[發明專利]圖像隱寫及提取方法、裝置及電子設備

在審

• 申請號: 201910850963.3
• 申請日: 2019-09-10
• 公開（公告）號: CN112561766A
• 公開（公告）日: 2021-03-26
• 發明（設計）人: 崔文學;劉永亮;劉紹輝;張迪;董瑞
• 申請（專利權）人: 阿里巴巴集團控股有限公司
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06T9/00;G06F21/60;G06F21/10;G06N3/04;G06N3/08
• 代理公司: 北京清源匯知識產權代理事務所(特殊普通合伙) 11644
• 代理人: 馮德魁;竇曉慧

1.一種圖像隱寫方法，其特征在于，包括：

獲取載體圖像，并獲取待嵌入信息；

對所述待嵌入信息進行壓縮處理，獲取與所述待嵌入信息對應的目標測量值；

將所述目標測量值隱寫到所述載體圖像中，獲取目標隱寫圖像。

2.根據權利要求1所述的圖像隱寫方法，其特征在于，所述對所述待嵌入信息進行壓縮處理，獲取與所述待嵌入信息對應的目標測量值，包括：

獲取目標采樣卷積神經網絡模型，其中，所述目標采樣卷積神經網絡模型用于對所述待嵌入信息進行壓縮處理；

使用所述目標采樣卷積神經網絡模型對所述待嵌入信息進行處理，獲取所述目標測量值。

3.根據權利要求2所述的圖像隱寫方法，其特征在于，所述獲取目標采樣卷積神經網絡模型，包括：

獲取原始采樣卷積神經網絡模型；

對所述原始采樣卷積神經網絡模型進行訓練，使所述原始采樣卷積神經網絡模型收斂，并將收斂后的所述原始采樣卷積神經網絡模型作為所述目標采樣卷積神經網絡模型。

4.根據權利要求3所述的圖像隱寫方法，其特征在于，所述對所述原始采樣卷積神經網絡模型進行訓練，使所述原始采樣卷積神經網絡模型收斂，包括：

獲取指導卷積神經網絡模型，其中，所述指導卷積神經網絡模型用于將所述原始采樣卷積神經網絡模型的輸出數據恢復為所述原始采樣卷積神經網絡模型的輸入數據；

將所述指導卷積神經網絡模型和所述原始采樣卷積神經網絡模型進行聯合訓練，使所述原始采樣卷積神經網絡模型收斂。

5.根據權利要求4所述的圖像隱寫方法，其特征在于，所述將所述指導卷積神經網絡模型和所述原始采樣卷積神經網絡模型進行聯合訓練，使所述原始采樣卷積神經網絡模型收斂，包括：

獲取原始訓練樣本信息；

將所述原始訓練樣本信息輸入到所述原始采樣卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的原始訓練測量值；

將所述原始訓練測量值輸入到所述指導卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的指導樣本信息；

通過所述指導卷積神經網絡模型的損失函數調整所述指導卷積神經網絡模型的參數和所述原始采樣卷積神經網絡模型的參數，使所述原始采樣卷積神經網絡模型收斂。

6.根據權利要求5所述的圖像隱寫方法，其特征在于，所述將所述原始訓練樣本信息輸入到所述原始采樣卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的原始訓練測量值，包括：

將所述原始訓練樣本信息劃分為至少一個原始訓練樣本子信息；

將所述至少一個原始訓練樣本子信息輸入到所述原始采樣卷積神經網絡模型中，獲取至少一個原始訓練子測量值。

7.根據權利要求6所述的圖像隱寫方法，其特征在于，所述將所述原始訓練測量值輸入到所述指導卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的指導樣本信息，包括：

將所述至少一個原始訓練子測量值輸入到所述指導卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的指導樣本信息。

8.根據權利要求7所述的圖像隱寫方法，其特征在于，所述指導卷積神經網絡模型包括一個全連接層和至少一個殘差塊；

所述將所述至少一個原始訓練子測量值輸入到所述指導卷積神經網絡模型中，獲取與所述原始訓練樣本信息對應的指導樣本信息，包括：

使用所述全連接層對所述至少一個原始訓練子測量值進行預處理，獲取與所述原始訓練樣本信息的大小相同的預處理樣本信息；

使用所述至少一個殘差塊對所述預處理樣本信息進行處理，獲取與所述原始訓練樣本信息對應的指導樣本信息。