黃 印 周 軍 梅紅巖

(遼寧工業(yè)大學電子與信息工程學院 遼寧 錦州 121001)

0 引 言

圖像隱寫是將額外信息以不可見的方式隱藏到圖像載體中的一種信息安全技術(shù)[1]。圖像隱寫技術(shù)在多媒體信息安全領(lǐng)域和版權(quán)保護領(lǐng)域有著廣泛的應用價值,受到了國內(nèi)外許多學者的關(guān)注[2-5]。

根據(jù)秘密信息的隱藏方式,圖像隱寫方法主要有三類,即基于修改的隱寫方法、基于選擇的隱寫方法、基于生成式的隱寫方法?；谛薷牡碾[寫方法[6-7]以修改圖像的方式嵌入秘密信,但含密圖像總會不可避免地留有修改痕跡。隨著基于深度學習的隱寫分析技術(shù)不斷發(fā)展,使得基于修改的隱寫方法在隱匿信息時,秘密信息不被發(fā)現(xiàn)的可能性越來越小。基于選擇的隱寫方法[8-10]不修改原始圖像,根據(jù)待傳遞的密文選擇圖像,有效避免了隱寫分析技術(shù)的檢測,但查詢符合特定條件的圖像困難,使得基于選擇的隱寫方法停留在理論探索階段。

基于生成式的隱寫方法主要借助生成對抗網(wǎng)絡GAN(Generative Adversarial Network,GAN)[11]優(yōu)秀的圖像生成能力,以秘密信息為驅(qū)動來生成含密圖像。Wu等[12]提出一種基于GAN的卡登格子方案,可以在圖像的破損區(qū)域嵌入秘密信息,但容量較低。劉明明等[13]提出基于ACGAN的圖像隱寫方法,能夠?qū)⒚孛苄畔㈦[藏在圖像標簽中,并使用輔助分類器對圖像分類來獲得秘密信息,然而訓練過程中需要大量的圖像標簽,適用性不夠理想。Hu等[14]提出基于DCGAN圖像隱寫方法,可以在發(fā)送端把秘密信息隱藏在噪聲數(shù)據(jù)中,在接收端提取出所隱藏的秘密信息。但該方法直接利用GAN嵌入隱寫信息并提取,未考慮秘密信息對圖像風格的影響。例如,秘密信息控制圖像的顏色、類別等顯式的圖像特征,這些特征與秘密信息緊密相關(guān),影響圖像隱寫方法的隱蔽性。

有鑒于此,本文基于雙分支生成對抗網(wǎng)絡提出了一種新的圖像隱寫方法,主要工作如下:(1) 給出一種雙分支編碼器,以無監(jiān)督學習的方式減少圖像風格和秘密信息之間的聯(lián)系。雙分支編碼器的風格分支控制圖像風格;信息分支隱藏秘密信息,使秘密信息在隱藏時具有較高的隱蔽性。(2) 引入互學習訓練方法,使訓練方向相反的雙分支編碼器、解碼器協(xié)同工作,提高模型的準確率。實驗驗證了本文方法在容量、隱蔽性和準確率方面的優(yōu)勢。

1 生成對抗網(wǎng)絡

生成對抗網(wǎng)絡GAN是Goodfellow等[11]提出的一種無監(jiān)督學習的方法,主要由生成網(wǎng)絡和判別網(wǎng)絡兩部分組成,如圖1所示。GAN借鑒博弈論中對抗的思想,將生成網(wǎng)絡和判別網(wǎng)絡分別看作是博弈的雙方,博弈雙方通過對抗來不斷迭代優(yōu)化網(wǎng)絡中的參數(shù),使生成網(wǎng)絡和判別網(wǎng)絡的性能得到提升。GAN的目標是學習真實樣本x的數(shù)據(jù)分布Pdata。首先定義隨機噪聲z,通過生成網(wǎng)絡G來生成樣本G(z)。然后利用判別網(wǎng)絡D,判斷輸入數(shù)據(jù)的來源,即判斷數(shù)據(jù)是來自生成樣本還是真實樣本。最后訓練生成網(wǎng)絡G使生成的樣本G(z)的數(shù)據(jù)分布盡可能符合真實樣本x的數(shù)據(jù)分布Pdata,訓練判別網(wǎng)絡D使其精準地判斷數(shù)據(jù)的來源。

圖1 GAN結(jié)構(gòu)

