基于多判别器对抗生成网络的彩色鬼隐写术方法

1.本发明涉及信息安全技术领域，具体涉及一种基于多判别器对抗生成网络的彩色鬼隐写术方法。


背景技术：

2.在现代信息技术高速发展，如何解决信息传输中的安全问题成为重要的研究课题之一。光学信息处理有效发挥了光学系统的高效性和安全性，结合信息隐写技术，避开信息窃取者的怀疑。计算鬼成像(cgi)是通过控制空间光调制器(slm)产生随机强度分布，采用桶探测器测量透过物体后的光强度，并且通过光强度与随机强度分布的关联运算可以恢复对象物体。计算鬼成像的光强度与计算机生成的随机矩阵的相关性在光学信息安全领域提供了潜在的应用。
3.为了提高基于计算鬼成像的光学加密的安全性，研究者们提出了多种加密方法，包括qr编码，压缩加密，多图像加密，可视化加密等。然而，这些应用普遍基于灰度或者二值图像，由于良好的视觉效果通常需要颜色信息，因此彩色计算鬼成像受到极大的关注。2012年，tanha等人通过使用三个通道(r，g，b)的桶探测器与彩色对象物体一起提出了一种基于计算鬼成像的彩图加密方法。基于特殊方式调制的彩色哈达玛矩阵与arnold变换，qu等提出了一种通过单个桶探测器加密光学彩色图像的方法。
4.虽然彩色计算鬼成像已经得到了广泛的应用，但是彩色计算鬼成像的采样率与质量问题一直没有得到很好的解决。


