楊 盼，張敏情*，葛 虞，狄富強(qiáng)，張英男

（1.武警工程大學(xué) 密碼工程學(xué)院，西安 710086；2.網(wǎng)絡(luò)與信息安全武警部隊(duì)重點(diǎn)實(shí)驗(yàn)室（武警工程大學(xué)），西安 710086）

0 引言

隨著計(jì)算機(jī)技術(shù)和移動(dòng)互聯(lián)網(wǎng)的快速發(fā)展，數(shù)字圖像逐漸成為人們?nèi)粘Ｉ钪行畔鬟f的重要載體之一。圖像信息隱藏技術(shù)將秘密信息以不可見的方式隱藏到圖像中，并在需要該秘密信息的時(shí)候通過某種方式提取出來，從而實(shí)現(xiàn)隱蔽通信和版權(quán)保護(hù)的目的。傳統(tǒng)信息隱藏算法對(duì)載體圖像修改后會(huì)不可避免地留下修改痕跡，如HUGO（Highly Undetectable steGanOgraphy）［1］、WOW（Wavelet Obtained Weights）［2］、HILL（HIgh-pass，Low-pass，and Low-pass）［3］、UNIWARD（UNIversal WAvelet Relative Distortion）［4］，這些算法難以抵抗空域富模型（Spatial Rich Model，SRM）［5］的隱寫分析方法。為了突破傳統(tǒng)信息隱藏方法在算法設(shè)計(jì)過程中過于依賴手工和先驗(yàn)知識(shí)的限制，一些基于深度學(xué)習(xí)的信息隱藏算法被相繼提出，促進(jìn)了信息隱藏技術(shù)的發(fā)展。Baluja［6-7］首次提出將彩色圖像嵌入另一個(gè)相同大小的彩色圖像中，但是生成的含密圖像存在部分圖像失真，易被察覺。為解決這一問題，Ur Rehman 等［8］提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）的編碼器-解碼器架構(gòu)，用于將灰度圖像作為有效載荷嵌入彩色圖像。Zhang等［9］提出基于生成對(duì)抗網(wǎng)絡(luò)的圖像隱寫框架（Invisible Steganography via Generative Adversarial Networks，ISGAN），將彩色載體圖像分解為3 通道U/V/Y，利用人眼對(duì)亮度信息不敏感的特性，將灰度秘密圖像與Y 通道進(jìn)行通道拼接，通過編碼網(wǎng)絡(luò)得到含密圖像，增強(qiáng)了秘密圖像的隱蔽性；然而，它們也面臨著基于深度學(xué)習(xí)的隱寫分析技術(shù)的威脅。

神經(jīng)風(fēng)格遷移技術(shù)將神經(jīng)網(wǎng)絡(luò)應(yīng)用于圖像風(fēng)格遷移領(lǐng)域，實(shí)現(xiàn)將普通的數(shù)字圖像賦予藝術(shù)化的效果，目前已經(jīng)運(yùn)用到人 們的生 活當(dāng)中。Gatys 等［10］使 用VGGNet（Visual Geometry Group Network）［11］提取載體圖像的特征作為目標(biāo)圖像的內(nèi)容部分，將獲得的圖像的內(nèi)容部分與風(fēng)格圖像的紋理部分相結(jié)合，通過最小化損失迭代更新載體圖像的樣式。Huang 等［12］通過匹配內(nèi)容和風(fēng)格特征的均值和方差，通過自適應(yīng)實(shí)例標(biāo)準(zhǔn)化（Adaptive Instance Normalization，AdaIN）實(shí)現(xiàn)了任意風(fēng)格變換網(wǎng)絡(luò)。Li 等［13］通過學(xué)習(xí)內(nèi)容特征和變換矩陣之間的線性變換提升風(fēng)格變換性能。Li 等［14］使用WCT（Whiten and Coloring Transform）模塊代替AdaIN，實(shí)現(xiàn)了通用性的風(fēng)格遷移方法。An 等［15］將可逆神經(jīng)網(wǎng)絡(luò)運(yùn)用于風(fēng)格遷移中，解決圖像內(nèi)容破壞的問題。

