信息隐藏方法、装置、设备及存储介质

1.本发明涉及计算机技术领域，尤其涉及一种信息隐藏方法、装置、设备及存储介质。


背景技术：

2.信息隐藏技术是一种将一些具有保密价值的信息数据通过技术手段嵌入到普通、不携带机密信息图像中，从而隐藏秘密数据的技术。与传统密码学中隐藏数据的真实含义不同，信息隐藏技术的目的是隐藏信息的存在，进而通过相应的算法恢复隐藏的信息，实现秘密传递信息的目的。信息隐藏针对不同的隐藏对象可以大体分为字符串信息、图像信息和音频信息。不携带机密信息的图像称为载体图像，从载体图像中恢复出来的信息或者图像称为秘密信息或秘密图像。信息隐藏技术在多个领域得到了广泛应用，例如版权保护、信息认证等。
3.信息隐藏算法一般从以下三个方面进行评估，分别是嵌入容量、鲁棒性和不可感知性。其中嵌入容量就是嵌入秘密信息的长度与载体图像的比值，比值越大，代表嵌入的容量越大，算法携带信息的能力越强。鲁棒性指的是提取秘密信息的能力，信息隐藏的最终目的是秘密传递信息，如果提取的信息存在较大的误差，甚至不能恢复出想要传达的信息，那么算法的鲁棒性就非常差。不可感知性代表了嵌入信息之后的图像(也称为载密图像)与原始没嵌入信息的载体图像之间的差异性，差异越小代表信息嵌入对原始图像的影响越小，不可感知性越好，载体图像与载密图像越难区分，信息隐藏效果越好。
4.随着深度学习技术的发展，基于深度学习的信息隐藏算法在最近几年不断提出，但目前基于深度学习的信息隐藏算法不可感知性较差，特别是载体图像的平坦区域。因此，对于本领域技术人员来说，亟需实现一种不可感知性较好的信息隐藏方法。


技术实现要素：

5.本发明提供一种信息隐藏方法、装置、设备及存储介质，用以解决现有技术中信息隐藏不可感知性较差的缺陷，实现一种不可感知性较好的信息隐藏方法。
6.本发明提供一种信息隐藏方法，包括：
7.获取原始载体图像的语义信息；
8.基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
9.其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
10.根据本发明提供的一种信息隐藏方法，所述嵌入模型包括反卷积模块、叠加层和卷积模块，所述基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像，包括：
11.基于所述语义信息利用所述嵌入模型的反卷积模块对所述原始载体图像进行上
采样处理，得到第一载体图像信息；所述第一载体图像信息与预处理得到的待隐藏信息的尺寸相同；
12.基于所述语义信息将所述预处理得到的待隐藏信息、所述第一载体图像信息以及原始载体图像进行叠加处理，并基于所述语义信息利用所述嵌入模型的卷积模块对叠加后的信息进行下采样处理，得到所述目标载体图像。
13.根据本发明提供的一种信息隐藏方法，所述基于所述语义信息将所述预处理得到的待隐藏信息、所述第一载体图像信息以及原始载体图像进行叠加处理之前，还包括：
14.利用信息预处理模型对所述待隐藏信息进行预处理，得到所述预处理后的待隐藏信息；
15.所述信息预处理模型包括：线性连接层、重构层、卷积模块；所述线性连接层用于对所述待隐藏信息进行扩展，得到长度为n的信息，所述重构层用于将所述长度为n的信息进行重构，得到与所述原始载体图像具有相同数量个维度的向量，所述卷积模块用于将所述重构层输出的向量进行卷积处理，得到所述预处理后的待隐藏信息，n为大于1的整数。
16.根据本发明提供的一种信息隐藏方法，提取模型包括：反卷积模块、卷积模块和线性连接层，所述方法还包括：
17.利用所述提取模型的反卷积模块对所述目标载体图像进行上采样处理，得到第二载体图像信息；
18.利用所述提取模型的卷积模块对所述第二载体图像信息进行下采样处理，得到第三载体图像信息；
19.利用所述提取模型的线性连接层对所述第三载体图像信息进行处理，得到提取信息。
20.根据本发明提供的一种信息隐藏方法，所述语义信息包括以下至少一项：边缘信息、梯度信息、纹理信息。
21.根据本发明提供的一种信息隐藏方法，所述语义信息包括所述原始载体图像的多尺度语义信息。
