基于改进的双向生成对抗网络的图像感知哈希方法及系统技术方案

本发明专利技术公开了基于改进的双向生成对抗网络的图像感知哈希方法及系统，获取待处理图像；对待处理图像进行预处理；将处理后的图像输入到训练后的改进的双向生成对抗网络中，得到待处理图像的哈希码；改进的双向生成对抗网络中，编码器网络与生成器网络均与判别器网络连接且编码器网络还与生成器网络连接；训练改进的双向生成对抗网络的过程中，将归一化的原始图像输入到编码器网络中，编码器网络产生初始哈希码；将随机生成的与初始哈希码同维度的噪声输入到生成器网络中，生成器网络输出原始图像的重建图像；利用判别器网络对初始哈希码与噪声进行鉴别，对重建图像与原始图像进行鉴别，通过对三个网络合训练得到训练后的改进的双向生成对抗网络。双向生成对抗网络。双向生成对抗网络。

【技术实现步骤摘要】
基于改进的双向生成对抗网络的图像感知哈希方法及系统


[0001]本专利技术涉及图像感知哈希
，特别是涉及基于改进的双向生成对抗网络的图像感知哈希方法及系统。

技术介绍

[0002]本部分的陈述仅仅是提到了与本专利技术相关的
技术介绍
，并不必然构成现有技术。
[0003]随着智能移动终端和数字图像处理技术的快速发展，人们获取高精度图像的成本不断下降，互联网中图像呈几何级数增长；与其同时，大量图像编辑软件的出现，使得图像修改简单易行，眼见不一定为实，图像的真实性验证已经成为数字图像领域的研究热点。
[0004]近年来，研究人员提出了多种基于数字水印的算法进行图像版权认证，然而，水印嵌入不可避免地破坏了图像内在结构，影响了图像的视觉效果。近些年，感知图像哈希作为新兴的多媒体安全技术，引起了众多学者关注。感知图像哈希的概念来源于密码学哈希，如MD5和SHA
‑
1，它们可以将输入信息转换为固定长度的序列，其对图像内容变化非常敏感，因而传统密码学哈希只适用于比特流级的认证。对于图像而言，经过特定操作(如裁剪，旋转等)修改后的图像，尽管内容感知上并没有发生太大变化，其散列函数值却会产生大幅变动，难以实现图像的版权跟踪和来源保护。感知图像哈希基于图像视觉内容来计算生成哈希序列应具有较强的鲁棒性，即使在原始图像经过轻微改动后仍然能够产生相近的哈希序列，抵抗针对原始图像篡改操作的攻击；另一方面，感知哈希算法还具有较强的脆弱性，对于不同来源的图像，即使未做任何修改，也能生成和原始图像相差很大的散列函数，从而实现原始图像的来源认证和假冒图像攻击的监测。由于鲁棒性与脆弱性之间是相互制约的，一个理想的、性能优良的感知哈希算法应该在二者之间取得良好平衡性。感知图像哈希与图像检索的重要区别在于，后者注重在大规模数据集上查询符合要求的图像；而前者则侧重研究图像内容的一致性验证和对不同图像的区分。
[0005]图像感知哈希最早由Schneider和Chang在1996年的国际图像处理会议(ICIP)上提出。该项工作为了获取图像中的空间信息，将图像分成若干子块。提取每个子块强度直方图的均值，将所有子块对应的均值量化为图像的哈希值。此后，针对图像感知哈希的研究大量涌现。感知图像哈希算法一般由三个步骤组成：图像归一化处理；提取关键特征向量；量化特征向量。其中最具挑战性的内容是特征提取，经典的特征提取方法大致可划分为频域变换、矩阵压缩、流形学习。
[0006]频域变换方法，包括：离散余弦变换(DCT)、离散小波变换(DWT)和离散傅里叶变换(DFT)。早期，Venkatesan等人通过量化三级DWT系数的均值和方差构造哈希函数，该算法对常见的内容保持操作具有鲁棒性，但是只能应对较低程度的攻击。Lin等人利用不同图像子块之间相同位置DCT系数设计图像哈希算法，该方法对任意程度的JPEG压缩及其多轮JPEG压缩具有强鲁棒性。Tang等人通过把图像划分为多个子块，提取每个子块DCT系数中第一行/列的主要特征值来构造特征矩阵，然后经过量化列距离来进行矩阵压缩进而得到紧凑的哈希码。Huang等人结合灰度共生矩阵与DCT系数生成哈希序列，在鲁棒性与唯一性间取
