一种通过深度卷积生成式对抗网络实现的图像隐写方法外文翻译资料

英语原文共 12 页，剩余内容已隐藏，支付完成后下载完整资料

一种通过深度卷积生成式对抗网络实现的图像隐写方法

摘要：图像隐写的安全性是评估隐写算法的重要依据。近年来，隐写术在和隐写分析的对抗中取得了很大的进展。为了提高图像隐写的安全性，隐写术必须具备抵抗隐写分析算法检测的能力。传统的基于嵌入的隐写术将秘密信息嵌入到图像的内容中，这不可避免地留下了修改痕迹，这些痕迹可以被越来越先进的基于机器学习的隐写分析算法检测。无嵌入隐写（SWE）不需要修改载体图像的数据，这一概念似乎克服了基于机器学习的隐写分析算法的检测。在本文中，我们提出了一种基于深度卷积生成对抗网络的新型图像SWE方法。我们将秘密信息映射到噪声向量中，并使用训练好的生成器基于噪声向量生成载体图像。在图像生成过程中不需要修改或嵌入操作，并且可以训练另一个称为提取器的神经网络，提取图像中的信息。实验结果表明，该方法具有信息提取准确度高和抵抗图像隐写分析算法检测能力强的优点。

索引关键词：隐写术，无嵌入，无载体，生成式对抗网络。

1.介绍

图像隐写术是将秘密信息隐藏在载体图像中的技术和科学，使得接收者可以在第三者不能检测到秘密信息存在的同时恢复秘密信息。目前，大多数图像隐写方法通过将秘密信息嵌入到载体图像中来实现隐写的目标，这不可避免地会留下失真的证据。开发隐写分析算法，通过统计特征是否失真来判断图像是否被嵌入[1]。提出自适应隐写算法，通过使用STC编码来最小化嵌入失真[2]-[4]；然而，也可以通过更先进的基于机器学习的隐写分析算法来检测，例如丰富的模型[5]-[7]和基于深度学习的方法[8]-[10]。为了进一步降低被分析者检测的风险，学者们提出了无嵌入隐写（SWE）的新概念[11]。

在无嵌入隐写中，载体图像本身的信息就代表秘密信息。数字图像常常包含丰富的信息，如像素亮度、颜色、纹理、边缘、轮廓和高级语义，以及像素本身。通过对这些信息的适当描述和处理，可以在这些信息和需要隐藏的秘密信息之间创建一个映射关系。通过映射和设计这种类型的映射方法，可以得到合适的携带信息的数字图像。一些无嵌入隐写方法已经被提出[12]-[16]。在这些文章中，SWE是借助于词袋[12]或图像散列[13]、[14]，通过自然图像语义特征来映射秘密信息。这种隐写方式容量有限制并且需要构建一个自然图像数据库。在其他的文章中，SWE借助可逆的数学函数，通过纹理合成来映射秘密信息。这种方法的隐写容量也是受限制的。这种方法的另一个缺点是载体图像是一些固定类型的纹理合成图像获知指纹图像，在真实的隐写应用中引起第三者的注意。在这篇文章中，我们设计新的SWE方法，使用新提出的GANs网络生成各种“自然的”载体图像来提高隐写容量。

GANs由Goodfellow在文章[17]中提出，由生成模型和判别模型组成。通过生成与真是图像相似的图像来欺骗判别模型，判别模型判别图像是真实的还是假造的。通过对抗性迭代训练加强了两种模型的能力。文章[18]和[19]中的研究改进了GAN使之产生看起来更自然的图像，已经有很多基于GANs的优化模型。Google Brain团队将GAN的性能与其他优秀模型的性能进行了比较。他们的报告[20]中显示的结果表明，原始GAN模型表现出最佳性能。深度卷积生成对抗网络（DCGAN）是GAN的扩展，模型是深度卷积网络[21]。目前，GAN被广泛用于图像生成[22]，[23]和图像恢复[24]，但很少用于图像隐写，特别是SWE。[25]-[27]中的研究提出了不同方法，使用GAN进行基于嵌入的图像隐写，减小嵌入失真，增强抵抗隐写分析的能力。

在这项工作中，我们提出了一种基于DCGAN的新SWE方法。在秘密信息和噪声矢量之间建立关系，噪声矢量是DCGAN的输入。含密图像是由由DCGAN中的生成器根据预处理的秘密信息生成的，在生成的过程中没有任何信息的嵌入。另一个称为提取器的卷积神经网络（CNN）从这些含密图像中提取秘密信息。

本文的主要贡献包括：

• 我们提出了一种使用GAN进行隐写术的新方法，它与以前的方法不同。以前使用GAN的隐写方法是基于嵌入的，使用诸如LSB匹配的传统嵌入技术来隐藏秘密信息。在我们的方法中，使用DCGAN仅根据秘密信息生成含密图像，该图像本身已经包含秘密信息，在这个方法中没有嵌入的过程。
• 通过精心设计DCGAN在不同阶段的训练以及通过将秘密信息映射到噪声矢量来实现高度准确的秘密数据恢复。在训练的第一阶段，映射的噪声矢量被训练成“真实的”图像（含密图像）;在第二阶段，我们训练DCGAN“正确地”从含密图像中提取噪声向量。
• 与其他非嵌入式图像隐写方法相比，该方法明显提高了隐写性能。
• 我们的方法可以抵抗一些状态分析和图像取证算法的检测，因为训练图像集是保密的。

