一种基于双域融合生成对抗网络的信息隐写方法与流程

本发明属于信息隐藏，提供一种基于双域融合生成对抗网络的信息隐写方法。

背景技术：

1、在数字化和云技术迅猛发展的今天，多媒体信息(文本、音频、照片、视频等)的存储和传输变得极为便捷。然而，这一便利性也伴随着新的安全问题。从个人的角度来看，信息安全技术成为保护个人隐私和财产安全免受威胁的关键工具。企业则需要依赖信息安全技术来确保公司机密不被盗窃和泄露。而对于国家而言，信息安全技术的重要性更为突出。图像隐写(image steganography)是一种将秘密信息嵌入到图像中的算法，其要求是嵌入前后视觉质量保持不变。在当今这个高度数字化的社会中，个人信息和国家机密面临着被泄露的风险，因此，对图像隐写技术的研究显得尤为重要。当前，图像隐写研究的一个重要方向是是失真最小化框架。该研究方向的目标是设计适当的失真函数来指导图像嵌入过程，以最小化总嵌入成本，获得更高质量的隐写图像。

2、hugo算法由pevny等人于2012年提出。该算法通过计算像素修改前后的隐写分析特征差异，以此计算每个像素点的嵌入失真。嵌入失真表示该像素点的修改对隐写安全性的影响，失真值越小则像素修改的可能性越大。最终，hugo算法在失真最小化框架下使用伴随式矩阵编码(syndrome-trellis codes,stc)实现秘密信息的嵌入。尽管该方法可以抵抗差分像素邻接矩阵(subtractive pixel adjacencymatrix,spam)的检测，但难以抵抗空域富模型(spatial richmodel,srm)的检测。在此之后，holub等人于2012年提出了wow算法，通过构造水平、垂直、度角的方向滤波器，利用像素在多个方向上的滤波残差定义失真。残差值越大表示像素值难以被预测，从而修改的可能性较大，失真较小。wow算法显著提高了抗隐写分析的能力。2013年，holub等人在wow的基础上提出了uniward(universal waveletrelativedistortion)算法，使用方向滤波的分解系数定义失真，该方法可应用于空域和频域，抗检测能力进一步提升。2015年，li等人引入了聚焦改变位置策略，提出了hill(high-pass,low-pass,andlow-pass)隐写方法。该方法利用高通滤波器计算像素值的嵌入失真，然后使用两个低通滤波器对失真值进行扩散，使得相近区域的像素修改方向相同，进一步提升了隐写的安全性。在深度学习迅速发展的当下，图像嵌入成本学习也可以用神经网络来实现。2017年，asdl-gan算法首次将生成对抗网络引入图像隐写成本学习，通过自动学习图像中适合嵌入信息的区域，生成嵌入概率图。然后嵌入概率进一步转化为嵌入成本，以此指导生成隐写图像，并与载体图像一同送入隐写分析器进行对抗训练；尽管该算法训练时间长且在性能上不如某些传统算法，但其为后续深度学习在图像隐写成本学习上的应用提供了思路。随后，ut-gan被提出，该算法在生成器中采用了u-net结构，并对鉴别器部分进行了改进。同时，在嵌入模拟器部分引入了可微分的double-tanh激活器。与adsl-gan相比，ut-gan在性能上有了显著提升，并且训练时间也被缩短。huang等人在提出了steg-gman，该模型在在鉴别器部分使用了双隐写分析器结构并提出了一种新的训练策略来更新生成器和鉴别器的参数，使其性能在ut-gan的基础上得到了进一步的提升。申请人认为，为了有效训练生成对抗网络，生成器和鉴别器的性能需要保持均衡。基于这一理念，我们对huang等人提出的生成器部分进行了改进。

技术实现思路

1、本发明解决了现有技术存在的问题，提供一种基于双域融合生成对抗网络的信息隐写方法。本发明通过增加一条采用小波卷积的分支来从另一个角度进行特征的提取，丰富了模型中的信息量，同时，在解码端提出了一个多级特征融合模块来提高模型的重建能力。

