CN116958571A

CN116958571A - 一种基于图像的信息处理方法及相关装置

Info

Publication number: CN116958571A
Application number: CN202310447920.7A
Authority: CN
Inventors: 刘绍腾
Original assignee: Tencent Technology Shenzhen Co Ltd
Current assignee: Tencent Technology Shenzhen Co Ltd
Priority date: 2023-04-17
Filing date: 2023-04-17
Publication date: 2023-10-27

Abstract

本申请公开一种基于图像的信息处理方法及相关装置，应用于人工智能；通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练得到信息处理模型。获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像，将前述两个编码图像分别输入信息处理模型中的预设嵌入层进行正向的特征表示得到第一正向特征图像和第二正向特征图像；结合待嵌入图像经过正向的第一运算得到已嵌入图像。将已嵌入图像分别输入信息处理模型中的第一特征提取层和第二特征提取层进行逆向的特征提取得到第一逆向特征图像和第二逆向特征图像；结合第二编码图像经过逆向的第二运算得到第一编码图像。

Description

一种基于图像的信息处理方法及相关装置

技术领域

本申请涉及计算机技术领域，特别是涉及一种基于图像的信息处理方法及相关装置。

背景技术

现阶段，涌现各种各样通过深度学习将信息隐藏于图像和从图像提取信息的方法。即，将信息通过深度学习方式嵌入图像的内部，仅基于嵌入后图像无法确定信息以实现将信息隐藏于图像；从嵌入后图像通过深度学习方式提取所隐藏的信息，基于嵌入后图像得到隐藏的信息以实现从图像提取信息。

相关技术中，通过深度学习方式预先训练用于将信息隐藏于图像的第一深度学习模型和用于从图像提取信息的第二深度学习模型，将信息和图像输入第一深度学习模型进行嵌入处理，输出隐藏信息的嵌入后图像；将嵌入后图像输入第二深度学习模型进行提取处理，输出嵌入后图像所隐藏的信息。

然而，上述方法中基于第一深度学习模型的信息嵌入过程和基于第二深度学习模型的信息提取过程是相互分离、相互独立的，且任何对象均可以提取嵌入后图像所隐藏的信息，导致无法证明在嵌入后图像所隐藏的信息以及从嵌入后图像所提取的信息是否正确，从而导致将信息隐藏于图像和从图像提取信息的信息处理效果较差。

发明内容

为了解决上述技术问题，本申请提供了一种基于图像的信息处理方法及相关装置，能够证明在嵌入后图像所隐藏的信息以及从嵌入后图像所提取的信息是正确的，从而提升将信息隐藏于图像和从图像提取信息的信息处理效果。

本申请实施例公开了如下技术方案：

一方面，本申请实施例提供一种基于图像的信息处理方法，所述方法包括：

获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像；

通过信息处理模型中的预设嵌入层分别对所述第一编码图像和所述第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；所述信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的；

对所述待嵌入图像、所述第一正向特征图像和所述第二正向特征图像进行正向的第一运算，获得已嵌入图像；所述已嵌入图像的图像内部嵌入所述待嵌入信息；

通过所述信息处理模型中的第一特征提取层和第二特征提取层分别对所述已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像；

对所述第二编码图像、所述第一逆向特征图像和所述第二逆向特征图像进行逆向的第二运算，获得所述第一编码图像。

另一方面，本申请实施例提供一种基于图像的信息处理装置，所述装置包括：获取单元、特征表示单元、运算单元和特征提取单元；

所述获取单元，用于获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像；

所述特征表示单元，用于通过信息处理模型中的预设嵌入层分别对所述第一编码图像和所述第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；所述信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的；

所述运算单元，用于对所述待嵌入图像、所述第一正向特征图像和所述第二正向特征图像进行正向的第一运算，获得已嵌入图像；所述已嵌入图像的图像内部嵌入所述待嵌入信息；

所述特征提取单元，用于通过所述信息处理模型中的第一特征提取层和第二特征提取层分别对所述已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像；

所述运算单元，还用于对所述第二编码图像、所述第一逆向特征图像和所述第二逆向特征图像进行逆向的第二运算，获得所述第一编码图像。

另一方面，本申请实施例提供一种计算机设备，所述计算机设备包括处理器以及存储器：

所述存储器用于存储计算机程序，并将所述计算机程序传输给所述处理器；

所述处理器用于根据所述计算机程序中的指令执行前述任一方面所述的方法。

另一方面，本申请实施例提供一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，所述计算机程序用于执行前述任一方面所述的方法。

另一方面，本申请实施例提供一种计算机程序产品，包括计算机程序，当其在计算机设备上运行时，使得所述计算机设备执行时实现前述任一方面所述的方法。

由上述技术方案可以看出，在通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像，对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练，得到完全可逆的、安全性高的将信息隐藏于图像和从图像提取信息的信息处理模型基础上；首先，获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像，将第一编码图像和第二编码图像分别输入信息处理模型中的预设嵌入层进行正向的特征表示，得到第一正向特征图像和第二正向特征图像；其次，将待嵌入图像、第一正向特征图像和第二正向特征图像经过正向的第一运算，得到图像内部嵌入待嵌入信息的已嵌入图像；然后，将已嵌入图像分别输入信息处理模型中的第一特征提取层和第二特征提取层进行逆向的特征提取，得到第一逆向特征图像和第二逆向特征图像；最后，将第二编码图像、第一逆向特征图像和第二逆向特征图像经过逆向的第二运算，得到表示待嵌入信息的第一编码图像。可见，该方法中信息嵌入过程和信息提取过程是同一信息处理模型的不同流向过程，即，信息嵌入过程和信息提取过程完全可逆；且利用密钥的安全性机制，仅密钥正确时可提取已嵌入图像所隐藏的待嵌入信息；基于此，该方法能够证明在已嵌入图像隐藏正确的待嵌入信息、并从已嵌入图像提取正确的待嵌入信息，从而提升将信息隐藏于图像和从图像提取信息的信息处理效果。

附图说明

为了更清楚地说明本申请实施例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简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术成员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种基于图像的信息处理方法的系统架构示意图；

图2为本申请实施例提供的一种基于图像的信息处理方法的流程图；

图3为本申请实施例提供的一种基于信息处理模型将待嵌入信息隐藏于待嵌入图像的信息嵌入过程示意图；

图4为本申请实施例提供的一种预设嵌入层、第一特征提取层或第二特征提取层的结构示意图；

图5为本申请实施例提供的一种基于信息处理模型从已嵌入图像提取待嵌入信息的信息提取过程示意图；

图6为本申请实施例提供的一种信息处理模型的训练方法的流程图；

图7为本申请实施例提供的一种对可逆神经网络进行正向的信息嵌入训练示意图；

图8为本申请实施例提供的一种对可逆神经网络进行逆向的信息提取训练示意图；

图9为本申请实施例提供的一种通过训练完成的可逆神经网络基于正确的样本密钥进行信息提取的效果图、以及基于错误的其他密钥进行信息提取的效果图；

图10为本申请实施例提供的一种基于图像的信息处理装置的结构图；

图11为本申请实施例提供的一种服务器的结构图；

图12为本申请实施例提供的一种终端的结构图。

具体实施方式

下面结合附图，对本申请的实施例进行描述。

目前，可以通过深度学习方式预先训练用于将信息隐藏于图像的“深度学习模型1”和用于从图像提取信息的“深度学习模型2”；在版权信息的维护场景中，例如，将“版权信息A”和“图像B”输入“深度学习模型1”进行嵌入处理，输出隐藏“版权信息A”的“图像B＇”；将“图像B＇”输入“深度学习模型2”进行提取处理，输出“图像B＇”所隐藏的“版权信息A”；基于此，通过“深度学习模型1”和“深度学习模型2”实现将信息隐藏于图像和从图像提取信息。

然而，经过研究发现，上述方法中基于“深度学习模型1”的信息嵌入过程和基于“深度学习模型2”的信息提取过程是相互分离、相互独立的；且任何对象均可以提取“图像B＇”所隐藏的“版权信息A”，导致无法证明在“图像B＇”所隐藏的信息以及从“图像B＇”所提取的信息是否为“版权信息A”，从而导致将信息隐藏于图像和从图像提取信息的信息处理效果较差。

本申请实施例提供一种基于图像的信息处理方法，使得信息嵌入过程和信息提取过程是同一信息处理模型的不同流向过程，即，信息嵌入过程和信息提取过程完全可逆；且利用密钥的安全性机制，仅密钥正确时可提取嵌入后图像所隐藏的信息；基于此，该方法能够证明在嵌入后图像所隐藏的信息以及从嵌入后图像所提取的信息是正确的，从而提升将信息隐藏于图像和从图像提取信息的信息处理效果。

