一种基于生成对抗网络的不可见图像隐写术的制作方法

本发明属于图像处理领域，尤其涉及基于生成对抗网络的图像隐写术。

背景技术：

近年来随着互联网的快速发展与普及，通信已经变得越来越便利，但对信息安全也提出了新的挑战。一方面，人们在通信中总有一些秘密信息不希望被第三方获悉；另一方面，新兴起来的数字多媒体作品需要版权保护，还有大量的电子商务数据等需要完整性确认等。传统的密码学已经不能很好地解决新出现的这些问题。隐写术(steganography)用于将秘密信息嵌入到正常载体中而不改变载体的感知特性，通过载密载体在信道中的传输来实现秘密信息的传输。隐写术不但隐藏了通信的内容，还隐藏了通信的行为，因此可以很好地应用在如上的场景中。数字图像已经成为互联网上使用最为频繁的数据类型之一，其有着冗余大、可嵌入秘密信息的容量大的特点，因此目前主流的隐写术大多是以图像为载体的图像隐写术(imagesteganography)。

衡量图像隐写术的指标主要有三个：容量、不可见性、安全性。容量是指可嵌入数字图像中秘密信息的长短；不可见性是指在秘密信息嵌入之后载体图像是否能够与原始图像无差异；安全性则要求载密图像在传输过程中是否能够摆脱攻击算法的检测。现有的图像隐写术在这三方面都或多或少的存在一些问题。

另一方面，随着图像隐写术的不断发展，针对图像隐写术的检测算法——图像隐写分析(imagesteganalysis)算法也在不断发展。图像隐写分析的目的是通过对图像进行分析来判断图像中是否含有秘密信息，甚至可以估计信息嵌入量、获取秘密信息、破坏秘密信息等。针对现有的图像隐写术，不断有新的图像隐写分析算法被提出来，且性能越来越好。因此，提出新的图像隐写术，从而满足越来越多的应用场景的需求，有效躲避隐写分析算法的检测，对于网络信息安全有重大意义。

现有的图像隐写术通常依赖于精心设计的算法，在图像的空域或变换域进行秘密信息的嵌入。这一类隐写术需要大量的先验知识，且算法一旦设计好便不能再根据新出现的隐写分析算法进行自动调整。因此设计一种新的图像隐写术是一个巨大的挑战。

近年来随着计算能力的大幅提升和大数据时代的到来，以卷积神经网络为代表的深度学习方法在图像识别、目标检测、图像生成等任务中取得了优异的效果。深度学习通过卷积神经网络对图像信息进行特征提取与融合，并通过有监督或半监督地方式实现卷积神经网络的参数更新，最终完成特定的某个任务。生成对抗网络是深度学习领域的最新成果，其包含生成器和判别器两部分。通过生成器和判别器的对抗训练，生成对抗网络能够产生与真实样本有着相似数据分布的样本。生成对抗网络在图像生成、风格迁移、语音合成等任务上取得了优异的效果。

技术实现要素：

本发明提出一种基于生成对抗网络的数字图像隐写算法，通过卷积神经网络的自动学习最终实现在一张彩色载体图像中嵌入一张灰度秘密图像的不可见隐写术，且安全性在神经网络的学习过程中被不断提高。

本发明提供一种基于生成对抗网络的图像隐写方法，包括以下步骤：

1)在编码器-解码器网络框架下，通过编码器网络将秘密图像隐写到载体图像中生成载密图像，通过解码器网络将秘密图像从载密图像中恢复出来；

2)在生成对抗网络框架下，编码器网络和解码器网络组成一个端到端的模型作为生成器网络，通过生成器网络生成载密图像和恢复出的秘密图像，通过判别器网络对生成的载密图像的真假性进行判断；

3)通过生成器网络和判别器网络的对抗训练过程，使得生成器网络生成的载密图像与对应的载体图像一致且尽可能地接近真实图像，使得生成器网络恢复出的秘密图像与原始秘密图像尽可能地相似。

4)使用多种尺寸大小的图像训练所述模型，使得模型具有更好的泛化能力。

进一步地，所述生成器网络和判别器网络的对抗训练过程包括：

a)对于生成器网络，其中的编码器网络要使生成的载密图像和载体图像尽可能地相似，其中的解码器网络要使恢复出的秘密图像和原始秘密图像尽可能地相似；

b)判别器网络起着隐写分析的作用，判别输入图像为自然图像或者生成器网络生成的载密图像，针对隐写分析的结果，对梯度变化的方向进行改变；

c)生成器网络得到判别器网络传回的梯度更新编码器网络和解码器网络的参数，生成更好的载密图像。

进一步地，步骤1)中编码器网络仅仅将灰度秘密图像嵌入到载体图像的ycrcb色彩空间下的y通道中，解码器网络也仅从载密图像的ycrcb色彩空间下的y通道中恢复出秘密图像。

