基于内容自适应对抗扰动的空域隐写载体图像增强方法

摘要

本发明公开了一种基于内容自适应对抗扰动的空域隐写载体图像增强方法，包括步骤：计算载体图像的多粒度图像纹理特征；对载体图像按照像素值进行聚类，按照语义类别标签进行图像分割；计算载体图像的加权掩模；计算内容自适应对抗扰动；将内容自适应对抗扰动添加到载体图像中，得到增强载体图像，再加入真实秘密信息进行隐写得到最终的增强载密图像。本发明根据载体图像特征向图像纹理丰富区域添加扰动噪声，提升了扰动噪声的隐蔽性。因此，本发明不仅可以在少量扰动噪声条件下成功攻击基于深度学习的隐写分析网络，而且可以降低对抗扰动噪声被检测的风险。

说明书

技术领域

本发明涉及多媒体安全技术领域，特别是一种基于内容自适应对抗扰动的空域隐写载体图像增强方法。

背景技术

随着通信技术与网络信息技术的快速发展，数字图像已经成为人们日常生活中常见的一种信息交换方式。数字图像具有高冗余性，如果对图像的某些像素点做出修改将不会影响人们对图像的观赏性，使得图像在承载秘密信息进行通信具有天然的优势。图像隐写是一种重要的隐蔽通信方式，主要通过将秘密信息嵌入到常见的数字图像(称为：载体图像)中，并将嵌入秘密信息后的图像(称为：载密图像)在公共信道中进行传输，而不引起第三方监管者(如：隐写分析人员)的怀疑。图像隐写与隐写分析技术一直处于博弈状态，且相互对立发展。随着深度学习在计算机视觉中的兴起，现在基于深度学习的隐写分析技术也得到了快速发展，这为图像隐写技术带来了极大的挑战。目前，为了进一步抵抗基于深度学习隐写分析方法，隐写方提出了两种主流的方式：基于生成对抗网络的图像隐写方法和基于对抗样本的图像隐写方法。

在目前公开发表的专利中，有下列专利与本发明方法解决类似的问题：公开号为CN108346125B，题为《一种基于生成对抗网络的空域图像隐写方法及系统》的专利。该方法主要通过U-Net网络将载体图像生成修改概率图，再结合双曲正弦函数对其模拟仿真生成载密图像，同时与隐写分析网络相互对抗，通过训练得到隐写概率生成模型，最后结合STC(校验子格编码)得到载密图像。该方法有效提升了图像隐写安全性能，但仍然存在以下不足：1)由于网络结构庞大，在模型训练过程中仍然不稳定，难以收敛；2)生成模型由数据驱动，因此依赖于训练数据集，对于不同数据集图像隐写安全性仍然较低。

参考文献[1](Yiwei Zhang,Weiming Zhang,Kejiang Chen,Jiayang Liu,YujiaLiu,and Nenghai Yu.2018.Adversarial examples against deep neural networkbased steganalysis[C]//Proceedings of the 6th ACM Workshop on InformationHiding and Multimedia Security.2018:67-72.)公开了一种在载体图像中添加对抗扰动噪声的方法，该方法利用隐写分析网络对输入图像的梯度信息生成对抗扰动噪声，并迭代添加到载体图像中，生成对抗载体图像，然后添加秘密信息，生成载密图像输入到隐写分析网络中，直到目标隐写分析网络无法判断。该方法有效提升了隐写安全性能，且具有较高的隐写效率，但仍然具有以下不足：1)由于多次迭代添加扰动噪声，直到成功愚弄隐写分析器，因此该方式添加的扰动噪声数量较多；2)该扰动噪声添加方式没有考虑到图像特征信息，对图像进行全局添加；由以上两点不足可以看出该方案在最终生成载密图像(特别是图像纹理平坦区域)易留下较明显的扰动痕迹。