接下来，将对基于图像的信息处理方法的系统架构进行介绍。参见图1，图1为本申请实施例提供的一种基于图像的信息处理方法的系统架构示意图，该系统架构中包括终端101和服务器102，终端101响应于图像输入操作、信息输入操作和密钥输入操作，获取待嵌入图像、待嵌入信息和预设密钥，终端101向服务器102发送待嵌入图像、待嵌入信息和预设密钥，以便服务器102根据待嵌入图像、待嵌入信息和预设密钥，实现将信息隐藏于图像和从图像提取信息。

其中，终端101包括但不限于智能手机、平板电脑、笔记本电脑、台式计算机、智能语音交互设备、智能家电、车载终端等，但并不局限于此。服务器102可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式系统，还可以是提供云计算服务的云服务器。终端101以及服务器102可以通过有线或无线通信方式进行直接或间接地连接，本申请在此不做限制。例如终端101以及服务器102可以通过网络连接，该网络可以是有线或无线网络。

服务器102获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像。作为一种示例，待嵌入图像为“图像B”，待嵌入信息为“版权信息A”，预设密钥为“密钥C”；服务器102接收终端101发送的“图像B”、“版权信息A”和“密钥C”之后，服务器102获取“图像B”作为“Image_input”，且获取“版权信息A”的第一编码图像为“Wmk_input”、和“密钥C”的第二编码图像为“Key_input”，其中，“Wmk_input”和“Key_input”可以均属于二维码图像。

服务器102通过信息处理模型中的预设嵌入层分别对第一编码图像和第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的。作为一种示例，样本图像为“Image”，样本信息为“wmk”，“wmk”的第三编码图像为“Wmk”，样本密钥为“key”，“key”的第四编码图像为“Key”，预设嵌入层为“Emb”；在上述示例的基础上，服务器102预先通过“Image”、“Wmk”和“Key”，对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练，将训练完成的可逆神经网络作为信息处理模型；服务器102将第一编码图像“Wmk_input”和第二编码图像“Key_input”分别输入信息处理模型中的“Emb”进行正向的特征表示，得到第一正向特征图像为“Emb(Wmk_input)”和第二正向特征图像为“Emb(Key_input)”。

服务器102对待嵌入图像、第一正向特征图像和第二正向特征图像进行正向的第一运算，获得已嵌入图像；已嵌入图像的图像内部嵌入待嵌入信息。作为一种示例，正向的第一运算为“正向的运算1”，在上述示例的基础上，服务器102将待嵌入图像“Image_input”、第一正向特征图像“Emb(Wmk_input)”和第二正向特征图像“Emb(Key_input)”经过“正向的运算1”，得到已嵌入图像为“图像B＇”作为“Image_output”，该“Image_output”的图像内部嵌入待嵌入信息“版权信息A”。

服务器102通过信息处理模型中的第一特征提取层和第二特征提取层分别对已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像。作为一种示例，第一特征提取层为“Det_a”，第二特征提取层为“Det_b”；在上述示例的基础上，服务器102将已嵌入图像“Image_output”分别输入信息处理模型中的“Det_a”和“Det_b”进行逆向的特征提取，得到第一逆向特征图像为“Det_a＇(Image_output)”和第二逆向特征图像为“Det_b＇(Image_output)”。

服务器102对第二编码图像、第一逆向特征图像和第二逆向特征图像进行逆向的第二运算，获得第一编码图像。作为一种示例，逆向的第二运算为“逆向的运算2”，在上述示例的基础上，服务器102将第二编码图像“Key_input”、第一逆向特征图像“Det_a＇(Image_output)”和第二逆向特征图像“Det_b＇(Image_output)”经过“逆向的运算2”，得到表示待嵌入信息“版权信息A”的第一编码图像“Wmk_input”。

也就是说，该方法中信息嵌入过程和信息提取过程是同一信息处理模型的不同流向过程，即，信息嵌入过程和信息提取过程完全可逆；且利用密钥的安全性机制，仅密钥正确时可提取已嵌入图像所隐藏的待嵌入信息；基于此，该方法能够证明在已嵌入图像隐藏正确的待嵌入信息、并从已嵌入图像提取正确的待嵌入信息，从而提升将信息隐藏于图像和从图像提取信息的信息处理效果。作为一种示例，在上述示例的基础上，将“版权信息A”嵌入“图像B”过程和从“图像B＇”提取“版权信息A”过程是同一信息处理模型的不同流向过程、完全可逆；且利用密钥的安全性机制，仅密钥为“密钥C”时可提取“图像B＇”所隐藏的“版权信息A”；基于此，该方法能够证明在“图像B＇”所隐藏的信息以及从“图像B＇”所提取的信息均为“版权信息A”，从而提升将“版权信息A”嵌入“图像B”和从“图像B＇”提取“版权信息A”的信息处理效果。

本申请提供的基于图像的信息处理方法涉及人工智能(ArtificialIntelligence，AI)技术。其中，人工智能是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。换句话说，人工智能是计算机科学的一个综合技术，它企图了解智能的实质，并生产出一种新的能以人类智能相似的方式做出反应的智能机器。人工智能也就是研究各种智能机器的设计原理与实现方法，使机器具有感知、推理与决策的功能。

人工智能技术是一门综合学科，涉及领域广泛，既有硬件层面的技术也有软件层面的技术。人工智能的基础技术一般包括如传感器、专用人工智能芯片、云计算、分布式存储、大数据处理技术、操作/交互系统、机电一体化等技术。

本申请提供的基于图像的信息处理方法主要涉及人工智能技术包括的计算机视觉(Computer Vision，CV)技术和机器学习(Machine Learning，ML)/深度学习等大方向。其中，计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是指用摄影机和电脑代替人眼对目标进行识别、追随和测量等机器视觉，并进一步做图形处理，使电脑处理成为更适合人眼观察或传送给仪器检测的图像。作为一个科学学科，计算机视觉研究相关的理论和技术，试图建立能够从图像或者多维数据中获取信息的人工智能系统。本申请提供的基于图像的信息处理方法主要涉及计算机视觉技术包括的图像处理、图像识别、图像语义理解、图像检索、光学字符识别、视频处理、视频语义理解、视频内容识别等技术。

机器学习是一门多领域交叉学科，涉及概率论、统计学、逼近论、凸分析、算法复杂度理论等多门学科。专门研究计算机怎样模拟或实现人类的学习行为，以获取新的知识或技能，重新组织已有的知识结构使之不断改善自身的性能。机器学习是人工智能的核心，是使计算机具有智能的根本途径，其应用遍及人工智能的各个领域。机器学习和深度学习通常包括人工神经网络、置信网络、强化学习、迁移学习、归纳学习和示教学习等技术。

需要说明的是，在本申请实施例中，计算机设备可以是服务器或终端，本申请实施例提供的方法可以由终端或服务器单独执行，也可以由终端和服务器配合执行。其中，图1对应的实施例主要以服务器执行本申请实施例提供的方法为例进行介绍。

此外，当本申请实施例提供的方法由终端单独执行时，其执行方法与图1对应的实施例类似，主要是将服务器换成终端。另外，当由终端和服务器配合执行本申请实施例提供的方法时，需要体现在前端界面上的步骤可以由终端执行，而一些需要后台计算、无需体现在前端界面上的步骤可以由服务器执行。

还需要说明的是，在本申请的具体实现方式中，待嵌入图像、待嵌入信息、预设密钥、样本图像、样本信息和样本密钥等数据有可能会涉及到用户信息等相关的数据，当本申请以上实施例运用到具体产品或技术中时，需要获得用户的单独同意，且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。

此外，本申请实施例可应用于各种场景，包括但不限于云技术、人工智能、智慧交通、音视频、辅助驾驶等。

接下来，将以服务器执行本申请实施例提供的方法为例、结合附图对本申请实施例提供的基于图像的信息处理方法进行详细介绍。参见图2，图2为本申请实施例提供的一种基于图像的信息处理方法的流程图，方法包括：

S201：获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像。

由于相关技术中，通过深度学习方式预先训练用于将信息隐藏于图像的第一深度学习模型和用于从图像提取信息的第二深度学习模型，将信息和图像输入第一深度学习模型进行嵌入处理，输出隐藏信息的嵌入后图像；将嵌入后图像输入第二深度学习模型进行提取处理，输出嵌入后图像所隐藏的信息。经过研究发现，上述方法中基于第一深度学习模型的信息嵌入过程对任何对象均公开未考虑安全性问题，导致无法证明在嵌入后图像所隐藏的信息是否正确；基于第二深度学习模型的信息提取过程表示任何对象均可以提取嵌入后图像所隐藏的信息，导致无法证明从嵌入后图像所提取的信息是否正确，从而导致将信息隐藏于图像和从图像提取信息的信息处理效果较差。

因此，本申请实施例中，为了解决上述问题，首先，考虑在信息嵌入过程和信息提取过程中利用密钥的安全性机制，以提升安全性；则在获取用于隐藏信息的图像作为待嵌入图像和用于被隐藏的信息作为待嵌入信息基础上，还需要获取用于提升信息嵌入过程安全性和信息提取过程安全性的密钥作为预设密钥。

