[發明專利]基于對抗樣本生成的深度自適應圖像隱藏方法

有效

• 申請號: 201910976907.4
• 申請日: 2019-10-15
• 公開（公告）號: CN110889797B
• 公開（公告）日: 2021-06-08
• 發明（設計）人: 宋明黎;潘文雯;靜永程
• 申請（專利權）人: 浙江大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04
• 代理公司: 杭州天正專利事務所有限公司 33201
• 代理人: 王兵;黃美娟

基于對抗樣本生成的深度自適應圖像隱藏方法，包含如下幾個步驟：首先，設計實驗樣本，確定需要隱藏的圖(secret圖)和將接受隱藏信息的圖(cover圖)；然后建立局部隱藏patch選擇的SSD網絡，找出cover圖中最合適隱藏secret圖的區域；之后，建立encode網絡，secret圖用對抗樣本的方法，通過encode網絡產生擾動，直接添加到cover圖的選定區域產生藏有隱藏信息的container圖；接著，建立decode網絡，解出與secret圖高度相似的revealed圖；最后，訓練和測試encode網絡和decode網絡，對每一組輸入進行編碼網絡的更新，實現對于每組圖像的個性化隱藏。通過以上三個主要步驟，本發明可以在保持編碼得到很好的隱藏還原效果的同時，實現圖像的自適應局部隱藏，提高圖像隱藏的重建質量，拓展其實際應用范圍。

技術領域

本發明屬于信息隱藏傳輸管理領域。通過圖像隱藏，實現更靈活、更大容量和更安全的信息傳輸，針對圖像隱藏存在的色差，以及圖像隱藏只能達到全局隱藏的效果等問題，提出了一種基于對抗樣本生成的深度自適應圖像隱藏方法。

背景技術

最流行的圖像隱藏算法是基于最低有效位(LSB)的方法，定義需要隱藏的圖為secret圖，將接受隱藏信息的圖為cover圖，通過encode網絡加入隱藏信息的結果圖為container圖，由container圖解析出來的圖為revealed圖。這些基于LSB的算法的主要思想是改變cover圖像的至少4個有效位來放置隱藏信息。這樣，在隱藏過程中cover圖像的顏色變化可以最小化，并且所產生的失真通常是不可觀測的。盡管基于LSB的方法具有顯著的性能，但通常容易受到檢測圖像隱藏的統計分析方法的攻擊。為了解決這一局限性，隱藏圖像提出了更安全的算法，以保證在隱藏secret圖像的同時保留圖像統計信息，例如高度不可檢測的圖像隱藏(Hugo)和小波獲得的權重(Wow)。然而，這些算法的有效載荷容量(覆蓋圖像可以包含的信息)相對較小。

最近，受卷積神經網絡(CNN)的啟發，提出了一種基于深度學習的圖像隱藏算法。這些深度圖像隱藏方法利用CNN隱式模擬隱藏過程中所涉及圖像的分布，建立了一個完全基于CNN的隱藏系統。隱藏系統包括Preparing網絡、Hiding網絡和Revealing網絡，Preparing網絡接受secret圖作為輸入并應用預處理操作，然后將處理后的secret圖像和cover圖像輸入Hiding網絡，得到含有隱藏信息的container圖像。Revealing網絡的目的是將container圖像解碼為目標secret圖像，所有的網絡都以完全有監督的方式進行訓練。這項工作表明利用CNN將整個secret圖像中的大量信息隱藏到一個只有很少視覺失真的單一cover圖像中是可行的。Meng等人進一步提出利用目標檢測算法選擇復雜紋理區域進行信息隱藏，最近的工作還將基于CNN的圖像隱藏擴展到了視頻方面。

對抗樣本是經過修改的原圖像版本，這些圖像被故意干擾以攻擊并達到混淆深層神經網絡的效果。對抗樣本不僅存在于深度分類網絡，而且也存在于生成網絡、循環神經網絡和強化學習中。例如，對于生成網絡，對抗樣本可以通過添加一些干擾來將網絡的輸出更改為另一個圖像，這些干擾仍然使受干擾的圖像在視覺上與原始圖像相似，這與深度圖像隱藏的目標相匹配。

深度圖像隱藏本質上也是一個圖像重建問題。圖像重建的目的是反轉特征表示，即從目標特征重建整個圖像。圖像重建算法分為兩類：基于在線圖像優化的慢速圖像重建和基于離線模型優化的快速圖像重建。第一類迭代優化像素空間中的圖像，通常從隨機噪聲開始，迭代直到滿足所需的特征分布。第二類，快速圖像重建，通過預先訓練一個前饋網絡來加速重建過程，將計算負擔置于訓練階段。