一种基于多层次特征融合的对抗网络图像隐写方法

1.本发明涉及信息安全的技术领域，尤其涉及一种基于多层次特征融合的对抗网络图像隐写方法。


背景技术：

2.图像隐写术是一种将秘密信息隐藏在载体图像中并隐蔽通信行为的技术，是信息隐藏的重要分支，逐渐成为信息安全领域的研究热点。现代隐写术一直被描述为具有保真度约束的信源编码问题。通过量化单个像素的修改代价，计算总嵌入失真最小化，进一步降低隐写术的统计可检测性，即运用数学统计的方式，统计载体图像中可以修改的像素点。在实际隐写方案中，可以利用伴随式矩阵编码(stc)来逼近理论有效负载失真边界。因此，实际隐写术的剩余工作就是设计一个合理的代价损失函数，从而为每个变化的图像元素提供一个精确的失真度量。一个更合理的失真函数会带来更好的隐写安全性，因此如何设计一个更加合理的代价损失函数成为一个重要的研究课题。
3.隐写分析用于检测载体中是否含有秘密信息；尽管一些隐写分析方法通过结合监督学习方案和高维统计特征或选择信息感知技术，如空间富模型srm及其变体max
‑
srmd2可以显著提高检测性能，但精心设计的失真函数依旧可以获得很好的隐蔽性。并且随着深度学习的发展，研究人员试图将神经网络引入隐写分析领域，利用性能良好的网络结构并结合隐写分析特征领域的知识，从而实现更好的隐写检测性，这对隐写术提出了重大挑战。最近提出基于深度学习的隐写方案，通过交替更新gan(generative adversarial network)中的编码
‑
解码网络来分别实现秘密信息的嵌入和提取，然而由于无法保证秘密信息的无差错恢复，它们的应用一直受到限制。
4.tang等基于现有的自适应隐写算法的思想，提出自动隐写失真代价学习框架asdl
‑
gan，这是生成对抗网络自动学习图像隐写失真的首次应用，它改变了传统的根据先验知识手工设计隐写失真函数的观念，从而减少了人为设计的因素，为生成对抗网络在隐写领域的应用开拓了新的方向。但是由于这是生成对抗网络在该领域的初次探索，在时间复杂度和隐写安全性上仍存在很大的改进空间。yang等在此框架的基础上进行改进，并使用tanh激活函数加快训练速度，使得抗隐写分析能力显著提高。然而以上基于对抗神经网络的图像隐写方案均存在一个明显的不足，他们均忽略了网络在生成隐写图像时的计算冗余度高、局部信息丢失严重、分辨率下降等问题。由于隐写操作对像素的修改很小，使用大步伐的卷积操作容易导致神经网络忽略图像细微的变化，从而极大地影响生成网络对隐写图像的生成。


技术实现要素：

5.本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本技术的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
6.鉴于上述现有存在的问题，提出了本发明。
7.因此，本发明提供了一种基于多层次特征融合的对抗网络图像隐写方法，能够弥补网络在特征提取过程中的信息丢失问题。
8.为解决上述技术问题，本发明提供如下技术方案：包括，构建隐写图像生成网络，通过在隐写图像生成网络的收缩路径各层嵌入卷积与池化操作优化隐写图像生成网络结构；通过在隐写图像生成网络的扩展路径中添加连接层融合多层次特征，对所述隐写图像生成网络进行信息补偿；利用代价更新判别网络配合所述隐写图像生成网络进行代价的迭代更新，进而获得载体图像中每个像素的代价损失；将所述载体图像中每个像素的代价损失输入至嵌入模拟器中生成隐写图像。
9.作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：所述隐写图像生成网络包括16个操作层；其中，前8层操作层组成所述收缩路径，后8层操作层组成所述扩展路径。
10.作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：所述隐写图像生成网络包括，前8层操作层的每层由尺寸为3、步长为1的卷积层、批处理归一化层、leaky
‑
relu激活函数、尺寸为2，步长为2的最大池化层组成；后8层操作层的每层由步长为2、尺寸为3的反卷积层、relu激活函数、批处理归一化层、dropout、concat操作、尺寸为1、步长为1的卷积层组成。
11.作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：所述融合多层次特征包括，扩展路径第n(n∈[9,16))层融合收缩路径中第(m
‑
n+1)层卷积后的特征与第(m
‑
n)层池化处理后的特征、第(m
‑