其中，待嵌入信息可以是由第一字符串构成的，预设密钥可以是由第二字符串构成的，第一字符串的字符数和第二字符串的字符数可以相同，第一字符串的字符数和第二字符串的字符数也可以不同。

作为一种示例，待嵌入信息“版权信息A”，“版权信息A”由m位的第一字符串构成，m为正整数；预设密钥为“密钥C”，“密钥C”由n位的第二字符串构成，n为正整数；m＝n，或m≠n。

此外，考虑到将待嵌入信息和预设密钥隐藏于待嵌入图像，仅基于嵌入后图像无法确定待嵌入信息和预设密钥，还需要将待嵌入信息编码为一个编码图像，并将预设密钥编码为另一个编码图像；即，获取待嵌入信息的第一编码图像和预设密钥的第二编码图像。

其中，待嵌入信息的第一编码图像用于通过编码图像的形式表示待嵌入信息；预设密钥的第二编码图像用于通过编码图像的形式表示预设密钥。编码图像可以是某种特定的几何图形按一定规律在平面(二维方向上)分布的、黑白相间的、记录数据符号信息的图像，即，二维码图像；则待嵌入信息的第一编码图像可以为待嵌入信息二维码图像，预设密钥的第二编码图像为预设密钥二维码图像。

在S201具体实现时，待嵌入信息的第一编码图像可以是将待嵌入信息输入预设编码工具随机编码得到的，且第一编码图像的图像尺寸需要与待嵌入图像的图像尺寸保持匹配，则在前述随机编码过程中需要依赖待嵌入图像的图像尺寸；预设密钥的第二编码图像也可以是将预设密钥输入预设编码工具随机编码得到的，且第二编码图像的图像尺寸也需要与待嵌入图像的图像尺寸保持匹配，则在前述随机编码过程中也需要依赖待嵌入图像的图像尺寸。因此，本申请提供了一种可能的实现方式，第一编码图像的获取方式，具体为：根据待嵌入图像的图像尺寸，通过预设编码工具对待嵌入信息进行随机编码，获得第一编码图像；第二编码图像的获取方式，具体为：根据待嵌入图像的图像尺寸，通过预设编码工具对预设密钥进行随机编码，获得第二编码图像。

其中，在待嵌入信息的第一编码图像为待嵌入信息二维码图像，预设密钥的第二编码图像为预设密钥二维码图像时，预设编码工具例如可以为计算机编程语言Python公开的二维码生成库“qrcode”。

作为一种示例，获取待嵌入图像为“图像B”作为“Image_input”，将“版权信息A”输入“qrcode”进行随机编码，得到与“Image_input”的图像尺寸相同的第一编码图像为“Wmk_input”、将“密钥C”输入“qrcode”进行随机编码，得到与“Image_input”的图像尺寸相同的第二编码图像为“Key_input”。即，“Wmk_input”为“版权信息A”二维码图像，“Key_input”为“密钥C”二维码图像。

S202：通过信息处理模型中的预设嵌入层分别对第一编码图像和第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的。

由于上述相关技术的方法中基于第一深度学习模型的信息嵌入过程和基于第二深度学习模型的信息提取过程是相互分离、相互独立的，同样导致无法证明在嵌入后图像所隐藏的信息是否正确、以及从嵌入后图像所提取的信息是否正确，从而导致将信息隐藏于图像和从图像提取信息的信息处理效果较差。

因此，本申请实施例中，为了解决上述问题，在上述考虑信息嵌入过程和信息提取过程中利用密钥的安全性机制以提升安全性的基础上，还需要考虑将信息嵌入过程和信息提取过程作为完全可逆的两个过程；则预先通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练得到信息处理模型，使得信息处理模型的正向流向用于将信息隐藏于图像，且信息处理模型的逆向流向用于从图像提取信息，即，信息处理模型的不同流向分别为信息嵌入过程和信息提取过程，以确保信息嵌入过程和信息提取过程完全可逆。

作为一种示例，样本图像为“Image”，样本信息为“wmk”，“wmk”的第三编码图像为“Wmk”，样本密钥为“key”，“key”的第四编码图像为“Key”，预先通过“Image”、“Wmk”和“Key”对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练，将训练完成的可逆神经网络作为信息处理模型。

基于此，在执行S201获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像之后，为了将待嵌入信息隐藏于待嵌入图像且提升信息嵌入过程安全性，首先需要将待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像输入信息处理模型进行正向的嵌入处理。而正向的嵌入处理需要先将第一编码图像和第二编码图像分别输入信息处理模型中的预设嵌入层进行正向的特征表示，以便将第一编码图像和第二编码图像所属的空间映射到新的多维空间中，得到用于表示待嵌入信息的特征图作为第一正向特征图像、以及用于表示预设密钥的特征图作为第二正向特征图像。

作为一种示例，预设嵌入层为“Emb”；在上述示例的基础上，将待嵌入信息“版权信息A”的第一编码图像“Wmk_input”输入信息处理模型中的“Emb”进行正向的特征表示，得到“版权信息A”的第一正向特征图像为“Emb(Wmk_input)”；将预设密钥“密钥C”的第二编码图像“Key_input”输入信息处理模型中的“Emb”的进行正向的特征表示，得到“密钥C”的第二正向特征图像为“Emb(Key_input)”。

其中，考虑到第一正向特征图像和第二正向特征图像后续需要和待嵌入图像相结合，实现将待嵌入信息隐藏于待嵌入图像；因此，第一正向特征图像的图像通道数需要与待嵌入图像的图像通道数相同，第二正向特征图像的图像通道数同样需要与待嵌入图像的图像通道数相同。

实际应用中，待嵌入图像可以属于单通道图像，也可以属于多通道图像。当待嵌入图像属于单通道图像时，第一正向特征图像和第二正向特征图像均属于单通道图像；例如，当待嵌入图像属于黑白图像时，第一正向特征图像和第二正向特征图像均属于黑白图像。当待嵌入图像为多通道图像时，第一正向特征图像和第二正向特征图像均属于多通道图像；例如，当待嵌入图像属于RGB三通道彩色图像时，第一正向特征图像和第二正向特征图像均属于RGB三通道彩色图像。

S203：对待嵌入图像、第一正向特征图像和第二正向特征图像进行正向的第一运算，获得已嵌入图像；已嵌入图像的图像内部嵌入待嵌入信息。

本申请实施例中，在执行S202得到第一正向特征图像和第二正向特征图像之后，由于第一正向特征图像是用于表示待嵌入信息的特征图，且第一正向特征图像的图像通道数与待嵌入图像的图像通道数相同，第二正向特征图像是用于表示预设密钥的特征图，且第二正向特征图像的图像通道数与待嵌入图像的图像通道数相同；为了将待嵌入信息隐藏于待嵌入图像且提升信息嵌入过程安全性，在已知待嵌入图像的基础上，需要将待嵌入图像、待嵌入信息的第一正向特征图像和待嵌入信息的第二正向特征图像经过正向的第一运算，得到图像内部嵌入待嵌入信息的已嵌入图像。

其中，正向的第一运算用于将第一正向特征图像和第二正向特征图像嵌入待嵌入图像的图像内部，可以配置正向的第一运算是加法运算。当然，本申请实施例中，并不限定正向的第一运算必须是加法运算，还可以是其他实现图像嵌入的运算。

作为一种示例，正向的第一运算为“加法运算”，在上述示例的基础上，将待嵌入图像“Image_input”、待嵌入信息“版权信息A”的第一正向特征图像“Emb(Wmk_input)”和预设密钥“密钥C”的第二正向特征图像“Emb(Key_input)”经过“加法运算”，得到图像内部嵌入“版权信息A”的已嵌入图像为“Image_output”，即，“Image_output”＝“Image_input”+“Emb(Wmk_input)”+“Emb(Key_input)”，该“Image_input”可作为“图像B＇”。

作为一种示例，参见图3，图3为本申请实施例提供的一种基于信息处理模型将待嵌入信息隐藏于待嵌入图像的信息嵌入过程示意图；在上述示例的基础上，图中仅示出预设嵌入层“Emb”，将待嵌入信息“版权信息A”的第一编码图像“Wmk_input”输入信息处理模型中的“Emb”进行正向的特征表示，得到“版权信息A”的第一正向特征图像“Emb(Wmk_input)”；将预设密钥“密钥C”的第二编码图像“Key_input”输入信息处理模型中的预设嵌入层“Emb”的进行正向的特征表示，得到“密钥C”的第二正向特征图像“Emb(Key_input)”。将待嵌入图像“Image_input”、“Emb(Wmk_input)”和“Emb(Key_input)”经过“加法运算”(即，图中“+”)，得到图像内部嵌入“版权信息A”的已嵌入图像“Image_output”。

