一种基于生成式网络的载体图像增强方法技术

一种基于生成式网络的载体图像增强方法，包括训练对抗噪声生成器的步骤：将训练集中的载体图像输入对抗噪声生成器，得到对抗噪声；将对抗噪声加入到载体图像中，获得增强载体图像；使用自适应隐写算法生成隐写噪声，将隐写噪声加入到增强载体图像，得到增强载密图像；将载体图像与增强载密图像之间的均方误差作为均方误差损失；将增强载密图像输入预训练的隐写分析器，得到预测结果；再将预测结果与载体图像真实标签之间的交叉熵损失作为对抗噪声生成器的对抗损失；将均方误差损失和对抗损失加权求和，得到总损失；通过反向传播，利用Adam优化方法优化对抗噪声生成器。本发明专利技术相较于现有载体图像增强算法迁移性更高。于现有载体图像增强算法迁移性更高。于现有载体图像增强算法迁移性更高。

A carrier image enhancement method based on generative network

【技术实现步骤摘要】
一种基于生成式网络的载体图像增强方法


[0001]本专利技术涉及信息隐藏
，特别是一种基于生成式网络的载体图像增强方法。

技术介绍

[0002]图像隐写术作为信息隐藏
的重要技术之一，利用数字图像的信息冗余隐藏秘密信息，难以被察觉。图像隐写术将秘密信息隐藏至正常的图像载体中，大大降低了被恶意拦截、篡改的风险，因此也被广泛应用于情报传输领域。近年来，图像隐写研究人员提出了许多将秘密信息的嵌入位置与图像内容相关联的空域自适应隐写算法，例如HUGO(Highly Undetectable steGO)，WOW(Wavelet Obtained Weights)，S
‑
UNIWARD(Spatial Universal Wavelet Relative Distortion)，HILL(High
‑
pass,Low
‑
pass,and Low
‑
pass)等。这类隐写算法根据图像纹理复杂区域难以建模的特点，将秘密信息嵌入到图像的纹理复杂区域以降低对统计特性的破坏，提升载密图像的安全性。
[0003]隐写分析技术作为隐写分析的对抗技术，根据图像中是否含有秘密信息将图像分为载体图像和载密图像。隐写分析技术可以分为传统的隐写分析技术和基于深度学习的隐写分析技术。传统隐写分析技术首先提取图像的高维特征，然后结合机器分类器对图像进行检测，最具有代表性的是空域富模型(Spacial Rich Model，SRM)。传统隐写分析技术对于空域自适应隐写算法的检测效果一般。基于深度学习的隐写分析技术是利用深度学习强大的学习能力，提取图像更深层的隐写特征，进而对图像进行检测。近年来，基于深度学习的隐写分析技术作为目前的研究热点，已经取得许多优秀的成果。在文献《Structural design of convolutional neural networks for steganalysis》中，Xu等人在卷积神经网络的基础上加入一个高通滤波器作为预处理层，同时利用混合激活函数提高网络的学习能力，其检测效果相较于SRM略有提升。在文献《Deep learning hierarchical representations for image steganalysis》中，Ye等人提出YeNet，直接将SRM滤波核与深度学习网络结合，对图像进行预处理，得到了一张残差叠加图像，将其放入隐写分析网络中进行训练，并且采用一种新的激活函数，截断激活函数(TLU)，其检测效果超过了传统隐写分析器SRM。在文献《Depth
‑
wise separable convolutions and multi
‑
level pooling for an efficient spatial CNN
‑
based steganalysis》中，Zhu等人提出一种ZhuNet，在预训练层使用可以训练的SRM高通滤波核进行处理，此外，使用3
×
3的卷积核代替传统的5
×
5的卷积核，利用较小的卷积核减少参数数量并在较小的局部区域中对特征进行建模，同时使用空间金字塔池化(Spatial Pyramid Pooling，SPP)代替全局平均池化，聚合局部特征，其检测性能超过YeNet。与其他基于CNN的隐写分析器不同，在文献《Deep residual network for steganalysis of digital images》中，Boroumand M等人提出一种基于深度残差网络的隐写分析器SRNet，该网络没有预处理层，完全依靠数据驱动神经网络进行特征学习，实现完全的端到端检测，其检测效果与ZhuNet相当。因此，隐写分析技术的快速发展给图像隐写术带来了巨大的挑战。
[0004]为了对抗隐写分析技术的检测，在文献《Adversarial examples against deep neural network based steganalysis》中，Zhang等人提出一种载体增强技术，其借鉴对抗样本的思想，利用梯度信息构建对抗噪声，然后将对抗噪声加入到载体图像中使之得到增强。增强载体图像嵌入秘密信息后能够有效欺骗目标隐写分析器，使之给出错误的分类结果。但是，该方法仍存在两个不足：1)生成的增强载体在嵌入秘密信息后无法有效地欺骗非目标隐写分析器，即迁移性较弱。2)生成的增强载密图像在面对传统隐写分析技术SRM检测时安全性不高。