在GAN中生成網(wǎng)絡G和判別網(wǎng)絡D的優(yōu)化可看作是一個二元極小極大的問題,建立包含G和D的目標函數(shù)V(G,D),訓練過程如式所示:

Ez～Pz[log(1-D(G(z)))])

(1)

式中:E為數(shù)學期望;Pz為噪聲的數(shù)據(jù)分布。

GAN通過交替更新兩個網(wǎng)絡的參數(shù)來完成訓練,先固定生成網(wǎng)絡G,更新判別網(wǎng)絡D的參數(shù),再固定判別網(wǎng)絡D,更新生成網(wǎng)絡G的參數(shù)。當Pz=Pdata時,生成網(wǎng)絡G與判別網(wǎng)絡D達到全局最優(yōu)解。

隨著研究的深入,許多學者提出了對GAN的改進方法。WGAN[15]引入Wasserstein距離來優(yōu)化JS散度,生成更多的圖像種類。InfoGAN[16]對隨機噪聲z進行約束,提高了對隨機噪聲z的解釋性。DCGAN[17]將傳統(tǒng)GAN與卷積神經(jīng)網(wǎng)絡進行結(jié)合,增加了訓練的穩(wěn)定性,提高了生成圖像的質(zhì)量。StyleGAN[18]將潛在因子映射到隱藏空間,以無監(jiān)督學習的方式分離圖像中人物的姿勢、身份等高級屬性。同時,利用隨機噪聲來使人物的頭發(fā)、雀斑等特征發(fā)生變化。

2 一種新的圖像隱寫方法

一般地,應用生成對抗網(wǎng)絡進行圖像隱寫,主要應用經(jīng)典生成對抗網(wǎng)絡方法進行隱寫,直接應用單一輸入將秘密信息隱寫于圖像中,秘密信息直接控制圖像特征,影響了隱寫的隱蔽性[14]。

本文提出一種基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法。雙分支生成對抗網(wǎng)絡在生成含密圖像的過程中,以無監(jiān)督學習的方式減少圖像風格和秘密信息之間的聯(lián)系,網(wǎng)絡的基礎(chǔ)模型的組成主要包括信息映射方法、雙分支編碼器、判別器以及解碼器。信息映射方法是指將秘密信息按一定規(guī)則映射為信息向量的方法;雙分支編碼器采用雙分支結(jié)構(gòu)進行設(shè)計,主要包括信息分支、風格分支和生成器,其中,信息分支主要用于隱藏秘密信息,風格分支主要用于控制圖像風格,生成器采用StyleBlock模塊[19]進行設(shè)計;判別器采用Stylegan[18]中判別器結(jié)構(gòu),利用對抗訓練使生成的圖像更加真實;解碼器與判別器相似,但最后一層采用全連層,主要用于提取秘密信息。此外,文中圖像隱寫方法還應用互學習訓練方法來提高模型準確率。基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法如圖2所示。

圖2 基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法

2.1 信息映射方法

通過構(gòu)建秘密信息與信息向量之間的一種映射規(guī)則,將秘密信息隱藏在生成的圖像之中,使圖像傳輸?shù)耐瑫r,也將秘密信息傳輸出去。

從均勻分布[-1,1]中隨機采樣來獲得維度為nz的信息向量z={zi|i=1,2,…,nz}。記二進制秘密信息s的維度為ns,nz與ns之間的維數(shù)關(guān)系滿足式(2)。

ns=σnz

(2)

式中:σ為縮放因子,可取的值有1、2、3,維度nz為100。

秘密信息與信息向量之間的映射規(guī)則采用Hu等[14]描述的規(guī)則,記序列m={mi|i=1,2,…,ns}每一分量是秘密信息s中σ位二進制數(shù)所對應的十進制數(shù)的值,建立m到z之間的映射關(guān)系,如式(3)所示。

(3)

式中:函數(shù)random(x,y)的功能是隨機生成區(qū)間[x,y]之間的一個數(shù);δ是區(qū)間間隔,文中設(shè)置為0.001。

為了從信息向量中恢復秘密信息,建立z到m之間的映射關(guān)系,z到m之間的映射關(guān)系式如式(4)所示。

mi=(zi+1)×2σ-1i=1,2,…,nz

(4)

