一种基于对抗压缩图像的JPEG图像隐写方法

本发明涉及jpeg图像隐写，尤其是一种基于对抗压缩图像的jpeg图像隐写方法。

背景技术：

1、信息隐藏是集多学科理论与技术于一身的新兴技术领域。信息隐藏的目的不在于限制正常的信息存取和访问，而在于保证隐藏的信息不引起监控者的注意和重视。图像隐写术作为信息隐藏的重要分支，它通过对载体图像进行轻微的修改，以在不引起隐写分析怀疑的情况下传输秘密信息。由于jpeg图像是被广泛采用的图像存储和传输格式，jpeg图像隐写技术在过去的几年里成为研究热点。在stc编码的基础上，通过更好地利用图像纹理复杂性，设计了多种内容自适应失真函数，有效提升了jpeg图像隐写术安全性。同时，微尺度隐写和代价扩展规则、以及基于空间域图像隐写术研究拓展的jpeg争议性像素先验规则和块边界连续原则被提出以提高上述加性失真函数（+1、-1的代价是对称的）的性能。

2、近年来，基于卷积神经网络的隐写分析技术在检测隐写术方面取得了良好的性能，检测能力全面超越了传统隐写分析方法，并已成为了主流方法。然而，在输入样本中加入微小扰动可以欺骗cnn模型，这些扰动样本被称为对抗样本，现有的基于对抗样本的方法大多只在空间域中生成对抗图像，忽略了图像在很多通信通道(如社交网络通道)中为了存储和速度而压缩为jpeg格式的事实。jpeg压缩引入的失真会严重影响对抗扰动，从而降低攻击成功率。另一方面，在某些只接受jpeg图像的信道中，提交未压缩对抗图像的行为很容易被检测到。因此，研究jpeg图像的对抗样本构造方法具有意义。

技术实现思路

1、针对上述问题，故本发明提供了一种基于对抗压缩图像的jpeg图像隐写方法，通过生成器与隐写分析器srnet的对抗思想生成对抗噪声，对抗噪声添加到原始压缩图像中生成对抗压缩图像，相比较于原始压缩图像，在对抗压缩图像中嵌入秘密信息得到的增强隐写图像可以获得更高的安全性。此外，为了保证对抗压缩图像的视觉质量，本文在像素级别引入均方误差损失，特征级别引入人类感知相似度损失来提升图像质量。

2、本发明提供如下技术方案：一种基于对抗压缩图像的jpeg图像隐写方法，包括如下步骤：s1、将jpeg的原始图像输入到生成器中生成对抗噪声，对抗噪声与原始图像相加得到对抗图像；s2、在像素级别，通过均方误差损失mse_loss缩小原始图像和对抗图像的像素差距，提升对抗图像质量；s3、在特征级别，通过人类感知相似度损失lpips缩小原始图像和对抗图像的特征差异，使其更符合人类肉眼的观感，进一步提升对抗图像质量；s4、将原始图像和经过步骤s2和s3处理后的对抗图像输入到隐写分析网络srnet中，判定输入图像类别，输出结果越趋近于0，说明判别输入图像的类别越趋近于原始图像，也是期望训练能达到的效果，判别完成后优化更新隐写分析网络；s5、使用失真代价函数j-uniward+spc编码将传输信息嵌入到经过步骤s2和s3处理后的对抗图像中生成增强隐写图像；s6、将经过步骤s2和s3处理后的对抗图像和增强隐写图像输入到优化更新后的隐写分析网络中，判定输入图像类别，输出结果越趋近于0，说明判别输入图像的类别越趋近于原始图像，也是期望训练能达到的效果，判别完成后优化更新隐写分析网络。s7、根据步骤s2、s3、s4、s6输出的结果更新生成器；s8：重复步骤s1- s7，直到生成的对抗图像和增强隐写图像通过隐写分析网络的检测输出结果为0，训练完成，将训练后的生成器用于jpeg图像隐写。

3、步骤s1中的生成器，生成器为u-net框架，下采样过程中的卷积块和上采样中的反卷积块构成了网络的基本组件，其中下采样(1-8层)过程中的卷积块由一个卷积层（con）,一个批处理归一化层（bn），和一个激活函数组成，本文选用rectified linear unit（relu）作为激活函数。第一次上采样过程中的反卷积块有一个反卷积层（decon）和一个批处理归一化层组成，后续上采样（10-15层）过程中的反卷积块由一个relu激活函数，一个反卷积层和一个批处理归一化层构成。最后一层输出对抗噪声，由一个relu激活函数，一个反卷积层，一个sigmoid激活函数和一个relu激活函数组成，本文通过调整最后输出的对抗噪声大小可以将对抗噪声控制在一定强度内，最后将对抗噪声添加到原始图像中并将像素值限制在一定范围内生成对抗图像。

