CN108346125B - 一种基于生成对抗网络的空域图像隐写方法及系统 - Google Patents

Abstract

本发明公开了一种基于生成对抗网络的空域图像隐写方法，通过利用U型结构的生成网络将载体图像转换为概率图，然后利用双曲正切编码模块对概率图进行编码，生成篡改点图，并将载体图像与篡改点图相加，生成载密图像；再利用隐写分析网络对载体图像和载密图像进行区分，并将分类结果以误差的形式反馈回生成网络；最后将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。本发明还公开了一种基于生成对抗网络的空域图像隐写系统，包括生成网络模块、编码模块和图像隐写模块。本发明所提出的基于生成对抗网络的空域图像隐写方法在安全性方面有明显提升，并且设计简单。

Description

一种基于生成对抗网络的空域图像隐写方法及系统

技术领域

本发明涉及信息隐写领域，更具体地，涉及一种基于生成对抗网络的空域图像隐写方法及系统。

背景技术

在隐秘通信技术中，有两种常用的方法，一种是密码学，发送方通过加密技术将秘密信息加密，信息以密文的形式传播，接收方接收到信息后，利用解密算法和密钥将密文解译成明文，针对密码学的攻击称为破译；另一种是隐写术，发送方将秘密信息隐藏到载体中，通过公开渠道传播，接收方接收到包含隐秘信息的载体后，将秘密信息从载体中提取出来，与隐写术针锋相对的是隐写分析，即判别载体中是否包含秘密信息，隐写分析是对隐写术安全性的检测。随着多媒体时代的到来，隐写术得到了前所未有的发展和重视，数字图像在互联网上高速普及，数字图像具有容量大、易被篡改等特点，因此自然而然地成为一种天然的信息隐藏的载体，数字图像又有空域和变换域之分，本发明是针对空域数字图像的隐写方法。

空域图像隐写算法通过直接修改载体图像的像素值将秘密信息嵌入到图像中，信息的嵌入一方面要满足一定的荷载量，空域中的荷载量一般用比特/每像素来表示，另一方面出于安全性的考虑，隐写方法必须具有自适应性，自适应的隐写方法会将信息嵌入到不易被检测到的纹理区域。传统的隐写方法通常会设计一个加性失真函数来实现信息嵌入的自适应性，但设计过程高度依赖于设计者的经验和知识，而且设计过程中不包含隐写和隐写分析对抗的闭环，存在安全性低、易被隐写分析工具检测等缺点。

近年来，深度学习在数字图像的各个应用领域中取得了巨大的突破。由于图像隐写和隐写分析是相互博弈、相互对抗的两个方面，深度学习中的生成对抗网络给图像隐写和隐写分析提供了新的思路，但是考虑到隐写的安全性和自适应性，空域图像隐写领域仍然没有一个很好的解决方案。

发明内容

本发明的目的是解决上述一个或多个缺陷，提出一种基于生成对抗网络的空域图像隐写方法及系统。

为实现以上发明目的，采用的技术方案是：

一种基于生成对抗网络的空域图像隐写方法，包括以下步骤：

S1：将载体图像输入到生成网络中，经过生成网络处理后得到与载体图像尺寸相同的概率图；

S2：将步骤S1中得到的概率图和相同尺寸的随机噪声图像输入到编码模块中，输出一张与载体图像尺寸相同的篡改点图，将篡改点图与载体图像相加，得到载密图像；

S3：用载体图像和步骤S2中生成的载密图像对隐写分析网络进行训练，训练的误差以损失的形式反馈回生成网络，也对生成网络进行训练，此步骤即生成对抗训练；

S4：将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。

优选的是，步骤S1所述的生成网络为U型结构的人工神经网络；其中U型网络包含16层，前8层为卷积层，每经过一层卷积层后图像的特征图尺寸会减小一半；后8层为反卷积层，每经过一层反卷积层后，图像的特征尺寸增加一倍；除了最后一层外，所有的镜像对称层之间都有跳跃式连接。