技术实现要素：

5.本发明的目的在于，提供一种基于多判别器对抗生成网络的彩色鬼隐写术方法。本发明能够有效进行图像加密，提高了图像加密效果，同时本发明的解密出的图像具有高视觉质量。
6.为解决上述技术问题，本发明提供的技术方案如下：基于多判别器对抗生成网络的彩色鬼隐写术方法，包括加密过程和解密过程，所述的加密过程包括以下步骤：
7.(i)由投影仪分别连续投影计算机产生的随机彩色散斑到秘密图像和非秘密图像上，经过透镜收集反射光，由桶探测器接收总光强度，得到秘密图像的第一桶探测值c
sec
和非秘密图像的第二桶探测值c
nsec
，并将两次投影的随机彩色散斑图作为密钥；
8.(ii)保留第一桶探测值c
sec
和第二桶探测值c
nsec
的整数部分分别记为{c
sec
}
int
和{c
nsec
}
int
，其中{c
nsec
}
int
作为密文的整数部分，同时找到一个ε满足ε{c
sec
}
int
值总是为小数，作为密文的小数部分，从而获得最终密文c
ste
＝{c
nsec
}
int
+ε{c
sec
}
int
；
9.所述解密过程包括如下步骤：
10.(i)利用鬼成像二阶关联算法和密钥重建出密文的秘密图像和非秘密图像；
11.(ii)利用基于多判别器的对抗生成网络优化解密过程中重建的秘密图像的效果，得到清晰的重构图。
12.上述的基于多判别器对抗生成网络的彩色鬼隐写术方法，所述基于多判别器的对抗生成网络包括生成器网络与两个判别器网络，其中生成器网络的输入是计算鬼成像关联算法恢复的三通道噪声图案，大小为64
×
64，随后是一个深度卷积神经网络，深度卷积神经网络由两个7
×
7卷积块，四个下采样层，九个残差块以及四个上采样层组成，通过深度卷积神经网络生成原始图像；两个判别器网络中采用patchgan来指导优化生成器网络。
13.前述的基于多判别器对抗生成网络的彩色鬼隐写术方法，所述基于多判别器的对抗生成网络中添加dropout层和bn层来防止网络过拟合并加速损失函数的收敛。
14.前述的基于多判别器对抗生成网络的彩色鬼隐写术方法，所述密文的小数部分ε{c
sec
}
int
采用随机嵌入的方式，嵌入索引作为一个附加密钥，用于提高安全性。
15.前述的基于多判别器对抗生成网络的彩色鬼隐写术方法，所述加密过程中，对于秘密图像o，按照rgb通道分解为or,og和ob三个部分，即：
16.o＝[orogob]；
[0017]
对于随机彩色散斑i1,i2,...,ik,...,im(1≤k≤m),每个随机彩色散斑同样按照rgb通道分解为i
kr
,i
kg
和i
kb
三个部分，计算总光强过程中，把o,ik分别视为两个序列，即：
[0018][0019]
其中，t表示转置操作；
[0020]
从而得到桶探测数据：
[0021]
c＝(c1，g2…ck
，
…cm
)
[0022]
其中：ck＝i
kr
or+i
kg
og+i
kb
ob。
[0023]
前述的基于多判别器对抗生成网络的彩色鬼隐写术方法，所述解密过程中，利用鬼成像二阶关联算法和密钥重建秘密图像和非秘密图像，公式如下：
[0024][0025]
式中：为重建的秘密图像或非秘密图像。
[0026]
与现有技术相比，本发明加密过程中利用计算机生成一系列随机彩色散斑投影到秘密图像和非秘密图像上，通过桶探测器接收总光强度，获得相应的密匙；然后将秘密图像的第一桶探测值隐藏到非秘密图像的第二桶探测值中，完成图像的加密。本发明在解密过程中，利用接收的密文和所有密钥，可以重建秘密图像，但由于彩图三通道信息叠加的原因，重建的秘密图像存在严重的噪声与畸变，因此在解密过程中采用基于多判别器的对抗生成网络来优化重构彩图效果，可以在采样率仅为0.03时生成高视觉质量的彩色图像。由此，本发明提出的图像加密方法具有加密方法简单、图像加密效果好、解密效率高、解密出的图像质量高和安全性好的优点。此外，本发明还可以通过上述方式达到多图加密的效果，进一步地提高了信息的存储量。
附图说明
[0027]
图1为本发明的加密和解密过程流程图，
[0028]
图2为彩色鬼隐写术示意图。
[0029]
图3中(a)为隐写术中的秘密图像，(b)为非秘密图像，(c)为解密后恢复的秘密图像，(d)为非秘密图像。
[0030]
图4为采样率分别设置为0.03,0.1和0.2时，cgi和mdgan恢复效果图。
[0031]
图5中(a)和(b)为解密过程中使用错误的随机散斑恢复出的秘密图像和非秘密图像。(c)和(d)为解密过程中使用错误密钥恢复出的秘密图像和非秘密图像。
具体实施方式
[0032]
下面结合实施例和附图对本发明作进一步的说明，但并不作为对本发明限制的依据。
[0033]
实施例：基于多判别器对抗生成网络的彩色鬼隐写术方法，如图1所示，包括加密过程和解密过程，所述的加密过程包括以下步骤(图1中左侧的encryption)：
[0034]
(i)由数字光投影仪(dlp)分别连续投影计算机产生的随机彩色散斑到秘密图像和非秘密图像上，经过透镜收集反射光，由桶探测器接收总光强度，得到秘密图像的第一桶探测值c
sec
和非秘密图像的第二桶探测值c
nsec
，并将两次投影的随机彩色散斑图作为密钥；
[0035]
本实施例中，对于秘密图像o，按照rgb通道分解为or,og和ob三个部分，即：
