一种基于深度学习的图像隐写方法、系统、设备及介质

摘要

本发明公开了一种基于深度学习的图像隐写方法、系统、设备及介质，本方法通过生成器根据随机噪声生成载体图像；将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像；通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像；根据载体图像和含密图像构建隐写分析器的损失函数；根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。本发明能够提升生成的图像的质量，提高信息隐蔽性。

说明书

技术领域

本发明涉及信息安全技术领域，尤其是涉及一种基于深度学习的图像隐写方法、系统、设备及介质。

背景技术

现有的隐写方法采用WGAN生成图像，采用LSB算法进行隐写。由于生成对抗网络(GAN)中交叉熵(JS散度)不适合衡量生成数据分布和真实数据分布的距离，如果通过优化JS散度训练GAN会导致找不到正确的优化目标。所以，WGAN提出使用wassertein距离作为优化方式训练GAN，但是数学上和真正代码实现上还是有区别的，使用Wasserteion距离需要满足lipschitz连续性，为了满足这一条件，使用了将权重限制到一个范围的方式。虽然理论证明很漂亮，但是往往实际上训练起来，生成结果并没有期待的那么好。将权重剪切到一定范围之后，比如剪切到[-0.01,+0.01]后，发现大多数的权重都在-0.01和0.01上，这就意味了网络的大部分权重只有两个可能数，对于深度神经网络来说不能充分发挥深度神经网络的拟合能力，简直是极大的浪费。并且也发现强制剪切权重容易导致梯度消失或者梯度爆炸，梯度消失导致权重得不到更新信息，梯度爆炸更新过猛，权重每次更新都变化很大，从而很容易导致训练不稳定。而LSB算法通过将秘密信息嵌入到能够影响图像像素的最低有效位上，来达到隐蔽传输信息的目的。在提取秘密信息时，只需要提取图像像素的最低有效位即可。但LSB图像隐写算法的隐蔽性一般，易受到攻击者的检测和攻击。因此，采用WGAN生成图像和采用LSB算法进行隐写，不仅生成的图像质量不好，而且隐写的信息很容易被察觉。

发明内容

本发明旨在至少解决现有技术中存在的技术问题之一。为此，本发明提出一种基于深度学习的图像隐写方法、系统、设备及介质，能够提升生成的图像的质量，提高信息隐蔽性。

第一方面，本发明实施例提供了一种基于深度学习的图像隐写方法，所述基于深度学习的图像隐写方法包括：

获取真实图像；

通过生成器根据随机噪声生成载体图像；其中，所述生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数；

将所述载体图像和所述真实图像通过判别器进行相似判断，并将所述生成器和所述判别器进行对抗训练，以使所述生成器生成与所述真实图像相似的第一载体图像；其中，所述判别器包括多个卷积层、批处理、LeakyReLU层和全连接层；

通过HUGO自适应隐写方法将秘密信息嵌入所述第一载体图像中，获得含密图像；

根据所述载体图像和所述含密图像构建隐写分析器的损失函数；

根据所述损失函数对所述隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；所述训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。

与现有技术相比，本发明第一方面具有以下有益效果：

本方法通过生成器根据随机噪声生成载体图像，其中，生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数，生成器使用了反卷积层，能够将一维的噪声向量生成高维的图片向量，通过ReLU层能够增加生成器网络的表征能力，缓解梯度消失问题，提高网络训练的稳定性和速度，通过双曲正切函数能够防止生成的图像出现负数像素值；将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像，其中，判别器包括多个卷积层、批处理、LeakyReLU层和全连接层，通过多个卷积层的堆叠，可以逐渐提取出更加高级的特征，从而更加准确地判断输入的图像是否为真实图像，通过LeakyReLU层能够保证在训练过程中持续更新参数；通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像，通过HUGO自适应隐写方法将秘密信息隐藏在图像中纹理复杂的区域，提高信息隐藏的容量，保证图像隐写的隐蔽性；根据载体图像和含密图像构建隐写分析器的损失函数，根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器，训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息，通过这次对抗训练，生成器能够逐渐生成更加逼真的图像，同时能够提高隐写分析器判断图像是否含有秘密信息的准确率。