优选的是，步骤S2所述的编码模块为采用双曲正切函数进行拟合的编码模块。编码模块的表达式为

m′＝-0.5×tanh(λ×(p-2×n))+0.5×tanh(λ×(p-2×(1-n)))，其中tanh为双曲正切函数，p为概率图，n为随机噪声，λ为缩放因子，m′为篡改点图。

优选的是，步骤S3所述隐写分析网络为卷积神经网络，包括1个预处理层和6个卷积层，每个卷积层均包括卷积、非线性激活和池化操作，其中前两个卷积层的非线性激活采用tanh函数，其它卷积层的非线性激活采用ReLU函数，预处理层包含30个不同类型的高通滤波器。

优选的是，步骤S3所述对隐写分析网络和生成网络进行训练包括采用梯度反向传播的方法进行训练，具体为每迭代更新一次隐写分析网络的参数则迭代更新两次生成网络的参数。

优选的是，对隐写分析网络和生成网络进行训练时还包括增加一项熵损失用于拟合隐写的荷载量。

优选的是，所述迭代更新的次数大于10000。

优选的是，步骤S3所述的训练的误差以交叉熵进行表示，表达式为

其中y_i表示将图像判为第i类的概率，y_i′为实际的类别标签。通过反向传播算法最小化l_S来更新隐写分析网络的参数。

一种基于生成对抗网络的空域图像隐写系统，包括生成网络模块、编码模块和隐写分析模块；其中生成网络模块将输入的载体图像转换成概率图进行输出；编码模块将生成网络模块输出的概率图和一张相同尺寸的随机噪声进行编码，生成篡改点图，并将载体图像与篡改点图相加，生成载密图像；隐写分析网络对载体图像和载密图像进行区分，并将分类结果以误差的形式反馈回生成网络。

与现有技术相比，本发明的有益效果是：

1)基于生成对抗网络的隐写方法不需要大量关于隐写、隐写分析的领域知识，最终的模型参数是通过生成对抗训练来确定的，设计简单；

2)本发明采用的生成网络结构为U型网络结构，该网络结构参数量少，对内存/显存的要求低，而且收敛速度快，容易训练；

3)为了以较高的精度拟合阶梯函数编码模块，同时保证梯度可传播，本发明提出采用双曲正切函数来拟合编码模块。通过调节该模块的缩放系数λ，可以以极高的精度拟合阶梯函数，同时保证训练时梯度可通过该模块反向传播回生成网络，实现生成对抗训练；

4)本发明提出的基于生成对抗网络的空域图像隐写方法，其核心思想是生成网络和隐写分析网络之间的生成对抗训练，通过两个模块之间的对抗，可以显著提高隐写方法的安全性和自适应性。

附图说明

图1为本发明的流程图；

图2为本发明中U型生成网络的结构图；

图3为本发明中用双曲正切编码模块和阶梯函数的编码效果对比图；

图4为本发明中隐写分析网络的结构图；

图5为本发明的整体框架图。

具体实施方式

附图仅用于示例性说明，不能理解为对本专利的限制；

以下结合附图和实施例对本发明做进一步的阐述。

实施例1

一种基于生成对抗网络的空域图像隐写方法，如图1所示，包括以下步骤：

S1：将载体图像输入到生成网络中，经过生成网络处理后得到与载体图像尺寸相同的概率图。在空域图像隐写领域中，传统的方法为通过最小化加性失真函数来实现信息嵌入的自适应性，本发明采用嵌入概率来代替失真

p_i,j＝ln(1/ρ_i,j-2)，其中p表示嵌入概率，与失真不同的是，嵌入概率越高的像素点，表示嵌入的可能性越大。本发明提出采用U型网络作为生成网络，将原图x输入到附图2所示的U型生成网络，得到概率图：p＝Ugen(x)。

