[發明專利]一種基于生成對抗網絡的JPEG域圖像隱寫方法和系統

有效

• 申請號: 201910368809.2
• 申請日: 2019-05-05
• 公開（公告）號: CN110334805B
• 公開（公告）日: 2022-10-25
• 發明（設計）人: 阮丹陽;陽建華;康顯桂
• 申請（專利權）人: 中山大學
• 主分類號: G06N3/08
• 分類號: G06N3/08;G06T9/00;H04N19/625
• 代理公司: 廣州粵高專利商標代理有限公司 44102
• 代理人: 林麗明

1.一種基于生成對抗網絡的JPEG域圖像隱寫方法，其特征在于，所述的生成對抗網絡包括生成網絡、模擬編碼嵌入模塊及判別網絡，包括以下步驟：

S1：將載體圖像通過可傳遞梯度JPEG變換模塊，得到該載體圖像對應的DCT域上的系數矩陣；

S2：將該載體圖像對應的DCT系數矩陣輸入到所述生成網絡中，通過生成網絡產生對應的與載體圖像大小一致的篡改概率矩陣，所述篡改概率矩陣的每一位置的數值代表該位置對應的像素位置DCT系數受到篡改的概率；

S3：將產生的篡改概率矩陣與隨機噪聲矩陣通過模擬編碼嵌入模塊進行模擬編碼得到與載體圖像大小一致的篡改矩陣，所述隨機噪聲矩陣與所述篡改概率矩陣大小一致，篡改矩陣中元素的取值為±1與0，隨機噪聲矩陣用于模擬隨機秘密信息；將篡改矩陣與載體圖像對應的DCT域上的矩陣相加，得到DCT域上與載體圖像DCT系數矩陣對應的載密圖像的DCT系數矩陣；

S4：將DCT域上的載密圖像的DCT系數矩陣通過可傳遞梯度的JPEG變換模塊轉換為空域上的載密圖像；

S5：將S4得到載密圖像與S1的載體圖像輸入到判別網絡，通過判別網絡對載體圖像與載密圖像進行分類，將判別網絡產生的分類誤差作為損失函數，并將損失函數反饋回判別網絡與生成網絡并進行對抗訓練；

S6：訓練結束后，將訓練好的生成網絡與傳統的信息編碼模塊以及JPEG變換模塊相結合，根據生成網絡產生的嵌入代價值將秘密信息以自適應的方式嵌入到載體圖像的DCT系數中產生用于隱秘通信的載密圖像，所述嵌入代價值ρ_i,j為篡改概率p_i,j轉換所得,具體轉換公式為：

所述步驟S2中的生成網絡為一個U型結構的卷積神經網絡，U型結構的卷積神經網絡共16組，前8組為卷積層組，每一個卷積層組包含卷積層批、歸一化層以及帶泄露整流函數，圖像特征圖的尺寸隨著網絡層數的增加而減少；后8組為反卷積層組，包含反卷積層、批歸一化層以及帶泄露整流函數，圖像特征圖的尺寸隨著網絡層數的增加而變大，前8層與后8層對應的鏡像網絡層之間的特征圖都以串聯concatenate的方式進行連接；

其中最優編碼擬合函數所擬合的最優編碼方式表示為：

上式中，p_ij為生成網絡輸出的每個DCT系數對應的篡改概率，n_ij為隨機噪聲矩陣，m_ij為篡改矩陣；最優編碼擬合函數的特征在于保持梯度可傳播的同時能夠擬合上述的最優編碼方式；其中最優編碼擬合函數的表達式為：

m_ij＝-k×f_s(λ×(p_ij-2×n_ij))+k＝f_s(λ×(p_ij-2×(1-n_ij)))+c

其中λ為縮放因子其取值越大，最優編碼擬合函數的擬合效果越好，對于梯度傳播越不利，縮放因子λ取值越小，越有利于梯度的傳播，但擬合效果會變差，f_s表示激活函數Tanh、Sigmoid或ReLU，k為權重系數，c為一個常數偏置；

對于生成網絡與判別網絡利用分類誤差得到的損失函數采用梯度反向傳播進行參數的訓練，每更新一次判別網絡的參數則更新兩次生成網絡的參數，其中用于更新生成網絡的損失函數還包含通過篡改概率信息熵得到的擬合嵌入負載量與目標負載量之間誤差產生的損失函數。

2.根據權利要求1所述的基于生成對抗網絡的JPEG域圖像隱寫方法，其特征在于，所述可傳遞梯度JPEG變換模塊包括圖像數據處理以及矩陣變換，其中圖像數據處理包括Tensor數據的batch分離，單一batch的分塊處理，分塊的合并以及batch的合并；可傳遞梯度JPEG變換模塊中的矩陣變換包括二維離散余弦矩陣變換、反二維離散余弦變換以及對應的量化與反量化處理，其中反量化不采用取整操作以確保梯度有效傳遞。