基于RGB通道差分平面的大容量隐写方法及系统

本发明涉及图像处理，具体地说是基于rgb通道差分平面的大容量隐写方法及系统。

背景技术：

1、隐写术是信息隐藏领域的一种重要手段，它通过将秘密信息嵌入到载体的细微细节中，使得人们感知不到其中的存在。与加密技术不同，隐写术不仅需要保证信息的保密性，还需要保证信息的隐蔽性，即使攻击者获得了载体，也难以察觉其中的秘密信息。随着隐写算法和隐写模型的不断发展，从最早的文字隐写到现在的图像、音频、视频等多媒体隐写。在当今数字媒体技术众多的时代，主流的隐写媒体仍然以图像为主。

2、对于rgb图像的隐写，在嵌入秘密图像后往往会导致图像失真，从而引起嵌入容量低、嵌入后视觉效果差等问题。但是在rgb三通道的图像隐写中，使用载体图像的rgb通道间的差异可以有效的隐藏秘密信息。rgb通道的差异可以用于隐藏信息，因为这些通道之间存在微小的差异，这些差异可以被用于存储信息，同时对图像的视觉效果影响较小。具体来说，将信息嵌入到rgb通道的差异中可以实现对图像进行隐写，而不会对图像的整体颜色和亮度产生太大的影响。这种技术可以使得隐写更加难以被察觉，同时也可以增加信息的存储容量。因此，使用载体图像的rgb通道进行差值再进行隐写可以获得比较好的效果。

3、对于图隐图大容量隐写，如何基于rgb通道差异进行图像隐写、提高隐写图像视觉质量以及抗隐写分析能力，是需要解决的技术问题。

技术实现思路

1、本发明的技术任务是针对以上不足，提供基于rgb通道差分平面的大容量隐写方法及系统，来解决如何基于rgb通道差异进行图像隐写、提高隐写图像视觉质量以及抗隐写分析能力的技术问题。

2、第一方面，本发明一种基于rgb通道差分平面的大容量隐写方法，包括如下步骤：

3、隐写网络构建：构建隐写网络模型，所述隐写网络模型包括通道分离部和生成器，所述通道分离部用于以载体图像为输入，将载体图像进行通道分离和通道作差，得到差值平面，所述生成器为基于u-net网络构建的网络模型，用于以差值平面和秘密图像为输入，将秘密图像嵌入差值平面，得到隐秘图像；

4、隐写分析网络构建：基于空域隐写分析模型构建隐写分析网络模型，所述隐写分析网络模型用于以隐写图像和对应的载体图像为输入，通过判断隐写图像是否为含有秘密图像的载体图像，预测输出输入图像的标签类别以及概率值作为输出结果，输入图像的标签类别包括隐写图像和载体图像两种；

5、提取网络构建：基于cnn模型构建提取网络模型，所述提取网络模型用于以隐写图像为输入，从隐写图像中提取秘密图像作为提取图像输出；

6、损失函数构建：基于隐写分析网络模型的输出结果构建判别损失函数，基于载体图像、隐写图像以及提取图像构建像素级别的损失函数作为隐写损失函数，将判别损失函数和隐写损失函数进行联合加权作为生成器的总损失函数；

7、模型训练：基于总损失函数对生成器进行迭代优化，得到训练后生成器，在对生成器进行迭代优化的同时，基于隐写损失函数对提取网络模型进行迭代优化，并基于判别损失函数对隐写分析网络模型进行迭代优化；

8、图像隐写：基于通道分离部和训练后生成器构建训练后隐写网络模型，将载体图像和秘密图像输入训练后隐写网络模型，得到隐写图像。

9、作为优选，对于所述隐写网络模型，所述通道分离部分用于执行如下：

10、以原始的载体图像为输入，对载体图像进行通道分离，得到三个单通道灰度图像，分别为r通道灰度图像、g通道灰度图像以及b通道灰度图像；

11、对r通道灰度图像和g通道灰度图像进行通道作差，得到差值平面；

12、所述生成器为包括编码网络结构和解密网络结构的u型网络模型，编码网络结构包括n/2层下采样编码单元，每层下采样编码单元包括用于采样的卷积层、批处理归一化层以及relu激活函数，解码网络结构包括n/2层上采样解码单元，每层上采样解码单元包括用于上采样的反卷积层、批量归一化层和relu激活函数，最后一层解码单元中还包括sigmoid激活函数，对于解码网络结构，通过跳接方式将第i层和第n–i层输出的特征图拼接起来作为n–i+1层的输入，其中n为偶数，0<i<n/2。

