图像隐写和提取的待隐写及提取信息处理方法、电子设备与流程

本技术涉及计算机，具体涉及一种图像隐写方法、装置及电子设备。本技术同时涉及一种图像提取方法、装置及电子设备。

背景技术：

1、随着数字媒体技术以及计算机网络技术的不断发展，在信息传递或针对图像、视频等资源提供数字版权保护时，通过图像隐写方法来隐蔽的传输信息这一方式受到了人们越来越多的关注，所述图像隐写方法，通常是将待传递信息或数字版权信息等待隐写信息通过伪装的方式隐蔽的写入用于承载所述待隐写信息的载体图像中，以获得包含所述待隐写信息的隐写图像的方法。

2、目前的图像隐写方法主要是研究如何将一个二进制序列隐藏到载体图像中，也就是说，需要将所有格式，如图像、视频、文本等格式的待隐写信息序列化为二进制序列，并将该二进制序列写入载体图像以获取对应的隐写图像。

3、目前的针对二进制序列进行隐写的图像隐写方法主要有以下缺点：1、其针对的隐写对象，即待隐写信息必须转换成二进制序列，然而，这种转换通常仅为简单的数值转换，其并没有考虑原始待隐写信息的特有属性，例如，图像数据中通常存在大量的冗余信息，将一幅图像序列化为二进制序列之后，所述二进制序列中仍然存在大量的冗余信息，将包含所述冗余信息的二进制序列进行隐写，势必会增加隐写处理的计算量，降低图像隐写的效率；2、因为该图像隐写方法是基于二进制序列的，因此，其一般能够隐写的数据量是有限的，随着数据量的增加，其获得的隐写图像的隐写效果将会越来越差，其获得的隐写图像中的隐写信息被破坏的几率也会随之增加，不利于待隐写信息的安全传递。