参考文献[2](Qin C,Zhang W,Dong X,et al.Adversarial steganographybased on sparse cover enhancement[J].Journal of Visual Communication andImage Representation,2021,80:103325.)公开了一种在载体图像中添加基于梯度图的稀疏扰动噪声方法，该方法利用隐写分析网络对输入图像的梯度信息进行可视化，并选择图像梯度大的一部分值迭代添加扰动噪声，并生成对抗载体图像，然后进行隐写得到载密图像，最后将载密图像输入到隐写分析网络中进行判断，直到隐写分析网络被成功愚弄。该方法可以在保持隐写安全性的同时进一步减少扰动噪声的冗余点，但该方法仍然存在不足：1)该方法在梯度信息可视化过程中可以看出，梯度值较大的点仍然有部分处于图像平坦区域，而在这部分区域添加扰动噪声仍然易留下明显的扰动痕迹；2)该方法采用隐写分析网络对输入图像求梯度值，但该梯度值目前仍然没有明确的物理含义，其大小选择难以界定。

发明内容

本发明的目的是提供一种基于内容自适应对抗扰动的空域隐写载体图像增强方法。

实现本发明目的的技术方案如下：

基于内容自适应对抗扰动的空域隐写载体图像增强方法，包括

步骤1：计算载体图像c的多粒度图像纹理特征；

1.1计算载体图像c每个像素点的细粒度纹理描述值L

i

1.2计算载体图像c每个像素点的粗粒度纹理描述值L

count为8邻域像素点经符号函数s(·)取值后得到的比特串所具有的0/1或1/0跳变次数，thre为阈值；

1.3计算载体图像c的多粒度图像纹理特征矩阵

L＝L

步骤2：对载体图像c按照像素值进行k-means聚类，得到每个像素值的语义类别标签；按照语义类别标签进行分割，得到分类后的语义类别标签M矩阵；

步骤3：计算载体图像c的加权掩模；

3.1计算每一个图像块的纹理性；所述图像块为具有相同语义类别标签值M(i,j)的像素点(i,j)的集合；

其中，第d个图像块的纹理性

R

3.2计算载体图像c的加权掩模矩阵

步骤4：计算内容自适应对抗扰动；

4.1对载体图像c进行隐写，得到载密图像s；将载体图像c和载密图像s输入到隐写分析网络φ

4.2初始化对抗扰动δ

4.3在隐写分析网络模型后向传播过程中，求取当前增强载密图像s

其中，||δ

4.4使用加权掩模矩阵

4.5在载体图像c中添加当前对抗扰动δ

步骤5：将内容自适应对抗扰动δ

优选的，所述隐写采用HUGO、WOW、UNIWARD或HILL算法；所述隐写分析网络

与现有技术相比，本发明的有益效果在于：

1.本发明根据载体图像特征向图像纹理丰富区域添加扰动噪声，提升了扰动噪声的隐蔽性。因此，本发明不仅可以在少量扰动噪声条件下成功攻击基于深度学习的隐写分析网络，而且可以降低对抗扰动噪声被检测的风险。

2.本发明构建了一种加权对抗扰动掩模方式。首先，通过设计一种基于多粒度的图像纹理描述方法，结合逐像素细粒度和统计图像特征粗粒度方式用于描述图像纹理特征，相比于单独采用逐像素细粒度描述图像纹理对微小噪声更具鲁棒性。其次，根据图像语义特征对图像进行分割，并选择图像纹理信息丰富块作为候选扰动位置，构建扰动掩模，使得对抗扰动噪声更具有图像内容自适应性能。因此，本发明更适用于精确进行图像隐写的应用场景。

附图说明

图1是本发明的流程图。

图2a、图2b和图2c是本发明的增强载体图像可视化示意图。

具体实施方式

下面以具体实施例对本发明作进一步说明。

如图1所示，基于内容自适应对抗扰动的空域隐写载体图像增强方法，包括：

步骤1：对输入的载体图像c计算多粒度图像纹理特征，包括：

步骤1.1：针对载体图像逐像素对比8邻域像素点像素值大小，若中心像素值大于邻域像素即为1，否则即为0。本实施例中，将邻域左上角设置为起始点，逆时针记录8个值0/1值为一个长度为8的比特串，并将该比特串转换为十进制数表示当前像素点的纹理值，则每个像素点细粒度纹理描述值L

