基于深度神经网络的大容量可逆图像隐写研究
可逆图像隐写是信息隐藏领域的研究热点。与鲁棒水印不同，可逆图像隐写强调秘密数据的提取和宿主图像恢复的高质量。当前的可逆图像隐写技术通过轻微地修改载体图像，根据特定规则在载体图像中嵌入秘密信息，并允许合法用户在提取该秘密信息后无失真地恢复出原始载体图像。然而，传统的可逆图像隐写方法存在隐藏容量低以及嵌入容量大时造成图像失真问题。鉴于最近将深度神经网络与隐写分析相结合取得了重大突破，但将神经网络应用到可逆图像隐写的尝试相对较少。所以本文采用深度模型来进行可逆图像隐写，利用深度卷积神经网络隐式地模拟自然图像的分布，并将更多的信息(全尺寸图像)嵌入到载体图像中。深度神经网络决定了秘密信息在载体图像上的隐藏位置以及如何有效地对其进行编码，隐藏的消息分散在载体图像中的各个比特位中。其次，使用生成模型中的边界均衡生成对抗网络(BEGAN)来训练用于图像隐写的码本数据库，然后使用码本数据库来对需要传输的秘密图像进行可逆的图像恢复。主要工作概括如下： (1)针对传统的图像隐写方法隐藏容量低及明显的视觉暗示问题，提出一种基于U-Net结构的可逆图像隐写方法。首先，采取成对训练的方式，训练的深度卷积神经网络包括隐藏网络和提取网络；然后，发送端使用隐藏网络将秘密图像不经任何修改地隐藏到另一张全尺寸图像中并发送到接收端；最后，接收端使用提取网络显示出秘密图像和载体图像。实验结果表明，所提方法在载体图像上所有可用比特进行压缩和分配所隐藏秘密图像的信息，这种图像隐藏方法不仅解决了明显的视觉暗示问题，而且提高了信息传输的容量。 (2)在保证大容量隐写的前提下，为了摆脱隐写分析以及实现高质量的可逆图像恢复，提出了一种基于边界均衡生成对抗网络的可逆图像隐写方法。首先，通信双方根据事先约定规则，使用BEGAN模型训练模型参数，保存每个训练样本的模型权重参数作为码本构成码本数据库；然后，发送方使用BEGAN模型对要传输的秘密图像进行训练，生成隐写图像并传输给接收端；最后，接收端接收视觉上正常但不包含任何秘密信息的隐写图像后，只需要在事先保存的码本数据库中找到与其对应的码本，码本与传输的隐写图像生成秘密图像，实现高质量的秘密图像的可逆恢复。实验结果表明，所提方法生成的隐写图像可以完全避免被隐写分析，实现大容量的可逆图像隐写。
信息安全;可逆图像隐写;深度学习;U-Net结构;生成对抗网络
河南师范大学
硕士
计算机科学与技术
段新涛
2019
中文
TP309.7;TP183
2020-07-28（万方平台首次上网日期，不代表论文的发表时间）