一种基于编码-解码网络的大容量以图藏图方法和系统
阅读说明：本技术 一种基于编码-解码网络的大容量以图藏图方法和系统 (High-capacity graph hiding method and system based on coding-decoding network ) 是由 胡欣珏 付章杰 于 2021-09-01 设计创作，主要内容包括：本发明公开一种基于编码-解码网络的大容量以图藏图方法和系统,属于图像处理技术领域,其将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络,得到含密图像,再将含密图像输入到W-Net解码网络,得到重构的两张秘密图像,根据含密图像质量、重构秘密图像质量设计混合损失函数,并将其作为隐写网络的总损失函数,以最小化损失函数为目标优化隐写网络,当损失下降并保持稳定时认为训练结束；较已有算法相比,本发明具有高隐藏容量以及高隐蔽性。(The invention discloses a large-capacity image hiding method and a large-capacity image hiding system based on a coding-decoding network, which belong to the technical field of image processing, wherein a carrier image and two secret images are input into a double-branch coding network based on a Res2 Net-inclusion-SE module to obtain a secret image, the secret image is input into a W-Net decoding network to obtain two reconstructed secret images, a mixed loss function is designed according to the quality of the secret image and the quality of the reconstructed secret image and is used as a total loss function of a steganography network, the steganography network is optimized by taking the minimized loss function as a target, and when loss is reduced and kept stable, training is considered to be finished; compared with the existing algorithm, the method has high hiding capacity and high hiding performance.)
技术领域
本发明属于图像处理技术领域，具体涉及一种基于编码-解码网络的大容量以图藏图方法和系统。
背景技术
互联网技术的发展为人们生活带来极大便利的同时，也产生了许多信息安全问题，如个人隐私信息泄露、商业机密数据的非法窃取等。因此，人们越来越注重数据通信过程中的安全问题。
隐写是保障通信安全的主要方法之一，它将秘密信息通过特定算法嵌入到载体中，再由秘密信息接收方通过提取算法提取出秘密信息。常用的隐写载体包括文本、图像、音频、视频等。其中，图像本身具有高度冗余性，且随着互联网技术的发展，每时每刻都有大量的图像在进行传播，因此成为秘密信息隐藏的良好载体。而以图藏图隐写术因其简单有效、隐写容量大成为信息隐藏的主要研究方向之一。2017年，Baluja在NIPS上发表了首个以图藏图的深度学习隐写算法[Baluja S.Hiding images in plain sight:Deepsteganography[C].In Proceedings of the Neural Information ProcessingSystems.Cambridge:MIT Press,2017:2069-2079.]，自此以后，利用各类深度学习网络进行以图藏图的隐写模型大量涌现。衡量大容量以图藏图隐写模型好坏的标准通常是秘密信息的有效隐藏程度和提取准确度。但现有的该类隐写模型均存在含密图像质量以及重构秘密图像质量较差的问题。所以如何构建一个以图藏图高效生成器和提取器，或者设计一个新的损失函数，从而能够更有效的训练隐写网络、提高含密图像及重构秘密图像的质量，是大容量隐写模型未来可以继续研究的方向。
发明内容
针对现有技术的不足，本发明的目的在于提供一种基于编码-解码网络的大容量以图藏图方法和系统，用于解决上述背景技术中现有的该类隐写模型均存在的含密图像质量以及重构秘密图像质量较差的问题。