22.根据本发明提供的一种信息隐藏方法，所述待隐藏信息包括k个不同任务的信息，k为大于1的整数。
23.根据本发明提供的一种信息隐藏方法，所述方法还包括：
24.基于所述原始载体图像与所述目标载体图像，利用判别模型获取所述原始载体图像与所述目标载体图像的差异信息；所述差异信息利用概率表示。
25.根据本发明提供的一种信息隐藏方法，所述方法还包括：
26.基于误差信息，对至少一个模型进行优化处理；
27.所述至少一个模型包括以下至少一项：嵌入模型、信息预处理模块、判别模型、信息提取模型；
28.所述误差信息包括以下至少一项：原始载体图像与目标载体图像之间的误差、待隐藏信息与提取信息的误差、判别模型的交叉熵以及原始载体图像的语义信息与差异图像之间的误差；所述差异图像为所述原始载体图像与目标载体图像之间的差异图像。
29.根据本发明提供的一种信息隐藏方法，所述卷积模块包括：卷积层、正则化层和激活层。
30.所述反卷积模块包括：反卷积层、正则化层和激活层。
31.根据本发明提供的一种信息隐藏方法，所述嵌入模型为基于训练数据训练得到的，所述训练数据包括：待隐藏信息、待隐藏信息的位置、载体图像。
32.本发明还提供一种信息隐藏装置，包括：
33.获取模块，用于获取原始载体图像的语义信息；
34.处理模块，用于基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
35.其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
36.本发明还提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述信息隐藏方法。
37.本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如上述任一种所述信息隐藏方法。
38.本发明还提供一种计算机程序产品，包括计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述信息隐藏方法。
39.本发明提供的信息隐藏方法、装置、设备及存储介质，通过加入语义信息对待隐藏信息的嵌入位置进行引导，利用训练后的嵌入模型，将待隐藏信息嵌入原始载体图像得到目标载体图像，减少对平坦区域的信息嵌入，由于人眼对平坦区域的细小变化感知很强烈，对其他区域的变化的感知性较低，因此通过上述方案提高了不可感知性。
附图说明
40.为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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的前提下，还可以根据这些附图获得其他的附图。
41.图1是本发明实施例提供的信息隐藏方法的流程示意图之一；
42.图2是现有的信息隐藏方案原理示意图；
43.图3是本发明实施例提供的信息隐藏方法的原理示意图之一；
44.图4是本发明实施例提供的信息隐藏方法的原理示意图之二；
45.图5是本发明实施例提供的信息隐藏方法在在div2k数据集上的测试结果；
46.图6是本发明实施例提供的消融实验结果；
47.图7是本发明实施例提供的对目标载体图像的检测结果示意图；
48.图8是本发明实施例提供的信息隐藏方法在不加边缘信息引导下的嵌入位置结果示意图；
49.图9是本发明实施例提供的信息隐藏方法在加入边缘信息引导下的嵌入位置结果示意图；
50.图10是本发明实施例提供的信息隐藏方法与其他算法的对比结果；
51.图11是本发明实施例提供的信息隐藏装置的结构示意图；
52.图12是本发明实施例提供的电子设备的结构示意图。
具体实施方式
53.为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
54.本发明实施例的方法，通过加入图像语义信息的引导，利用训练后的嵌入模型，将待隐藏信息嵌入原始载体图像得到目标载体图像，减少平坦区域的信息嵌入，可以提高不可感知性。