13、作为优选，所述隐写分析网络模型包括基于xu-net网络模型构建的第一空域隐写分析器以及基于sr-net网络模型构建的第二空域隐写分析器；

14、隐写分析网络模型对应的判别损失函数为第一空域分析器对应判别损失函数和第二空域分析器对应判别损失函数的加权和；

15、第一空域隐写分析器对应判别损失函数lsdx以及第二空域隐写分析器对应判别损失函数lsds的计算公式如下：

16、

17、

18、其中，xi表示第一空域隐写分析器中通过softmax层的输出，x1表示原始的载体图像的概率，x2表示隐写图像的概率，x′1表示原始的载体图像对应的标签，x′2表示隐写图像对应的标签；

19、yi表示第二空域隐写分析器中通过softmax层的输出，y1表示原始的载体图像的概率，y2表示隐写图像的概率，y′1表示原始的载体图像对应的标签，y′2表示隐写图像对应的标签。

20、作为优选，所述提取网络模型包括多层解码结构，每层解码结构均包括卷积层、批量归一化层和relu激活函数，其中，最后一层解码结构中卷积层与批量归一化层之间连接有用sigmoid激活函数。

21、作为优选，隐写损失函数包括均方误差损失函数和结构相似损失函数，

22、均方误差损失函数mse_loss为mse_sloss与mse_eloss的加权和，ssim_loss是ssim_sloss与ssim_eloss的加权和，mse_sloss表示载体图像与隐写图像之间的均方误差损失，ssim_eloss表示隐写图像与提取图像之间之间的均方误差损失，计算公式如下：

23、

24、

25、其中，xi表示载体图像的像素值，x′i表示隐写图像的像素值，yi表示隐写图像的像素值，y′i表示提取图像的像素值，n表示图像中像素点的个数；

26、结构相似损失函数ssim_sloss为ssim_sloss与ssim_eloss的加权和，ssim_sloss表示载体图像与隐写图像之间的结构相似损失，ssim_eloss表示隐写图像与提取图像之间的结构相似损失，计算公式如下：

27、

28、

29、其中，μx表示载体图像的均值，μx'表示隐写图像的均值，σx表示载体图像的方差，σx'表示隐写图像的方差，μy表示隐写图像的均值，μy'表示提取图像的均值，σy表示隐写图像的方差，σy'表示提取图像的方差，σxx'表示载体图像与隐写图像的协方差，σyy'表示隐写图像与提取图像的协方差；ci(i＝1,2,3,4)的取值为远小于1的系数与图像灰度的动态范围乘积的平方；

30、对应的，生成器的总损失函数为：

31、loss＝mse_loss+ssim_loss+αld

32、其中，ld为隐写分析对抗损失，α为隐写分析对抗损失的权值。

33、第二方面，本发明一种基于rgb通道差分平面的大容量隐写系统，用于通过如第一方面任一项所述的基于rgb通道差分平面的大容量隐写方法实现图像隐写，所述系统包括隐写网络构建模块、隐写分析网络构建模块、提取网络构建模块、损失函数构建模块、模型训练模块以及图像隐写模块，

34、所述隐写网络构建模块用于执行如下：构建隐写网络模型，所述隐写网络模型包括通道分离部和生成器，所述通道分离部用于以载体图像为输入，将载体图像进行通道分离和通道作差，得到差值平面，所述生成器为基于u-net网络构建的网络模型，用于以差值平面和秘密图像为输入，将秘密图像嵌入差值平面，得到隐秘图像；

35、所述隐写分析网络构建模块用于执行如下：基于空域隐写分析模型构建隐写分析网络模型，所述隐写分析网络模型用于以隐写图像和对应的载体图像为输入，通过判断隐写图像是否为含有秘密图像的载体图像，预测输出输入图像的标签类别以及概率值作为输出结果，输入图像的标签类别包括隐写图像和载体图像两种；

36、所述提取网络构建模块用于执行如下：基于cnn模型构建提取网络模型，所述提取网络模型用于以隐写图像为输入，从隐写图像中提取秘密图像作为提取图像输出；

37、所述损失函数构建模块用于执行如下：基于隐写分析网络模型的输出结果构建判别损失函数，基于载体图像、隐写图像以及提取图像构建像素级别的损失函数作为隐写损失函数，将判别损失函数和隐写损失函数进行联合加权作为生成器的总损失函数；

38、所述模型训练模块用于执行如下：基于总损失函数对生成器进行迭代优化，得到训练后生成器，在对生成器进行迭代优化的同时，基于隐写损失函数对提取网络模型进行迭代优化，并基于判别损失函数对隐写分析网络模型进行迭代优化；

