【发明公布】基于生成对抗网络的图像隐写方法_西安电子科技大学_202210687059.7 

申请/专利权人:西安电子科技大学

申请日:2022-06-16

公开(公告)日:2022-09-20

公开(公告)号:CN115086674A

主分类号:H04N19/467

分类号:H04N19/467;H04N1/32;G06N3/04;G06N3/08;G06V10/44;G06V10/80;G06V10/82

优先权:

专利状态码:在审-公开

法律状态:2022.09.20#公开

摘要:本发明提出了一种基于生成对抗网络的图像隐写方法,实现步骤为:1获取训练样本集;2构建生成对抗网络模型;3对生成对抗网络模型进行迭代训练;4获取图像隐写结果。本发明通过包含图像样本和随机数据的训练样本集,对结合Inception‑Res网络模块的生成对抗网络模型进行迭代训练,通过对图像多种尺度的特征进行聚合处理,扩大了感受野的范围,增强了特征的表达能力,并且由于引入残差连接,可以减少模型复杂度并避免网络退化,在保证解码准确率的情况下,有效提升了图像隐写的隐写容量,对判别器网络进行改进,使得判别器网络可以更好的判别隐写图像与载体图像的真伪,使得生成器网络生成的隐写图像更接近载体图像。

主权项:1.一种基于生成对抗网络的图像隐写方法,其特征在于,包括如下步骤:1获取训练样本集:获取格式相同的M幅图像以及与图像尺寸相同的M个随机数据,并对每幅图像进行预处理,然后将每幅预处理后的图像以及对应的随机数据组成训练样本集X={X1,X2,...,Xm,...,XM},其中,M≥1000;2构建生成对抗网络模型H:2a构建生成对抗网络模型H的结构:构建包括由顺次连接的编码器网络E和解码器网络D组成的生成器网络G,以及与编码器网络E输出端连接的判别器网络C的生成对抗网络模型H;其中,E采用包括顺次连接的第一卷积层、由多个密集连接的第二卷积层组成的卷积网络、多个Inception-Res网络模块、Tanh激活函数输出层的残差网络;D采用包括顺次连接的由多个密集连接的第二卷积层组成的卷积网络、多个Inception-Res网络模块的卷积神经网络;C采用包括顺次连接的多个第三卷积层、最大池化层、全连接层、Sigmod激活函数输出层的卷积神经网络;Inception-Res网络模块采用改进的Inception-V1,即对Inception-V1的输入端与输出端进行残差连接;2b定义生成器网络G的损失函数lossG和判别器网络C的损失函数lossClossG=lossd+lossl+lossr+lossvgg19 其中,lossd、lossl、lossr、lossVGG19分别表示输入样本Xs中随机数据与恢复得到的随机数据之间的交叉熵损失、输入样本Xs中图像数据与隐写样本Ys之间的均方误差损失、判别器网络C对隐写样本Ys的判别结果、通过VGG19网络对与Ys进行处理后的结果之间的均方误差损失,Ys表示编码器网络E得到的结果,VGG19·表示使用预训练的VGG19网络处理样本,||·||2表示均方误差损失函数,C·表示判别器网络对样本的判别结果;3对生成对抗网络模型H进行迭代训练:3a初始化迭代次数为q,最大迭代次数为Q,Q≥32,生成器网络G、判别器网络C的网络参数分别为θG、θC,并令q=0;3b将训练样本集作为生成对抗网络模型H的输入,编码器网络E对每个训练样本Xs中的图像样本进行特征提取,并将对应的随机数据隐写在所提取的特征中,得到Xs的隐写样本Ys;解码器网络D对隐写样本Ys进行解码,得到解码后的随机数据判别器网络C对图像样本和隐写样本Ys分别进行真伪判别,得到判别结果CYs;3c采用损失函数lossC,并通过CYs计算判别器网络C的损失值采用损失函数lossG,并通过lossd、lossl、lossr、lossVGG19、Xs与Ys计算生成器网络G的损失值再采用反向传播方法,通过与分别计算判别器网络C的和生成器网络G的网络参数梯度,然后采用梯度下降算法通过C和G的网络参数梯度对C和G的网络参数θC和θG进行更新,得到本次迭代的生成对抗网络模型Hq;3d判断q≥Q是否成立,若是,得到训练好的生成对抗网络模型H*,否则,令q=q+1,并执行步骤3b;4获取图像隐写结果:将随机载体图像与秘密信息作为训练好的生成对抗网络模型H*的输入,编码器网络E对输入进行图像隐写,得到隐写图像;解码器网络D对编码器网络E生成的隐写图像进行解码,得到解码后的秘密信息。

全文数据:

权利要求:

百度查询: 西安电子科技大学 基于生成对抗网络的图像隐写方法

免责声明
1、本报告根据公开、合法渠道获得相关数据和信息,力求客观、公正,但并不保证数据的最终完整性和准确性。
2、报告中的分析和结论仅反映本公司于发布本报告当日的职业理解,仅供参考使用,不能作为本公司承担任何法律责任的依据或者凭证。