[發明專利]一種基于深度學習的高動態范圍圖像隱寫和恢復方法

有效

• 申請號: 202110407766.1
• 申請日: 2021-04-15
• 公開（公告）號: CN113095991B
• 公開（公告）日: 2022-08-05
• 發明（設計）人: 霍永青;喬彥;劉曜輝;甘靜
• 申請（專利權）人: 電子科技大學
• 主分類號: G06T1/00
• 分類號: G06T1/00;G06N3/04;G06N3/08;G06K9/62;G06V10/764;G06V10/82
• 代理公司: 北京正華智誠專利代理事務所(普通合伙) 11870
• 代理人: 代維凡

本發明公開了一種基于深度學習的高動態范圍圖像隱寫和恢復方法，包括以下步驟：S1、構建HDR和LDR秘密圖像數據集；S2、對HDR圖像進行預處理，得到多張不同的載體圖像、HDR圖像的符號位和HDR圖像的指數位；S3、將一張載體圖像與一張LDR秘密圖像連接在一起，并輸入嵌入模型，得到隱寫圖像；S4、將隱寫圖像、符號位和指數位合并為HDR隱寫圖像；S5、對HDR隱寫圖像做與預處理相同的操作，得到HDR隱寫圖像小數空域的后八位比特平面；S6、將后八位比特平面輸入提取模型，得到恢復的LDR秘密圖像；本發明首次將HDR圖像作為載體實現以圖藏圖的隱寫，并解決了現有方法生成的嵌入秘密圖像后的隱寫圖像和恢復出的秘密圖像大多存在顏色失真和圖像質量下降的問題。

技術領域

本發明涉及圖像處理領域，具體涉及一種基于深度學習的高動態范圍圖像隱寫和恢復方法。

背景技術

互聯網的飛速發展給人們的生活帶來天翻地覆的變化，然而我們在享受網絡所帶來的便利的同時，也承擔著信息泄露、賬號被盜等眾多風險。圖像隱寫作為信息安全領域的一項重要技術，利用圖像載體的冗余特性，將需要傳播的秘密信息隱藏于載體圖像之中，而不引起第三方的懷疑，最終實現秘密信息的隱秘傳播。

傳統的隱寫方法都是通過對載體圖像做一些修改實現秘密信息的嵌入，但是修改操作都會在一定程度上改變原始載體圖像的統計特性，隱寫技術的對立面—隱寫分析技術正是利用圖像修改前后統計特征的變化來區分載體圖像和隱寫圖像，隨著隱寫分析特征的維度不斷增大，使隱寫分析技術向深度學習領域擴展。深度學習是機器學習領域中的一個較為流行的方法，通過模擬人腦來自主學習數據的各種特征，實現數據的分類或者回歸，在數字圖像處理和計算機視覺等領域有廣泛的應用。基于深度學習的隱寫分析技術可以更好地捕捉圖像的各維特征，在一個訓練過程中同時完成特征提取和分類任務，逐漸取得了比傳統隱寫特征更好的檢測準確率。

由于隱寫技術與隱寫分析技術在不斷的對抗過程中，相互促進，相互發展。傳統的隱寫方法越來越難以抵抗基于深度學習的隱寫分析檢測，且深度學習中“生成對抗”的思想與隱寫和隱寫分析之間十分類似，讓研究學者嘗試將深度學習應用于隱寫技術中。2017年首次提出的以圖藏圖的深度學習隱寫網絡，用基于自動編碼器框架的圖像隱寫模型實現將圖片隱藏到另一張相同尺寸的圖片中，為本申請的研究提供了新的思路。

現有的基于深度學習的隱寫技術采用的圖像載體均為低動態范圍(Low DynamicRange,LDR)圖像，隨著高動態范圍(High Dynamic Range,HDR)圖像逐漸普及，以HDR圖像為載體的隱寫技術受到了越來越多的關注。由于HDR圖像能夠提供更大的動態范圍，展現更自然真實的畫面，對于隱寫技術來說，這意味著HDR圖像有更多的冗余空間來嵌入秘密信息，同時HDR圖像不同的存儲格式也為圖像隱寫技術帶來新的切入點，因此用HDR圖像進行圖像隱寫有著極大的研究價值和研究意義。

HDR圖像與LDR圖像最大的不同是像素是由單精度浮點數表示的，范圍不僅僅局限于0-255，且在存儲過程中，使用了不同的圖像存儲格式，這些格式有效節省了HDR圖像的存儲空間，但也使得基于LDR圖像的隱寫算法不能直接移植到HDR圖像上。與此同時，現有方法生成的嵌入秘密圖像后的隱寫圖像和恢復出的秘密圖像大多存在顏色失真和圖像質量下降等，為解決這些不足并將高動態范圍圖像作為隱寫載體，需要對高動態范圍圖像的存儲格式進一步研究，分析深度學習網絡模型，設計一種基于深度學習的高動態范圍圖像的隱寫算法。

發明內容

針對現有技術中的上述不足，本發明提供的一種基于深度學習的高動態范圍圖像隱寫和恢復方法解決了現有方法生成的嵌入秘密圖像后的隱寫圖像和恢復出的秘密圖像大多存在顏色失真和圖像質量下降的問題。

為了達到上述發明目的，本發明采用的技術方案為：一種基于深度學習的高動態范圍圖像隱寫和恢復方法，包括以下步驟：

S1、構建HDR圖像數據集和LDR秘密圖像數據集；