55.下面结合图1-图12以具体的实施例对本发明实施例的技术方案进行详细说明。下面这几个具体的实施例可以相互结合，对于相同或相似的概念或过程可能在某些实施例不再赘述。
56.图1是本发明实施例提供的信息隐藏方法的流程示意图。如图1-图3所示，本实施例提供的方法，包括：
57.步骤101、获取原始载体图像的语义信息；
58.具体的，语义信息引导的目的是使得模型对图像平坦的地方实现更小的改动，将更多的信息嵌入边缘、纹理、梯度等语义信息中。因为根据人类视觉的基本原理，人眼对对平坦区域的细小变化感知很强烈，为了提高算法的不可感知性，应该引导嵌入模型尽可能少的将待隐藏信息嵌入到图像的平坦区域中。
59.步骤102、基于语义信息利用训练后的嵌入模型，将待隐藏信息嵌入原始载体图像得到目标载体图像；
60.其中，语义信息用于指示待隐藏信息在原始载体图像中的嵌入位置。
61.具体的，嵌入模型可以基于训练数据对预先建立的机器学习模型训练得到，训练数据包括：待隐藏信息、待隐藏信息的位置(例如载体图像的语义信息对应的位置)、载体图像。
62.其中，机器学习模型可以是基于神经网络算法等建立的模型。
63.嵌入模型的输入数据为：待隐藏信息、语义信息、载体图像，输出数据为目标载体图像，本实施例的方法，嵌入模型在语义信息的引导下，将将待隐藏信息嵌入原始载体图像中，即语义信息用于指示待隐藏信息在原始载体图像中的嵌入位置，使得待隐藏信息尽量隐藏在载体图像的语义信息对应的位置以及语义信息对应的位置附近，减少对平坦区域的嵌入，可以提高不可感知性。
64.本实施例的方法，通过加入语义信息对待隐藏信息的嵌入位置进行引导，利用训练后的嵌入模型，将待隐藏信息嵌入原始载体图像得到目标载体图像，减少对平坦区域的信息嵌入，由于人眼对平坦区域的细小变化感知很强烈，对其他区域的变化的感知性较低，因此通过上述方案提高了不可感知性。
65.可选地，语义信息包括以下至少一项：边缘信息、梯度信息、纹理信息。
66.如图3所示，对于边缘信息来说，边缘信息引导的目的是使得模型能将更多的信息嵌入到图像的边缘像素中，而对图像平坦的地方实现更小的改动。因为根据人类视觉的基
本原理，人眼对边缘交界处的变化感知能力较低，而对平坦区域的细小变化感知很强烈，为了提高算法的不可感知性，应该引导嵌入模型尽可能多的将待隐藏信息嵌入到图像的边缘像素中。
67.对于梯度信息或纹理信息来说，梯度信息、纹理信息比平坦区域变化相对复杂，人眼对其的变化的感知性较低，因此，基于梯度信息、纹理信息的引导，减少对平坦区域的信息嵌入，同样能提高不可感知性。
68.具体的，可以使用多尺度的深度学习边缘检测算法，得到多尺度的边缘信息，多尺度边缘信息的引导不仅能实现更多信息嵌入图像边缘的目的，而且能引导嵌入模型将少量像素嵌入边缘像素附近的位置，从而更少的嵌入平坦区域。
69.对于梯度信息和纹理信息类似，此处不再赘述。
70.例如，载体图像为3
×h×
w，可以基于h
×
w，2h
×
2w，3h
×
3w和/或4h
×
4w等尺度提取边缘信息，其中，h和w分别表示图像的高度和宽度。
71.在介绍模型之前，先介绍两种本发明实施例中多次使用的结构，首先是卷积convbnrelu模块，包含不同步长的卷积层、batch正则化层和激活层(例如使用relu激活函数)，其中不同步长用于控制同尺寸卷积和上下采样卷积操作；batch正则化层的操作能使参数搜索问题变得很容易，使神经网络对超参数的选择更加稳定，激活层的作用使模型具有非线性拟合的能力。其次是反卷积transconvbnrelu结构，包括：反卷积层、batch正则化层和激活层。其中反卷积层实现对载体图像的上采样功能，制作更多的图像空洞像素，方便后面嵌入信息，batch正则化层的操作能使参数搜索问题变得很容易，使神经网络对超参数的选择更加稳定，激活层的作用使模型具有非线性拟合的能力。
72.可选地，嵌入模型包括反卷积模块、叠加层和卷积模块，步骤102可以通过如下方式实现：
73.基于语义信息利用嵌入模型的反卷积模块对原始载体图像进行上采样处理，得到第一载体图像信息；第一载体图像信息与预处理得到的待隐藏信息的尺寸相同；