本发明采用的生成网络为U型结构的神经网络，其结构如附图2所示。其中U型网络包含16层，前8层为卷积层，每经过一层卷积层后图像的特征图尺寸会减小一半；后8层为反卷积层，每经过一层反卷积层后，图像的特征尺寸增加一倍；将灰度载体图像输入到生成网络中，载体图像在生成网络中先后经过8层卷积层和8层反卷积层，除了输出层，其它所有的镜像对称层之间都有跳跃式连接，即前面的信息可以跨过中间层直接输入到镜像对称层，如图中的黑色实线箭头所示；生成网络中特征图尺寸的变化规律是先减小后增大，所以中间层提取的是图像的全局信息，两边提取的是图像的局部信息，中间的跳跃式连接既可以防止信息的损失，又可以有利于梯度的反向传播；经过上述操作后，生成网络最终输出一张与载体图像尺寸相同的概率图。

S2：将步骤S1中得到的概率图和相同尺寸的随机噪声图像输入到编码模块中，输出一张与载体图像尺寸相同的篡改点图，将篡改点图与载体图像相加，得到载密图像；本发明采用双曲正切函数(λ＝10)tanh函数来拟合编码模块，编码模块的表达式为

m′＝-0.5×tanh(λ×(p-2×n))+0.5×tanh(λ×(p-2×(1-n)))，其中tanh为双曲正切函数，p为概率图，n为随机噪声，λ为缩放因子，m′为篡改点图。将上式中的篡改点图与原始的载体图像相加，得到载密图：

附图3图示说明了本发明提出的双曲正切编码模块(λ＝10)与实际的阶梯函数的编码效果对比，双曲正切编码模块可以模拟阶梯函数编码的大部分情形，并且编码值是连续的，连续就意味着可导，所以该模块既可以满足大部分情况下的三元编码又可以实现梯度的反向传播，可以通过调节λ来控制编码模块的拟合精度。该编码模块会输出一张相同尺寸的三元篡改点图，从附图1中可以看到，对于训练好的模型，篡改点图的大部分编码信息集中在了图像的纹理区，说明本发明所提出的隐写方法有很好的自适应。

S3：用载体图像和步骤S3中生成的载密图像对隐写分析网络进行训练，训练的误差以损失的形式反馈回生成网络，也对生成网络进行训练，此步骤即生成对抗训练。由于生成网络中的参数是随机初始化的，隐写算法也是随机的，不具有自适应性，所以需要通过生成对抗训练来更新生成网络的参数，保证隐写方法的自适应性、安全性以及荷载量。将两类图像输入到隐写分析网络中，用交叉熵来表示分类误差：

其中y_i表示将图像判为第i类的概率，y′_i为实际的类别标签。通过反向传播算法最小化l_S来更新隐写分析网络的参数；生成网络的代价函数包括两项，一项用于对抗上述损失，即最大化l_S，另一项为熵损失，用于拟合荷载量。整个模型通过反向传播的方法进行训练，通过损失项l_S形成一个闭环的对抗，优化隐写分析网络的目的是最小化l_S，而优化生成网络的目的是最大化l_S。由于隐写分析网络的收敛速度比生成网络快，本发明提出在训练整个框架的过程中，每迭代更新两次生成网络，对应迭代更新一次隐写分析网络。本发明中的隐写分析网络为卷积神经网络，包括1个预处理层和6个卷积层，每个卷积层均包括卷积、非线性激活和池化操作，其中前两个卷积层的非线性激活采用tanh函数，其它卷积层的非线性激活采用ReLU函数，预处理层包含30个不同类型的高通滤波器。隐写分析网络如附图4所示，首先对输入图像进行预处理，本发明采用30个高通滤波器对图像进行滤波操作，目的是提取图像的纹理信息、抑制图像的内容；然后将滤波后的残差与步骤1中输出的概率图相加，目的是应用信道选择信息，这样可以使训练出的隐写方法能对抗那些利用了信道选择信息的隐写分析算法；接下来就是经过6个卷积层(卷积、非线性、池化)的操作，最终经Softmax分类器得到一个二分类的结果。

S4：将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。经过1万轮以上的迭代训练后，得到最优的生成网络参数和隐写分析网络参数。在整个框架中只需保留生成网络模块和编码模块作为本发明中隐写方法的核心模块，将载体图像和随机噪声输入到核心模块可以得到载密图像。

