过程中的设置决定的，训练完成后便无法更改，如训练时设置一张灰度图像作为秘密信息，则测试时也只能将一张灰度图像隐藏进载体图像。此外，由于基于深度学习的图像信息隐藏模型具有较高的嵌入容量，因此会不可避免地使含密图像的视觉效果有所下降，且基本不具备抵抗隐写分析检测的能力。

技术实现思路

[0003]本专利技术提供了一种高容量通用图像信息隐藏方法，用以解决现有技术中图像信息隐藏方案嵌入效率低，隐蔽性低的问题。
[0004]为解决上述问题，本专利技术的技术方案如下：
[0005]一种高容量通用图像信息隐藏方法，采用包含编码器，完成信息隐藏模型训练的判别器、和解码器组成的信息隐藏模型；在编码端，秘密信息输入所述编码器生成含密扰动，然后将含密扰动与载体图像相加得到含密图像；在解码端将含密图像解码提取秘密信息，其中：
[0006]1)编码器中包含一个注意力模块和一个简化的U
‑
Net网络，注意力模块使用两个卷积块创建一个注意力概率图，并鼓励编码器根据图像的内容关注像素的不同通道维度，注意力模块输出注意力概率图P
m
后与秘密信息M相乘，得到注意力特征图M
a
，然后送进编码器剩下的网络结构中生成含密扰动，然后添加到载体图像上生成含密图像；所述注意力模
块可表示为：
[0007][0008]其中，Conv表示卷积层，a和b表示卷积层输出的特征图，d是秘密信息M的通道数，l代表b中元素位置，j和k表示b的通道维度；
[0009]秘密信息的嵌入方法为：将秘密信息输入编码器，生成含密扰动M
e
，然后与载体图像相加：
[0010]S
i
＝C
i
+M
e
,i≥1
[0011]其中，C
i
表示第i张需嵌入秘密信息的载体图像，S
i
表示第i张含密图像；
[0012]2)所述判别器为一隐写分析模型，通过对抗学习，使得编码器学会根据秘密信息生成含密对抗扰动，并添加到载体图像上，使生成的含密图像同时成为攻击判别器的对抗样本，从而提高含密图像抵抗隐写分析检测的能力。
[0013]进一步地，所述训练信息隐藏模型的具体方法为：将隐写分析模型设置为判别器，编码器努力生成能够欺骗判别器的含密对抗扰动，而判别器则努力去识别载体图像和含密图像的差异，通过对抗训练使编码器生成的含密图像具有更强的抵抗隐写分析的能力，从而使判别器的识别准确率接近0.5，即相当于随机猜测；经过迭代训练,并通过判别器的反馈更新编码器的参数，使编码器最终可以学会生成含密对抗扰动，所述对抗训练表示为：
[0014][0015]其中，G表示编码器，D表示判别器，判别器的目标是区分对抗样本x+G(z)和原始样本x，原始样本x代表载体图像，z代表秘密信息，对抗样本x+G(z)代表含密图像，x是从载体图像的类别中进行采样的，此判别器在对抗训练中促使生成的含密图像更接近载体图像的类别；
[0016]针对判别器的攻击过程可表示为：
[0017][0018]其中，表示判别器的输出结果与目标之间的距离，t表示目标类别；采用目标攻击的方式，将载体图像类别标签设为0，含密图像的类别标签设为1，目标类别标签t＝0。
[0019]训练图像信息隐藏模型，采用的损失函数为：
[0020][0021]该损失函数包括三部分，分别是编码器的损失判别器的损失以及解码器的损失其中，β用于控制不同损失的相对比例；表示载体图像和含密图像之间的均方误差损失，用来衡量含密图像的失真程度；表示针对判别器的目标攻击损失，用来促使编码器学习生成含密对抗扰动；表示提取的秘密信息与原始秘密信息之间的信息损失；三者的定义如下：
[0022][0023]其中，n代表训练样本数量，c和s分别代表载体和含密图像，y和分别代表判别器的目标和预测标签，m和m'分别代表原始秘密信息和提取的秘密信息。
[0024]本专利技术的有益效果为：本专利技术所构建的高容量通用图像信息隐藏模型，该模型利用注意力模块和对抗学习促使编码器生成一个通用的含密对抗扰动，可以同时对多张不同的载体图像实现嵌入并生成对应的含密图像，无需重新运行模型，嵌入效率得到较大提升。本专利技术在不同的信息隐藏场景下均可实现秘密信息的嵌入和恢复，且生成的含密图像有着较高的视觉质量，同时在恢复秘密信息和抵抗隐写分析上取得了较好的性能。
附图说明
[0025]图1为本专利技术实施例中USGAN的训练流程图。
[0026]图2为本专利技术实施例中USGAN的模型结构图。
[0027]图3为本专利技术实施例中USGAN编码器中的注意力机制示意图。
[0028]图4为本专利技术实施例中不同嵌入模式下USGAN秘密信息嵌入效果图。
[0029]图5为本专利技术实施例中利用USGAN进行三张灰度图嵌入单张彩色图时的示意图。
[0030]图6(a)为本专利技术实施例中USGAN生成的含密图像在XuNet下的ROC曲线。
[0031]图6(b)为本专利技术实施例中USGAN生成的含密图像在SRNet下的ROC曲线。
...

【技术保护点】

【技术特征摘要】
1.一种高容量通用图像信息隐藏方法，采用包含编码器，完成信息隐藏模型训练的判别器，和解码器组成的信息隐藏模型；在编码端，秘密信息输入所述编码器生成含密扰动，然后将含密扰动与载体图像相加得到含密图像；在解码端将含密图像解码提取秘密信息，其特征在于：1)编码器中包含一个注意力模块和一个简化的U
‑
Net网络，注意力模块使用两个卷积块创建一个注意力概率图，并鼓励编码器根据图像的内容关注像素的不同通道维度，注意力模块输出注意力概率图P
m
后与秘密信息M相乘，得到注意力特征图M
a
，然后送进编码器剩下的网络结构中生成含密扰动，然后添加到载体图像上生成含密图像；所述注意力模块可表示为：其中，Conv表示卷积层，a和b表示卷积层输出的特征图，d是秘密信息M的通道数，l代表b中元素位置，j和k表示b的通道维度；秘密信息的嵌入方法为：将秘密信息输入编码器，生成含密扰动M
e
，然后与载体图像相加：S
i
＝C
i
+M
e
,i≥1其中，C
i
表示第i张需要嵌入秘密信息的载体图像，S
i
表示第i张含密图像；2)所述判别器为一隐写分析模型，通过对抗学习，使得编码器学会根据秘密信息生成含密对抗扰动，并添加到载体图像上，使生成的含密图像同时成为攻击判别器的对抗样本，从而提高含密图像抵抗隐写分析检测的能力。2.根据权利要求1所述的高容量通用图像信息隐藏方法，其特征在于，所述训练信息隐藏模型的具体方法为：将隐写分析模型设置为判别器，编码器努力生成能够欺骗判别器的含密对抗扰动，而判别器则努力去识别载体图像和...

【专利技术属性】
技术研发人员：王宏霞，袁超，何沛松，
申请(专利权)人：四川大学，
类型：发明
国别省市：