74.基于语义信息将预处理得到的待隐藏信息、第一载体图像信息以及原始载体图像进行叠加处理，并基于语义信息利用嵌入模型的卷积模块对叠加后的信息进行下采样处理，得到目标载体图像。
75.可选地，在叠加处理之前，还可以包括：
76.利用信息预处理模型对待隐藏信息进行预处理；
77.信息预处理模型包括：线性连接层、重构层、卷积convbnrelu模块；线性连接层用于对待隐藏信息进行扩展，得到长度为n的信息，重构层用于将长度为n的信息进行重构，得到与原始载体图像具有相同数量个维度的向量，卷积模块用于将重构层输出的向量进行卷积处理。
78.具体的，假设原始载体图像的尺寸为3
×h×
w，例如h为128，w为128，对于k个任务，k大于0，每个任务包括长度为l的信息，首先通过线性连接层转化为长度为n的信息输出，然后经过扩展和重构改变尺寸，重复到与原始载体图像上采样后的图像信息相同的尺寸变成3
×
4h
×
4w(与原始载体图像的维度数量相同的信息)，信息预处理可以采用平铺重复的方式，对于k个任务，即得到3k
×
4h
×
4w的信息。再接一个卷积convbnrelu模块，得到第一维度为m的信息，m
×
4h
×
4w，例如，m为32。例如，卷积模块中卷积层的步长均为1，采用同尺寸卷
积。
79.相关技术中，采用单信息重复，得到的输出是(n+3+32)
×
4h
×
4w，根据实际情况可知，n一般是超过100的信息量，而本发明实施例的信息预处理的输出是32
×
4h
×
4w的信息，不仅大大提升了嵌入信息的容量，而且能减少模型的计算量。
80.如图4所示，图4中语义信息以边缘信息为例进行说明，利用线性连接层对待隐藏信息进行扩展，得到长度为n的信息，若为多任务，任务数量为k，则得到k
×
n大小的信息，利用重构层将长度为n的信息进行重构，得到3k
×
4h
×
4w的向量，该向量在通道维度的大小为k乘以原始载体图像的通道数量，其他维度的大小与原始载体图像经过上采样处理之后的第一载体图像信息的对应维度的大小相同，最后，利用卷积模块将重构层输出的向量进行卷积处理，得到预处理后的待隐藏信息，尺寸为32
×
4h
×
4w，与原始载体图像经过上采样处理之后的载体图像信息的尺寸相同。
81.目前一般对原始载体图像的处理都是进行同尺度或者下采样的处理，原始载体图像可用于嵌入的像素位置并没有增加，因此嵌入信息的容量较低。本发明实施例中采用反卷积对原始载体图像进行上采样，制造更多像素空隙，为秘密信息的嵌入提供更多的像素空间。并且，本发明实施例的方法具有处理多任务的信息隐藏能力。根据实验的结果表明，本发明实施例的网络在容量和鲁棒性方面显著优于其他信息隐藏算法。
82.在步骤102的实现过程中，首先使用反卷积transconvbnrelu模块对载体图像进行上采样的处理，上采样过程中将原始的3通道图像改成m通道图像，例如m＝32。然后将预处理得到的待隐藏信息、上采样的载体图像信息和原始的载体图像在通道维度进行叠加处理，将叠加后的信息送入卷积convbnrelu模块进行下采样操作，与载体图像的上采样操作类似，下采样到原始载体图像的尺寸，并且通道数量降为3通道，得到嵌入信息的三通道图像，即目标载体图像，目标载体图像的尺寸与所述原始载体图像的尺寸相同。例如图4中经过了三次卷积模块进行下采样处理。
83.可选地，叠加后的信息的第一维度的大小为预处理得到的待隐藏信息、第一载体图像信息以及原始载体图像的第一维度的大小之和；所述叠加后的信息的第二维度和第三维度的大小分别与所述第一载体图像信息的第二维度和第三维度的大小相同。
84.如图4所示，预处理得到的待隐藏信息的尺寸为32
×
4h
×
4w，上采样的载体图像信息的尺寸为32
×
4h
×
4w，原始载体图像经过4次重复的尺寸为3
×
4h
×
4w，在通道维度进行叠加处理，叠加后的信息的尺寸为67
×
4h
×
4w。图4中嵌入模型中经过了两次反卷积模块，三次卷积模块的处理。
85.上述实施方式中，通过反卷积模块对载体图像进行上采样的处理，增加了原始载体图像可用于嵌入的像素位置，因此提高了嵌入信息的容量。