本发明还包括一种基于生成对抗网络的空域图像隐写系统，如图5所示，包括生成网络模块、编码模块和隐写分析模块；其中生成网络模块将输入的载体图像转换成概率图，概率图的作用与传统方法中的失真函数类似，指明了在不同像素点的嵌入概率，体现隐写方法的自适应性；编码模块的输入是一张来自生成网络模块的概率图和一张相同尺寸的随机噪声，根据两者对应像素点之间的关系来确定在该像素点的嵌入值，嵌入值为0表示不进行秘密信息的嵌入，+1或-1表示嵌入一个比特的信息；隐写分析模块采用一个可以实现隐写分析功能的卷积神经网络(CNN)，用于检测隐写方法的安全性，并将检测结果以损失的形式反馈回生成网络，实现生成对抗训练的效果，以提高隐写方法的安全性。

显然，本发明的上述实施例仅仅是为清楚地说明本发明所作的举例，而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明权利要求的保护范围之内。

Claims (9)

1.一种基于生成对抗网络的空域图像隐写方法，其特征在于，包括以下步骤：

S1：将载体图像输入到生成网络中，经过生成网络处理后得到与载体图像尺寸相同的概率图；其中，采用U型网络作为生成网络，将原图x输入到U型生成网络，得到概率图：p＝Ugen(x)；其中p表示嵌入概率，与失真不同的是，嵌入概率越高的像素点，表示嵌入的可能性越大；

S2：将步骤S1中得到的概率图和相同尺寸的随机噪声图像输入到编码模块中，输出一张与载体图像尺寸相同的篡改点图，将篡改点图与载体图像相加，得到载密图像；

S3：用载体图像和步骤S2中生成的载密图像对隐写分析网络进行训练，训练的误差以损失的形式反馈回生成网络，也对生成网络进行训练，此步骤即生成对抗训练；

S4：将训练好的生成网络和编码模块组合在一起，作为最终的空域图像隐写模型，对整个模型输入载体图像，输出载密图像。

2.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S1所述的生成网络为U型结构的人工神经网络；其中U型网络包含16层，前8层为卷积层，每经过一层卷积层后图像的特征图尺寸会减小一半；后8层为反卷积层，每经过一层反卷积层后，图像的特征尺寸增加一倍；除了最后一层外，所有的镜像对称层之间都有跳跃式连接。

3.根据权利要求1中所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S2所述的编码模块为采用双曲正切函数进行拟合的编码模块；编码模块的表达式为m′＝-0.5×tanh(λ×(p-2×n))+0.5×tanh(λ×(p-2×(1-n)))，其中tanh为双曲正切函数，p为概率图，n为随机噪声，λ为缩放因子，m′为篡改点图。

4.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述隐写分析网络为卷积神经网络，包括1个预处理层和6个卷积层，每个卷积层均包括卷积、非线性激活和池化操作，其中前两个卷积层的非线性激活采用tanh函数，其它卷积层的非线性激活采用ReLU函数，预处理层包含30个不同类型的高通滤波器。

5.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述对隐写分析网络和生成网络进行训练包括采用梯度反向传播的方法进行训练，具体为每迭代更新一次隐写分析网络的参数则迭代更新两次生成网络的参数。

6.根据权利要求5所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，对隐写分析网络和生成网络进行训练时还包括增加一项熵损失用于拟合隐写的荷载量。

7.根据权利要求5所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，所述迭代更新的次数大于10000。

8.根据权利要求1所述的一种基于生成对抗网络的空域图像隐写方法，其特征在于，步骤S3所述的训练的误差以交叉熵进行表示，表达式为

其中y_i表示将图像判为第i类的概率，y_i′为实际的类别标签，通过反向传播算法最小化l_S来更新隐写分析网络的参数。

9.一种使用权利要求1-8任一项所述方法的系统，其特征在于，包括生成网络模块、编码模块和隐写分析模块；其中生成网络模块将输入的载体图像转换成概率图进行输出；编码模块将生成网络模块输出的概率图和一张相同尺寸的随机噪声进行编码，生成篡改点图，并将载体图像与篡改点图相加，生成载密图像；隐写分析网络对载体图像和载密图像进行区分，并将分类结果以误差的形式反馈回生成网络。

Images