通過式(4)將信息向量z恢復為m,將m進行二進制轉(zhuǎn)換來得到秘密信息s,實現(xiàn)秘密信息的提取。

2.2 雙分支編碼器

現(xiàn)有大部分基于生成式的圖像隱寫方法利用GAN進行圖像隱寫的時候,通常只將秘密信息作為網(wǎng)絡輸入。為了生成含密圖像,秘密信息往往需要控制生成圖像的風格,導致隱蔽性降低。大多數(shù)以無監(jiān)督方式分離圖像特征的深度學習方法之所以能取得成功,是因為這些網(wǎng)絡將多輸入結(jié)構(gòu)考慮進來,比如信息生成對抗網(wǎng)絡InfoGAN[16]、風格生成對抗網(wǎng)絡StyleGAN[18]。本文將多輸入結(jié)構(gòu)引入到圖像隱寫任務中,重新設(shè)計編碼器輸入結(jié)構(gòu),給出了一種雙分支編碼器,使得網(wǎng)絡以無監(jiān)督學習的方式減少秘密信息對含密圖像風格的影響。雙分支編碼器設(shè)計的基本思想是通過不同分支來控制含密圖像的合成,采用兩個分支來分別控制圖像的風格和隱藏秘密信息,從而充分提高圖像隱寫任務的隱蔽性。

雙分支編碼器結(jié)構(gòu)主要包括信息分支、風格分支和生成器三部分。信息分支中,輸入的是信息向量z(由信息映射方法得到),該分支的主要目的是隱藏秘密信息。風格分支中,輸入的是隨機采樣的噪聲w,該分支的主要目的是控制圖像風格。生成器利用信息分支和風格分支輸出的結(jié)果,生成攜帶秘密信息的圖像。雙分支編碼器結(jié)構(gòu)如圖3所示。

圖3 雙分支編碼器結(jié)構(gòu)圖

在信息分支網(wǎng)絡結(jié)構(gòu)中,將結(jié)果逐像素添加至特征圖中,達到隱藏秘密信息的目的。在風格分支網(wǎng)絡結(jié)構(gòu)中,將結(jié)果輸出至卷積層中來控制不同尺度下圖像特征的強度,從而有效控制圖像風格。風格分支和信息分支都包含若干全連接層和仿射變換。其中,風格分支包括8個串聯(lián)的全連接層和10個仿射變換A;信息分支包含5個并聯(lián)的全連接層和10個仿射變換B。本文利用StyleBlock模塊[19]作為生成器的基礎(chǔ)結(jié)構(gòu),StyleBlock模塊結(jié)構(gòu)由調(diào)制器、解調(diào)器、雙線性上采樣和3×3卷積構(gòu)成,一方面利用調(diào)制器、解調(diào)器對3×3卷積的權(quán)重歸一化來提高GAN訓練穩(wěn)定性,另一方面利用雙線性上采樣使神經(jīng)網(wǎng)絡在訓練過程中由粗粒度到細粒度的生成圖像,StyleBlock模塊結(jié)構(gòu)如圖4所示。

圖4 StyleBlock模塊結(jié)構(gòu)

生成器由5個StyleBlock模塊和1×1卷積構(gòu)成,網(wǎng)絡的輸出為攜帶秘密信息的圖像,生成器結(jié)構(gòu)如表1所示。

表1 生成器結(jié)構(gòu)

2.3 互學習訓練方法

圖像隱寫準確率是一項十分重要的屬性,反映提取秘密信息的能力。本文通過互學習訓練方法來達到提高模型準確率的目的。互學習神經(jīng)網(wǎng)絡模型[20]借助正、負向神經(jīng)網(wǎng)絡,將“原因”和“結(jié)果”互相作為學習對象,進行雙向?qū)W習。

應用互學習神經(jīng)網(wǎng)絡訓練方法,本文使雙分支編碼器、解碼器兩個訓練方向相反的網(wǎng)絡相互學習。在給定秘密信息時,正向?qū)W習利用雙分支編碼器生成含密圖像,實現(xiàn)順向認知過程;在給定含密圖像時,負向?qū)W習利用解碼器來重構(gòu)秘密信息,完成逆向認知過程。我們將解碼器產(chǎn)生的誤差以反向傳播的方式對雙分支編碼器的權(quán)重進行優(yōu)化,將原本相互獨立的雙分支編碼器、解碼器結(jié)合起來。其中,為了減少對圖像風格的影響,只對信息分支權(quán)重進行調(diào)整。解碼器產(chǎn)生的誤差如式(5)所示。