[0036]
o＝[orogob]；
[0037]
对于随机彩色散斑i1,i2,...,ik,...,im(1≤k≤m),每个随机彩色散斑同样按照rgb通道分解为i
kr
,i
kg
和i
kb
三个部分，计算总光强过程中，把o，ik分别视为两个序列，即：
[0038][0039]
其中，t表示转置操作；
[0040]
从而得到桶探测数据：
[0041]
c＝(c1，g2…ck
，
…cm
)
[0042]
其中：ck＝i
kr
or+i
kg
og+i
kb
ob；
[0043]
加密过程中需要设置鬼成像的采样率：
[0044]
δ＝m/4096
[0045]
其中m为随机散斑图的个数，4096为图像的总像素数。非秘密图像的采样率为0.2，秘密图像采样率为0.03。
[0046]
(ii)对于秘密图像和隐藏图像的隐写采用特定的数据集成方式(即应用非明显的数据集成方法)，如图2所示，首先保留第一桶探测值c
sec
和第二桶探测值c
nsec
的整数部分分别记为{c
sec
}
int
和{c
nsec
}
int
，其中{c
nsec
}
int
作为密文的整数部分，同时找到一个ε满足ε{c
sec
}
int
值总是为小数，作为密文的小数部分，密文的小数部分ε{c
sec
}
int
采用随机嵌入的方式，嵌入索引作为一个附加密钥，用于提高安全性，从而获得最终密文c
ste
＝{c
nsec
}
int
+ε{c
sec
}
int
；
[0047]
所述解密过程包括如下步骤(图1中的decryption)：
[0048]
(i)利用鬼成像二阶关联算法和密钥重建出密文的秘密图像和非秘密图像；公式如下：
[0049][0050]
式中：为重建的秘密图像或非秘密图像。
[0051]
(ii)利用基于多判别器的对抗生成网络(mdgan)优化解密过程中重建的秘密图像的效果，得到清晰的重构图。所述基于多判别器的对抗生成网络包括生成器网络与两个判别器网络，其中生成器网络的输入是计算鬼成像关联算法恢复的三通道噪声图案，大小为64
×
64，随后是一个深度卷积神经网络，深度卷积神经网络由两个7
×
7卷积块，四个下采样层，九个残差块以及四个上采样层组成，通过深度卷积神经网络生成原始图像；两个判别器网络中采用patchgan来指导优化生成器网络，同时基于多判别器的对抗生成网络中添加dropout层和bn层来防止网络过拟合并加速损失函数的收敛。本实施例中，对于加密和解密过程所处理得到的图像和原始图像比对可见图3。图3中的(a)为本发明的秘密图像，(b)为非秘密图像(b)，通过正确的密钥和网络训练后恢复的图像为(c)和(d)，用峰值信噪比(psnr)作为图像恢复评估标准，psnr的值越大说明恢复的效果越好，采用本发明恢复的图像(c)和(d)，它们的psnr分别为18.874，20.0292。
[0052]
对于多图加密，秘密图像的采样率设置为0.03，利用上述方法可实现多图加密。此时附加密钥变成多个不重复的索引,记录为k1,k2...，因而可以进一步提高了系统的信息存储量。
[0053]
下面结合具体试验来验证本发明的有效性，首先通过设置采样率分别为20％，10％，3％来验证mdgan的恢复效果。在stl-10数据集中选择100000张未被标记的彩色图像作为训练集的gt图像，之后采用彩色鬼成像方法恢复他们作为模型的输入，并选取stl数据集(与训练及图像完全不同)中的400张彩图对应恢复的彩色鬼成像作为测试集。使用pytorch框架在rtx4000 gpu上训练了200个周期，在训练过程中，初始化学习率设置为0.0002，其中前80个周期学习率保持不变，之后线性衰减到0，batch-size被设置为64，adam算法被用来优化损失函数。重构图像结果如图4所示。用峰值信噪比(psnr)作为图像恢复评估标准，psnr的值越大说明恢复的效果越好。图4的2,4,6行为传统的关联算法恢复图,得到的平均psnr为9.9574，10.2940，10.3579。图4的3，5，7行为mdgan恢复图，得到的平均psnr为17.9067，19.5412，19.7710。由此可以看出本发明采用mdgan恢复的彩图是明显优传统的关联算法恢复的效果。
[0054]
进一步地，考察本发明的安全性。进行了错误密钥验证的安全测试，以验证针对错误的测量矩阵、错位密钥情况下系统的安全性。这里采用错误的随机散斑解密得到的结果为图5(d-c)，采用错误的密钥k解密得到的结果为图5(a-b)。从结果可以看出错误的随机散斑无法恢复出正确的秘密图像和非秘密图像。错误的密钥可以恢复出正确的非秘密图像，但依旧无法恢复出秘密图像。该方法验证了系统具有较高的安全性。
[0055]
综上所述，本发明加密过程中利用计算机生成一系列随机彩色散斑投影到秘密图像和非秘密图像上，通过桶探测器接收总光强度，获得相应的密匙；然后将秘密图像的第一桶探测值隐藏到非秘密图像的第二桶探测值中，完成图像的加密。本发明在解密过程中，利用接收的密文和所有密钥，可以重建秘密图像，但由于彩图三通道信息叠加的原因，重建的秘密图像存在严重的噪声与畸变，因此在解密过程中采用基于多判别器的对抗生成网络来
优化重构彩图效果，可以在采样率仅为0.03时生成高视觉质量的彩色图像。