进一步地，步骤1)中的编码器网络由inception模块构成，可以将不同特征融合到一起实现图像的隐写；解码器网络是一个全卷积结构。二者均可以处理任意尺寸的图像。

进一步地，步骤2)中的判别器是一个由卷积神经网络实现的隐写分析模型，其中使用空间金字塔池化模块将任意尺寸的特征图映射到固定到固定长度的特征向量，打破了对输入图像的尺寸限制，具有更好的隐写分析性能。

进一步地，步骤3)中会使用一个复合损失函数来指导生成器网络的训练。

利用本发明的方法可以很好地将秘密图像嵌入到载体图像中，与现有技术相比具有以下优点：

1、本发明对baluja等和atique等提出的方法进行了改进，解决了载密图像与载体图像在色彩上有差异的问题；

2、本发明使用生成对抗网络来训练，使模型在实现图像隐写的过程中能够根据隐写分析器的分析情况来调整参数，生成的载密图像更不易被隐写分析器检出；

3、本发明使用一个复合损失函数来指导图像隐写过程的训练，加快了训练速度，提高了载密图像和恢复出的秘密图像的质量。

附图说明

图1为本发明方法进行图像隐写的流程图。其中，编码器网络和解码器网络构成生成器网络，隐写分析器作为本发明的判别器网络。

图2为使用本发明方法进行图像隐写的实例图。

图3为本发明方法在不同的训练次数时，隐写分析模型的检出率对比表。

具体实施方式

为使本发明的上述特点和优点更明显易懂，下面结合具体实施方式和附图对本发明作进一步详细说明。

本发明设计的图像隐写方法基于生成对抗网络，适用于将灰度秘密图像嵌入到彩色载体图像中。该方法通过使用数据集对模型进行训练得到最优模型参数，具体训练流程如图1所示，其主要步骤包括：

步骤101、将彩色载体图像由rgb色彩空间转换到ycrcb色彩空间中。

步骤102、将彩色载体图像的y通道和灰度秘密图像拼接(concatenate)到一起之后输出到编码器网络中。

步骤103、编码器网络通过特征提取与融合之后输出一个单通道的图像，该图像作为载密图像的y通道和原始载体图像的cr、cb两通道组合到一起转换到rgb色彩空间，得到彩色载密图像。

步骤201、将载密图像转换到ycrcb色彩空间中,仅将其中的y通道输入到解码器网络中。

步骤202、解码器网络通过特征提取与融合输出一个单通道图像，即为恢复出的秘密图像。

步骤203、使用设计好的复合损失函数计算载密图像与原始载体图像之间的差异、恢复出的秘密图像与原始秘密图像之间的差异，将二者作为一部分损失函数值。

步骤301、使用判别器网络对自然载体图像样本进行隐写分析，判断隐写分析结果与真实类别是否一致；

步骤302、使用判别器网络对生成的载密图像进行隐写分析，判断隐写分析结果与真实类别是否一致；

步骤401、使用复合损失函数计算载密图像样本与自然载体图像样本之间的差异值、恢复出的秘密图像与原始秘密图像之间的差异值，根据判别器网络对载密图像的判别结果得出判别损失值，将三者加到一块儿作为生成器网络(编码器网络和解码器网络)的损失，计算梯度，更新生成器网络(编码器网络和解码器网络)的参数；

步骤402、根据步骤3得到的隐写分析结果计算判别器的损失值，计算梯度，更新判别器网络的参数。

步骤501、在完成训练集上的一轮训练之后，在测试集上进行验证试验，计算载密图像与载体图像的平均相似度、恢复出的秘密图像与原始秘密图像的平均相似度；

步骤502、查看步骤501的结果是否达到预期指标，有的话进行下一步操作，没有则回到步骤a在训练集上开始下一轮的训练；

步骤503、使用多种尺寸的图像样本对模型进行微调训练，提高模型的泛化能力。

本发明在lfw、pascalvoc2012和imagenet三个数据集上进行了训练和验证，图2中是由本发明方法进行图像隐写的样本示例图，可以看到载密图像与原始载体图像高度一致，且恢复出的秘密图像与原始秘密图像高度一致。图3中是本发明方法在不同的训练次数时，隐写分析算法对载密图像的检出率对比。这个对比表明了随着生成对抗网络的不断训练，本发明方法的安全性在不断提高。

本发明在编码器-解码器的框架下实现了在一张彩色图像中嵌入一张灰度秘密图像并能够将秘密图像恢复出来的图像隐写任务，在生成对抗网络的框架下让隐写模型在训练过程中考虑到隐写分析算法的攻击，不断调整参数以提高模型的安全性。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉该技术的人在本发明所揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。