(5)

式中:nz為信息向量的維度。z為雙分支編碼器輸入的信息向量,z′為解碼器提取的信息向量。

2.4 圖像隱寫方法描述

設(shè)神經(jīng)網(wǎng)絡的迭代次數(shù)為k,樣本總數(shù)為M,則基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法訓練過程如算法1所示。

算法1基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法

1.初始化雙分支編碼器、判別器和解碼器網(wǎng)絡結(jié)構(gòu)網(wǎng)絡權(quán)值;

2.重新排列訓練樣本順序;根據(jù)樣本批量個數(shù)d,將訓練樣本平均分成t個子批量[20],t=M/d,表示向上取整;

3.利用對抗學習[11]和互學習訓練方法訓練雙分支編碼器、判別器和解碼器;

4.將步驟3循環(huán)進行t次;

5.將秘密信息S拆分成若干子序列si,i=1,2,…,l;

6.根據(jù)信息映射方法將每個子序列si映射為信息向量z;

7.利用雙分支編碼器生成含密圖像;

8.利用解碼器從含密圖像中提取信息向量z′;

11.根據(jù)誤差結(jié)果和迭代次數(shù)k判斷是否達到收斂要求,若達到要求,則網(wǎng)絡完成訓練,否則循環(huán)步驟2-步驟10。

其中,步驟5-步驟7是含密圖像生成過程,步驟8-步驟10是秘密信息提取過程。

基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法流程如圖5所示。

圖5 基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法流程

基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法的核心算法主要包括含密圖像生成和秘密信息提取兩個部分,為了更好地理解文中圖像隱寫方法的工作原理,分別總結(jié)兩個算法的偽代碼如算法2和算法3所示。

算法2含密圖像生成算法

Input:秘密信息S、雙分支編碼器G

Output:含密圖像stego

1.Begin

2.ns=σ×nz

3.l=length(S)/ns

4.fori=1 toldo

//處理秘密信息

5.forj=1 tonsdo

//處理秘密信息子序列

6.m=0

7.fork=itoi+σ-1do

//信息映射方法

8.m=m+2j+σ-1-ksik

9.endfor

10.j=j+σ

11.generaterby using Eq.(3)

12.insertrintozi

13.endfor

14.generatewi～Uniform(-1,1)

15.generatestegoi=G(wi,zi)

//生成含密圖像

16.insertstegoiintostego

17.endfor

18.returnstego

19.End

算法3秘密信息提取算法

Input:含密圖像stego、解碼器E

Output:秘密信息S

1.Begin

2.l=length(stego)

3.fori=1 toldo

//處理含密圖像

4.zi=E(stegoi)

//提取信息向量

5.m=0

6.fori=1 tonzdo

//信息映射方法

7.generatemby using Eq.(4)

8.insert binary bits with value ofmintoSi

9.endfor

10.insertSiintoS

11.endfor

12.returnS

13.End

3 實驗結(jié)果與分析

文中使用的實驗環(huán)境是學院實驗室現(xiàn)有環(huán)境,實驗設(shè)備為一臺裝有Tesla P100顯卡、Intel Xeon CPU的服務器,服務器的內(nèi)存為13 GB,操作系統(tǒng)為Ubuntu16.04,算法程序用Python3.7版本的Pytorch深度學習框架實現(xiàn),使用的集成開發(fā)環(huán)境為VSCode。

實驗在CelebA人臉數(shù)據(jù)集[21]上進行,CelebA人臉數(shù)據(jù)集是來自香港中文大學的開放數(shù)據(jù)集,共包含10 117個人物身份的202 599幅彩色臉部圖像,涉及各種姿態(tài)和復雜背景。每張臉部圖像尺寸為178像素×218像素,包含5個臉部特征點和40種屬性(性別、發(fā)色等)的臉部相關(guān)標記。

在實驗中,將CelebA人臉數(shù)據(jù)集圖像像素值歸一化到[-1,1]之間,子批量大小設(shè)置為64。網(wǎng)絡模型的初始權(quán)重服從N(0,0.02),采用Adam優(yōu)化方法,學習率設(shè)置為0.000 2,更新變量β1=0.5,β2=0.999。信息向量z的維度nz采用Hu等[14]提出的方法中的參數(shù)設(shè)置,設(shè)置為nz=100。從均勻分布[-1,1]中隨機采樣來獲得維度為100的噪聲w。