為了提高現(xiàn)有信息隱藏算法的安全性，神經(jīng)風(fēng)格遷移技術(shù)被引 入信息 隱藏領(lǐng) 域。Wang 等［16］提出了STNet（Style Transformation Network for deep image steganography）算法，可以在圖像風(fēng)格遷移的過程中嵌入秘密信息，該算法結(jié)合了信息隱藏技術(shù)和風(fēng)格遷移技術(shù)，生成的風(fēng)格化圖像能夠抵抗隱寫分析。Bi 等［17］提出了ISTNet（Image Style Transfer Network for image steganography），在風(fēng)格遷移過程中，將一張灰度圖像隱藏到風(fēng)格化圖像中，生成的含密圖像與藝術(shù)化圖像無法區(qū)分，極大提高了隱藏算法的安全性，能夠很好地對(duì)抗針對(duì)載體圖像的攻擊和分析，有效保護(hù)秘密信息的安全性和機(jī)密性。Lin 等［18］提出了改進(jìn)的基于Y 通道的神經(jīng)風(fēng)格遷移的圖像隱寫框架，結(jié)合Y 通道先嵌入再對(duì)圖像進(jìn)行風(fēng)格變換的方式實(shí)現(xiàn)了一張灰度圖像的嵌入。

然而，上述算法都未能較好地解決彩色圖像的大容量信息嵌入問題。本文提出了一種新的基于神經(jīng)風(fēng)格遷移模型的彩色圖像信息隱藏算法。在圖像風(fēng)格遷移的過程實(shí)現(xiàn)了將彩色圖像隱藏到風(fēng)格化圖像中，提高了隱寫容量，同時(shí)攻擊者無法分清風(fēng)格化圖像是否嵌入了秘密圖像，從而避免了隱寫分析的檢測(cè)。

1 相關(guān)工作

Bi 等［17］在STNet［16］的基礎(chǔ)上提出了ISTNet，首先通過VGGNet 提取出內(nèi)容圖像和風(fēng)格圖像的特征，使用AdaIN 進(jìn)行整合，再訓(xùn)練一個(gè)用于灰度圖像特征提取的網(wǎng)絡(luò)，將提取的多個(gè)秘密信息特征與整合后特征送入解碼器，解碼器將特征映射回圖像的過程中，通過殘差連接的方式，盡可能在生成的風(fēng)格化圖像中保留更多的灰度圖像特征，最后通過一個(gè)消息提取網(wǎng)絡(luò)將灰度圖像提取出來，整個(gè)框架如圖1 所示。

圖1 ISTNet的框架Fig.1 Framework of ISTNet

2 模型框架

本文算法的模型框架如圖2所示，主要由隱藏網(wǎng)絡(luò)和提取網(wǎng)絡(luò)兩部分組成。隱藏網(wǎng)絡(luò)結(jié)合了風(fēng)格圖像的特征，將載體圖像轉(zhuǎn)化為具有風(fēng)格圖像特征的藝術(shù)圖像，并在此過程中嵌入秘密圖像；提取網(wǎng)絡(luò)從含密圖像中提取秘密圖像。

圖2 本文算法的模型框架Fig.2 Model framework of the proposed algorithm

2.1 隱藏網(wǎng)絡(luò)

隱藏網(wǎng)絡(luò)包含特征提取網(wǎng)絡(luò)和解碼器。特征提取網(wǎng)絡(luò)使用了VGGNet 提取輸入圖像的特定特征。為了提高訓(xùn)練效果，使用PyTorch 中VGG19 的預(yù)訓(xùn)練模型，同時(shí)減少訓(xùn)練開銷和訓(xùn)練時(shí)間，以獲取更好的特征提取效果。將載體圖像、風(fēng)格圖像和秘密圖像輸入特征提取網(wǎng)絡(luò)，獲得載體圖像的內(nèi)容特征Fc、風(fēng)格圖像的紋理信息Fs和秘密圖像的特征表示。將Fc和Fs通過AdaIN 編碼為一個(gè)特征，將其與秘密圖像的相同大小特征進(jìn)行結(jié)合，輸入解碼器將特征映射回圖像。使用AdaIN 是因?yàn)樗哂懈玫娘L(fēng)格化效果，并且不需要訓(xùn)練參數(shù)，這使得網(wǎng)絡(luò)的整體訓(xùn)練速度更快，所需時(shí)間更少，如式（1）所示：

其中：t代表AdaIN 輸出的結(jié)果，μ和σ代表均值與標(biāo)準(zhǔn)差。

解碼器將特征信息解碼，生成含密圖像。在解碼過程中，將秘密圖像不同的特征表示與解碼器的相應(yīng)層相拼接，更大限度地保留秘密信息的特征信息。解碼器結(jié)構(gòu)如圖3所示，ReflectionPad 為鏡像填充操作，Conv 為卷積操作，修正線性單 元（Rectified Linear Unit，ReLU）為激活函數(shù)，Interpolate 為插值和上采樣。

