技术特征：
1.基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，包括如下步骤：s1.构建流模型单元：对输入的宿主图像和隐藏图像进行分布变换，转化为高频冗余信息和容器图像；s2.构造分布映射模块：在条件标准化流的启发下，建模高频冗余信息在容器图像条件依赖下的分布，将其映射到标准正态分布以隐式保存有价值的隐藏信息；s3.构造失真模拟单元：在模型训练过程中仿真各类失真干扰的影响；s4.构造图像增强模块：对受干扰的容器图像进行初步增强去噪处理；以及s5.构造条件调制模块：以干扰强度和类型为条件，调制所述流模型单元的网络参数。2.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s1中，将一张或多张隐藏图和宿主图作为正向输入，采用基于流模型构建的神经网络正向映射为特定分布，输出的一部分为载有隐藏图信息的容器图，一部分为高频冗余分布。3.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s2中，基于强大且可逆的条件标准化流模型，在其中的仿射耦合部分融入容器图作为条件信息，构建所述分布映射模块。4.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s3中，采用可微分的操作仿真高斯噪声、泊松噪声和jpeg压缩的各类失真干扰的影响。5.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s3中，采用用于jpeg压缩的可微分模拟单元，在训练过程中以所述可微分模拟单元替换相应质量因数的jpeg压缩操作，在求导过程中将量化替换为傅立叶变换来近似处理。6.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s4中，所述图像增强模块的网络的结构是卷积、规化、relu激活函数级联的结构，所述图像增强模块内部在网络的输出使用残差学习，对于每个卷积层，采用3
×
3尺寸的卷积核，步长设置为1，感受野逐层扩大，层数设置为17，每个卷积层卷积核的数量设置为64。7.根据权利要求1所述的基于条件标准化流模型的强鲁棒性图像隐写方法，其特征在于，在步骤s5中，给定失真水平和类型，所述条件调制模块中的流模型单元的网络参数将随着失真的不同而变化，所述条件调制模块部署在所述流模型单元的仿射耦合层上，噪声水平或jpeg质量因数qf被输入到全连接层中，通过条件引导网络产生权重，权重通过仿射变换调制所述流模型单元的网络中的耦合参数，从而控制所述流模型单元的特征变换。8.基于条件标准化流模型的强鲁棒性图像隐写系统，其特征在于，包括：流模型单元、分布映射模块、失真模拟单元、图像增强模块和条件调制模块，其中，流模型单元，用于对输入的宿主图像和隐藏图像进行分布变换，转化为高频冗余信息和容器图像；分布映射模块，用于在条件标准化流的启发下，建模高频冗余信息在所述容器图像条件依赖下的分布，将其映射到标准正态分布以隐式保存有价值的隐藏信息；失真模拟单元，用于在模型训练过程中仿真各类失真干扰的影响；图像增强模块，用于对受干扰的容器图像进行初步增强去噪处理；以及
条件调制模块，用于以干扰强度和类型为条件，调制所述流模型单元的网络参数，使之能适应不同的失真情况进行参数调整。
技术总结
本发明涉及基于条件标准化流模型的强鲁棒性图像隐写方法，包括步骤：S1.构建流模型单元：对输入的宿主图像和隐藏图像进行分布变换，转化为高频冗余信息和容器图像；S2.构造分布映射模块：建模高频冗余信息在容器图像条件依赖下的分布，将其映射到标准正态分布以隐式保存有价值的隐藏信息；S3.构造失真模拟单元：在模型训练过程中仿真各类失真干扰的影响；S4.构造图像增强模块：对受干扰的容器图像进行初步增强去噪处理；以及S5.构造条件调制模块：以干扰强度和类型为条件，调制流模型单元的网络参数。本发明方法解决当前图像隐写术在鲁棒性和还原质量、隐写容量上的缺陷和不足，解决之前基于学习的隐写术在受到失真干扰时性能大幅下降的问题。性能大幅下降的问题。性能大幅下降的问题。
技术研发人员：张健 许佑民
受保护的技术使用者：北京大学深圳研究生院
技术研发日：2022.06.30
技术公布日：2022/7/29