根据本发明的一些实施例，所述通过生成器根据随机噪声生成载体图像，包括：

将所述随机噪声输入至全连接层，获得中间向量；

将所述中间向量通过Reshape操作，获得四维张量；

采用批处理将所述四维张量进行标准化，获得标准向量；

将所述标准向量经过ReLU层，获得低维特征向量；

采用多个反卷积层将所述低维特征向量进行扩大，获得第一图像；

将所述第一图像采用双曲正切函数进行缩放，获得载体图像。

根据本发明的一些实施例，所述将所述载体图像和所述真实图像通过判别器进行相似判断，包括：

采用多个卷积层对所述载体图像和所述真实图像进行特征提取，获得第一特征图和第二特征图；

将所述第一特征图和所述第二特征图经过LeakyReLU层和批处理，获得第一输出特征图和第二输出特征图；

采用全连接层对所述第一输出特征图和所述第二输出特征图进行相似判断。

根据本发明的一些实施例，所述采用全连接层对所述第一输出特征图和所述第二输出特征图进行相似判断，包括：

采用全连接层将所述第一输出特征图和所述第二输出特征图展平成一维向量；

采用Sigmoid激活函数对展平后的第一输出特征图和第二输出特征图进行分类，若所述Sigmoid激活函数输出值与1越近，则所述第一输出特征图和所述第二输出特征图越相似；若所述Sigmoid激活函数输出值与0越近，则所述第一输出特征图和所述第二输出特征图越不相似。

根据本发明的一些实施例，所述损失函数通过如下方式计算：

其中，N表示载体图像和含密图像的图像数量，y

根据本发明的一些实施例，所述基于深度学习的图像隐写方法还包括目标损失函数，所述目标损失函数通过如下方式计算：

其中，

根据本发明的一些实施例，所述隐写分析器包括高通滤波器、多个卷积层以及包含多个全连接层和softmax层的分类器。

图像获取单元，用于获取真实图像；

图像生成单元，用于通过生成器根据随机噪声生成载体图像；其中，所述生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数；

第一对抗单元，用于将所述载体图像和所述真实图像通过判别器进行相似判断，并将所述生成器和所述判别器进行对抗训练，以使所述生成器生成与所述真实图像相似的第一载体图像；其中，所述判别器包括多个卷积层、批处理、LeakyReLU层和全连接层；

信息嵌入单元，用于通过HUGO自适应隐写方法将秘密信息嵌入所述第一载体图像中，获得含密图像；

函数构建单元，用于根据所述载体图像和所述含密图像构建隐写分析器的损失函数；

第二对抗单元，用于根据所述损失函数对所述隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；所述训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。

第三方面，本发明实施例还提供了一种基于深度学习的图像隐写设备，包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行如上所述的一种基于深度学习的图像隐写方法。

第四方面，本发明实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行如上所述的一种基于深度学习的图像隐写方法。

可以理解的是，上述第二方面至第四方面与相关技术相比存在的有益效果与上述第一方面与相关技术相比存在的有益效果相同，可以参见上述第一方面中的相关描述，在此不再赘述。

附图说明

本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解，其中：

图1是本发明一实施例的一种基于深度学习的图像隐写方法的流程图；

图2是本发明一实施例的整体网络架构示意图；

图3是本发明一实施例的生成器网络架构示意图；

图4是本发明一实施例的生成器和判别器对抗训练的流程图；

图5是本发明一实施例的判别器网络架构示意图；

图6是本发明一实施例的生成器和隐写分析器对抗训练的流程图；

图7是本发明一实施例的隐写分析网络架构示意图；

图8是本发明一实施例的一种基于深度学习的图像隐写系统的结构图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，如果有描述到第一、第二等只是用于区分技术特征为目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量或者隐含指明所指示的技术特征的先后关系。