得良好平衡性。此后，Vadlamudi等人提出了一种将特征点与DWT结合的鲁棒哈希方法。该方法首先利用尺度不变特征变换(SIFT)从LAB彩色图像的L分量中计算不变特征点，然后利用多个不同的特征点从L分量中提取图像特征，最后对提取的内容应用DWT并把其结果归一化为二进制哈希码。该算法能有效地抵抗图像的几何失真，在拷贝检测上也具有较好的性能。Swaminathan等人提出了一种基于傅里叶变换的图像哈希方法，该方法首先对归一化的图像进行傅里叶变换并转化为极坐标表示，然后采用随机化方法获取统计特征，利用这些统计特征设计成哈希码。近期，Qin等人从DFT后的二次图像中提取稳健的频率特征，再通过非均匀采样，从频率分量中选取采样点作为图像的显著特征，该方案在抵抗旋转攻击方面表现优秀。总体来讲，大多数基于频域变化的感知图像哈希技术都具有良好的鲁棒性，在拷贝检测方面性能卓越。
[0007]另一方面，近年来基于矩阵理论的哈希码生成方案也有很多进展。常用方法为奇异值分解(SVD)、非负矩阵分解(NMF)和QR分解等矩阵分解方法提取特征值或特征向量以生成哈希码。Kozat等人首先提出使用奇异值分解(SVD)的方案生成哈希码，通过SVD奇异值保障哈希算法的鲁棒性，该方案的提出为之后的基于矩阵压缩的图像哈希方案提供了指引。Tang等人利用环形分割技术构造旋转不变的二次图像，并将NMF应用到二次图像，得到NMF系数以生成哈希码，使算法能够抵抗大角度旋转攻击且唯一性良好。Hosny等人通过提取灰度图像的Gauss
‑
Hermite矩及其不变量从而生成高效的哈希码，在安全性和噪声攻击方面表现良好。Ouyang等人使用四元数Zernike矩和SIFT相结合的方式来提取哈希码。其中，利用Zernike矩计算出的全局特征保证模型的识别准确性，SIFT模型保证对内容操作的敏感性。
[0008]此外，流形学习的方法可以有效的消除高维特征的冗余信息，进而准确的刻画数据的本质，因此可以与图像哈希紧密的结合。流形学习经常使用的技术有：局部线性嵌入(LLE)、主成分分析(PCA)、多维标度(MDS)、线性判别分析(LDA)、或局部保持投影(LPP)。Tang等人对随机子块组成的图像矩阵表示应用LLE降维操作后，取嵌入向量的方差作为哈希码，该算法对高斯滤波和JPEG压缩等操作有较好的鲁棒性。此后，在此基础又提出了一种DCT与LLE相结合的方式，使得性能进一步提升。Zhu等人提出了一种在PCA域生成哈希码的方法，首先对数据集聚类，然后获取每个数据点概率用于生成局部领域，对其主成分分析再量化得到哈希码，然而，该算法对图像内容变化比较敏感。Tang等人利用对数极坐标和DFT从归一化的图片中提取特征矩阵，再用MDS变换量化提取简短哈希码，该方案可以抵抗大角度的旋转攻击，但是唯一性表现不佳。Zhao等人使用LDA与LPP相结合的方式提取哈希码，该方案同时保留原始图像的局部信息与全局信息使得在多数据集上运行良好。总的来说，基于流形学习的图像哈希算法一般具有较好的分类性能。
[0009]除了上述方案外，研究人员还相继提出了一些其他类型的感知哈希算法。Tang等人先计算图像的颜色向量角矩阵，然后提取该特征矩阵内接圆的直方图，最后使用DCT压缩直方图生成哈希码。该算法能够抵抗大角度旋转攻击，但时间复杂度较高。Tang等人将归一化后的图像分成不同的环，从环中提取均值、方差、偏度、峰度四个统计特征向量，最后，利用特征向量之间的不变距离形成紧凑的图像散列。由于统计量与图像像素的位置信息无关，该方案对几何变换攻击具有强鲁棒性。Lef