本发明的目的可以通过以下技术方案实现：
一种基于编码-解码网络的大容量以图藏图方法，所述方法包括以下步骤：
S1：将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络，生成含密图像；
S2：将生成的含密图像输入到W-Net解码网络，得到重构的两张秘密图像；
S3：根据含密图像质量、重构秘密图像质量设计混合损失函数，并将其作为隐写网络的总损失函数，以总损失函数最小为目标优化隐写网络，损失下降并保持稳定时训练结束。
进一步的，所述步骤S1中将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络的途径包括载体图像单独输入到编码网络的其中一个分支，以及两张秘密图像进行通道堆叠操作后输入到编码网络的另一个分支。
进一步的，所述步骤S1中基于Res2Net-Inception-SE模块的双分支编码网络包括载体分支第一卷积操作组、载体分支Res2Net-Inception-SE模块、载体分支第二卷积操作组、秘密分支第一卷积操作组、秘密分支Res2Net-Inception-SE模块、秘密分支第二卷积操作组、反卷积操作组以及第三卷积操作组；
所述载体分支第二卷积操作组和秘密分支第二卷积操作组进行通道拼接后输入到反卷积操作组中，所述反卷积操作组的输出端与所述第三卷积操作组相连，所述第三卷积操作组的输出为含密图像；
其中，一个卷积操作组包括依次设置的卷积层、激活层以及批标准化层，一个反卷积操作组包括依次设置的反卷积层、激活层以及批标准化层。
进一步的，所述步骤S1中的Res2Net-Inception-SE模块包括卷积块一、改进残差块、卷积块二和注意力模块；
所述卷积块一表示为：
x＝F3(f)
其中，f为所建卷积块的输入，x为所建卷积块的输出，F3(·)为3×3卷积变换函数；
所述改进残差块表示为:
xi＝S(x) i∈1,2,3,4
y＝[y1,y2,y3,y4]
其中，S(·)为特征通道拆分操作，卷积块的输出x按通道被拆分为4块，xi为通道拆分后的第i块，yi为xi经过相应操作后的输出，[·,·,·,·]表示空间维数上的通道堆叠操作，y为改进残差块的输出，IC(·)为Inception操作，具体如下：
[F1(·),F3(F1(·)),F5(F1(·)),F1(M(·))]
其中，F1(·)是1×1卷积变换函数，F5(·)是5×5卷积变换函数，M(·)是3×3最大池化函数；
所述卷积块二表示为：
z＝F3(y)
其中，y为卷积块二的输入，z为卷积块二输出的特征图；
所述注意力模块表示为：
G＝δ1(W2(δ2(W1(sc))))·zc
其中，H为卷积块二输出特征图的高，W为卷积块二输出特征图的宽，zc(i,j)为卷积块二输出特征图z的第c通道的特征，sc是第c通道上空间特征编码出的全局特征，δ1(·)是Sigmoid激活函数，W2(·)是将特征图通道降维16倍的全连接操作，δ2(·)是ReLU激活函数，W1(·)是将特征图通道升维16倍的全连接操作，G是注意力模块的输出。
进一步的，所述步骤S2中W-Net解码网络为跳跃连接结构，所述W-Net解码网络包括：卷积操作组一、卷积操作组二、卷积操作组三、卷积操作组四、通道拆分操作、秘密第一分支反卷积操作组一、秘密第一分支反卷积操作组二、秘密第一分支反卷积操作组三、秘密第一分支反卷积操作组四、秘密第一分支卷积操作组一、秘密第一分支卷积操作组一、秘密第二分支反卷积操作组二、秘密第二分支反卷积操作组三、秘密第二分支反卷积操作组四以及秘密第二分支卷积操作组一；
所述通道拆分操作将卷积操作组四的输出拆分为秘密特征图一和秘密特征图二；
所述卷积操作组三以及秘密第一分支反卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组二、秘密第一分支反卷积操作组二以及秘密第一分支反卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组一、秘密第一分支反卷积操作组三、秘密第一分支反卷积操作组二以及秘密第一分支卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组三及秘密第一分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述卷积操作组二、秘密第二分支反卷积操作组二以及秘密第一分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述卷积操作组一、秘密第二分支反卷积操作组三、秘密第二分支反卷积操作组二以及秘密第二分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述秘密第一分支卷积操作组一的输入为秘密第一分支反卷积操作组四，输出为第一张秘密图像；
所述秘密第二分支卷积操作组一的输入为秘密第二分支反卷积操作组四，输出为第二张秘密图像；