此外，本申请实施例中，在S203得到图像内部嵌入待嵌入信息的已嵌入图像之后，由于仅基于已嵌入图像无法确定待嵌入信息，且能够证明在已嵌入图像所隐藏的信息为待嵌入信息；此情况下，还可以通过将已嵌入图像发送给传递对象的方式，将待嵌入信息保密发送给待传递对象，以便后续可以从已嵌入图像提取待嵌入信息，实现待嵌入信息的信息传递、待嵌入信息的信息证明或待嵌入信息的泄漏对象追溯。因此，本申请提供了一种可能的实现方式，在S203之后，方法例如还可以包括S1(图中未示出)：向待传递对象发送已嵌入图像；已嵌入图像用于保密发送待嵌入信息。

S204：通过信息处理模型中的第一特征提取层和第二特征提取层分别对已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像。

本申请实施例中，在执行S203得到图像内部嵌入待嵌入信息的已嵌入图像之后，由于前述将信息嵌入过程和信息提取过程作为完全可逆的两个过程，则信息提取过程是前述信息嵌入过程的逆向过程，为了从待嵌入图像提取待嵌入信息且提升信息提取过程安全性，需要将已嵌入图像和与预设密钥的第二编码图像输入信息处理模型进行逆向的提取处理。而逆向的提取处理需要先将已嵌入图像分别输入信息处理模型中的第一特征提取层和第二特征提取层进行逆向的特征提取，以便从不同角度提取已嵌入图像中的图像特征，得到用于从不同角度表示已嵌入图像的第一特征图和第二特征图，即，已嵌入图像的第一逆向特征图像和已嵌入图像的第二逆向特征图像。

作为一种示例，第一特征提取层为“Det_a”，第二特征提取层为“Det_b”，在上述示例的基础上，将已嵌入图像“Image_output”输入信息处理模型中的“Det_a”进行逆向的特征提取，得到“Image_output”的第一逆向特征图像为“Det_a＇(Image_output)”；将“Image_output”输入信息处理模型中的“Det_b”进行逆向的特征提取，得到“Image_output”的第二逆向特征图像为“Det_b＇(Image_output)”。

其中，预设嵌入层、第一特征提取层和第二特征提取层均为相同的结构，但具体的输入通道数和输出通道数不同。作为一种示例，参见图4，图4为本申请实施例提供的一种预设嵌入层、第一特征提取层或第二特征提取层的结构示意图；其中，针对预设嵌入层、第一特征提取层或第二特征提取层而言，任意一层例如可以包括如下顺序依次连接的五层：3×3卷积层、Relu激活层、3×3卷积层、Relu激活层和1×1卷积层。在待嵌入图像属于多通道图像，具体为RGB三通道彩色图像时，针对预设嵌入层而言，第一个3×3卷积层的输入通道数为1、输出通道数为256；第一个Relu激活层、第二个3×3卷积层和第二个Relu激活层的输入通道数和输出通道数均为256；1×1卷积层的输入通道数为256、输出通道数为3。针对第一特征提取层或第二特征提取层而言，第一个3×3卷积层的输入通道数为3、输出通道数为256；第一个Relu激活层、第二个3×3卷积层和第二个Relu激活层的输入通道数和输出通道数均为256；1×1卷积层的输入通道数为256、输出通道数为1。

S205：对第二编码图像、第一逆向特征图像和第二逆向特征图像进行逆向的第二运算，获得第一编码图像。

本申请实施例中，在执行S204得到第一逆向特征图像和第二逆向特征图像之后，由于第一逆向特征图像和第二逆向特征图像是用于从不同角度表示已嵌入图像的第一特征图和第二特征图，为了从已嵌入图像提取待嵌入信息且提升信息提取过程安全性，在已知预设密钥的第二编码图像的基础上，需要将第二编码图像、第一逆向特征图像和第二逆向特征图像经过逆向的第二运算，得到从已嵌入图像提取的用于通过编码图像的形式表示待嵌入信息的第一编码图像。其中，逆向的第二运算用于将第二编码图像和第一逆向特征图像和第二逆向特征图像运算为第一编码图像。

在S205具体实现时，可以配置逆向的第二运算包括运算优先级较高的第三运算和运算优先级较低的第四运算，按照运算优先级先将第二编码图像和第二逆向特征图像经过运算优先级较高的第三运算，得到第一中间特征图像；再将第一中间特征图像和第一逆向特征图像经过运算优先级较低的第四运算，得到第一编码图像。因此，本申请提供了一种可能的实现方式，逆向的第二运算包括第三运算和第四运算，第三运算的运算优先级高于第四运算的运算优先级时，S205例如可以包括如下S2051-S2052(图中未示出)：

S2051：对第二编码图像和第二逆向特征图像进行第三运算，获得第一中间特征图像。

S2052：对第一中间特征图像和第一逆向特征图像进行第四运算，获得第一编码图像。

其中，第三运算可以是减法运算，第四运算可以是除法运算；当然，本申请实施例中，并不限定第三运算必须是减法运算，也不限定第四运算必须是除法运算，第三运算、第四运算还可以是其他实现图像提取的运算。

作为一种示例，第三运算为“减法运算”，第四运算为“除法运算”，在上述示例的基础上，将预设密钥“密钥C”的第二编码图像“Key_input”和已嵌入图像“Image_output”的第二逆向特征图像“Det_b＇(Image_output)”经过“减法运算”，得到第一中间特征图像为“Key_input”－“Det_b＇(Image_output)”，再将“Key_input”－“Det_b＇(Image_output)”和“Image_output”的第一逆向特征图像“Det_a＇(Image_output)”经过“除法运算”，得到表示待嵌入信息“版权信息A”的第一编码图像“Wmk_input”，即，“Wmk_input”＝[“Key_input”－“Det_b＇(Image_output)”]/“Det_a＇(Image_output)”。

作为一种示例，参见图5，图5为本申请实施例提供的一种基于信息处理模型从已嵌入图像提取待嵌入信息的信息提取流向示意图；在上述示例的基础上，图中仅示出第一特征提取层“Det_a”和第二特征提取层“Det_b”，首先，将已嵌入图像“Image_output”输入信息处理模型中的“Det_a”进行逆向的特征提取，得到“Image_output”的第一逆向特征图像“Det_a＇(Image_output)”，将“Image_output”输入信息处理模型中的“Det_b”进行逆向的特征提取，得到“Image_output”的第二逆向特征图像“Det_b＇(Image_output)”。然后，将预设密钥“密钥C”的第二编码图像“Key_input”和“Det_b＇(Image_output)”经过“减法运算”(即，图中“－”)，再和“Det_a＇(Image_output)”经过“除法运算”(即，图中“÷”)，得到待嵌入信息“版权信息A”的第一编码图像“Wmk_input”。

此外，本申请实施例中，在执行S205得到第一编码图像之后，第一编码图像用于通过编码图像的形式表示待嵌入信息，为了能够得到待嵌入信息，还需要将第一编码图像输入预设解码工具进行解码处理得到待嵌入信息。因此，本申请提供了一种可能的实现方式，在S203之后，方法例如还可以包括S2(图中未示出)：通过预设解码工具对第一编码图像进行解码处理，获得待嵌入信息。

其中，在待嵌入信息的第一编码图像为待嵌入信息二维码图像时，预设解码工具例如可以为计算机编程语言Python公开的二维码生成库“qrcode”，即，“qrcode”不仅用于生成二维码图像，而且用于解码二维码图像。

基于前述说明，在执行S202之前还需要预先训练得到信息处理模型，具体训练方式是指：首先，在通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练过程中，将样本图像、样本信息的第三编码图像和样本密钥的第四编码图像输入可逆神经网络对进行正向的嵌入处理，得到在样本图像的图像内部嵌入样本信息的预测正向嵌入图像、样本信息对应的第一正向编码图像和样本密钥对应的第二正向编码图像。

然后，在通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行逆向的信息提取训练过程中，先将预测正向嵌入图像分别输入可逆神经网络中的第一特征提取层和第二特征提取层进行逆向的特征提取，从不同角度提取预测正向嵌入图像中的图像特征，得到用于从不同角度表示预测正向嵌入图像的第一特征图和第二特征图，即，预测正向嵌入图像的第三逆向特征图像和预测正向嵌入图像的第四逆向特征图像。为了从预测正向嵌入图像提取样本信息且提升逆向的信息提取训练安全性，再在已知样本密钥的第四编码图像的基础上，需要将第四编码图像、第三逆向特征图像和第四逆向特征图像经过逆向的第二运算，得到从预测正向嵌入图像提取的用于通过编码图像的形式表示样本信息的逆向编码图像。

最后，结合可逆神经网络的预设损失函数，判断正向的信息嵌入训练过程中预测正向嵌入图像与样本图像、样本信息的第一正向编码图像与样本密钥的第四编码图像、样本密钥的第二正向编码图像与样本密钥的第四编码图像、以及逆向的信息提取训练过程中样本信息的逆向编码图像与样本信息的第三编码图像是否匹配，不匹配时迭代训练可逆神经网络的网络参数直至网络收敛，该网络收敛表示损失不再下降或者达到预设迭代次数，将训练完成的可逆神经网络作为信息处理模型。参见图6，图6为本申请实施例提供的一种信息处理模型的训练方法的流程图，以该方法由服务器执行为例进行说明，包括以下步骤：