圖3 解碼器結(jié)構(gòu)Fig.3 Decoder structure

2.2 提取網(wǎng)絡(luò)

提取網(wǎng)絡(luò)接收含密圖像作為輸入，恢復(fù)秘密圖像。將含密圖像放入提取網(wǎng)絡(luò)中，經(jīng)過卷積操作，實(shí)現(xiàn)從含密圖像中提取秘密圖像的目的，從而提取出秘密信息。提取網(wǎng)絡(luò)由8層卷積層和ReLU 激活函數(shù)組成，在中間增加1 個(gè)批量歸一化（Batch Normalization，BN）層來提高收斂速度，卷積層的詳細(xì)信息如表1 所示。

表1 提取網(wǎng)絡(luò)的卷積層Tab.1 Convolutional layers of extraction network

2.3 損失網(wǎng)絡(luò)

本文的損失函數(shù)主要包括三部分：載體圖像的內(nèi)容損失Lc、風(fēng)格損失Ls和提取網(wǎng)絡(luò)的損失Le。在圖像嵌入過程中，隱藏網(wǎng)絡(luò)不僅要盡量降低圖像嵌入對(duì)圖像風(fēng)格傳遞的影響，而且要使提取網(wǎng)絡(luò)盡可能準(zhǔn)確地從含密圖像中提取出秘密圖像。

內(nèi)容損失Lc為目標(biāo)特征和輸出圖像特征之間的歐氏距離，如式（2）所示。為了得到更快的收斂速度和保留載體圖像的內(nèi)容特征，這里使用AdaIN 的輸出t作為目標(biāo)特征，約束生成圖像的特征，以提高二者的內(nèi)容相似性。代表目標(biāo)特征t經(jīng)過解碼器D 生成圖像Dt的特征。

風(fēng)格損失Ls由風(fēng)格圖像和隱藏圖像這兩個(gè)特征映射的均值和標(biāo)準(zhǔn)差表示，如式（3）所示：

其中：φi表示VGGNet 中第i層的風(fēng)格損失，μ和σ代表各層對(duì)應(yīng)的均值與標(biāo)準(zhǔn)差，Is代表風(fēng)格圖像。

秘密圖像的損失，也就是提取網(wǎng)絡(luò)的損失。S和S′分別代表主要衡量原始圖像與提取后圖像，這里的損失主要有均方誤差（Mean Squared Error，MSE）、結(jié)構(gòu)相似性（Structural SIMilarity，SSIM）和多尺度結(jié)構(gòu)相似性（Multi-Scale SSIM，MS-SSIM）［19］三部分組成，如式（4）所示：

其中α、β和γ為權(quán)重參數(shù)。

ISTNet 使用單一的MSE 損失函數(shù)，只考慮了重建圖像的像素值盡可能接近，而沒有考慮圖像要符合人的視覺感知；人眼對(duì)圖像的結(jié)構(gòu)信息很敏感，對(duì)于高亮度區(qū)域和紋理比較復(fù)雜的區(qū)域的失真卻不敏感，SSIM 是基于人眼觀看圖像，是會(huì)提取其中的結(jié)構(gòu)化信息的損失函數(shù)；引入MS-SSIM 損失函數(shù)，可以使不同分辨率的圖像保持穩(wěn)定，因此SSIM 和MS-SSIM 就更符合人眼的直觀感受。

為了得到更好的實(shí)驗(yàn)效果，設(shè)計(jì)總的損失函數(shù)為內(nèi)容損失、風(fēng)格損失和秘密信息損失的加權(quán)之和，如式（5）所示：

其中θ是控制損失項(xiàng)重要的權(quán)重因子。

3 實(shí)驗(yàn)與結(jié)果分析

實(shí)驗(yàn)中選擇的深度學(xué)習(xí)框架為PyTorch 1.9，編程語言使用Python 3.7，計(jì)算顯卡配置為RTX2070，8 GB 顯存。實(shí)驗(yàn)樣本數(shù)據(jù)集Ukiyoe2photo 數(shù)據(jù)集作為載體圖像和風(fēng)格圖像，COCO 數(shù)據(jù)集作為秘密圖像，并將每個(gè)圖像的尺寸統(tǒng)一調(diào)整為256×256，并設(shè)置相關(guān)參數(shù)α=0.3，β=0.5，γ=0.5，θ=5。