技术实现思路

[0005]本专利技术的目的是提供一种基于生成式网络的载体图像增强方法。
[0006]实现本专利技术目的的技术方案如下：
[0007]一种基于生成式网络的载体图像增强方法，包括：
[0008]步骤1，训练对抗噪声生成器；
[0009]步骤2，将载体图像输入到训练后的对抗噪声生成器中，得到对抗噪声；再将对抗噪声加入到载体图像中，得到增强载体图像；
[0010]所述训练对抗噪声生成器，具体为：
[0011]1.1将训练集中的载体图像输入对抗噪声生成器，得到对抗噪声；
[0012]1.2将对抗噪声加入到载体图像中，获得增强载体图像；
[0013]1.3使用自适应隐写算法生成隐写噪声，将隐写噪声加入到增强载体图像，得到增强载密图像；
[0014]1.4将载体图像与增强载密图像之间的均方误差作为均方误差损失；
[0015]1.5将增强载密图像输入预训练的隐写分析器，得到预测结果；再将预测结果与载体图像真实标签之间的交叉熵损失作为对抗噪声生成器的对抗损失；所述预训练的隐写分析器训练时使用的隐写算法与步骤1.3的自适应隐写算法相同；
[0016]1.6将均方误差损失和对抗损失加权求和，得到总损失；
[0017]1.7通过反向传播，利用Adam优化方法优化对抗噪声生成器；
[0018]重复步骤1.1～步骤1.7多次，得到训练后的对抗噪声生成器。
[0019]进一步的技术方案，所述步骤1.5替换为：将增强载密图像分别输入预训练的第一隐写分析器和第二隐写分析器，得到第一预测结果和第二预测结果；再分别计算第一预测结果与载体图像真实标签之间的第一交叉熵损失和第二预测结果与载体图像真实标签之间的第二交叉熵损失；将第一交叉熵损失和第二交叉熵损失加权求和，作为对抗噪声生成器的对抗损失；所述第一隐写分析器和第二隐写分析器具有不同的网络结构，在训练时使用的隐写算法均与步骤1.3的自适应隐写算法相同。
[0020]与现有技术相比，本专利技术具有如下的有益效果：
[0021]1.相较于现有载体图像增强算法迁移性更高，即通过本专利技术得到的增强载体图像嵌入秘密信息后能够有效欺骗未知的非目标隐写分析器，使之给出错误的分类结果。
[0022]2.通过本专利技术得到的增强载体图像在嵌入秘密信息后能够有效抵抗传统隐写分析方法SRM检测，相对于现有算法更具优势。
附图说明
[0023]本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于生成式网络的载体图像增强方法，其特征在于，包括：步骤1，训练对抗噪声生成器；步骤2，将载体图像输入到训练后的对抗噪声生成器中，得到对抗噪声；再将对抗噪声加入到载体图像中，得到增强载体图像；所述训练对抗噪声生成器，具体为：1.1将训练集中的载体图像输入对抗噪声生成器，得到对抗噪声；1.2将对抗噪声加入到载体图像中，获得增强载体图像；1.3使用自适应隐写算法生成隐写噪声，将隐写噪声加入到增强载体图像，得到增强载密图像；1.4将载体图像与增强载密图像之间的均方误差作为均方误差损失；1.5将增强载密图像输入预训练的隐写分析器，得到预测结果；再将预测结果与载体图像真实标签之间的交叉熵损失作为对抗噪声生成器的对抗损失；所述预训练的隐写分析器训练时使用的隐写算法与步骤1.3的自适应隐写算法相同；1.6将均方误差损失和对抗损失加权求和，得到总损失；1.7通过反向传播，利用Adam优化方法优化对抗噪声...

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