3.1 容 量

隱寫容量由圖像中隱藏秘密信息的比特數(shù)和圖像尺寸決定。由信息映射方法可知,nz維信息向量z中的每個值對應秘密信息s中σ位二進制比特數(shù)。對于尺寸為N×N的圖像,圖像隱寫容量C的計算方法如式(6)所示。

(6)

應用本文提出的方法將100維的信息向量z作為輸入,生成尺寸為64×64的含密圖像,在σ=1時,文中方法的隱寫容量為2.44×10-2bit/pixel;在σ=3時,文中方法的隱寫容量為7.32×10-2bit/pixel。Liu等[21]的方法和Otori等[22]的方法生成的含密圖像尺寸較大,但在隱寫容量上,本文提出的方法隱寫容量較高。此外,Hu等[14]提出的方法在無載體圖像隱寫方法中具有高隱藏容量的特點,當本文提出的方法生成的圖像尺寸、秘密信息以及信息映射方法與Hu等[14]的方法相同時,方法的隱寫容量也與Hu等的方法[14]相同,因此本文提出的方法也具有高隱寫容量的特點。方法的隱寫容量對比結(jié)果如表2所示。

表2 隱寫容量對比

3.2 隱蔽性測試結(jié)果

隱蔽性是衡量圖像隱寫效果的重要因素。評價圖像隱寫的隱蔽性主要分為主觀評價和客觀評價,前者主要通過人的主觀感受來評價圖像隱蔽性,后者是根據(jù)量化指標對隱蔽性進行衡量。為驗證文中方法的隱蔽性,將Liu等[14]的方法得到的圖像隱寫結(jié)果作為基準實驗,再與本文提出的圖像隱寫方法得到的結(jié)果作定性和定量兩方面的分析與比較。

在定性實驗中,Hu等[14]使用DCGAN作為基礎(chǔ)模型,模型訓練比較穩(wěn)定,生成圖像質(zhì)量較好。不過,其在隱藏信息時秘密信息直接決定圖像風格。我們提出的方法將模型的輸入拆分為兩個分支,能夠有效減少秘密信息對圖像風格的影響,例如本文模型可以在生成攜帶不同秘密信息的圖像Gs時,使含密圖像的風格相近,同時,本文模型也能夠在生成隱藏相同秘密信息的圖像Gn時,使含密圖像的風格變化較大。此外,本文提出的圖像隱寫方法的圖像更自然,圖像中噪聲更少。定性實驗對比結(jié)果如圖6所示。

圖6 定性實驗對比結(jié)果

在定量實驗中,本文利用峰值信噪比(Peak Signal To Noise Ratio,PSNR)和結(jié)構(gòu)相似度(Structural Similarity Index,SSIM)2個指標對圖像隱蔽性進行分析。PSNR如式(7)所示。

(7)

式中:n=8,EMS為兩個圖像之間的均方誤差。

SSIM如式(8)所示。

SSIM(x,y)=L(x,y)C(x,y)S(x,y)

(8)

式中:L(x,y)、C(x,y)、S(x,y)分別表示圖像的亮度、對比度和結(jié)構(gòu)相似度。PSNR和SSIM的數(shù)值越大代表圖像越相似。

為了更加客觀和準確地評價圖像隱寫方法的隱蔽性,本文隨機選取100幅含密圖像進行測試,然后在PSNR和SSIM指標上對方法進行對比。相較于DCGAN[14]的評價結(jié)果,本文方法生成的圖像Gs在PSNR和SSIM上分別提高了17.65和0.60,說明本文方法在隱藏不同秘密信息時,可以減少含密圖像的風格差異。本文方法生成的圖像Gn在PSNR和SSIM兩個評價指標上基本與DCGAN[14]一致且低于本文方法生成的圖像Gs,說明本文方法在隱藏相同秘密信息時,可以增大含密圖像的風格差異。由此可得采用本文方法可有效減少秘密信息對圖像風格的影響,提高圖像隱寫的隱蔽性。定量實驗對比結(jié)果如表3所示。

表3 定量實驗對比結(jié)果

3.3 準確率

本文利用誤碼率(Bit Error Rate,BER)驗證模型的準確率。BER定義為RBE=m/M×100%,其中,m表示錯誤恢復秘密信息的比特數(shù),M表示傳輸秘密信息的總比特數(shù)。