在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。

本发明的描述中，需要说明的是，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。

现有的隐写方法采用WGAN生成图像，采用LSB算法进行隐写。由于生成对抗网络(GAN)中交叉熵(JS散度)不适合衡量生成数据分布和真实数据分布的距离，如果通过优化JS散度训练GAN会导致找不到正确的优化目标。所以，WGAN提出使用wassertein距离作为优化方式训练GAN，但是数学上和真正代码实现上还是有区别的，使用Wasserteion距离需要满足lipschitz连续性，为了满足这一条件，使用了将权重限制到一个范围的方式。虽然理论证明很漂亮，但是往往实际上训练起来，生成结果并没有期待的那么好。将权重剪切到一定范围之后，比如剪切到[-0.01,+0.01]后，发现大多数的权重都在-0.01和0.01上，这就意味了网络的大部分权重只有两个可能数，对于深度神经网络来说不能充分发挥深度神经网络的拟合能力，简直是极大的浪费。并且也发现强制剪切权重容易导致梯度消失或者梯度爆炸，梯度消失导致权重得不到更新信息，梯度爆炸更新过猛，权重每次更新都变化很大，从而很容易导致训练不稳定。而LSB算法通过将秘密信息嵌入到能够影响图像像素的最低有效位上，来达到隐蔽传输信息的目的。在提取秘密信息时，只需要提取图像像素的最低有效位即可。但LSB图像隐写算法的隐蔽性一般，易受到攻击者的检测和攻击。因此，采用WGAN生成图像和采用LSB算法进行隐写，不仅生成的图像质量不好，而且隐写的信息很容易被察觉。

为了解决上述问题，本发明通过生成器根据随机噪声生成载体图像，其中，生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数，生成器使用了反卷积层，能够将一维的噪声向量生成高维的图片向量，通过ReLU层能够增加生成器网络的表征能力，缓解梯度消失问题，提高网络训练的稳定性和速度，通过双曲正切函数能够防止生成的图像出现负数像素值；将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像，其中，判别器包括多个卷积层、批处理、LeakyReLU层和全连接层，通过多个卷积层的堆叠，可以逐渐提取出更加高级的特征，从而更加准确地判断输入的图像是否为真实图像，通过LeakyReLU层能够保证在训练过程中持续更新参数；通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像，通过HUGO自适应隐写方法将秘密信息隐藏在图像中纹理复杂的区域，提高信息隐藏的容量，保证图像隐写的隐蔽性；根据载体图像和含密图像构建隐写分析器的损失函数，根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器，训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息，通过这次对抗训练，生成器能够逐渐生成更加逼真的图像，同时能够提高隐写分析器判断图像是否含有秘密信息的准确率。

参照图1，本发明实施例提供了一种基于深度学习的图像隐写方法，本基于深度学习的图像隐写方法包括但不限于步骤S100至步骤S600，其中：

步骤S100、获取真实图像；

步骤S200、通过生成器根据随机噪声生成载体图像；其中，生成器包括全连接层、Resh ape操作、批处理、ReLU层、多个反卷积层和双曲正切函数；

步骤S300、将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像；其中，判别器包括多个卷积层、批处理、LeakyReLU层和全连接层；

步骤S400、通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像；

步骤S500、根据载体图像和含密图像构建隐写分析器的损失函数；

步骤S600、根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。

在一些实施例的步骤S100至步骤S600中，为了缓解梯度消失问题，提高网络训练的稳定性和速度，提高生成的图像的质量，本实施例通过生成器根据随机噪声生成载体图像，其中，生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数，将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像；其中，判别器包括多个卷积层、批处理、LeakyReLU层和全连接层；为了信息隐藏的容量，保证图像隐写的隐蔽性，本实施例通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像；为了进一步提高生成的图像的质量，并提高隐写分析器判断图像是否含有秘密信息的准确率，本实施例通过根据载体图像和含密图像构建隐写分析器的损失函数，根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器，训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。

在一些实施例中，通过生成器根据随机噪声生成载体图像，包括：

将随机噪声输入至全连接层，获得中间向量；

将中间向量通过Reshape操作，获得四维张量；

采用批处理将四维张量进行标准化，获得标准向量；

将标准向量经过ReLU层，获得低维特征向量；

采用多个反卷积层将低维特征向量进行扩大，获得第一图像；

将第一图像采用双曲正切函数进行缩放，获得载体图像。

在本实施例中，使用了反卷积层，能够将一维的噪声向量生成高维的图片向量，通过Re LU层能够增加生成器网络的表征能力，缓解梯度消失问题，提高网络训练的稳定性和速度，通过双曲正切函数能够防止生成的图像出现负数像素值。

在一些实施例中，将载体图像和真实图像通过判别器进行相似判断，包括：

采用多个卷积层对载体图像和真实图像进行特征提取，获得第一特征图和第二特征图；

将第一特征图和第二特征图经过LeakyReLU层和批处理，获得第一输出特征图和第二输出特征图；

采用全连接层对第一输出特征图和第二输出特征图进行相似判断。

在本实施例中，通过多个卷积层的堆叠，可以逐渐提取出更加高级的特征，从而更加准确地判断输入的图像是否为真实图像，通过LeakyReLU层能够保证在训练过程中持续更新参数。