3.1 圖像風(fēng)格遷移效果對(duì)比

為了驗(yàn)證本文算法與其他風(fēng)格遷移算法的可區(qū)分性，在實(shí)驗(yàn)中選取相同的載體圖像與風(fēng)格圖像，將本文生成的含密圖像與其他神經(jīng)風(fēng)格遷移算法生成的圖像進(jìn)行比較，如圖4所示。從圖4 結(jié)果來看，所有算法都實(shí)現(xiàn)了風(fēng)格遷移。相較于神經(jīng)風(fēng)格遷移算法，本文算法生成的風(fēng)格化圖像內(nèi)容輪廓清晰，變換效果較好，因此可以將本文算法與其他風(fēng)格遷移算法區(qū)分開來。與ISTNet［17］相比，二者的含密圖像的圖像效果相似，但本文算法生成的含密圖像更加自然?？梢缘贸?，本文算法在完成彩色圖像嵌入的同時(shí)，實(shí)現(xiàn)了圖像風(fēng)格遷移的功能，并且風(fēng)格遷移的過程很好地掩蓋了秘密圖像的嵌入。

圖4 不同算法的圖像風(fēng)格遷移效果對(duì)比Fig.4 Comparison of image style transfer effect among different algorithms

3.2 隱藏容量對(duì)比

本文算法在大小為256×256 的風(fēng)格化圖像中隱藏彩色秘密圖像，平均每個(gè)像素可以隱藏24 位，隱藏容量為24 bpp。表2 將不同算法的隱藏容量進(jìn)行比較。可以看出與文獻(xiàn)［8-9］相比，本文算法的隱藏容量是它們的3 倍，雖然與Baluja 算法［7］相比都實(shí)現(xiàn)了同樣大小的隱藏容量，但Baluja算法［7］存在安全性問題。與基于神經(jīng)風(fēng)格遷移的信息隱藏算法［16-18］相比，STNet［16］只能隱藏固定容量的秘密信息，并且隱藏容量較?。欢鳬STNet［17］和文獻(xiàn)［18］算法都只隱藏了一張同等大小的灰度圖像，僅僅達(dá)到了8 bpp，很明顯本文算法的隱藏容量較大。

表2 不同算法的隱藏容量比較Tab .2 Comparison of hiding capacity among different algorithms

3.3 恢復(fù)圖像質(zhì)量對(duì)比

秘密圖像的質(zhì)量對(duì)隱蔽通信的成敗十分重要，因此，將本文算法與其他信息隱藏算法的恢復(fù)的秘密圖像的圖像質(zhì)量作比較，以峰值信噪比（Peak Signal-to-Noise Ratio，PSNR）和SSIM作為主要指標(biāo)。實(shí)驗(yàn)隨機(jī)選取了200 張?zhí)崛〉拿孛軋D像求平均值，如表3所示。相較于經(jīng)典的以圖藏圖算法［7-9］，基于神經(jīng)風(fēng)格遷移的以圖藏圖算法的PSNR和SSIM值都較低，這是因?yàn)轱L(fēng)格化圖像的干擾影響了秘密圖像的質(zhì)量。相較于其他基于神經(jīng)風(fēng)格遷移的以圖藏圖的算法［17-18］，本文算法各項(xiàng)性能都比文獻(xiàn)［18］好，PSNR 提高了1.15 dB，SSIM 提高了0.04。相較于ISTNet［17］，本文算法的PSNR值較低，主要是因?yàn)镻SNR是基于逐像素點(diǎn)進(jìn)行計(jì)算，不太符合人的主觀感受，而本文算法隱藏了相同大小的彩色圖像，所含像素信息較多，導(dǎo)致了PSNR 值較低；但是本文算法的SSIM值相較于文獻(xiàn)［17］算法的提高了0.1。這是由于本文在提取網(wǎng)絡(luò)中引入了SSIM和MS-SSIM這兩個(gè)損失函數(shù)，更加符合人類的視覺感知。

表3 不同算法的PSNR和SSIM比較Tab.3 Comparison of PSNR and SSIM among different algorithms

3.4 安全性

算法的安全性對(duì)秘密信息的傳遞十分重要。與傳統(tǒng)的信息隱藏算法不同，本文在生成一個(gè)風(fēng)格化圖像的同時(shí)進(jìn)行秘密信息的嵌入。因此，隱寫分析的任務(wù)是區(qū)分含密圖像與風(fēng)格化圖像。