σ值和不同圖像尺寸影響本文模型的準確率。隨著訓練的進行,本文模型的誤碼率不斷降低,在訓練到30左右批次時趨于穩(wěn)定。在σ=1且圖像尺寸為64×64的情況下,本文模型的誤碼率在1%左右。隨著σ值的增加(圖像尺寸的減小),本文模型的誤碼率開始上升。圖7、圖8分別給出了σ值和不同圖像尺寸對本文模型誤碼率的影響。

圖7 不同σ取值下的誤碼率

圖8 不同圖像尺寸下的誤碼率

互學習訓練方法在提高模型準確率方面有較好的效果。應用互學習訓練方法可以降低模型的誤碼率,我們將不使用互學習訓練方法的基準模型和使用互學習訓練方法的模型進行了比較,結(jié)果表明,使用互學習訓練方法明顯降低模型的誤碼率。圖9展示了互學習訓練方法在本文模型和DCGAN[14]上對誤碼率的影響,可以看出,利用互學習訓練方法在兩個模型上表現(xiàn)出較大的促進作用。

圖9 互學習訓練方法對模型誤碼率的影響

3.4 應用實例及應用效果

本文給出的圖像隱寫方法能夠應用在網(wǎng)絡信息傳遞中傳遞秘密信息,可應用于國防、信息安全、人類生活和隱私保護等各個領(lǐng)域。為了直觀地說明方法的應用過程及場景,下面以隱寫秘密信息為例,說明本文提出方法的主要過程和效果。

第一步,發(fā)送方隨機生成300維的秘密信息{011010…110}。

第二步,發(fā)送方根據(jù)信息映射方法將秘密信息映射為100維的信息向量{-0.101,-0.352,…,0.602}。

第三步,發(fā)送方在已訓練好的雙分支編碼器上輸入信息向量和5個不同噪聲w進行測試,得到的5種風格含密圖像如圖10所示。

圖10 生成的含密圖像

第四步,發(fā)送方從生成的含密圖像中隨機選取一幅圖像發(fā)送給接收方。

第五步,接收方采取發(fā)送方的逆過程,利用解碼器從接收到的含密圖像中提取信息向量。

第六步,接收方根據(jù)信息映射方法將信息向量映射為秘密信息,實現(xiàn)秘密信息的提取。

本文以人們的行為習慣為構(gòu)造原則,根據(jù)社交平臺上較為廣泛使用的人們行為習慣,利用雙分支生成對抗網(wǎng)絡,構(gòu)造出具有實際意義的攜帶秘密信息的人臉圖像并在社交網(wǎng)絡上傳輸。從圖10可以看出,生成的人臉圖像在表達形式上符合特定的邏輯表達,符合人們的行為習慣,能達到隱蔽傳遞信息的目的。人臉圖像是由雙分支編碼器直接生成的偽自然圖像,沒有對載體做任何修改,避免了在隱寫過程中對特定原始圖像載體的依賴。同時,生成的偽自然圖像十分逼真,利用人眼難以區(qū)分自然圖像和偽自然圖像的差別。此外,我們還利用無監(jiān)督學習的方式減少秘密信息對人臉圖像風格的影響,保證相同秘密信息在不同時間和地點,所得到的人臉圖像呈現(xiàn)風格不同,可以更好地偽裝成日常傳輸?shù)某Ｓ脠D像。面對復雜且多樣的隱寫分析人員,相比于傳統(tǒng)的圖像隱寫方法,本文所提出的方法能更加安全地進行秘密通信。

4 結(jié) 語

本文在使用生成對抗網(wǎng)絡實現(xiàn)圖像信息隱藏的過程中,提出了基于雙分支生成對抗網(wǎng)絡的圖像隱寫方法,該方法具有高容量、高準確率和良好的隱蔽性等特性。雙分支生成對抗網(wǎng)絡可以有效地將秘密信息隱藏在圖像中,并減少秘密信息對圖像風格的影響。本文在保證高隱蔽性的基礎(chǔ)上,利用互學習訓練方法,提高了模型的準確率,這是大多數(shù)基于生成式的圖像隱寫方法未涉及的。本文在CelebA數(shù)據(jù)集上進行了實驗驗證,實驗結(jié)果表明,本文在提高隱蔽性和提升準確率方面的模型設(shè)計是有效的。下一步將考慮通信中噪聲的影響,從而進一步提高方法的魯棒性。