2、本发明通过以下技术方案予以实现：一种基于双域融合生成对抗网络的信息隐写方法，包括生成器部分和鉴别器部分，具体过程如下：

3、步骤s1、将载体图像送入生成器部分的ddfn模块，ddfn模块包括编码层和解码层，编码层为双分支结构，载体图像分别通过普通卷积支路和小波卷积支路；

4、步骤s2、将编码层学到的深层特征信息送到解码层，解码层将从编码层得到的两种深层特征和上采样后的特征进行通道拼接，然后送入到mffd模块中；

5、步骤s3、解码层的输出为载体图像对应的嵌入概率图，将嵌入概率图和与其尺寸一致的随机秘密图像送入到嵌入模拟器中得到修改图，修改图与载体图像相加得到隐写图像；

6、步骤s4、将载体图像和与其对应的隐写图像一起送入到鉴别器部分；

7、步骤s5、根据损失函数对生成器和鉴别器的参数进行更新。

8、进一步的，所述ddfn模块的具体处理过程如下：将载体图像送入编码层的两路分支结构进行特征提取，一路分支是采用8个传统的卷积块conv block i，i＝1，…,8；另一路分支采用7个小波卷积wtconvj，j＝1，…,7，将conv block 8的输出经块deconv block 1进行上采样后与conv block 7及wtconv 7的输出送入mffd模块进行融合；融合后的输出经块deconv block 2进行上采样后与conv block 6及wtconv 6的输出一起送入mffd模块进行融合；如此操作5次，将第7次mffd模块的输出经deconv block 8上采样后，再通过sigmoid函数处理后输出嵌入概率图。

9、进一步的，所述普通卷积块为依次连接的两个卷积核大小为3×3，bn归一化和relu激活的卷积块，所述块deconv block为依次连接的两个卷积核大小为5×5，bn归一化和relu激活的卷积块。

10、进一步的，所述mffd模块的具体处理过程如下：

11、从编码层得到的两种深层特征和上采样后的特征进行特征拼接后的结果表示为r，然后，通过1×1卷积层和leakyrelu对r的特征进行处理，得到r1，接下来，r1被划分为两条处理路径，描述如下：

12、r2＝leakyrelu(conv1(r1)) (1)

13、r2_1＝leakyrelu(conv3(r1)+r1) (2)

14、接下来，我们通过重复上述操作两次来获得r3、r3_1、r4和r4_1，特征r4_1经过3×3卷积层处理，然后经过leakyrelu处理，得到r5，最后，对r2、r3、r4和r5进行通道拼接，并通过1×1卷积层调整通道数量以匹配输入，从而得到r6，在将r6与到输入特征r相加后通过leakyrelu来获得最终的输出结果。

15、进一步的，所述步骤s3中利用与载体图像大小相同的随机矩阵来表示秘密消息，模拟信息嵌入过程，采用双曲正切函数来近似这种编码，从而得到修改后的概率图，双曲正切函数表示为：

16、

17、其中λ控制模型的准确性，并在λ＝60达到最佳性能时；pi,j表示嵌入概率图，ri,j表示秘密消息。

18、进一步的，所述鉴别器包含两种隐写分析器：xu-net和yedroudj-net，较弱的用于更新鉴别器的参数，较强的则用于更新生成器的参数。

19、进一步的，所述鉴别器的损失函数为：

20、

21、公式中的z0和z1分别表示载体图像x和隐写图像y的正确分类的标签，di(x)和di(y)分别表示x和y输入第i个隐写分析器的判别结果；

22、生成器的总损失函数为：

23、

24、公式中的超参数设置为：α＝10-7和β＝1，生成器损失的第一部分为：

25、

26、公式中的h和w表示图像的长和宽，q表示嵌入载荷，c表示为：

27、

28、公式中的表示像素值进行+1修改的概率，表示像素值进行-1修改的概率，表示像素值不进行修改的概率；

29、生成器损失的第二部分为：

30、

31、公式(8)是公式(4)的相反数。

32、本发明与现有技术相比，具有以下优点：

33、1、本发明通过引入一个小波卷积的分支，从图像中提取多个频率特征，从而增强网络提取复杂图像特征的能力。此外，小波卷积有助于扩大感受野，使网络能够更有效地捕获上下文信息。

34、2、本发明在解码层提出了一种mffd模块，旨在通过多级卷积提取各种特征，并随后融合这些特征。这种方法增强了网络捕获细节和全局特征的能力，从而增强了其重建能力。

35、3、本发明通过一系列实验验证了所提出方法在提高抗隐写分析器检测方面的能力。