本文的其余部分安排如下：第二部分介绍了图像隐写和隐写分析算法的相关工作。第三节描述了所提出的方法。第四节介绍了实验结果和分析。第五节是结论。

2.相关工作

A．基于嵌入的隐写

大多数传统的图像隐写方法是基于嵌入的，其中秘密信息通过特定类型的修改嵌入到载体图像中。如何提高嵌入容量，同时最大限度地减少嵌入失真，是这个领域研究的主要驱动力。Mielikainen等人改进了最小有效位匹配（LSB），可以嵌入与LSB匹配相同的有效载荷，但载体图像的变化较少[28]。Pevny等人[2]引入了高度不可检测的隐写（HUGO），这是一种用于空间域数字图像的新嵌入算法。主要设计原则是最小化失真函数，该失真函数根据减法像素邻接矩阵（SPAM）[29]特征空间中特征向量提取的光谱图像和偏移之间差异的加权和来定义。小波获得权重（WOW）由Holub等人提出[3]，将有效载荷嵌入载体图像中，同时遵循图像区域纹理越复杂，该区域内将被修改的像素值越多的规则。由Holub等人提出的S-UNIWARD[4]在空间域中工作以实现类似的目标：在载体图像的嘈杂或复杂纹理区域中嵌入更多信息。载体图像的来源很重要，要考虑图像隐写的安全性，但基于嵌入式隐写术的最大威胁是隐写分析，这是一种从载体图像中检测含密图像的方法。随着统计分析和机器学习的发展，隐写分析的能力迅速提高。

B．隐写分析的发展

隐写分析算法用于确定给定图像是否为含密图像。弗里德里希等人[30]提出了一种可靠而准确的方法，用于检测数字图像中的LSB非顺序嵌入。施等人[31]提出了一种JPEG隐写的隐写分析方案，应用马尔可夫过程来制定JPEG隐写分析特征。Pevny和Fridrich[32]提出了一种新的合并特征集，其中包含用于JPEG图像隐写分析的马尔可夫和离散余弦变换特征。Pevny等人[29]提出了一个SPAM来计算空间域中含密图像隐写分析的特征，其中一阶和二阶马尔可夫链用于模拟相邻像素之间的差异。Fridrich and Kodovsky基于大量不同子模型组成的丰富模型的概念，提出了一个数字图像隐写分析的普通方法。Goljan等人[7]提出了空间丰富模型的扩展，用于彩色图像的隐写分析。随着近来深度学习的快速发展，已经提出了基于深度学习的隐写分析。钱等人[10]提出了一种用于隐写分析的CNNs模型，该模型可以自动地在CNNs层中获取特征表示并捕获复杂的依赖关系，这对于隐写分析是有用的。曾等人[9]通过结合丰富模型的领域知识，提出了一种用于JPEG图像隐写分析的混合深度学习框架。胡等人[33]提出了一种选择区域和基于CNN的组合自适应分析方法。基于机器学习的隐写分析方法正变得越来越强大，这对基于嵌入的隐写术提出了重大挑战。

C.无嵌入的图像隐写

SWE是一种新型的隐写术，专注于如何建立秘密信息和载体图像之间的关系，最近被提出，是一种新的避免检测基于机器学习的隐写分析方法。目前使用两种方法来实现SWE：基于载体图像选择的方法和基于载体图像合成的方法[34]。载体图像选择方法构建一个图像库，收集一组自然图像，然后建立秘密信息和图像库中图像之间的联系。每条消息都可以通过单个图像或一组图像进行映射。载体图像合成方法在秘密信息的驱动下首先产生一个新的载体图像。周等人[13]通过构建图像数据库提出了一个SWE框架，该图像数据库根据由鲁棒散列算法生成的散列序列索引的大量图像组成。然后，二进制秘密数据被分成多个段。对于每个段，该方法从数据库中选择图像，图像的哈希值等于段的值。周等人通过使用词袋（BOW）模型[12]提出了另一种SWE方法。在该方法中，从由BOW模型设置的图像中提取视觉词;然后，建立文本信息关键词与图像视觉词之间的映射。根据映射关系，找到与文本信息相关的视觉词的一组子图像。包含这些子图像的图像用作秘密通信的含密图像。在文章[14]中，提出了鲁棒的图像散列来创建秘密数据和图像之间的关系。秘密数据被分成段，根据图像散列值匹配本地图像库中的图像。由于设计的鲁棒图像散列，相对于先前的工作，隐写能力得到改善，且载体图像抵抗常见的图像攻击。基于载体图像选择的方法的缺点是显而易见的：隐写容量是有限的，并且需要很大的本地图像库。基于秘密信息生成纹理图像的方法在文章[15]、[16]中被提出，文章[35]是从载体图像合成的角度。Otori和Kuriyama[35]提出了一种图像编码方法，首先绘制一个规则排列的点状图案，然后使用相同的纹理样本伪装点状图案，同时保持与现有合成技术有相当的合成质量。徐等人[15]提出了含密纹理，一种独特的纹理合成方法，将输入图像或文本消息转换为复杂的纹理图像。由实时的纹理合成系统通过可逆数学函数从给定消息生成隐秘纹理，隐藏的消息可以由解密器检索。Wu和Wang[16] 提出了另一种隐写方法，使用可逆纹理合成，其中小纹理图像被重新采样，产生一个具有类似的局部外观和任意大小的图像。将隐写隐藏于纹理合成的过程中。然而，最先进的基于合成的方法具有相同的弱点：这些SWE方案的合成图像是一类特殊的图像（例如一类纹理图像），并且发送大的这类图像是不寻常的，这会提醒第三者。

