一种基于特征点生成的图像式超链接生成方法

本发明属于图像信息隐藏领域，特别是涉及一种基于特征点生成的图像式超链接生成方法。

背景技术：

1、隐写术是将秘密消息嵌入到载体中的一门技术。作为一种隐蔽通信技术，其目的是在不被第三方感知的前提下将秘密消息隐藏在数字媒体中并发送给接收方。随着深度学习的发展，使用神经网络的深度学习技术已经成功和隐写术结合并取得了不错效果，然而现有的深度数据隐藏方案大部分对几何攻击的鲁棒性较差。多数隐写方案通过模拟噪声层来提高方案的鲁棒性，然而从对抗性训练中获得的鲁棒性是特定的并且噪声层很难模拟复杂的几何扭曲。因此，实现针对几何攻击的鲁棒性仍然是基于深度学习的方法的一个挑战。同时由于对载体进行了修改，不可避免导致方案的安全性降低。

2、从载体修改的角度出发，基于载体生成的图像隐写术根据输入的秘密消息序列直接生成人眼不可辨的含秘图像。与直接嵌入相比，有效提高了抵抗基于统计检测的隐写分析的性能。直接将噪声和秘密消息结合一同送入网络合成隐写图像，实现秘密消息的嵌入提取，由于没有消息嵌入也没有对载体图像进行修改，因此抵抗隐写分析检测的能力较强。

3、图像特征点以其对多种几何扭曲的不变性而闻名，并被广泛应用于几何不变性鲁棒水印技术中，这些方案经过精心设计，以选择分布适当且鲁棒性令人满意的特征点。然而，特征点选择仍然是一项艰巨的任务，这也可能导致特征点未被充分利用。此外，在许多方案中，特征检测和水印嵌入是分开的，容量会受到特征点数量的限制。

4、尽管超链接隐写术在一些研究中已经实现，但是普便存在着以下几个方面的不足。一方面一些方法由于对载体图像进行了修改来实现超链接的隐藏，容易被隐写分析器检测出，方案的安全性不足；另一方面通过对噪声层的模拟实现的鲁棒性局限于特定的噪声攻击，而对复杂的几何扭曲难以模拟的问题直接导致方案对几何失真的鲁棒性较大程度的降低。目前超链接隐写术在鲁棒性和安全性方面仍然存在缺陷。

技术实现思路

1、本发明的目的是提供一种基于特征点生成的图像式超链接生成方法，以解决上述现有技术存在的问题。

2、为实现上述目的，本发明提供了一种基于特征点生成的图像式超链接生成方法，包括：

3、基于公共数据集进行随机抽取，获得真实数据集，对所述真实数据集进行处理，获得图像的真实特征点和边缘图；

4、基于所述真实数据集和所述图像的真实特征点以及边缘图对图像合成网络模型进行训练，获得预训练模型；

5、所述将超链接编码成01比特串后生成消息矩阵，基于所述消息矩阵在所述图像的真实特征点处进行消息隐藏，获得隐含超链接的特征点矩阵；

6、基于所述预训练模型和所述隐含超链接的特征点矩阵获取合成图像；

7、提取所述合成图像的特征点，基于秘密消息提取算法对所述合成图像的特征点的秘密信息进行提取，恢复超链接。

8、优选的，所述基于公共数据集进行随机抽取，获得真实数据集，对所述真实数据集进行处理，获得图像的真实特征点和边缘图的过程包括：

9、在coco公共数据集中随机选取图像并进行格式调整，获得所述真实数据集；

10、基于superpoint网络模型提取所述真实数据集的真实特征点；

11、基于边缘检测算法提取所述真实数据集的边缘图。

12、优选的，基于所述真实数据集和所述图像的真实特征点以及边缘图对图像合成网络模型进行训练，获得预训练模型的过程包括：

13、展开所述图像的真实特征点，获得特征点矩阵；

14、基于生成器和鉴别器构建所述图像合成网络，将所述特征点矩阵和所述边缘图作为所述图像合成网络的输入，计算所述图像网络模型的损失函数的总值；

15、基于所述计算所述图像网络模型的损失函数的总值对所述图像网络模型的权重进行更新迭代直至收敛，获得所述预训练模型。

16、优选的，所述生成器由下采样模块、中间层、上采样模块和激活层组成；

17、所述下采样模块包括7个下采样子块，其中第一个下采样子块为一个二维卷积层，剩余子块由一个leakyrelu激活函数层、二维卷积层和实例归一化层依次组成；

18、所述中间层由一个leakyrelu激活函数层、二维卷积层、relu激活函数层、二维反卷积层和实例归一化层依次组成；

19、所述上采样模块包括7个上采样子块，每个子块均由一个relu激活函数层、二维反卷积层和实例归一化层依次组成。

20、优选的，所述鉴别器包括五个卷积块；

21、所述鉴别器的前四个卷积块由一层下采样卷积和leakyrelu激活函数顺序组成；

22、所述鉴别器的最后一个卷积块由一层下采样卷积和sigmoid函数依次组成。

23、优选的，将所述特征点矩阵和所述边缘图作为所述图像合成网络的输入，计算所述图像网络模型的损失函数的总值的过程包括：

24、基于所述特征点矩阵和所述边缘图以及所述图像合成网络的输出获取六种损失函数；

25、对所述六种损失函数进行加权求和计算，获得所述图像网络模型的损失函数；

26、所述六种损失函数包括：图像差异损失函数、感知损失函数、风格差异损失函数、鉴别器损失函数、特征点损失函数和描述符损失函数。

27、优选的，所述将超链接编码成01比特串后生成消息矩阵，基于所述消息矩阵在所述图像的真实特征点处进行消息隐藏，获得隐含超链接的特征点矩阵的过程包括：

28、将超链接编码成01比特串；

29、构建rs码，基于所述rs码对所述01比特串进行编码和数据替换，获得修改数据；

30、将所述修改数据调整为所述消息矩阵；

31、基于所述消息矩阵对所述图像的真实特征点进行秘密消息的嵌入，获得所述隐含超链接的特征点矩阵。

32、优选的，基于所述预训练模型和所述隐含超链接的特征点矩阵获取合成图像的过程包括：

33、将所述隐含超链接的特征点矩阵和所述边缘图作为所述预训练模型的输入进行计算，获得所述合成图像。

34、优选的，提取所述合成图像的特征点，基于秘密消息提取算法对所述合成图像的特征点的秘密信息进行提取，恢复超链接的过程包括：

35、基于superpoint网络提取所述合成图像的特征点，同时对所述合成图像进行旋转并进行特征点提取，获得旋转特征点；

36、将所述合成图像的特征点和所述旋转特征点进行匹配，获得特征点集合；

37、基于所述特征点集合获取隐藏消息矩阵；

38、基于所述隐藏消息矩阵获取消息比特串；

39、通过rs码对所述消息比特串进行译码，恢复所述超链接。

40、本发明的技术效果为：

41、本发明充分利用载体合成式框架的优点和图像特征点的鲁棒性，不需要固定的载体图像来嵌入超链接同时将特征点对几何失真的鲁棒性迁移至本发明，显著提高了本发明对常见噪声攻击和几何失真的鲁棒性。