其中，一个卷积操作组包括依次设置的卷积层、激活层、批标准化层；一个反卷积操作组包括依次设置的反卷积层、激活层、批标准化层。
进一步的，所述步骤S3中的隐写网络包括基于Res2Net-Inception-SE模块的双分支编码网络和W-Net解码网络。
进一步的，所述步骤S3中的总损失函数为：
L(c,c',s,s')＝βL(c,c')+γL(s,s')
其中，L(c,c')为基于Res2Net-Inception-SE模块的双分支编码网络损失，L(s,s')为W-Net解码网络损失，β、γ为用于控制基于Res2Net-Inception-SE模块的双分支编码网络损失以及W-Net解码网络损失的权值。
进一步的，所述基于Res2Net-Inception-SE模块的双分支编码网络损失L(c,c')的计算公式为：
其中，c为载体图像像素，c＝{ci|1,2,...,L}，L是图像的总像素值，c'为含密图像像素，c'＝{ci'|1,2,...,L}，μc、μc'分别为c和c'的平均值，也代表载体图像和含密图像的亮度，K1为一个小于等于1的常数，M为自定义尺度，在此取值为5，σc、σc'分别为c、c'的标准差，也代表载体图像和含密图像的对比度，σcc'为c和c'的协方差，也代表载体图像和含密图像的结构相似度，K2为一个小于等于1的常数，G是高斯滤波参数，α是用于控制权值的超参数；
所述W-Net解码网络损失L(s,s')的计算公式为：
L(s,s')＝L(s1,s′1)+L(s2,s'2)
其中，s1为第一张秘密图像像素，s2为第二张秘密图像像素，L是图像的总像素值，s1为第一张重构秘密图像像素，s′2为第二张重构秘密图像像素， 分别为s1和s′1的平均值，也代表第一张秘密图像和第一张重构的秘密图像的亮度， 分别为s2和s′2的平均值，也代表第二张秘密图像和第二张重构的秘密图像的亮度，K1为一个小于等于1的常数，M为自定义尺度，在此取值为5，分别为s1、s′1的标准差，也代表第一张秘密图像和第一张重构秘密图像的对比度，分别为s2、s′2的标准差，也代表第二张秘密图像和第二张重构秘密图像的对比度，为s1和s′1的协方差，也代表第一张秘密图像和第一张重构秘密图像的结构相似度，为s2和s′2的协方差，也代表第二张秘密图像和第二张重构秘密图像的结构相似度，K2为一个小于等于1的常数，G是高斯滤波参数，α是用于控制权值的超参数。
一种基于编码-解码网络的大容量以图藏图系统，所述系统包括：
生成单元：用于将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络中，得到嵌入了两张秘密图像的含密图像；
重构单元：用于将所述含密图像输入到W-Net网络中，得到重构的两张秘密图像；
训练单元：用于根据含密图像质量、重构秘密图像质量设计混合损失函数，并将其作为隐写网络的总损失函数，以最小化损失函数为目标优化隐写网络，当损失下降并保持稳定时认为训练结束；所述隐写网络包括基于Res2Net-Inception-SE模块的双分支编码网络以及W-Net解码网络；
隐写单元：用于使用训练好的隐写网络，根据载体图像和秘密图像生成含密图像，再从含密图像中重构出两张秘密图像。
本发明的有益效果：
本发明设计了基于Res2Net-Inception-SE模块的双分支编码网络，提高了含密图像的视觉质量，设计W-Net解码网络，提高了重构秘密图像的视觉质量；根据含密图像质量和重构秘密图像质量设计的混合损失函数考虑到了人类的视觉感知，更适合隐写，有效提高了图像质量。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是基于编码-解码网络的大容量以图藏图方法流程图；
图2是基于Res2Net-Inception-SE模块的双分支编码网络结构示意图；
图3是W-Net解码网络结构示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
本发明实施例中提供了一种基于编码-解码网络的大容量以图藏图方法，如图1所示，具体包括如下步骤：
S1，将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络，生成含密图像；
在具体实施过程中，载体图像单独输入到编码网络的其中一个分支，两张秘密图像进行通道堆叠操作后输入到编码网络的另一个分支。
在本方明实施例的一种具体实施方式中，如图2所示，所述基于Res2Net-Inception-SE模块的双分支编码网络包括：载体分支第一卷积操作组Conv1_c，载体分支Res2Net-Inception-SE模块R_c，载体分支第二卷积操作组Conv2_c，秘密分支第一卷积操作组Conv1_s，秘密分支Res2Net-Inception-SE模块R_s，秘密分支第二卷积操作组Conv2_s，反卷积操作组ConvT，第三卷积操作组Conv3；