n)层卷积得到特征，完成多层次特征融合。
[0012]
作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：还包括，添加尺寸为1，步长为2的卷积层将特征尺度归一化。
[0013]
作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：所述代价更新判别网络包括判别网络、嵌入模拟器和损失函数；其中，所述判别网络为yenet隐写分析器；根据下式设计所述嵌入模拟器：
[0014][0015]
其中，p
i,j
为隐写图像生成网络的输出，s
i,j
为秘密信息随机数，m
i,j
为嵌入模拟器输出的相应修改值，λ为控制梯度的缩放因子；
[0016]
所述损失函数包括隐写图像生成网络的损失loss_gen与判别网络的损失loss_dis。
[0017]
作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方案，其中：所述隐写图像生成网络的损失包括，通过隐写图像生成网络的输出p
i,j
计算像素x
i,j
加1、减1与不变的概率：与计算载体图像中嵌入有效载荷的容量c；基于所述有效载荷的容量c计算损失loss1_gen与loss2_gen；根据所述损失loss1_gen与loss2_gen计算所述隐写图像生成网络的损失。
[0018]
作为本发明所述的基于多层次特征融合的对抗网络图像隐写方法的一种优选方
案，其中：还包括，在扩展路径中添加dropout操作。
[0019]
本发明的有益效果：本发明利用生成对抗网络实现图像隐写失真代价自学习，使得生成隐写图像尽可能接近真实标签，提升图像生成效率；通过融合多层次特征信息，有效地增加隐写图像生成网络对载体图像细粒度和粗粒度信息的感知，增强特征提取准确性，解决隐写图像生成网络中局部特征信息丢失问题，进一步提升隐写性能；同时引入更强的隐写分析器作为判别网络，提高判别网络的有效性，使隐写图像生成网络训练的参数能更好的表达失真度量，增强隐写图像生成网络的整体性能。
附图说明
[0020]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
[0021]
图1为本发明第一个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的流程示意图；
[0022]
图2为本发明第一个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的隐写图像生成网络结构示意图；
[0023]
图3为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的载体图像1013.pgm；
[0024]
图4为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法中的ut
‑
gan方法在0.4bpp嵌入率下的修改概率图；
[0025]
图5为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法中的ut
‑
gan方法在0.4bpp嵌入率下的嵌入修改图；
[0026]
图6为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法中的ut
‑
gan方法在0.4bpp嵌入率下的隐写图像；
[0027]
图7为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法在0.4pp嵌入率下的修改概率图；
[0028]
图8为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法在0.4pp嵌入率下的嵌入修改图；
[0029]
图9为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法在0.4pp嵌入率下的隐写图像；
[0030]
图10为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的srm检测示意图；
[0031]
图11为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的maxsrm检测示意图；
[0032]
图12为本发明第二个实施例所述的基于多层次特征融合的对抗网络图像隐写方法的yenet检测示意图。
具体实施方式
[0033]
