[發明專利]一種融合小波和自編碼器的信息隱藏方法及系統

有效

• 申請號: 202011395544.4
• 申請日: 2020-12-03
• 公開（公告）號: CN112597509B
• 公開（公告）日: 2023-08-01
• 發明（設計）人: 蘇海;張淑青;余松森;韓美茵;方健煒;楊珊
• 申請（專利權）人: 華南師范大學
• 主分類號: G06F21/60
• 分類號: G06F21/60;G06N3/0464;G06N3/0455;G06N3/08
• 代理公司: 廣州駿思知識產權代理有限公司 44425
• 代理人: 吳靜芝

本發明涉及一種融合小波和自編碼器的信息隱藏方法及系統，包括：通過二維離散小波變換將一載體圖像從空域轉換至頻域，以生成所述載體圖像的頻域數據；通過二維離散小波變換將一秘密信息圖像進行從空域轉換至頻域，并通過一預處理網絡提取其圖像特征，以生成所述秘密信息圖像的特征數據；通過隱藏網絡對所述載體圖像的頻域數據以及所述秘密信息圖像的特征數據進行合并，并將其嵌入到所述載體圖像的頻域數據中，以生成載密圖像數據；通過提取網絡從所述載密圖像數據中提取出所述秘密信息圖像的復原數據。本發明能夠高效的生成具有較高不可見性的載密圖像并從所述載密圖像中重構出較強魯棒性的秘密信息圖像，實現了快速有效的圖像信息隱藏。

技術領域

本發明涉及數字圖像處理領域，特別是涉及一種融合小波和自編碼器的信息隱藏方法及系統。

背景技術

在一種涉密信息傳輸方式中，發送者把需要傳遞的秘密信息通過信息隱藏算法嵌入到載體圖像中，從而生成載密圖像，再通過公開信道將其發送出去；接收者收到所述載密圖像后，通過信息提取算法提取秘密信息。信息隱藏算法根據嵌入領域可分為空域算法和頻域算法。

近年來，隨著深度學習的興起，研究者們紛紛提出結合神經網絡的信息隱藏算法。如Jiren?Zhu等在《HiDDeN:Hiding?Data?With?Deep?Networks》(European?Conference?onComputer?Vision2018:657-672)中提出一個神經網絡模型將信息嵌入圖像中，并引入了對抗思想使得信息隱藏的安全性更高，但其嵌入信息容量較小。Baluja等在《Hiding?Imagesin?Plain?Sight:Deep?Steganography》(Neural?Information?Processing?Systems2017:2066-2076)中構造了一個深度自編碼器將秘密信息嵌入等尺寸的載體圖像中，但其不可見性以及魯棒性仍存在局限。

發明內容

基于此，本發明的目的在于，提供一種融合小波和自編碼器的信息隱藏方法及系統，其實現了快速有效的圖像信息隱藏，且具有較高的不可見性以及較強的魯棒性。

一種融合小波和自編碼器的信息隱藏方法，包括：

接收表征載體圖像的第一數據；

通過二維離散小波變換將所述第一數據從空域轉換至頻域，得到第一頻域數據；其中，所述第一頻域數據包括低頻分量和高頻分量；

接收表征秘密信息的第二數據；

通過二維離散小波變換將所述第二數據從空域轉換至頻域，得到第二頻域數據；通過預處理網絡對所述第二頻域數據進行特征提取，得到第二特征數據；其中，所述第二頻域數據包括低頻分量和高頻分量；

通過隱藏網絡對所述第一頻域數據以及所述第二特征數據進行合并，并將合并結果嵌入到所述第一頻域數據中，得到載密圖像數據。

本發明所述的融合小波和自編碼器的信息隱藏方法，能夠高效的生成具有較高不可見性的載密圖像并從所述載密圖像中重構出較強魯棒性的秘密信息圖像。

進一步地，所述載體圖像的頻域數據的生成方法具體包括：

所述第一頻域數據的生成方法具體包括：

通過二維離散小波變換將所述第一數據從空域轉換至頻域，得到一個低頻分量cA和三個高頻分量cH、cV、cD；

將所述低頻分量cA以及所述三個高頻分量cH、cV、cD合并為一組四通道數據，得到所述第一頻域數據；

所述第二頻域數據的生成方法具體包括：

通過二維離散小波變換將所述第二數據從空域轉換至頻域，得到一個低頻分量cA和三個高頻分量cH、cV、cD；