86.可选地，提取模型包括：反卷积模块、卷积模块和线性连接层，该方法还包括：
87.利用提取模型的反卷积模块对目标载体图像进行上采样处理，得到第二载体图像信息；
88.利用提取模型的卷积模块对第二载体图像信息进行下采样处理，得到第三载体图像信息；
89.利用提取模型的线性连接层对第三载体图像信息进行处理，得到提取信息。
90.具体的，针对嵌入信息的目标载体图像，信息提取过程与嵌入过程类似。如图4所
示，先使用反卷积transconvbnrelu模块对嵌入信息的目标载体图像进行上采样操作，2次反卷积之后由原始的b
×3×
128
×
128(b
×3×h×
w)变成b
×
32
×
512
×
512(b
×
32
×
4h
×
4w),然后使用2次卷积convbnrelu模块的处理将尺寸再降到b
×
3k
×h×
w，之后利用线性连接层进行信息通道提取，使用与卷积convbnrelu模块同尺寸的将通道数量降到3k的数量，每3个通道为一个任务的信息，之后对3通道(r/g/b)的信息进行展平操作降到k
×
n的尺寸，最后将k
×
n的信息通过线性连接层降到原始信息的长度k
×
l。
91.上述实施方式中，利用提取模型对目标载体图像进行处理，得到提取信息，效率较高，而且提取信息可以用于对模型的优化。
92.可选地，该方法还包括：
93.基于原始载体图像与目标载体图像，利用判别模型获取原始载体图像与目标载体图像的差异信息；差异信息利用概率表示。
94.具体地，判别模型主要用于监督嵌入信息之后的目标载体图像与原始载体图像的差异性，使得判别模型无法分辨是否嵌入信息，即目标载体图像与原始载体图像的差异越小越好。例如，概率越大，表示原始载体图像与目标载体图像的差异越小。
95.可选地，判别模型包括：卷积模块、池化层和线性连接层；例如，如图4所示，输入的原始载体图像和目标载体图像经过三个步长为1的卷积convbnrelu模块、池化层(例如自适应平均池化层)和线性连接层。输入的信息为b
×3×
128
×
128(即b
×3×h×
w)，输出为b
×
1，b为每一批次输入的数据量。
96.上述实施方式中，利用判别模型嵌入信息之后的目标载体图像与原始载体图像的差异性，提高了不可感知性。
97.可选地，该方法还包括：
98.基于误差信息，对至少一个模型进行优化处理；
99.至少一个模型包括以下至少一项：嵌入模型、信息预处理模块、判别模型、信息提取模型；
100.误差信息包括以下至少一项：原始载体图像与目标载体图像之间的误差、待隐藏信息与提取信息的误差、判别模型的交叉熵以及原始载体图像的语义信息与差异图像之间的误差；差异图像为原始载体图像与目标载体图像之间的差异图像。
101.具体地，可以基于多个损失函数的误差结果对模型的内部参数进行优化处理，如图4所示，损失函数的误差结果例如包括以下至少一种：载体图像与嵌入信息得到的目标载体图像之间的均方误差待隐藏信息与提取信息的均方误差判别模型的交叉熵和边缘图像与差异图像之间的均方误差上述损失值均为越小越好，损失函数不同的权重系数代表了损失的重要程度。
102.由于图像的边缘信息比平坦区域更具有隐蔽性，人眼更不易察觉图像信息的变化。所以，本发明实施例中使用的信息隐藏策略是在边缘像素中隐藏信息，即使得更多的信息嵌入到载体图像的边缘像素中。值得注意的是，本发明实施例的方法并没有强制要求把所有的像素嵌入到边缘像素中，而是引导嵌入模型尽可能多的嵌入边缘像素中，由于边缘像素的嵌入容量有限，对于大容量、多任务的待隐藏信息来说，将所有的待隐藏信息嵌入到边缘像素中不太可能，得到图像的不可感知性可能会较差，因此本发明实施例的方法只是引导性的在边缘像素中嵌入信息。并且使用多尺度的边缘信息，充分利用好边缘信息两侧
靠近边缘的位置嵌入信息。
103.以下结合实验结果对本发明实施例的方法进行介绍，首先介绍图像质量评价指标和本发明实施例中的主要参数信息；然后，对本发明实施例的方法进行多种不同参数的攻击实验，测试本发明实施例的方法在嵌入容量、多任务上的鲁棒性和不可感知性；最后，将通过大量对比实验说明本发明实施例提出的信息隐藏方法较其他信息隐藏算法的优势。以下实验结果中针对语义信息为边缘信息进行分析。