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
[0034]
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
[0035]
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
[0036]
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
[0037]
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0038]
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
[0039]
实施例1
[0040]
参照图1～图2，为本发明的第一个实施例，该实施例提供了一种基于多层次特征融合的对抗网络图像隐写方法，包括：
[0041]
s1：构建隐写图像生成网络，通过在隐写图像生成网络的收缩路径各层嵌入卷积与池化操作优化隐写图像生成网络结构。
[0042]
参照图2，隐写图像生成网络包括16个操作层；其中，前8层操作层组成收缩路径，后8层操作层组成扩展路径。
[0043]
具体的，前8层操作层的每层由尺寸为3、步长为1的卷积层、批处理归一化层、leaky
‑
relu激活函数、尺寸为2，步长为2的最大池化层组成，经过8层收缩路径后得到128
×1×
1的特征图；后8层操作层的每层由步长为2、尺寸为3的反卷积层、relu激活函数、批处理归一化层、dropout、concat操作、尺寸为1、步长为1的卷积层组成，经过8层扩展路径后得到与输入图像大小相同的特征图。
[0044]
本实施例通过添加卷积层和最大池化层以实现卷积和池化操作。
[0045]
s2：通过在隐写图像生成网络的扩展路径中添加连接层融合多层次特征，对隐写图像生成网络进行信息补偿。
[0046]
在扩展路径中添加concat操作，跳跃连接对应收缩层中的通道数不同的多尺度特
征，从而实现多层次特征信息融合；具体的，扩展路径第n(n∈[9,16))层融合收缩路径中第(m
‑
n+1)层卷积后的特征(单层)与第(m
‑
n)层池化处理后的特征(双层)、第(m
‑
n)层卷积得到特征，最终实现(三层)多层次特征融合。
[0047]
由于第三层特征与前两层的特征大小不同，因此需要添加尺寸为1，步长为2的卷积层将特征尺度归一化。
[0048]
较佳的是，为了防止过拟合，提高模型泛化能力，本实施例在扩展路径中添加dropout操作；由于多层次特征融合后特征通道数增加，为减少运算量，本实施例在连接层之后通过尺寸为1、步长为1的卷积层减少通道数。
[0049]
s3：利用代价更新判别网络配合隐写图像生成网络进行代价的迭代更新，进而获得载体图像中每个像素的代价损失。
[0050]
代价更新判别网络包括判别网络、嵌入模拟器和损失函数；
[0051]
(1)判别网络
[0052]
本实施例利用yenet隐写分析器作为判别网络；其从srm中引入了12个高通滤波器，对载体图像和隐写图像进行残差过滤，加快了网络收敛速度。
[0053]
(2)嵌入模拟器
[0054]
本实施例利用tanh嵌入模拟器作为嵌入模拟器，根据下式设计该嵌入模拟器：
[0055][0056][0057]
其中，p
i,j
(p
i,j
∈(0,0.5))为隐写图像生成网络的输出，s
i,j
(s
i,j
∈[0,1])为秘密信息随机数，m
i,j
(m
i,j
∈{+1,0,
‑
1})为嵌入模拟器输出的相应修改值，λ为控制梯度的缩放因子，本实施例将其设置为60。
[0058]
(3)损失函数
[0059]
损失函数loss_total由隐写图像生成网络的损失loss_gen与判别网络的损失loss_dis组成：
[0060]
loss_total＝loss_gen+loss_dis
[0061]
其中，
①
隐写图像生成网络的损失loss_gen的计算步骤如下：
[0062]
1)通过隐写图像生成网络的输出p
i,j
计算像素x
i,j
加1、减1与不变的概率：与
[0063][0064][0065]
2)计算载体图像中嵌入有效载荷的容量c；
[0066][0067]
其中，h、w为载体图像的高度和宽度。
[0068]
3)基于有效载荷的容量c计算损失loss1_gen与loss2_gen；
[0069][0070]
loss2_gen＝(c
‑
h
×
w
×
q)2[0071]