其中i

步骤1.2：基于步骤1.1中得到的每个像素值8邻域0/1比特值，同样将邻域值的左上角设置为起始点，逆时针记录每个像素的8个邻域值为一个长度为8的比特串，并统计该比特串0/1或1/0跳变次数count，如果当跳变次数小于阈值thre，则其纹理复杂度为1，否则，将纹理复杂度进行累加，该纹理复杂度即为粗粒度纹理描述值，则每个像素点粗粒度纹理描述值L

步骤1.3：将步骤1.1和步骤1.2分别得到的图像细粒度纹理描述特征L

步骤2：对输入载体图像c按照像素值进行k-means聚类，得到每个像素值的语义类别标签；按照语义类别标签进行分割，得到分类后的语义类别标签M(矩阵M大小与原图大小相同)，且具有相同语义标签值M(i,j)的像素点(i,j)的集合属于同一个图像块。

步骤3：输入步骤1得到的载体图像c的纹理值矩阵L和步骤2得到的载体图像c分类后的语义标签M，计算图像加权掩模，包括：

步骤3.1：采用步骤1得到的纹理值矩阵对载体图像c进行赋值，并根据步骤2得到的语义标签M计算图像像素相同标签的纹理性均值(即每个图像块的纹理性均值)，用于描述当前分割图像块的纹理性，则第d个图像块的纹理性L

其中，R

步骤3.2：根据阈值th选择图像块，选择当前图像纹理丰富的子块作为候选加权掩模：

其中，

步骤4：计算扰动噪声，包括：

步骤4.1：对输入的载体图像c采用传统隐写方法(例如：高度不可检测性算法HUGO，小波权值算法WOW，空域统一相对小波算法UNIWARD，高通低通滤波器算法HILL等)进行隐写，得到相应的载密图像s，并将载体和载密图像对输入到隐写分析网络

参考文献[3]：G.Xu,H.-Z.Wu,and Y.-Q.Shi,“Structural design ofconvolutional neural networks for steganalysis,”IEEE Signal Process.Lett.,May2016,vol.23,no.5,pp.708–712.

参考文献[4]：J.Ni,J.Ye,and Y.I.Yang,“Deep learning hierarchicalrepresentations for image steganalysis,”IEEE Trans.Inf.Forensics Security,Nov.2017,vol.12,no.11,pp.2545–2557.

参考文献[5]：M.Boroumand,M.Chen,J.Fridrich,Deep residual network forsteganalysis of digital images,IEEE Trans.Inf.Forensics Secur.14(5)(2019)1181–1193.

参考文献[6]：Zhang R,Zhu F,Liu J,et al.Depth-wise separableconvolutions and multi-level pooling for an efficient spatial CNN-basedsteganalysis[J].IEEE Transactions on Information Forensics and Security,2019,15:1138-1150.

步骤4.2：初始化对抗扰动噪声δ

步骤4.3：计算对抗扰动噪声的2-范数||δ

步骤4.4：对步骤4.3计算得到的扰动值δ

步骤4.5：在载体图像c中添加当前对抗扰动噪声δ

步骤5：对步骤4得到的内容自适应对抗扰动噪声δ

以ZhuNet为例，本发明与其安全性能对比如下表：

表1.基于深度学习的隐写分析器ZhuNet检测不同载体增强方法的误报率p

表中：载荷(bpp,bit per pixel)指原始隐写方法的秘密信息承载量，即载体图像中平均每个像素嵌入秘密信息的比特数；修改率为对抗样本修改数量与载体图像的占比。

误报率p

其中，N

如表1所示，本发明的方法可以使得基于深度学习的隐写分析器ZhuNet网络误报率最高，攻击效果最好。例如，当载荷为0.1bpp，修改率为0.5的条件下，本发明提出的方法相比目前最好的方法SPS-ENH误报率p

如图2a、图2b和图2c所示，图2a为原始载体图像，图片选自BOSSBase数据集。图2b是本发明方法添加的对抗扰动噪声，白色点为修改像素区域，黑色点为未修改像素区域，修改幅度为1，因此该图显示是通过像素值放大x255倍后的结果。图2c是向图2a载体图像添加对抗扰动噪声后的增强载体图像效果。白色虚线框区域表示图像纹理较为丰富区域的示例。从图2可以看出，本发明添加的扰动信息大多位于图像纹理丰富区域。