S601：通过可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对样本图像、第三编码图像和第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像。

在S601具体实现时，对样本图像、第三编码图像和第四编码图像进行正向的嵌入处理，首先，将第三编码图像和第四编码图像分别输入可逆神经网络中的预设嵌入层进行正向的特征表示，以便将第三编码图像和第四编码图像所属的空间映射到新的多维空间中，得到用于表示样本信息的特征图作为第三正向特征图像、以及用于表示样本密钥的特征图作为第四正向特征图像；然后，为了将样本信息隐藏于样本图像且提升正向的信息嵌入训练安全性，在已知样本图像的基础上，需要将样本图像、样本信息的第三正向特征图像和样本信息的第四正向特征图像经过正向的第一运算，得到图像内部嵌入样本信息的预测正向嵌入图像。

此外，还可以将预测正向嵌入图像分别输入可逆神经网络中的第一特征提取层和第二特征提取层进行正向的特征提取，以便从不同角度提取预测正向嵌入图像中的图像特征，得到用于从不同角度表示预测正向嵌入图像的第一特征图和第二特征图，即，预测正向嵌入图像的第五正向特征图像和预测正向嵌入图像的第六正向特征图像；在此基础上，将样本信息的第三编码图像、第五正向特征图像和第六正向特征图像经过正向的第二运算，得到样本信息对应的第一正向编码图像。

同理，将预测正向嵌入图像分别输入可逆神经网络中的第三特征提取层和第四特征提取层进行正向的特征提取，进一步从不同角度提取预测正向嵌入图像中的图像特征，得到用于从不同角度表示预测正向嵌入图像的第三特征图和第四特征图，即，预测正向嵌入图像的第七正向特征图像和预测正向嵌入图像的第八正向特征图像；在此基础上，将样本密钥的第四编码图像、第七正向特征图像和第八正向特征图像经过正向的第二运算，得到样本密钥对应的第二正向编码图像。因此，本申请提供了一种可能的实现方式，S601例如可以包括如下S6011-S6016(图中未示出)：

S6011：通过可逆神经网络中的预设嵌入层分别对第三编码图像和第四编码图像进行正向的特征表示，获得第三正向特征图像和第四正向特征图像。

作为一种示例，在前述示例的基础上，将样本信息“wmk”的第三编码图像“Wmk”输入可逆神经网络中的“Emb”进行正向的特征表示，得到“wmk”的第三正向特征图像为“Emb(Wmk)”；将预设密钥“key”的第四编码图像“Key”输入可逆神经网络中的“Emb”的进行正向的特征表示，得到“key”的第四正向特征图像为“Emb(Key)”。

S6012：对样本图像、第三正向特征图像和第四正向特征图像进行正向的第一运算，获得预测正向嵌入图像。

其中，样本图像可以是从Pascal VOC 2012公开的图像集中获取的，该图像集包括11530张图像。

作为一种示例，在上述示例的基础上，将样本图像“Image”、样本信息“wmk”的第三正向特征图像“Emb(Wmk)”和样本密钥“key”的第四正向特征图像“Emb(Key)”经过“加法运算”，得到图像内部嵌入“wmk”的预测正向嵌入图像为“Image_F”，即，“Image_F”＝“Image”+“Emb(Wmk)”+“Emb(Key)”。

S6013：通过可逆神经网络中的第一特征提取层和第二特征提取层分别对预测正向嵌入图像进行正向的特征提取，获得第五正向特征图像和第六正向特征图像。

作为一种示例，第一特征提取层为“Det_a”，第二特征提取层为“Det_b”，在上述示例的基础上，将预测正向嵌入图像“Image_F”输入可逆神经网络中的“Det_a”进行正向的特征提取，得到“Image_F”的第五正向特征图像为“Det_a(Image_F)”，将“Image_F”输入可逆神经网络中的“Det_b”进行正向的特征提取，得到“Image_F”的第六正向特征图像为“Det_b(Image_F)”。

S6014：对第三编码图像、第五正向特征图像和第六正向特征图像进行正向的第二运算，获得第一正向编码图像。

在S6014具体实现时，可以配置正向的第二运算包括运算优先级较高的第五运算和运算优先级较低的第六运算，按照运算优先级先将第三编码图像和第五逆向特征图像经过运算优先级较高的第五运算，得到第二中间特征图像，再将第二中间特征图像和第六逆向特征图像经过运算优先级较低的第六运算，得到第一正向编码图像。因此，本申请提供了一种可能的实现方式，正向的第二运算包括第五运算和第六运算，第五运算的运算优先级高于第六运算的运算优先级时，S6014例如可以包括如下S3-S4(图中未示出)：

S3：对第三编码图像和第五正向特征图像进行第五运算，获得第二中间特征图像。

S4：对第二中间特征图像和第六正向特征图像进行第六运算，获得第一正向编码图像。

其中，第五运算可以是乘法运算，第六运算可以是加法运算；当然，本申请实施例中，并不限定第三运算必须是乘法运算，也不限定第四运算必须是加法运算，第五运算、第六运算还可以是其他实现图像嵌入的运算。

作为一种示例，第五运算为“乘法运算”，第六运算为“加法运算”，在上述示例的基础上，将样本信息“wmk”的第三编码图像“Wmk”和预测正向嵌入图像“Image_F”的第五正向特征图像“Det_a(Image_F)”经过“乘法运算”，得到第二中间特征图像为“Wmk”×“Det_a(Image_F)”，再将“Wmk”×“Det_a(Image_F)”和“Image_F”的第六逆向特征图像“Det_b(Image_F)”经过“加法运算”，得到“wmk”的第一正向编码图像为“Wmk_F”，即，“Wmk_F”＝“Wmk”×“Det_a(Image_F)”+“Det_b(Image_F)”。

S6015：通过可逆神经网络中的第三特征提取层和第四特征提取层分别对预测正向嵌入图像进行正向的特征提取，获得第七正向特征图像和第八正向特征图像。

作为一种示例，第三特征提取层为“Det_c”，第四特征提取层为“Det_d”，在上述示例的基础上，将预测正向嵌入图像“Image_F”输入可逆神经网络中的“Det_c”进行正向的特征提取，得到“Image_F”的第七正向特征图像为“Det_c(Image_F)”，将“Image_F”输入可逆神经网络中的“Det_d”进行正向的特征提取，得到“Image_F”的第八正向特征图像为“Det_d(Image_F)”。

S6016：对第四编码图像、第七正向特征图像和第八正向特征图像进行正向的第二运算，获得第二正向编码图像。

参见上述S6014的具体说明，在S6016具体实现时，正向的第二运算包括运算优先级较高的第五运算和运算优先级较低的第六运算，按照运算优先级先将第四编码图像和第七逆向特征图像经过运算优先级较高的第五运算，得到第三中间特征图像，再将第三中间特征图像和第八逆向特征图像经过运算优先级较低的第六运算，得到第二正向编码图像。因此，本申请提供了一种可能的实现方式，S6016例如可以包括如下S5-S6(图中未示出)：

S5：对第四编码图像和第七正向特征图像进行第五运算，获得第三中间特征图像。

S6：对第三中间特征图像和第八正向特征图像进行第六运算，获得第二正向编码图像。

作为一种示例，将样本密钥“key”的第四编码图像“Key”和预测正向嵌入图像“Image_F”的第七正向特征图像“Det_c(Image_F)”经过“乘法运算”，得到第三中间特征图像为“Key”×“Det_c(Image_F)”，再将“Key”×“Det_c(Image_F)”和“Image_F”的第八逆向特征图像“Det_d(Image_F)”经过“加法运算”，得到“key”的第二正向编码图像为“Key_F”，即，“Key_F”＝“Key”×“Det_c(Image_F)”+“Det_d(Image_F)”。

作为一种示例，参见图7，图7为本申请实施例提供的一种对可逆神经网络进行正向的信息嵌入训练示意图；其中，在上述示例的基础上，可逆神经网络包括堆叠10次的预设嵌入层“Emb”、第一特征提取层“Det_a”、第二特征提取层“Det_b”、第三特征提取层“Det_c”和第四特征提取层“Det_d”所构成网络模块，图中仅示出单一网络模块，首先，将样本信息“wmk”的第三编码图像“Wmk”输入可逆神经网络中的“Emb”进行正向的特征表示，得到“wmk”的第三正向特征图像“Emb(Wmk)”；将预设密钥“key”的第四编码图像“Key”输入可逆神经网络中的“Emb”的进行正向的特征表示，得到“key”的第四正向特征图像“Emb(Key)”。将样本图像“Image”、“Emb(Wmk)”和“Emb(Key)”经过“加法运算”(即，图中“+”)，得到图像内部嵌入“wmk”的预测正向嵌入图像“Image_F”。