104.一、评价指标
105.衡量信息隐藏的方法一般采用峰值信噪比(peak signal-to noise ratio，psnr)，对比嵌入信息的图像i
′
(x,y)与载体图像i(x,y)之间的差异程度，psnr计算公式如下：
[0106][0107]
其中，m
×
n是图像的大小，i(x,y)为载体图像在(x,y)位置的像素值，i
′
(x,y)为嵌入信息后图像在(x,y)位置的像素值。峰值信噪比通常被用来评价嵌入信息后图像的不可感知性，psnr值越大，图像失真越小，不可感知性越好。
[0108]
结构相似度(structural similarity，ssim)来构造适应度函数，结构相似度ssim函数定义如下：
[0109][0110]
式(2)中：u
x
,uy分别为x，y的均值；σ
xy
为协方差；k1,k2均为一个较小的常量，例如，取k1＝0.02，k2＝0.01。
[0111]
本发明实施例中可以使用误码率(ber)来评价提取信息的准确程度，也就是提取信息中与原始信息相比错误的比特数量，误码率越低代表提取的信息越准确，算法的鲁棒性越好。
[0112]
本发明实施例的实验平台例如可以基于pytorch实现，并使用显卡进行加速。可选地，使用coco val2014数据集，其中有4万张分辨率为128
×
128的图像，其中80％用于训练，其余的用于测试。可选地，还可以对图像数据进行归一化并使用随机中心裁剪策略进行处理。进一步为了说明本发明实施例方法的通用性，还可以对有2.5万张图像的mirlickr数据集和有100张图像的div2k数据集进行测试。例如总迭代次数为300次。批量大小b可以设置为16。可选地，实验过程中还可以使用优化器，例如adam优化器，初始学习率可以为0.001。
[0113]
表1消融实验结果
[0114][0115]
其中，表1中methods三列中的1代表使用，0代表不使用。
[0116]
表1中显示了三个数据集上的消融实验结果。baseline表示相同大小的卷积，没有使用边缘损失，其中，边缘损失代表在模型优化的时候加入了边缘信息，边缘损失权重系数控制嵌入图像边缘中的信息量，边缘损失权重系数越大代表越希望更多信息嵌入到边缘中。对于长度为100比特的信息，baseline在psnr和ssim值方面取得了很高的结果，但误码率已经超过了25％。由图6中最后一列50倍的残差图像可知，嵌入的信息对图像改动较大。在加入上采样(即反卷积)后，信息被100比特的嵌入完美地提取出来。然而，不可感知性有所下降，平均psnr值为39db。加入边缘信息后，为了使100比特的信息能够被完全嵌入和提取，不可感知性被牺牲了。psnr值小于36，ssim值小于0.9。最后两栏显示了我们的算法，psnr在所有三个数据集上都超过了41db，在div2k数据集上最好是41.36db。同时，误码率也全部为零。从残余图像可以看出，在边缘引导下，边缘像素被嵌入了更多的信息。
[0117]
图5展示了本发明实施例的方法在coco数据集上训练，在div2k数据集上测试的结果。加入边缘信息引导之后的残差信息主要集中在图像的边缘部分，在图像的平坦部分嵌入信息量很少，可以从第一行中第四五列的放大结果可知。从人类肉眼角度观测，无法区分载体图像和嵌入信息后的图像，说明本发明实施例的方法具有很好的不可感知性。
[0118]
本发明实施例中使用了基于图像边缘信息进行引导嵌入信息的策略，对提升信息隐藏方法的不可感知性具有很大帮助。
[0119]
进一步地，本发明实施例的方法还具有处理多任务的能力，对长度为50bit，任务数量k从2到5进行了实验。如下表2结果显示，本发明实施例的方法在即使5个任务的情况下依然能保持0.1％以下的误码率。为了减轻模型的参数量，对于不同任务数量自适应的设计了不同数量的卷积层。在保证误码率为零的情况下，尽可能的减少模型的参数量。在设计多任务模型时，自适应的改变信息堆叠之后的处理层数量，表2中的任务数量也代表了信息嵌入之后的卷积层数量。任务数量越多对应的卷积层数量越少，上述方案能保证算法性能的同时，减少模型的参数。