39、所述图像隐写模块用于执行如下：基于通道分离部和训练后生成器构建训练后隐写网络模型，将载体图像和秘密图像输入训练后隐写网络模型，得到隐写图像。

40、作为优选，对于所述隐写网络模型，所述通道分离部分用于执行如下：

41、以原始的载体图像为输入，对载体图像进行通道分离，得到三个单通道灰度图像，分别为r通道灰度图像、g通道灰度图像以及b通道灰度图像；

42、对r通道灰度图像和g通道灰度图像进行通道作差，得到差值平面；

43、所述生成器为包括编码网络结构和解密网络结构的u型网络模型，编码网络结构包括n/2层下采样编码单元，每层下采样编码单元包括用于采样的卷积层、批处理归一化层以及relu激活函数，解码网络结构包括n/2层上采样解码单元，每层上采样解码单元包括用于上采样的反卷积层、批量归一化层和relu激活函数，最后一层解码单元中还包括sigmoid激活函数，对于解码网络结构，通过跳接方式将第i层和第n–i层输出的特征图拼接起来作为n–i+1层的输入，其中n为偶数，0<i<n/2。

44、作为优选，所述隐写分析网络模型包括基于xu-net网络模型构建的第一空域隐写分析器以及基于sr-net网络模型构建的第二空域隐写分析器；

45、隐写分析网络模型对应的判别损失函数为第一空域分析器对应判别损失函数和第二空域分析器对应判别损失函数的加权和；

46、第一空域隐写分析器对应判别损失函数lsdx以及第二空域隐写分析器对应判别损失函数lsds的计算公式如下：

47、

48、

49、其中，xi表示第一空域隐写分析器中通过softmax层的输出，x1表示原始的载体图像的概率，x2表示隐写图像的概率，x′1表示原始的载体图像对应的标签，x′2表示隐写图像对应的标签；

50、yi表示第二空域隐写分析器中通过softmax层的输出，y1表示原始的载体图像的概率，y2表示隐写图像的概率，y1′表示原始的载体图像对应的标签，y′2表示隐写图像对应的标签。

51、作为优选，所述提取网络模型包括多层解码结构，每层解码结构均包括卷积层、批量归一化层和relu激活函数，其中，最后一层解码结构中卷积层与批量归一化层之间连接有用sigmoid激活函数。

52、作为优选，隐写损失函数包括均方误差损失函数和结构相似损失函数，

53、均方误差损失函数mse_loss为mse_sloss与mse_eloss的加权和，ssim_loss是ssim_sloss与ssim_eloss的加权和，mse_sloss表示载体图像与隐写图像之间的均方误差损失，ssim_eloss表示隐写图像与提取图像之间之间的均方误差损失，计算公式如下：

54、

55、

56、其中，xi表示载体图像的像素值，x′i表示隐写图像的像素值，yi表示隐写图像的像素值，y′i表示提取图像的像素值，n表示图像中像素点的个数；

57、结构相似损失函数ssim_sloss为ssim_sloss与ssim_eloss的加权和，ssim_sloss表示载体图像与隐写图像之间的结构相似损失，ssim_eloss表示隐写图像与提取图像之间的结构相似损失，计算公式如下：

58、

59、

60、其中，μx表示载体图像的均值，μx'表示隐写图像的均值，σx表示载体图像的方差，σx'表示隐写图像的方差，μy表示隐写图像的均值，μy'表示提取图像的均值，σy表示隐写图像的方差，σy'表示提取图像的方差，σxx'表示载体图像与隐写图像的协方差，σyy'表示隐写图像与提取图像的协方差；ci(i＝1,2,3,4)的取值为远小于1的系数与图像灰度的动态范围乘积的平方；

61、对应的，生成器的总损失函数为：

62、loss＝mse_loss+ssim_loss+αld

63、其中，ld为隐写分析对抗损失，α为隐写分析对抗损失的权值。

64、本发明的基于rgb通道差分平面的大容量隐写方法及系统具有以下优点：

65、1、通过rgb色彩空间不同通道间的特性，充分利用rgb通道间的差异关系得到差分平面，并通过构建基于u-net结构的生成器将秘密图像嵌入到差分平面中从而生成隐写图像，有效解决了大容量隐写中由秘密图像嵌入引起的图像失真问题；

66、2、构建有隐写分析网络模型以及提取网络模型，通过隐写分析网络模型计算隐写分析对抗损失，通过提取网络从隐写图像中提取秘密图像作为提取图像，基于载体图像和隐写图像之间以及隐写图像和提取图图像之间的均方误差构建均方误差损失函数，基于载体图像和隐写图像之间以及隐写图像和提取图图像之间的结构相似性损失构建均结构相似性损失函数，基于均方误差损失函数、结构相似性损失函数以及隐写分析对抗损失构建总损失函数，基于总损失函数对生成器进行迭代优化，并基于隐写分析对抗损失对隐写分析网络模型进行迭代优化，基于该损失函数对生成器进行训练，解决了训练过程中生成网络迭代梯度消失的问题，且提高了训练效果。