技术实现思路

1、本技术提供一种图像隐写方法，以解决现有的图像隐写方法在进行隐写时存在的计算量大、效率低以及获得的隐写图像中的隐写信息容易被破坏的问题。

2、本技术提供一种图像隐写方法，包括：

3、获取载体图像，并获取待嵌入信息；

4、对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值；

5、将所述目标测量值隐写到所述载体图像中，获取目标隐写图像。

6、可选的，所述对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值，包括：

7、获取目标采样卷积神经网络模型，其中，所述目标采样卷积神经网络模型用于对所述待嵌入信息进行压缩处理；

8、使用所述目标采样卷积神经网络模型对所述待嵌入信息进行处理，获取所述目标测量值。

9、可选的，所述获取目标采样卷积神经网络模型，包括：

10、获取原始采样卷积神经网络模型；

11、对所述原始采样卷积神经网络模型进行训练，使所述原始采样卷积神经网络模型收敛，并将收敛后的所述原始采样卷积神经网络模型作为所述目标采样卷积神经网络模型。

12、可选的，所述对所述原始采样卷积神经网络模型进行训练，使所述原始采样卷积神经网络模型收敛，包括：

13、获取指导卷积神经网络模型，其中，所述指导卷积神经网络模型用于将所述原始采样卷积神经网络模型的输出数据恢复为所述原始采样卷积神经网络模型的输入数据；

14、将所述指导卷积神经网络模型和所述原始采样卷积神经网络模型进行联合训练，使所述原始采样卷积神经网络模型收敛。

15、可选的，所述将所述指导卷积神经网络模型和所述原始采样卷积神经网络模型进行联合训练，使所述原始采样卷积神经网络模型收敛，包括：

16、获取原始训练样本信息；

17、将所述原始训练样本信息输入到所述原始采样卷积神经网络模型中，获取与所述原始训练样本信息对应的原始训练测量值；

18、将所述原始训练测量值输入到所述指导卷积神经网络模型中，获取与所述原始训练样本信息对应的指导样本信息；

19、通过所述指导卷积神经网络模型的损失函数调整所述指导卷积神经网络模型的参数和所述原始采样卷积神经网络模型的参数，使所述原始采样卷积神经网络模型收敛。

20、可选的，所述将所述原始训练样本信息输入到所述原始采样卷积神经网络模型中，获取与所述原始训练样本信息对应的原始训练测量值，包括：

21、将所述原始训练样本信息划分为至少一个原始训练样本子信息；

22、将所述至少一个原始训练样本子信息输入到所述原始采样卷积神经网络模型中，获取至少一个原始训练子测量值。

23、可选的，所述将所述原始训练测量值输入到所述指导卷积神经网络模型中，获取与所述原始训练样本信息对应的指导样本信息，包括：

24、将所述至少一个原始训练子测量值输入到所述指导卷积神经网络模型中，获取与所述原始训练样本信息对应的指导样本信息。

25、可选的，所述指导卷积神经网络模型包括一个全连接层和至少一个残差块；

26、所述将所述至少一个原始训练子测量值输入到所述指导卷积神经网络模型中，获取与所述原始训练样本信息对应的指导样本信息，包括：

27、使用所述全连接层对所述至少一个原始训练子测量值进行预处理，获取与所述原始训练样本信息的大小相同的预处理样本信息；

28、使用所述至少一个残差块对所述预处理样本信息进行处理，获取与所述原始训练样本信息对应的指导样本信息。

29、可选的，所述使用所述全连接层对所述至少一个原始训练子测量值进行预处理，获取与所述原始训练样本信息的大小相同的预处理样本信息，包括：

30、对所述至少一个原始训练子测量值进行维数调整处理，使所述至少一个原始训练子测量值的维数与所述原始训练样本信息的维数一致；

31、对经过维数调整处理后的所述至少一个原始训练子测量值进行形状重塑处理，使所述至少一个原始训练子测量值的大小与所述原始训练样本子信息的大小一致；

32、对经过所述维数调整处理和所述形状重塑处理后的所述至少一个原始训练子测量值进行拼接处理，获取与所述原始训练样本信息的大小相同的预处理样本信息。

33、可选的，所述将所述目标测量值隐写到所述载体图像中，获取目标隐写图像，包括：

34、获取目标隐写卷积神经网络模型；

35、将所述目标测量值和所述载体图像输入到所述目标隐写卷积神经网络模型中，获取所述目标隐写图像。

36、可选的，所述目标隐写卷积神经网络模型包括一个全连接层和至少一个残差块；

37、所述将所述载体图像和所述目标测量值输入到所述目标隐写卷积神经网络模型中，获取目标隐写图像，包括：

38、使用所述全连接层对所述载体图像和所述测量值进行拼接处理，获取待处理拼接图像；

39、将所述待处理拼接图像值输入到所述至少一个残差块中，获取目标隐写图像。

40、可选的，所述对所述载体图像和所述目标测量值进行拼接处理，获取待处理拼接图像，包括：

41、获取与所述载体图像对应的特征信息图像，其中，所述特征信息图像包括所述载体图像的纹理分布信息；

42、根据所述特征信息图像，对所述目标测量值进行重新布局，获取与所述载体图像中的特征信息对应的重布局测量值；

43、对所述载体图像和所述重布局测量值进行拼接处理，获取所述待处理拼接图像。

44、可选的，所述根据所述特征信息图像，对所述目标测量值进行重新布局，获取与所述载体图像中的特征信息对应的重布局测量值，包括：

45、对所述目标测量值进行维数调整处理，使所述目标测量值的维数与所述特征信息图像的维数一致；

46、对经过维数调整处理后的所述目标测量值进行形状重塑处理，使所述目标测量值的大小与所述特征信息图像的大小一致；

47、对经过所述维数调整处理和所述形状重塑处理后的所述目标测量值和所述特征信息图像进行像素点的乘积运算，获取与所述载体图像中的特征信息对应的重布局测量值。

48、可选的，所述将所述目标测量值隐写到所述载体图像中，获取目标隐写图像，包括：

49、获取目标隐写卷积神经网络模型；

50、通过所述目标隐写卷积神经网络模型将所述目标测量值隐写到所述载体图像中，获取所述目标隐写图像。

51、可选的，所述获取目标隐写卷积神经网络模型，包括：

52、获取用于生成隐写图像的原始隐写卷积神经网络模型；

53、对所述原始隐写卷积神经网络模型进行训练，使所述原始隐写卷积神经网络模型收敛，并将收敛后的所述原始隐写卷积神经网络模型作为所述目标隐写卷积神经网络模型。

54、可选的，所述对所述原始隐写卷积神经网络模型进行训练，使所述原始隐写卷积神经网络模型收敛，包括：

55、获取蒸馏卷积神经网络模型，其中，所述蒸馏卷积神经网络模型用于从所述原始隐写卷积神经网络模型的输出数据中获取与所述原始隐写卷积神经网络模型的输入数据对应的测量值；