[0120]
表2多任务实验
[0121]
[0122][0123]
为了进一步本发明实施例的方法的安全性，例如可以选择多个深度学习信息隐藏算法在stegaexpose上的检测率与本发明实施例的方法进行对比。检测率越接近随机猜测，说明算法安全性越高。需要说明的是，图7可以看出，本发明实施例的方法非常接近随机猜测，说明stegaexpose对本发明实施例的方法的检测能力有限。原因是stegaexpose主要检测图像的最低有效位的嵌入情况，本发明实施例的方法不仅在最低有效位进行信息的嵌入，还在中位部分进行的嵌入，所以该检测算法对于本发明实施例的方法的检测率接近随机猜测。
[0124]
进一步地，为了解释本发明实施例中嵌入信息的位置，对嵌入信息的图像进行了有效位的检验分析对比图8和图9可知，本发明实施例的方法不仅在最低有效位(图中对应横轴等于7的位置)进行的信息的嵌入，而且在中位上也进行了信息嵌入，特别是中位3和4的位置中r和b通道信息超过了最低位的信息量，而最高位的信息降到3％以下，说明本发明实施例的方法能很好的将高位的信息转移到中位上进行嵌入，很好的解决了其他方法不可感知性较低的问题。因为高位信息更加容易被察觉，而中位和低位的信息嵌入不易察觉。
[0125]
综上所述，由图10所示，本发明实施例的方法和stegastamp算法都可以达到完美提取信息，误码率为零。相比之下，stegastemp算法使用bch的纠错算法来降低误码率，一个100位的信息只能由56位来处理。而本发明实施例的方法不借助纠错算法也能处理100比特的信息。本发明实施例的方法在四个评价指标上都优于其他方法。在评价指标psnr和ssim上有明显的改善，超过0.992和41db，分别高于coco数据集上的hcisnet和div2k数据集上的stegastamp算法。
[0126]
下面对本发明提供的信息隐藏装置进行描述，下文描述的信息隐藏装置与上文描述的信息隐藏方法可相互对应参照。
[0127]
图11是本发明实施例提供的信息隐藏取装置的结构示意图。如图11所示，本实施例提供的信息隐藏装置，包括：
[0128]
获取模块210，用于获取原始载体图像的语义信息；
[0129]
处理模块220，用于基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
[0130]
其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
[0131]
可选地，所述嵌入模型包括反卷积模块、叠加层和卷积模块，所述处理模块220，具体用于：
[0132]
基于所述语义信息利用所述嵌入模型的反卷积模块对所述载体图像进行上采样处理，得到第一载体图像信息；所述第一载体图像信息与预处理得到的待隐藏信息的尺寸相同；
[0133]
基于所述语义信息将所述预处理得到的待隐藏信息、所述第一载体图像信息以及原始载体图像进行叠加处理，并基于所述语义信息利用所述嵌入模型的卷积模块对叠加后的信息进行下采样处理，得到所述目标载体图像。
[0134]
可选地，所述处理模块220，还用于：
[0135]
利用信息预处理模型对所述待隐藏信息进行预处理，得到所述预处理后的待隐藏信息；
[0136]
所述信息预处理模型包括：线性连接层、重构层、卷积模块；所述线性连接层用于对所述待隐藏信息进行扩展，得到长度为n的信息，所述重构层用于将所述长度为n的信息进行重构，得到与所述原始载体图像具有相同数量个维度的向量，所述卷积模块用于将所述重构层输出的向量进行卷积处理，得到所述预处理后的待隐藏信息，n为大于1的整数。
[0137]
可选地，提取模型包括：反卷积模块、卷积模块和线性连接层，所述处理模块220，还用于：
[0138]
利用所述提取模型的反卷积模块对所述目标载体图像进行上采样处理，得到第二载体图像信息；
[0139]
利用所述提取模型的卷积模块对所述第二载体图像信息进行下采样处理，得到第三载体图像信息；
[0140]
利用所述提取模型的线性连接层对所述第三载体图像信息进行处理，得到提取信息。
[0141]