然后，将“Image_F”输入可逆神经网络中的“Det_a”进行正向的特征提取，得到“Image_F”的第五正向特征图像“Det_a(Image_F)”，将“Image_F”输入可逆神经网络中的“Det_b”进行正向的特征提取，得到“Image_F”的第六正向特征图像“Det_b(Image_F)”。将“Wmk”和“Det_a(Image_F)”经过“乘法运算”(即，图中“×”)，再和“Det_b(Image_F)”经过“加法运算”(即，图中“+”)，得到“wmk”的第一正向编码图像“Wmk_F”。

最后，将“Image_F”输入可逆神经网络中的“Det_c”进行正向的特征提取，得到“Image_F”的第七正向特征图像“Det_c(Image_F)”，将“Image_F”输入可逆神经网络中的“Det_d”进行正向的特征提取，得到“Image_F”的第八正向特征图像“Det_d(Image_F)”。将“Key”和“Det_c(Image_F)”经过“乘法运算”，再和“Det_d(Image_F)”经过“加法运算”，得到“key”的第二正向编码图像“Key_F”。

S602：通过可逆神经网络中的第一特征提取层和第二特征提取层分别对预测正向嵌入图像进行逆向的特征提取，获得第三逆向特征图像和第四逆向特征图像。

作为一种示例，在上述示例的基础上，将预测正向嵌入图像“Image_F”输入可逆神经网络中的第一特征提取层“Det_a”进行逆向的特征提取，得到“Image_F”的第三逆向特征图像为“Det_a＇(Image_F)”，将“Image_F”输入可逆神经网络中的第二特征提取层“Det_b”进行逆向的特征提取，得到“Image_F”的第四逆向特征图像为“Det_b＇(Image_F)”。

S603：对第四编码图像、第三逆向特征图像和第四逆向特征图像进行逆向的第二运算，获得逆向编码图像。

在S603具体实现时，可以配置逆向的第二运算包括运算优先级较高的第三运算和运算优先级较低的第四运算，按照运算优先级先将第四编码图像和第三逆向特征图像经过运算优先级较高的第三运算，得到第四中间特征图像，再将第四中间特征图像和第四逆向特征图像经过运算优先级较低的第四运算，得到逆向编码图像。

作为一种示例，在上述示例的基础上，将样本密钥“key”的第四编码图像“Key”和预测正向嵌入图像“Image_F”的第四逆向特征图像“Det_b＇(Image_F)”经过“减法运算”，得到第四中间特征图像为“Key”－“Det_b＇(Image_F)”，再将“Key”－“Det_b＇(Image_F)”和“Image_F”的第三逆向特征图像“Det_a＇(Image_F)”经过“除法运算”，得到表示样本信息“wmk”的逆向编码图像“Wmk_R”，即，“Wmk_R”＝[“Key”－“Det_b＇(Image_F)”]/“Det_a＇(Image_F)”。

作为一种示例，参见图8，图8为本申请实施例提供的一种对可逆神经网络进行逆向的信息提取训练示意图；其中，图中仅示出图7中的单一网络模块，在上述示例的基础上，将预测正向嵌入图像“Image_F”输入可逆神经网络中的第一特征提取层“Det_a”进行逆向的特征提取，得到“Image_F”的第三逆向特征图像“Det_a＇(Image_F)”，将“Image_F”输入可逆神经网络中的第二特征提取层“Det_b”进行逆向的特征提取，得到“Image_F”的第四逆向特征图像“Det_b＇(Image_F)”。将样本密钥“key”的第四编码图像“Key”和“Det_b＇(Image_F)”经过“减法运算”，再和“Det_a＇(Image_F)”经过“除法运算”，得到表示样本信息“wmk”的逆向编码图像“Wmk_R”。

此外，“Key_R”＝[“Key”－“Det_d＇(Image_F)”]/“Det_c＇(Image_F)”；“Image_R”＝“Image_F”－“Emb＇(Wmk_R)”－“Emb＇(Key_R)”。

S604：根据预测正向嵌入图像、样本图像、第一正向编码图像、第二正向编码图像、第四编码图像、逆向编码图像、第三编码图像和可逆神经网络的预设损失函数，训练可逆神经网络直至网络收敛。

在S604具体实现时，由于可逆神经网络的预设损失函数用于判断正向的信息嵌入训练过程中预测正向嵌入图像与样本图像、样本信息的第一正向编码图像与样本密钥的第四编码图像、样本密钥的第二正向编码图像与样本密钥的第四编码图像、以及逆向的信息提取训练过程中样本信息的逆向编码图像与样本信息的第三编码图像是否匹配；则预设损失函数包括正向的信息嵌入训练过程的正向图像损失函数、正向信息损失函数和正向密钥损失函数，以及逆向的信息提取训练过程的逆向信息损失函数。在此基础上，将预测正向嵌入图像与样本图像输入正向图像损失函数进行损失计算，可以输出正向图像损失值；将第一正向编码图像与第四编码图像输入正向信息损失函数进行损失计算，可以输出正向信息损失值；将第二正向编码图像与第四编码图像输入正向密钥损失函数进行损失计算，可以输出正向密钥损失值；将逆向编码图像与第三编码图像输入逆向信息损失函数进行损失计算，可以输出逆向信息损失值；将正向图像损失值、正向信息损失值、正向密钥损失值和逆向信息损失值相加得到总损失值，以训练可逆神经网络直至网络收敛。因此，本申请提供了一种可能的实现方式，预设损失函数包括正向图像损失函数、正向信息损失函数、正向密钥损失函数和逆向信息损失函数；S604例如可以包括如下S6041-S6046(图中未示出)：

S6041：根据预测正向嵌入图像、样本图像和正向图像损失函数进行损失计算，获得正向图像损失值。

S6042：根据第一正向编码图像、第四编码图像和正向信息损失函数进行损失计算，获得正向信息损失值。

S6043：根据第二正向编码图像、第四编码图像和正向密钥损失函数进行损失计算，获得正向密钥损失值。

S6044：根据逆向编码图像、第三编码图像和逆向信息损失函数进行损失计算，获得逆向信息损失值。

S6045：对正向图像损失值、正向信息损失值、正向密钥损失值和逆向信息损失值进行求和计算，获得总损失值。

S6046：根据总损失值训练可逆神经网络直至网络收敛。

作为一种示例，总损失值loss的计算公式如下所示：

loss＝loss_image1+loss_wmk1+loss_key1+loss_wmk2

loss_image1＝MSE(Image_F，Image)

loss_wmk1＝MSE(Wmk_F，Key)

loss_key1＝MSE(Key_F，Key)

loss_wmk2＝MSE(Wmk_R，Wmk)

其中，loss_image1表示正向图像损失值，Image_F表示预测正向嵌入图像，Image表示样本图像；loss_wmk1表示正向图像损失值，Wmk_F表示样本信息的第一正向编码图像，Key表示样本密钥的第四编码图像；loss_key1表示正向密钥损失值，Key_F表示样本密钥的第二正向编码图像；loss_wmk2表示逆向信息损失值，Wmk_R表示样本信息的逆向编码图像，Wmk表示样本信息的第三编码图像；MSE表示均方误差损失函数。

S605：将训练完成的可逆神经网络确定为信息处理模型。

其中，可逆神经网络的训练参数包括样本图像的图像尺寸、网络优化器、网络学习率(优化算法中的调谐参数，可确定每次迭代训练中的步长，使损失函数收敛到最小值)、训练批大小(一次训练选取的样本数)和训练次数等。样本图像的图像尺寸例如可以是256×256；网络优化器例如可以是Adam优化器，Adam是一种可以替代传统随机梯度下降过程的一阶优化算法；网络学习率例如可以是1e-4，该1e-4能够在大部分时间保障网络以一个较为稳定的速率下降，并且一般情况下能够得到最好的优化结果；训练批大小例如可以是2；训练次数例如可以是400epoch，全部样本遍历训练一次为1epoch。

作为一种示例，参见图9，图9为本申请实施例提供的一种通过训练完成的可逆神经网络基于正确的样本密钥进行信息提取的效果图、以及基于错误的其他密钥进行信息提取的效果图；在上述示例的基础上，图9中(a)表示将样本图像“Image”、样本信息“wmk”的第三编码图像“Wmk”和样本密钥“key”的第四编码图像“Key”输入训练完成的可逆神经网络进行正向的信息嵌入，输出预测正向嵌入图像“Image_F”、样本信息“wmk”的第一正向编码图像“Wmk_F”和样本密钥“key”的第二正向编码图像“Key_F”；若将“Image_F”和正确的“Key”输入训练完成的可逆神经网络进行逆向的信息提取，输出“wmk”的逆向编码图像“Wmk_R”与“Wmk”相同，“Image”的“Image_R”与“Image”相同、“key”的“Key_R”与“Key”相同；图9中(a)从左到右以此为(Key、Image、Wmk)、(Key_F、Image_F、Wmk_F)、(Key_R、Image_R、Wmk_R)。