4、隐写分析网络用来判别输入图像是否含有秘密信息，随着深度学习的发展，隐写分析与深度学习结合使得检测性能大幅提高。本文为了提升对抗图像以及增强隐写图像的不可感知和不可检测性，选用了当前性能最为优异的基于深度学习的通用隐写分析模型—srnet。srnet是一个48层的深度学习隐写分析模型，该网络利用了残差网络模拟传统 srm在筛选特征的过程。srnet 不仅可以应用于空域，在 jpeg 域上也有不错的效果。srnet提高了网络结构的层数，采用残差结构方式解决网络层数较高时出现的在反向传播过程中的梯度爆炸与梯度弥散情况，帮助网络在训练过程中更容易收敛到一个全局最优解或者全局较优解。

5、步骤s2中，均方误差损失mse_loss采用如下公式，

6、，

7、其中，x为原始图像，为对抗图像，c为原始图像的通道数量，h×w为原始图像的大小，为图像失真损失。

8、步骤s3中人类感知相似度损失lpips采用的如下公式，

9、，

10、其中，表示原始图像的特征，表示对抗图像的特征，表示图像感知相似度损失。

11、步骤s4中，隐写分析网络srnet中损失函数采用下式，

12、，

13、其中，是原始图像与生成对抗图像判别损失，和是隐写分析器最后经过softmax层的输出，分别表示原始图像与生成对抗图像的概率，和分别是输入的原始图像与生成对抗图像对应的标签。

14、步骤s6中，更新后的隐写分析网络的损失函数为，

15、，

16、其中，是经过步骤s2和s3处理后的对抗图像与增强隐写图像判别损失，和分别表示经过步骤s2和s3处理后的对抗图像与增强隐写图像的概率，和分别是输入的经过步骤s2和s3处理后的对抗图像与增强隐写图像对应的标签。

17、步骤s7中使用下式更新生成器，

18、，

19、其中，、、、是权重。

20、通过上述描述可以看出，1、本方案将基于深度学习生成对抗样本引入jpeg隐写，可快速生成大量对抗压缩图像，使用当前jpeg隐写方法嵌入秘密信息后可以有效抵御隐写分析器的检测，相比较于原始图像更适合作为载体图像；2、像素级别引入均方误差损失，在特征级别引入图像感知相似度损失来提升图像质量。同时使用spc编码替代stc编码结合内容自适应失真函数将秘密信息嵌入对抗图像中生成增强隐写图像，有效提升隐写术安全性。

技术特征：

1.一种基于对抗压缩图像的jpeg图像隐写方法，其特征在于包括如下步骤：

2.根据权利要求1所述的基于对抗压缩图像的jpeg图像隐写方法，其特征是，

3.根据权利要求2所述的基于对抗压缩图像的jpeg图像隐写方法，其特征是，

4.根据权利要求3所述的基于对抗压缩图像的jpeg图像隐写方法，其特征是，

5.根据权利要求4所述的基于对抗压缩图像的jpeg图像隐写方法，其特征是，

6.根据权利要求5所述的基于对抗压缩图像的jpeg图像隐写方法，其特征是，

技术总结
本发明涉及JPEG图像隐写技术领域，尤其是一种基于对抗压缩图像的JPEG图像隐写方法，先将原始图像输入到生成器中生成对抗噪声，对抗噪声与原始图像进行加和操作生成对抗图像，对抗图像嵌入秘密信息后生成增强隐写图像，最终生成的增强隐写图像可以有效躲避当前优异性能的隐写分析器的检测。本方法通过生成器与隐写分析器SRNet的对抗思想生成对抗噪声，对抗噪声添加到原始压缩图像中生成对抗压缩图像，相比较于原始压缩图像，在对抗压缩图像中嵌入秘密信息得到的增强隐写图像可以获得更高的安全性。此外，为了保证对抗压缩图像的视觉质量，在像素级别引入均方误差损失，特征级别引入人类感知相似度损失来提升图像质量。

技术研发人员：马宾,李坤,段培永,舒明磊,方崇荣,李琦,王晓雨,咸永锦
受保护的技术使用者：齐鲁工业大学（山东省科学院）
技术研发日：
技术公布日：2024/2/21