其中，x为判别网络的预测值，y为目标输出；loss1_gen使隐写图像难以被判别网络检测、loss2_gen保证隐写图像嵌入有效载荷接近嵌入率q。
[0072]
4)根据损失loss1_gen与loss2_gen计算隐写图像生成网络的损失。
[0073]
loss_gen＝α
×
loss1_gen+β
×
loss2_gen
[0074]
其中，α和β设置为10
‑7和0.1。
[0075]
②
判别网络的损失loss_dis
[0076]
结合二值交叉熵损失函数计算判别网络的损失loss_dis：
[0077][0078]
s4：将载体图像中每个像素的代价损失输入至嵌入模拟器中生成隐写图像。
[0079]
实施例2
[0080]
本实施例选择places365
‑
standard、bossbase v1.01两个公开的数据集对本方法中采用的技术效果加以验证说明。
[0081]
参数设置：使用matlab中的“rgb2gray”函数和“imresize”函数将两数据集图像转换为pgm、256
×
256尺寸统一规格的灰度图像；本方法从place365
‑
standard中随机选择50000张图像，40000张作为训练集，剩余作为验证集，bossbase v1.01作为测试集。
[0082]
网络训练选择学习率为10
‑4的adam优化器进行迭代训练，每次迭代输入8幅载体图像(batchsize＝8)，epoch＝70；同时训练时使用正态分布的随机初始化对网络中的权重进行初始化；
[0083]
其中，每次训练流程包括：
[0084]
(1)将载体图像分为若干批(batchsize)输入隐写图像生成网络，得到修改概率图；使用tanh嵌入模拟器组合修改概率图和随机数生成嵌入修改图；生成器在载体图像上应用相应的嵌入修改图生成隐写图像。
[0085]
(2)载体图像与隐写图像组合输入判别器；判别器通过adam优化器使用最小批梯度下降算法，交替更新参数。
[0086]
从bossbase v1.01中随机选择一张图像“1013.pgm”，测试结果如图3～9所示；从图中可看出，经过多层次特征融合后，生成网络对纹理区域的像素赋予了更低的修改代价；从载体图像修改概率图可看出，本方法更倾向于在纹理复杂的地方进行修改，且本方法相比于ut
‑
gan在纹理区域修改的像素更加集中，在纹理复杂度高的地方进行秘密信息的嵌入会让图像隐写安全性更高。
[0087]
进一步的，本实施例选择当前效果较好的传统隐写算法hill、wow、s
‑
uniward和基于深度学习的隐写算法asdl
‑
gan、ut
‑
gan和采用本方法进行对比测试，均采用相同的训练集与测试集，在0.1～0.4bpp嵌入率下使用隐写分析特征srm、maxsrm与集成分类器(ec)结合的隐写分析方法进行隐写分析检测，评估算法的安全性能，与ut
‑
gan进行测试对比的结
果如图3～9所示；其中错误率越高表明抗隐写分析能力越强即安全性越高；图10、11、12分别为本方法与传统方法和深度学习方法分别使用srm、maxsrm、yenet检测的错误率。
[0088]
从中可以看出,与传统算法相比本方法的安全性能仍然无法超越所有传统的隐写算法，因为传统的隐写方法采用手工设计失真函数计算像素失真代价，人工设计的失真函数是基于启发性的，并不适用于所有的载体图像；与此同时自然图像具有纹理不可统计性，因此人工设计的失真函数在根本上具有局限性；本方法采用隐写图像生成网络对像素代价进行分配，隐写图像生成网络可以根据不同的图像特征进行自适应代价调整，因此对载体图像的代价分配更加合理，从而实现更高的隐写安全性与鲁棒性。
[0089]
本方法比上述现有的基于深度学习隐写方法的综合安全性能更高；且本方法的隐写图像生成网络采用多层次特征融合后相比于ut
‑
gan具有更好的隐写隐蔽性，这是由于asdl
‑
gan和ut
‑
gan的生成网络在多重卷积过程会产生大量局部信息丢失，其中asdl
‑
gan使用多个重复的卷积层连接很难捕捉到图像的深层语义信息，ut
‑
gan忽略了图像浅层纹理信息；本方法使用多层次特征融合改进上述两种方案，将多个浅层特征与深层特征进行融合，起到信息补偿的作用，提高了网络对不同层次特征的提取能力，其在相同数据集上的隐写性能较其他算法更为均衡，生成的隐写图像更接近真实的标签图；对于抵抗srm与maxsrm检测，本方法在不同嵌入率下相比asdl
‑
gan、ut
‑
gan也均有一定程度安全性的提升。
[0090]
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。