è
bvre等人使用Rodon变换的方式设计图像哈希，该算法能够抵抗几何变换攻击，但是脆弱性较差。Lei等人对输入图像做Rodon变换，然
后在投影变换域中计算不变矩特征，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，包括：获取待处理图像；对待处理图像进行预处理；将预处理后的图像输入到训练后的改进的双向生成对抗网络中，得到待处理图像的哈希码；其中，改进的双向生成对抗网络，包括编码器网络、生成器网络和判别器网络；其中，编码器网络与生成器网络均与判别器网络连接且编码器网络还与生成器网络连接；其中，在训练改进的双向生成对抗网络的过程中，将归一化的原始图像输入到编码器网络中，编码器网络产生初始哈希码；将随机生成的与初始哈希码同维度的噪声输入到生成器网络中，生成器网络输出原始图像的重建图像；利用判别器网络对初始哈希码与噪声进行鉴别，同时，对重建图像与原始图像进行鉴别，通过对三个网络合训练得到训练后的改进的双向生成对抗网络。2.如权利要求1所述的基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，所述编码器网络，工作原理是：编码器网络用于实现原始图像到潜在表示的映射；训练阶段，编码器网络的输入值为归一化后的训练集图像，编码器网络的输出值为哈希码；实际应用阶段，编码器网络的输入值为归一化后的待处理图像，编码器网络的输出值为哈希码。3.如权利要求1所述的基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，所述生成器网络，工作原理是：将随机生成的与初始哈希码同维度的符合正态分布的噪声输入到生成器网络中，生成器网络输出原始图像的重建图像。4.如权利要求1所述的基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，所述判别器网络，工作原理是：利用判别器网络对编码器网络生成的初始哈希码与随机生成的噪声进行鉴别，同时，对生成器生成的重建图像与归一化处理后的原始图像进行鉴别。5.如权利要求4所述的基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，将判别器网络划分为三个映射过程，即：图像映射、语义映射、联合映射；图像映射通过将输入的原始图像或重建图像将进行多层卷积运算，基于多层卷积网络的特性，随着网络的深入，图像的通道数量变多，图像的尺寸逐渐变小，最后将原始输入图像压缩为1024位特征表示；语义映射通过将输入的噪声或哈希码将进行多层卷积运算后，提取原始图像特征；联合映射即是将图像映射与语义映射的输出组合成一条数据作为输入，经过多层卷积运算后，再通过sigmoid激活判断联合表示真假。6.如权利要求1所述的基于改进的双向生成对抗网络的图像感知哈希方法，其特征是，所述通过对三个网络合训练得到训练后的改进的双向生成对抗网络，训练过程包括：构建训练集；所述训练集，为人脸图像；将训练集输入到改进的双向生成对抗网络中，对网络进行训练；
先固定编码器网络和生成器网络的网络参数，优化判别器网络的参数；当判别器网络的损失函数达到局部最优时，暂停训练判别器网络；然后固定判别器网络的参数，优化编码器网络和生成器网络的参数；...

【专利技术属性】
技术研发人员：马宾，王一利，马睿和，徐健，王春鹏，李健，周琳娜，
申请(专利权)人：齐鲁工业大学，
类型：发明
国别省市：