基于深度学习的图像信息隐藏方法研究

摘要

随着时代的发展、科学技术的进步以及互联网技术的提升，信息安全的重视程度日益提升。信息隐藏是指在不影响多媒体载体感官特性和使用价值的前提下，借助多媒体载体中难以察觉的冗余信息，将秘密信息以不易被察觉的方式嵌入其中，并在公开信道中安全传输。与之对应的用于检测信息隐藏的信息隐藏分析技术也受到了更多的关注，信息隐藏分析用于对载体和载密图像进行判别，本质上是一个二分类问题。近年来随着深度学习的发展，基于深度学习的信息隐藏分析技术被提出，并有了很大突破，传统的信息隐藏方法研究也变得愈加困难。 本文主要围绕深度学习中的图像信息隐藏问题展开研究，主要包括以下内容： （1）本文研究了基于生成对抗网络（Generative Adversarial Networks，GAN）的自适应信息隐藏，其生成网络用于寻找图像中合适的隐藏位置，并利用判别网络来评估其是否适合隐藏秘密信息，网络自适应学习信息隐藏失真代价。针对现有方法安全性较低的问题，本文搭建了更适宜的生成器网络结构，提出了基于概率矩阵的嵌入率增加模拟器，通过在网络内部模拟出高嵌入率的概率矩阵，进而得到高嵌入率的载密来辅助网络的训练。该方法学习到的是信息隐藏失真代价，嵌入和提取可以通过传统的自适应信息隐藏方法来进行。实验结果表明，本文提出的方法具有更强的安全性。 （2）本文研究了基于生成对抗网络的载体生成。生成网络生成自然图像的同时，通过信息隐藏分析判别器指导训练，使得生成的载体图像在真实的基础上更具抗隐密分析的能力。针对现有方法框架中最低比特位（Least Significant Bit，LSB）嵌入方法存在的不足，本文提出了自适应信息隐藏的嵌入方法，代替框架中的LSB嵌入。实验结果表明，本文提出的方法更具安全性，通过该方法生成的载体图像能更能有效的抵抗信息隐藏分析的检测。

目录

声明

1 绪论

1.1 选题背景和研究意义

1.2 研究现状

1.2.1 传统信息隐藏研究现状

1.2.2 深度学习下的信息隐藏研究现状

1.2.3 信息隐藏分析概述

1.3 研究内容和主要工作

1.4 本文章节安排

2 相关工作

2.1 深度学习

2.1.1 深度学习概述

2.1.2 神经网络

2.1.3 卷积神经网络

2.1.4 生成对抗网络

2.1.5 深度卷积生成对抗网络

2.1.6 Wasserstein生成对抗网络

2.2 信息隐藏算法性能评价

2.3 本章小结

3 基于生成对抗网络的图像自适应信息隐藏

3.1 背景和问题

3.2 基于GAN的图像信息隐藏框架

3.2.1 生成器结构

3.2.2 模拟嵌入结构

3.2.3 判别器结构

3.2.4 损失函数

3.3 嵌入率增加模拟器

3.3.1 模拟器结构

3.3.2 模拟器预训练

3.4 实验设计与结果分析

3.4.1 实验数据库

3.4.2 实验设置

3.4.3 网络参数

3.4.4 实验结果与分析

3.4.5 嵌入可视化

3.5 本章小结

4 基于生成对抗网络的图像载体生成

4.1 背景和问题

4.2 基于GAN的抗隐藏分析载体生成框架

4.2.1 生成器结构

4.2.2 判别器结构

4.2.3 自适应信息隐藏结构

4.2.4 损失函数

4.3 实验设计与结果分析

4.3.1 实验数据库

4.3.2 实验设置

4.3.3 网络参数

4.3.4 实验结果与分析

4.4 本章小结

结论

参考文献

致谢

大连理工大学学位论文版权使用授权书