在图9中(a)的基础上，图9中(b)表示将“Image_F”和错误的其他密钥“Key＇”输入训练完成的可逆神经网络进行逆向的信息提取，输出样本信息“wmk”的逆向编码图像“Wmk_R”并非“Wmk”，“Image”的“Image_R”并非“Image”，“key”的“Key_R”并非“Key”，即，无法从“Image_F”正确提取“Wmk”；图9中(b)从左到右以此为(Key、Image、Wmk)、(Key_F、Image_F、Wmk_F)、(Key_R、Image_R、Wmk_R)。

由上述技术方案可以看出，该方法通过样本图像、样本信息的第三编码图像和样本密钥的第四编码图像，对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练，得到完全可逆的、安全性高的将信息隐藏于图像和从图像提取信息的信息处理模型。基于此，在应用信息处理模型将信息隐藏于图像和从图像提取信息时，信息嵌入过程和信息提取过程是同一信息处理模型的不同流向过程，即，信息嵌入过程和信息提取过程完全可逆；且利用密钥的安全性机制，仅密钥正确时可提取图像所隐藏的信息；以便能够证明在嵌入后图像隐藏正确的信息、并从嵌入后图像提取正确的信息，从而提升将信息隐藏于图像和从图像提取信息的信息处理效果。

需要说明的是，本申请在上述各方面提供的实现方式的基础上，还可以进行进一步组合以提供更多实现方式。

基于图2对应实施例提供的基于图像的信息处理方法，本申请实施例还提供一种基于图像的信息处理装置，参见图10，图10为本申请实施例提供的一种基于图像的信息处理装置的结构图，该基于图像的信息处理装置1000包括：获取单元1001、特征表示单元1002、运算单元1003和特征提取单元1004；

获取单元1001，用于获取待嵌入图像、待嵌入信息的第一编码图像和预设密钥的第二编码图像；

特征表示单元1002，用于通过信息处理模型中的预设嵌入层分别对第一编码图像和第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的；

运算单元1003，用于对待嵌入图像、第一正向特征图像和第二正向特征图像进行正向的第一运算，获得已嵌入图像；已嵌入图像的图像内部嵌入待嵌入信息；

特征提取单元1004，用于通过信息处理模型中的第一特征提取层和第二特征提取层分别对已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像；

运算单元1003，还用于对第二编码图像、第一逆向特征图像和第二逆向特征图像进行逆向的第二运算，获得第一编码图像。

在一种可能的实现方式中，逆向的第二运算包括第三运算和第四运算，第三运算的运算优先级高于第四运算的运算优先级时，运算单元1003，具体用于：

对第二编码图像和第二逆向特征图像进行第三运算，获得第一中间特征图像；

对第一中间特征图像和第一逆向特征图像进行第四运算，获得第一编码图像。

在一种可能的实现方式中，获取单元1001，还用于：

根据待嵌入图像的图像尺寸，通过预设编码工具对待嵌入信息进行随机编码，获得第一编码图像；

根据待嵌入图像的图像尺寸，通过预设编码工具对预设密钥进行随机编码，获得第二编码图像。

在一种可能的实现方式中，装置还包括：发送单元；

发送单元，用于向待传递对象发送已嵌入图像；已嵌入图像用于保密发送待嵌入信息。

在一种可能的实现方式中，方法还包括：解码单元；

解码单元，用于通过预设解码工具对第一编码图像进行解码处理，获得待嵌入信息。

在一种可能的实现方式中，待嵌入图像的图像通道数、第一正向特征图像的图像通道数和第二正向特征图像的图像通道数均相同，待嵌入图像属于单通道图像时，第一正向特征图像和第二正向特征图像均属于单通道图像；待嵌入图像为多通道图像时，第一正向特征图像和第二正向特征图像均属于多通道图像。

在一种可能的实现方式中，装置还包括：训练单元；

训练单元，用于通过可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对样本图像、第三编码图像和第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像；

通过可逆神经网络中的第一特征提取层和第二特征提取层分别对预测正向嵌入图像进行逆向的特征提取，获得第三逆向特征图像和第四逆向特征图像；

对第四编码图像、第三逆向特征图像和第四逆向特征图像进行逆向的第二运算，获得逆向编码图像；

根据预测正向嵌入图像、样本图像、第一正向编码图像、第二正向编码图像、第四编码图像、逆向编码图像、第三编码图像和可逆神经网络的预设损失函数，训练可逆神经网络直至网络收敛；

将训练完成的可逆神经网络确定为信息处理模型。

在一种可能的实现方式中，训练单元，具体用于：

通过可逆神经网络中的预设嵌入层分别对第三编码图像和第四编码图像进行正向的特征表示，获得第三正向特征图像和第四正向特征图像；

对样本图像、第三正向特征图像和第四正向特征图像进行正向的第一运算，获得预测正向嵌入图像；

通过可逆神经网络中的第一特征提取层和第二特征提取层分别对预测正向嵌入图像进行正向的特征提取，获得第五正向特征图像和第六正向特征图像；

对第三编码图像、第五正向特征图像和第六正向特征图像进行正向的第二运算，获得第一正向编码图像；

通过可逆神经网络中的第三特征提取层和第四特征提取层分别对预测正向嵌入图像进行正向的特征提取，获得第七正向特征图像和第八正向特征图像；

对第四编码图像、第七正向特征图像和第八正向特征图像进行正向的第二运算，获得第二正向编码图像。

在一种可能的实现方式中，正向的第二运算包括第五运算和第六运算，第五运算的运算优先级高于第六运算的运算优先级时，训练单元，具体用于：

对第三编码图像和第五正向特征图像进行第五运算，获得第二中间特征图像；

对第二中间特征图像和第六正向特征图像进行第六运算，获得第一正向编码图像；

对第四编码图像和第七正向特征图像进行第五运算，获得第三中间特征图像；

对第三中间特征图像和第八正向特征图像进行第六运算，获得第二正向编码图像。

在一种可能的实现方式中，预设损失函数包括正向图像损失函数、正向信息损失函数、正向密钥损失函数和逆向信息损失函数；训练单元，具体用于：

根据预测正向嵌入图像、样本图像和正向图像损失函数进行损失计算，获得正向图像损失值；

根据第一正向编码图像、第四编码图像和正向信息损失函数进行损失计算，获得正向信息损失值；

根据第二正向编码图像、第四编码图像和正向密钥损失函数进行损失计算，获得正向密钥损失值；

根据逆向编码图像、第三编码图像和逆向信息损失函数进行损失计算，获得逆向信息损失值；

对正向图像损失值、正向信息损失值、正向密钥损失值和逆向信息损失值进行求和计算，获得总损失值；

根据总损失值训练可逆神经网络直至网络收敛。

本申请实施例还提供了一种计算机设备，该计算机设备可以是服务器，参见图11，图11为本申请实施例提供的一种服务器的结构图，服务器1100可因配置或性能不同而产生比较大的差异，可以包括一个或一个以上处理器，例如中央处理器(Central ProcessingUnits，CPU)1122，以及存储器1132，一个或一个以上存储应用程序1142或数据1144的存储介质1130(例如一个或一个以上海量存储设备)。其中，存储器1132和存储介质1130可以是短暂存储或持久存储。存储在存储介质1130的程序可以包括一个或一个以上模块(图示没标出)，每个模块可以包括对服务器中的一系列指令操作。更进一步地，中央处理器1122可以设置为与存储介质1130通信，在服务器1100上执行存储介质1130中的一系列指令操作。

服务器1100还可以包括一个或一个以上电源1126，一个或一个以上有线或无线网络接口1150，一个或一个以上输入输出接口1158，和/或，一个或一个以上操作系统1141，例如Windows Server^TM，Mac OS X^TM，Unix^TM,Linux^TM，FreeBSD^TM等等。

通过信息处理模型中的预设嵌入层分别对第一编码图像和第二编码图像进行正向的特征表示，获得第一正向特征图像和第二正向特征图像；信息处理模型是根据样本图像、样本信息的第三编码图像和样本密钥的第四编码图像对可逆神经网络进行正向的信息嵌入训练和逆向的信息提取训练获得的；

对待嵌入图像、第一正向特征图像和第二正向特征图像进行正向的第一运算，获得已嵌入图像；已嵌入图像的图像内部嵌入待嵌入信息；

通过信息处理模型中的第一特征提取层和第二特征提取层分别对已嵌入图像进行逆向的特征提取，获得第一逆向特征图像和第二逆向特征图像；

对第二编码图像、第一逆向特征图像和第二逆向特征图像进行逆向的第二运算，获得第一编码图像。

本申请实施例提供的计算机设备还可以是终端，参见图12，图12为本申请实施例提供的一种终端的结构图。以终端为智能手机为例，智能手机包括：射频(RadioFrequency，RF)电路1210、存储器1220、输入单元1230、显示单元1240、传感器1250、音频电路1260、无线保真(Wireless Fidelity，WiFi)模块1270、处理器1280、以及电源1290等部件。输入单元1230可包括触控面板1231以及其他输入设备1232，显示单元1240可包括显示面板1241，音频电路1260可以包括扬声器1261和传声器1262。本领域技术人员可以理解，图12中示出的智能手机结构并不构成对智能手机的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。