D.用于图像隐写的生成式对抗网络

GAN的出现提供了实现图像隐写的新方法。Hayes等人提出了一种使用GAN[25]的图像隐写方法，该方法与最先进的隐写技术竞争，同时和强大的确定图像是否包含秘密信息的隐写分析器竞争。假设Alice，Bob和Eve是三个神经网络，Alice接受培训以生成含密图像，Bob可以从隐秘图像中提取秘密数据，而Eve则是一种隐写分析工具。在每个训练过程中信息被嵌入到最低成本位。但是试验结果表明，经过训练的隐写分析工具Eve不能达到判别概率为0.5的目标。因此，由这种隐写方法生成的含密图像很容易被其他的隐写分析算法检测，Bob也不能完全编码出秘密数据。

Volkhonskiy等人提出了一种新的用于隐写的对抗训练结构，称为SGAN[26]，它不仅考虑了生成图像的真实性，还考虑了对检测的抵抗力。所提出的模型训练一个载体图像容器，它可以生成安全的隐写载体图像以欺骗给定类型的隐写分析。LSB匹配嵌入方案应用于SGAN以产生相应的隐写容器。但是，不同的嵌入方案可能会导致SGAN再训练。本文没有提及对当前隐写分析算法检测的对抗。

唐等人[27]通过使用由两个对抗子网络组成的GAN提出了一种自动隐写失真学习框架。所提出的框架自动学习给定空间载体图像中每个像素的嵌入变化概率。然后生成器G根据最小嵌入失真的变化概率计算得到最小嵌入失真生成含密图像，判别器D从载体图像中区分生成的含密图像。然而，这种方法并没有比最先进的隐写算法好。

上述使用了GANs的隐写方法都是基于嵌入的。在本文中，我们提出一种SWE方法，应用可DCGANs。

3.提出的无嵌入的图像隐写方法

如图1所示，提出的隐写框架包含三个阶段。在第一阶段中，我们用图像及训练DCGANs，在DCGANs收敛后获得生成网络G。G的玩过参数有第一阶段决定，载体图像由G产生。在第二个阶段中，我们训练一个CNNs模型，这个模型被称为提取器E，基于对大量随机噪声矢量的恢复误差。我们使用G从G生成的含密图像中提取信息。在第三阶段，发送方和接收方分别持有G和E的网络和参数。发送者将秘密信息分割成段，将这些段映射成向量，并根据按G生成含密图像。在接收方收到含密图像后，使用E提取向量，然后从中恢复秘密信息。这个部分主要使用的参数都在表格2中。

A.载体图像的生成

载体图像生成阶段包括两个主要步骤。第一步，我们将秘密信息S分成段，然后将每一个向量映射成噪声向量。在第二步中，我们在DCGANs中由噪声向量生成一个封面图像。在第二个映射步骤中，段的若干位(2位或3位)按下式映射到给定区间的噪声值:

， （1）

区间表示随机噪声的值在和之间，是区间内的映射噪声向量，是被映射的秘密数据的值，是一个正整数变量，表示随机噪声的一个比特所携带的秘密数据比特数，。是区间之间的间隔，允许从含密图像中提取数据时有偏差，确保在秘密通信阶段提取秘密数据的准确性。

为了进一步说明公式是如何工作的，我们在表1中给出了详细信息，当为3且为0.001时。我们将每3位有效载荷转换为-1到1之间的随机噪声。从（-1,1）获得八个间隔，间隙为0.001，从000到111的每个有效载荷值对应于区间。因此，每个秘密片段的隐写容量是。

G产生的含密图像的大小由DCGANs中CNNs的规模限制：噪声的唯独越大，产生图像的细节越丰富[21]。秘密信息转换为相应的噪声矢量，并输入到DCGANs中的生成器中，生成含密图像。

<p

剩余内容已隐藏，支付完成后下载完整资料</p

资料编号：[19613]，资料为PDF文档或Word文档，PDF文档可免费转换为Word