可选地，所述语义信息包括以下至少一项：边缘信息、梯度信息、纹理信息。
[0142]
可选地，所述语义信息包括：所述原始载体图像的多尺度语义信息。
[0143]
可选地，所述待隐藏信息包括k个不同任务的信息，k为大于1的整数。
[0144]
可选地，所述处理模块220，还用于：
[0145]
基于所述原始载体图像与所述目标载体图像，利用判别模型获取所述原始载体图像与所述目标载体图像的差异信息；所述差异信息利用概率表示。
[0146]
可选地，所述处理模块220，还用于：
[0147]
基于误差信息，对至少一个模型进行优化处理；
[0148]
所述至少一个模型包括以下至少一项：嵌入模型、信息预处理模块、判别模型、信息提取模型；
[0149]
所述误差信息包括以下至少一项：原始载体图像与目标载体图像之间的误差、待隐藏信息与提取信息的误差、判别模型的交叉熵以及原始载体图像的语义信息与差异图像之间的误差；所述差异图像为所述原始载体图像与目标载体图像之间的差异图像。
[0150]
可选地，所述卷积模块包括：卷积层、正则化层和激活层。
[0151]
所述反卷积模块包括：反卷积层、正则化层和激活层。
[0152]
可选地，所述嵌入模型为基于训练数据训练得到的，所述训练数据包括：待隐藏信息、待隐藏信息的位置、载体图像。
[0153]
本发明实施例的装置，其用于执行前述任一方法实施例中的方法，其实现原理和技术效果类似，此次不再赘述。
[0154]
图12示例了一种电子设备的实体结构示意图，如图12所示，该电子设备可以包括：处理器(processor)810、通信接口(communications interface)820、存储器(memory)830
和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行信息隐藏方法，该方法包括：获取原始载体图像的语义信息；
[0155]
基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
[0156]
其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
[0157]
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read-only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0158]
另一方面，本发明还提供一种计算机程序产品，所述计算机程序产品包括计算机程序，计算机程序可存储在非暂态计算机可读存储介质上，所述计算机程序被处理器执行时，计算机能够执行上述各方法所提供的信息隐藏方法，该方法包括：获取原始载体图像的语义信息；
[0159]
基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
[0160]
其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
[0161]
又一方面，本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各方法提供的信息隐藏方法，该方法包括：获取原始载体图像的语义信息；
[0162]
基于所述语义信息利用训练后的嵌入模型，将待隐藏信息嵌入所述原始载体图像得到目标载体图像；
[0163]
其中，所述语义信息用于指示所述待隐藏信息在所述原始载体图像中的嵌入位置。
[0164]
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
[0165]
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如rom/ram、磁碟、光盘等，包括若干指
令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
[0166]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。