56、将所述蒸馏卷积神经网络模型和所述原始隐写卷积神经网络模型进行联合训练，使所述原始隐写卷积神经网络模型和所述蒸馏卷积神经网络模型收敛。

57、可选的，所述将所述蒸馏卷积神经网络模型和所述原始隐写卷积神经网络模型进行联合训练，使所述原始隐写卷积神经网络模型和所述蒸馏卷积神经网络模型收敛，包括：

58、获取原始训练载体图像，并获取原始待隐写测量值；

59、将所述原始训练载体图像和所述原始待隐写测量值输入到所述原始隐写卷积神经网络模型中，获取原始训练隐写图像；

60、将所述原始训练隐写图像输入到所述蒸馏卷积神经网络模型中，获取与所述原始待隐写测量值对应的蒸馏测量值；

61、使用所述两个卷积神经网络模型对应的损失函数调整所述两个卷积神经网络模型的参数，使所述原始隐写卷积神经网络模型和所述蒸馏卷积神经网络模型收敛。

62、可选的，所述蒸馏卷积神经网络模型包括一个全连接层和至少一个残差块；

63、所述将所述原始训练隐写图像输入到所述蒸馏卷积神经网络模型中，获取与所述原始待隐写测量值对应的蒸馏测量值，包括：

64、使用所述至少一个残差块对所述原始训练隐写图像进行处理，获取与所述原始待隐写测量值对应的待处理蒸馏测量值；

65、使用所述全连接层对所述待处理蒸馏测量值进行处理，使所述待处理蒸馏测量值的维数和大小与所述原始待隐写测量值的维数和大小一致。

66、可选的，所述对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值，包括：

67、使用压缩感知技术对所述待嵌入信息进行处理，获取与所述待嵌入信息对应的测量值。

68、本技术还提供一种图像隐写装置，包括：

69、信息获取单元，用于获取载体图像，并获取待嵌入信息；

70、测量值获取单元，用于对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值；

71、隐写图像获取单元，用于将所述目标测量值隐写到所述载体图像中，获取目标隐写图像。

72、本技术还提供一种电子设备，包括：

73、处理器；

74、存储器，用于存储图像隐写方法的程序，该设备通电并通过所述处理器运行所述图像隐写方法的程序后，执行下述步骤：

75、获取载体图像，并获取待嵌入信息；

76、对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值；

77、将所述目标测量值隐写到所述载体图像中，获取目标隐写图像。

78、本技术还提供一种存储设备，

79、存储有图像隐写方法的程序，该程序被处理器运行，执行下述步骤：

80、获取载体图像，并获取待嵌入信息；

81、对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值；

82、将所述目标测量值隐写到所述载体图像中，获取目标隐写图像。

83、本技术还提供一种图像提取方法，包括：

84、获取待检测图像；

85、从所述待检测图像中获取被隐写的测量值，其中，所述测量值是对原始隐写信息进行压缩处理后获得的；

86、将所述测量值输入到用于重建图像的重建卷积神经网络模型中，获取与所述测量值对应的所述原始隐写信息。

87、可选的，所述从所述待检测图像中获取被嵌入的测量值，包括：

88、获取目标蒸馏卷积神经网络模型，其中，所述目标蒸馏卷积神经网络模型用于从隐写入测量值的待检测图像中，提取所述被隐写的测量值；

89、将所述待检测图像输入到所述目标蒸馏卷积神经网络模型中，获取所述待检测图像中被隐写的测量值。

90、本技术还提供一种图像提取装置，包括：

91、图像获取单元，用于获取待检测图像；

92、测量值获取单元，用于从所述待检测图像中获取被隐写的测量值，其中，所述测量值是对原始隐写信息进行压缩处理后获得的；

93、原始隐写信息获取单元，用于将所述测量值输入到用于重建图像的重建卷积神经网络模型中，获取与所述测量值对应的所述原始隐写信息。

94、本技术还提供一种电子设备，包括：

95、处理器；

96、存储器，用于存储图像提取方法的程序，该设备通电并通过所述处理器运行所述图像提取方法的程序后，执行下述步骤：

97、获取待检测图像；

98、从所述待检测图像中获取被隐写的测量值，其中，所述测量值是对原始隐写信息进行压缩处理后获得的；

99、将所述测量值输入到用于重建图像的重建卷积神经网络模型中，获取与所述测量值对应的所述原始隐写信息。

100、本技术还提供一种存储设备，

101、存储有图像提取方法的程序，该程序被处理器运行，执行下述步骤：

102、获取待检测图像；

103、从所述待检测图像中获取被隐写的测量值，其中，所述测量值是对原始隐写信息进行压缩处理后获得的；

104、将所述测量值输入到用于重建图像的重建卷积神经网络模型中，获取与所述测量值对应的所述原始隐写信息。

105、与现有技术相比，本技术具有以下优点:

106、本技术提供的一种图像隐写方法，包括：获取载体图像，并获取待嵌入信息；对所述待嵌入信息进行压缩处理，获取与所述待嵌入信息对应的目标测量值；将所述目标测量值隐写到所述载体图像中，获取目标隐写图像。所述图像隐写方法通过对待嵌入信息进行压缩处理，以获取与所述待嵌入信息对应的目标测量值，之后，通过将所述目标测量值隐写到所述载体图像中，来获得目标隐写图像。

107、所述图像隐写方法通过对所述待嵌入信息进行压缩处理来去除所述待嵌入信息中的冗余信息，不仅减少了隐写处理的计算量，还可以提高图像的隐写效率；另外，因为最终是将与待嵌入信息对应的目标测量值隐写到载体图像中，而非是待嵌入信息本身，所述目标测量值相当于是待嵌入信息的密钥，即本技术所述方法相当于是先对待嵌入信息做了一个加密，然后再对加密后的待嵌入信息进行隐写，进而使最终获得的目标隐写图像中的待嵌入信息不容易被破坏，大大的提高了待嵌入信息的安全性。