所述载体分支第二卷积组和秘密分支第二卷积组进行通道拼接后输入到反卷积操作组中，所述反卷积操作组的输出端与所述第三卷积操作组相连；
所述第三卷积操作组的输出为含密图像；
其中，一个卷积操作组包括依次设置的卷积层Conv、激活层LeakyReLu、批标准化层BN；一个反卷积操作组包括依次设置的反卷积层ConvT、激活层LeakyReLu、批标准化层BN。
所述Res2Net-Inception-SE模块包括卷积块一、改进残差块、卷积块二和注意力模块；
所述卷积块一表示为：
x＝F3(f)
其中，f为所建卷积块的输入，x为所建卷积块的输出，F3(·)为3×3卷积变换函数。
所述改进残差块表示为:
xi＝S(x) i∈1,2,3,4
y＝[y1,y2,y3,y4]
其中，S(·)为特征通道拆分操作，卷积块的输出x按通道被拆分为4块，xi为通道拆分后的第i块，yi为xi经过相应操作后的输出，[·,·,·,·]表示空间维数上的通道堆叠操作，y为改进残差块的输出，IC(·)为Inception操作，具体如下：
[F1(·),F3(F1(·)),F5(F1(·)),F1(M(·))]
其中，F1(·)是1×1卷积变换函数，F5(·)是5×5卷积变换函数，M(·)是3×3最大池化函数。
所述卷积块二表示为：
z＝F3(y)
其中，y为卷积块二的输入，z为卷积块二输出的特征图。
所述注意力模块表示为：
G＝δ1(W2(δ2(W1(sc))))·zc
其中，H为卷积块二输出特征图的高，W为卷积块二输出特征图的宽，zc(i,j)为卷积块二输出特征图z的第c通道的特征，sc是第c通道上空间特征编码出的全局特征，δ1(·)是Sigmoid激活函数，W2(·)是将特征图通道降维16倍的全连接操作，δ2(·)是ReLU激活函数，W1(·)是将特征图通道升维16倍的全连接操作，G是注意力模块的输出。可见所述基于Res2Net-Inception-SE模块的双分支编码网络包括特征提取阶段和特征融合阶段。在特征提取阶段，编码器运用其双分支结构分别独立地提取载体图像和秘密图像的特征。每个分支上的Res2Net-Inception-SE模块负责对经过卷积操作后的特征在同一分辨率进行不同尺度的特征提取和通道重要性学习。然后，在特征融合阶段，编码器运用拼接操作和反卷积操作将提取到的特征进行融合，最后得到含密图像。
S2，将所述含密图像输入到W-Net解码网络，得到重构的两张秘密图像；
在本方明实施例的一种具体实施方式中，所述W-Net解码网络为跳跃连接结构，如图3所示包括：卷积操作组一，Conv_1，卷积操作组二，Conv_2，卷积操作组三，Conv_3，卷积操作组四，Conv_4，通道拆分操作Sp，秘密第一分支反卷积操作组一，ConvT1_s1，秘密第一分支反卷积操作组二，ConvT2_s1，秘密第一分支反卷积操作组三，ConvT3_s1，秘密第一分支反卷积操作组四，ConvT4_s1，秘密第一分支卷积操作组一，Conv_s1，秘密第一分支卷积操作组一，ConvT1_s2，秘密第二分支反卷积操作组二，ConvT2_s2，秘密第二分支反卷积操作组三，ConvT3_s2，秘密第二分支反卷积操作组四，ConvT4_s2，秘密第二分支卷积操作组一，Conv_s2；
所述通道拆分操作的将卷积操作组四的输出拆分为秘密特征图一，秘密特征图二；
所述卷积操作组三及秘密第一分支反卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组二、秘密第一分支反卷积操作组二以及秘密第一分支反卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组一、秘密第一分支反卷积操作组三、秘密第一分支反卷积操作组二以及秘密第一分支卷积操作组一的输出与秘密特征图一融合，形成跳跃连接结构；
所述卷积操作组三及秘密第一分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述卷积操作组二、秘密第二分支反卷积操作组二以及秘密第一分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述卷积操作组一、秘密第二分支反卷积操作组三、秘密第二分支反卷积操作组二以及秘密第二分支卷积操作组一的输出与秘密特征图二融合，形成跳跃连接结构；
所述秘密第一分支卷积操作组一的输入为秘密第一分支反卷积操作组四，输出为第一张秘密图像；
所述秘密第二分支卷积操作组一的输入为秘密第二分支反卷积操作组四，输出为第二张秘密图像；
其中，一个卷积操作组包括依次设置的卷积层Conv、激活层LeakyReLU、批标准化层BN；一个反卷积操作组包括依次设置的反卷积层ConvT、激活层LeakyReLU、批标准化层BN。
S3，根据含密图像质量、重构秘密图像质量设计混合损失函数，并将其作为隐写网络的总损失函数，以总损失函数最小为目标优化所述隐写网络，当损失下降并保持稳定时认为训练结束；所述隐写网络包括基于Res2Net-Inception-SE模块的双分支编码网络和W-Net解码网络。