存储器1220可用于存储软件程序以及模块，处理器1280通过运行存储在存储器1220的软件程序以及模块，从而执行智能手机的各种功能应用以及数据处理。存储器1220可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)等；存储数据区可存储根据智能手机的使用所创建的数据(比如音频数据、电话本等)等。此外，存储器1220可以包括高速随机存取存储器，还可以包括非易失性存储器，例如至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。

处理器1280是智能手机的控制中心，利用各种接口和线路连接整个智能手机的各个部分，通过运行或执行存储在存储器1220内的软件程序和/或模块，以及调用存储在存储器1220内的数据，执行智能手机的各种功能和处理数据。可选的，处理器1280可包括一个或多个处理单元；优选的，处理器1280可集成应用处理器和调制解调处理器，其中，应用处理器主要处理操作系统、用户界面和应用程序等，调制解调处理器主要处理无线通信。可以理解的是，上述调制解调处理器也可以不集成到处理器1280中。

在本实施例中，智能手机中的处理器1280可以执行以下步骤：

根据本申请的一个方面，提供了一种计算机可读存储介质，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行上述实施例各种可选实现方式中提供的方法。

根据本申请的一个方面，提供了一种计算机程序产品，该计算机程序产品包括计算机程序，该计算机程序存储在计算机可读存储介质中。计算机设备的处理器从计算机可读存储介质读取该计算机程序，处理器执行该计算机程序，使得该计算机设备执行上述实施例各种可选实现方式中提供的方法。

上述各个附图对应的流程或结构的描述各有侧重，某个流程或结构中没有详述的部分，可以参见其他流程或结构的相关描述。

本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本申请实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。

在本申请所提供的几个实施例中，应该理解到，所揭露的系统，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。

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单元来实现本实施例方案的目的。

另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。

所述集成的单元如果以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，本申请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全部或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执行本申请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(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、磁碟或者光盘等各种可以存储计算机程序的介质。

以上所述，以上实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术成员应当理解：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申请各实施例技术方案的精神和范围。

Claims

1.一种基于图像的信息处理方法，其特征在于，所述方法包括：

2.根据权利要求1所述的方法，其特征在于，所述逆向的第二运算包括第三运算和第四运算，所述第三运算的运算优先级高于所述第四运算的运算优先级时，所述对所述第二编码图像、所述第一逆向特征图像和所述第二逆向特征图像进行逆向的第二运算，获得所述第一编码图像，包括：

对所述第二编码图像和所述第二逆向特征图像进行所述第三运算，获得第一中间特征图像；

对所述第一中间特征图像和所述第一逆向特征图像进行所述第四运算，获得所述第一编码图像。

3.根据权利要求1所述的方法，其特征在于，所述第一编码图像的获取方式，具体为：

根据所述待嵌入图像的图像尺寸，通过预设编码工具对所述待嵌入信息进行随机编码，获得所述第一编码图像；

所述第二编码图像的获取方式，具体为：

根据所述待嵌入图像的图像尺寸，通过所述预设编码工具对所述预设密钥进行随机编码，获得所述第二编码图像。

4.根据权利要求1所述的方法，其特征在于，所述方法还包括：

向待传递对象发送所述已嵌入图像；所述已嵌入图像用于保密发送所述待嵌入信息。

5.根据权利要求1所述的方法，其特征在于，所述方法还包括：

通过预设解码工具对所述第一编码图像进行解码处理，获得所述待嵌入信息。

6.根据权利要求1至5任一项所述的方法，其特征在于，所述待嵌入图像的图像通道数、所述第一正向特征图像的图像通道数和所述第二正向特征图像的图像通道数均相同，所述待嵌入图像属于单通道图像时，所述第一正向特征图像和所述第二正向特征图像均属于所述单通道图像；所述待嵌入图像为多通道图像时，所述第一正向特征图像和所述第二正向特征图像均属于所述多通道图像。

7.根据权利要求1所述的方法，其特征在于，所述信息处理模型的训练步骤，包括：

通过所述可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对所述样本图像、所述第三编码图像和所述第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像；

通过所述可逆神经网络中的第一特征提取层和第二特征提取层分别对所述预测正向嵌入图像进行逆向的特征提取，获得第三逆向特征图像和第四逆向特征图像；

对所述第四编码图像、所述第三逆向特征图像和所述第四逆向特征图像进行逆向的第二运算，获得逆向编码图像；

根据所述预测正向嵌入图像、所述样本图像、所述第一正向编码图像、所述第二正向编码图像、所述第四编码图像、所述逆向编码图像、所述第三编码图像和所述可逆神经网络的预设损失函数，训练所述可逆神经网络直至网络收敛；

将训练完成的可逆神经网络确定为所述信息处理模型。

8.根据权利要求7所述的方法，其特征在于，所述通过所述可逆神经网络中的预设嵌入层、第一特征提取层和第二特征提取层，对所述样本图像、所述第三编码图像和所述第四编码图像进行正向的嵌入处理，获得预测正向嵌入图像、第一正向编码图像和第二正向编码图像，包括：

通过所述可逆神经网络中的预设嵌入层分别对所述第三编码图像和所述第四编码图像进行正向的特征表示，获得第三正向特征图像和第四正向特征图像；

对所述样本图像、所述第三正向特征图像和所述第四正向特征图像进行所述正向的第一运算，获得所述预测正向嵌入图像；

通过所述可逆神经网络中的第一特征提取层和第二特征提取层分别对所述预测正向嵌入图像进行正向的特征提取，获得第五正向特征图像和第六正向特征图像；

对所述第三编码图像、所述第五正向特征图像和所述第六正向特征图像进行正向的第二运算，获得所述第一正向编码图像；

通过所述可逆神经网络中的第三特征提取层和第四特征提取层分别对所述预测正向嵌入图像进行正向的特征提取，获得第七正向特征图像和第八正向特征图像；

对所述第四编码图像、所述第七正向特征图像和所述第八正向特征图像进行正向的第二运算，获得所述第二正向编码图像。

9.根据权利要求8所述的方法，其特征在于，所述正向的第二运算包括第五运算和第六运算，所述第五运算的运算优先级高于所述第六运算的运算优先级时，所述对所述第三编码图像、所述第五正向特征图像和所述第六正向特征图像进行正向的第二运算，获得所述第一正向编码图像，包括：

对所述第三编码图像和所述第五正向特征图像进行所述第五运算，获得第二中间特征图像；

对所述第二中间特征图像和所述第六正向特征图像进行所述第六运算，获得所述第一正向编码图像；

所述对所述第四编码图像、所述第七正向特征图像和所述第八正向特征图像进行正向的第二运算，获得所述第二正向编码图像，包括：

对所述第四编码图像和所述第七正向特征图像进行所述第五运算，获得第三中间特征图像；

对所述第三中间特征图像和所述第八正向特征图像进行所述第六运算，获得所述第二正向编码图像。

10.根据权利要求7-9任一项所述的方法，其特征在于，所述预设损失函数包括正向图像损失函数、正向信息损失函数、正向密钥损失函数和逆向信息损失函数；所述根据所述预测正向嵌入图像、所述样本图像、所述第一正向编码图像、所述第二正向编码图像、所述第四编码图像、所述逆向编码图像、所述第三编码图像和所述可逆神经网络的预设损失函数，训练所述可逆神经网络直至网络收敛，包括：

根据所述预测正向嵌入图像、所述样本图像和所述正向图像损失函数进行损失计算，获得正向图像损失值；

根据所述第一正向编码图像、所述第四编码图像和所述正向信息损失函数进行损失计算，获得正向信息损失值；

根据所述第二正向编码图像、所述第四编码图像和所述正向密钥损失函数进行损失计算，获得正向密钥损失值；

根据所述逆向编码图像、所述第三编码图像和所述逆向信息损失函数进行损失计算，获得逆向信息损失值；

对所述正向图像损失值、所述正向信息损失值、所述正向密钥损失值和所述逆向信息损失值进行求和计算，获得总损失值；

根据所述总损失值训练所述可逆神经网络直至网络收敛。

11.一种基于图像的信息处理装置，其特征在于，所述装置包括：获取单元、特征表示单元、运算单元和特征提取单元；

12.根据权利要求11所述的装置，其特征在于，所述逆向的第二运算包括第三运算和第四运算，所述第三运算的运算优先级高于所述第四运算的运算优先级时，所述运算单元，具体用于：

13.一种计算机设备，其特征在于，所述计算机设备包括处理器以及存储器：

所述处理器用于根据所述计算机程序中的指令执行权利要求1-10任一项所述的方法。

14.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质用于存储计算机程序，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-10任一项所述的方法。

15.一种计算机程序产品，包括计算机程序，其特征在于，当所述计算机程序在计算机设备上运行时，使得所述计算机设备执行权利要求1-10任一项所述的方法。