首先，對(duì)不同算法生成的圖像進(jìn)行統(tǒng)計(jì)分析。本文隨機(jī)選取了相同的載體圖像及其風(fēng)格圖像，以圖5（a）為例，比較了它們各自生成風(fēng)格化圖像的直方圖，分為R、G、B三個(gè)通道，橫坐標(biāo)表示范圍為0～255的亮度值，縱坐標(biāo)表示像素的數(shù)量。

圖5 不同算法的直方圖Fig.5 Histograms of different algorithms

由直方圖可以得出，使用不同的神經(jīng)風(fēng)格遷移算法對(duì)原始載體圖像進(jìn)行風(fēng)格變換，產(chǎn)生了不同的圖像風(fēng)格化效果，從生成圖的直方圖來看，都使得原始載體圖像的直方圖產(chǎn)生了較大的變化，且變化各不相同，因此無法做到有效區(qū)分。

現(xiàn)有基于深度學(xué)習(xí)的信息隱藏算法中，有一些大容量算法可在彩色圖像中隱藏另一幅彩色圖像或灰度圖像，它們的載體圖像和含密圖像高度相似，人眼很難區(qū)分兩者；然而，這些算法存在一些缺點(diǎn)，如果攻擊者能夠同時(shí)獲得載體圖像和含密圖像，就會(huì)發(fā)現(xiàn)含密圖像是從載體圖像修改而來的，這無疑會(huì)對(duì)通信安全構(gòu)成威脅。本文算法和文獻(xiàn)［6］算法的殘差分析如圖6 所示。如圖6（a）所示，可通過殘差圖像分析獲取秘密圖像的語義信息。相較于文獻(xiàn)［6］算法，本文算法在嵌入秘密圖像的同時(shí)，可將載體圖像轉(zhuǎn)換成另一種風(fēng)格，即使攻擊者同時(shí)獲得載體圖像和含密圖像，也很可能只是常見的圖像風(fēng)格遷移，而不是秘密信息的傳遞。由于圖像風(fēng)格的轉(zhuǎn)換勢(shì)必會(huì)產(chǎn)生圖像像素的改變，很好地掩蓋了圖像隱藏所產(chǎn)生的像素修改。

圖6 兩種算法的殘差分析Fig.6 Residual analysis between two algorithms

本文使用隱寫分析工具StegExpose［20］來進(jìn)行驗(yàn)證。該工具包 含SPA（Sample Pairs Analysis）［21］、RS（Regular-Singular）分析［22］、卡方攻擊［23］等隱寫分析，它能夠以高效快速方式使用經(jīng)過驗(yàn)證的隱寫分析方法批量分析圖像。本文選取500 張含密圖像及其相應(yīng)的500 張載體圖像組成的圖像對(duì)，生成受試者工作特征（Receiver Operating Characteristic，ROC）曲線，如圖7（a）所示，可以看出只是略高于隨機(jī)猜測(cè)。同時(shí)，實(shí)驗(yàn)選取文獻(xiàn)［12］中的風(fēng)格遷移算法生成的風(fēng)格化圖像及其對(duì)應(yīng)的載體圖像，生成ROC 曲線，如圖7（b）所示。比較圖7（a）與圖7（b），風(fēng)格化圖像的ROC 曲線大致在對(duì)角線附近，因此本文的算法與其他風(fēng)格遷移算法并無太大不同。

圖7 ROC曲線Fig.7 ROC curves

由實(shí)驗(yàn)結(jié)果可知，本文算法具有較好的抗隱寫分析能力；同時(shí)，由于風(fēng)格化圖像的廣泛存在，很難將本文算法與其他風(fēng)格遷移算法有效區(qū)分，具有較高的安全性。

4 結(jié)語

本文提出了一種基于神經(jīng)風(fēng)格遷移過程的信息隱藏算法，可將彩色圖像嵌入到風(fēng)格化的載體圖像中。實(shí)驗(yàn)結(jié)果表明，與其他基于神經(jīng)風(fēng)格遷移的信息隱藏算法相比，在保證安全性的前提下，本文實(shí)現(xiàn)了彩色圖像的信息嵌入，提高了嵌入容量和提取后秘密圖像的圖像質(zhì)量。在未來的工作中，可以探索優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)，調(diào)整參數(shù)，進(jìn)一步提高彩色圖像的圖像質(zhì)量，促進(jìn)基于深度學(xué)習(xí)的圖像信息隱藏技術(shù)發(fā)展［24］。