在本发明实施例的一种具体实施方式中，所述隐写网络的的总损失函数为：
L(c,c',s,s')＝βL(c,c')+γL(s,s')
其中，L(c,c')为基于Res2Net-Inception-SE模块的双分支编码网络损失，L(s,s')为W-Net解码网络损失，β、γ为用于控制基于Res2Net-Inception-SE模块的双分支编码网络损失以及W-Net解码网络损失的权值。
所述基于Res2Net-Inception-SE模块的双分支编码网络损失L(c,c')的计算公式为：
其中，c代表载体图像，c＝{ci|1,2,...,L}，L是图像的总像素值，c'代表含密图像，c'＝{ci'|1,2,...,L}，μc、μc'分别为c和c'的平均值，也代表载体图像和含密图像的亮度，K1为一个小于等于1的常数，M为自定义尺度，在此取值为5，σc、σc'分别为c、c'的标准差，也代表载体图像和含密图像的对比度，σcc'为c和c'的协方差，也代表载体图像和含密图像的结构相似度，K2为一个小于等于1的常数，G是高斯滤波参数，α是用于控制权值的超参数。
所述W-Net解码网络损失L(s,s')的计算公式为：
L(s,s')＝L(s1,s′1)+L(s2,s'2)
其中，s1代表第一张秘密图像，s2代表第二张秘密图像，L是图像的总像素值，s′1代表第一张重构秘密图像，s′2代表第二张重构秘密图像， 分别为s1和s′1的平均值，也代表第一张秘密图像和第一张重构的秘密图像的亮度，分别为s2和s′2的平均值，也代表第二张秘密图像和第二张重构的秘密图像的亮度，K1为一个小于等于1的常数，M为自定义尺度，在此取值为5，分别为s1、s′1的标准差，也代表第一张秘密图像和第一张重构秘密图像的对比度，分别为s2、s′2的标准差，也代表第二张秘密图像和第二张重构秘密图像的对比度，为s1和s′1的协方差，也代表第一张秘密图像和第一张重构秘密图像的结构相似度，为s2和s′2的协方差，也代表第二张秘密图像和第二张重构秘密图像的结构相似度，K2为一个小于等于1的常数，G是高斯滤波参数，α是用于控制权值的超参数。
在实际应用中，将一张载体图像和两张秘密图像输入到训练好的基于Res2Net-Inception-SE模块的双分支编码网络中，得到含密图像，然后将含密图像输入到训练好的W-Net解码网络中，提取出隐藏在含密图像中的两张秘密图像。
综上可见，本发明实施例中基于编码-解码网络的大容量以图藏图方法，将一张载体图像和两张秘密图像输入基于Res2Net-Inception-SE模块的双分支编码网络中，生成含密图像；将含密图像输入到W-Net解码网络中，得到重构的两张秘密图像，具有高隐藏容量和高隐蔽性。
为验证本发明效果，首先基于公开数据集PASCAL-VOC2012训练所提出的隐写模型，并在公开数据集ImageNet上进行测试。在图像质量的实验结果如表1。其中，Baluja’smodel[Baluja S.Hiding images within images[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2020,42(7):1685-1697.]是首个在一张载体图像中隐藏两张秘密图像的模型。
表1
实施例2
基于与实施例1相同的发明构思，本发明实施例中提供了一种基于编码-解码网络的大容量以图藏图系统，包括：
生成单元，用于将一张载体图像和两张秘密图像输入到基于Res2Net-Inception-SE模块的双分支编码网络中，得到嵌入了两张秘密图像的含密图像；
重构单元，用于将所述含密图像输入到W-Net网络中，得到重构的两张秘密图像；
训练单元，用于根据所述含密图像质量、重构秘密图像质量设计混合损失函数，并将其作为隐写网络的总损失函数，以最小化损失函数为目标优化隐写网络，当损失下降并保持稳定时认为训练结束；所述隐写网络包括基于Res2Net-Inception-SE模块的双分支编码网络以及W-Net解码网络；
隐写单元，用于使用训练好的隐写网络，根据载体图像和秘密图像生成含密图像，再从含密图像中重构出两张秘密图像。
关于基于编码-解码网络的大容量以图藏图系统的具体限定可以参见上文中对于基于编码-解码网络的大容量以图藏图方法的限定，在此不再赘述。上述基于编码-解码网络的大容量以图藏图系统中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在本说明书的描述中，参考术语“一个实施例”、“示例”、“具体示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上显示和描述了本发明的基本原理、主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。
- 上一篇：一种医用注射器针头装配设备
- 下一篇：一种基于大数据的图像加密存储方法及系统