在一些实施例中，采用全连接层对第一输出特征图和第二输出特征图进行相似判断，包括：

采用全连接层将第一输出特征图和第二输出特征图展平成一维向量；

采用Sigmoid激活函数对展平后的第一输出特征图和第二输出特征图进行分类，若Sigm oid激活函数输出值与1越近，则第一输出特征图和第二输出特征图越相似；若Sigmoid激活函数输出值与0越近，则第一输出特征图和第二输出特征图越不相似。

在一些实施例中，损失函数通过如下方式计算：

其中，N表示载体图像和含密图像的图像数量，y

在一些实施例中，基于深度学习的图像隐写方法还包括目标损失函数，目标损失函数通过如下方式计算：

其中，

在一些实施例中，隐写分析器包括高通滤波器、多个卷积层以及包含多个全连接层和softmax层的分类器。

需要说明的是，本实施例采用的隐写分析器为GNCNN(Gaussian-NeuronConvolutional Neural Network，高斯-神经元卷积神经网络)网络，但本实施例的隐写分析器可以根据需要进行更改，本实施例不做具体限定。

为方便本领域人员理解，以下提供一组最佳实施例：

1、生成器生成载体图像。

参照图2，生成器接收一批随机噪声向量，生成载体图像cover。生成器网络包括一个全连接层、四个反卷积层、批处理、ReLU层和一个双曲正切函数，生成器用于生成安全的载体图像。其中，反卷积模块的卷积核大小为5*5，步长为2。具体为：

通过全连接层将输入的随机噪声向量转换成一个中间向量；

通过Reshape操作将全连接层输出的中间向量重塑成一个四维张量，其符合反卷积层的输入；

通过批处理将Reshape输出的数据进行标准化，使输入的数据分布相近，满足均值为0、标准差为1的标准正态分布。

ReLU层在输入值为负数时输出为0，在输入值为正数时输出等于输入值本身，通过ReLU层能够增加网络的表征能力，缓解梯度消失问题，提高网络训练的稳定性和速度。

通过反卷积层将输入的低维度特征向量逐步扩大，最终生成一张图像。

在图像处理中，像素值范围在[0,255]，双曲正切函数能够将其缩放到[-1,1]之间，方便后续处理。双曲正切函数在输入值为负数时取值范围为[-1,0)，能够防止生成的图像出现负数像素值。

生成器网络架构如图3所示，图3中的Transposed Convolution表示反卷积层，具体每一层的输出维度如表1所示。

表1

2、生成器和判别器对抗训练。

参照图4，将真实的图像和生成的载体图像输入至判别器中进行相似判断，再通过生成器和判别器对抗训练，使得生成的载体图像与真实图像难以区分，使生成器生成的载体图像更逼真。具体为：

判别器网络包括四个卷积层、批处理、LeakyReLU层和一个全连接层，判别器用于评估生成图像的视觉质量。卷积模块的卷积核大小为5*5，步长为2。

其中，卷积层通过一系列卷积核对输入的图像进行卷积操作，提取出图像中的特征，同时也通过参数的学习不断优化卷积核，使得提取到的特征更加有助于区分真实图像和生成图像。多个卷积层的堆叠，可以逐渐提取出更加高级的特征，从而更加准确地判断输入的图像是否为真实图像。

LeakyReLU层引入小的负斜率来解决梯度为0的情况，在输入值小于0时，输出会在输入值的基础上乘以一个小的负数斜率，这样即使输入值小于0时，也会有一个小的梯度，保证在训练过程中能够持续更新。

判别器中的批处理使网络更快地收敛，并且可以防止梯度消失。

全连接层将前面卷积层提取的特征图展平成一维的向量，然后进行分类，判别输入的图像是真实图像还是生成图像。通过一个Sigmoid激活函数获得输出值，输出值的范围是[0,1]表示输入图像为真实图像的概率，输出值越接近1，表示越有可能是真实图像；输出值越接近0，表示越有可能是生成图像。

判别器网络架构如图5所示，图5中的Convolution表示卷积层，具体每一层的输出维度如表2所示。

表2

为了解决梯度消失和梯度爆炸的问题，并且找一个合适的方式满足Lipschitz连续性条件，本实施例提出了使用梯度惩罚(GP，gradient penalty)的方式。既然Lipschitz限制是要求判别器的梯度不超过K，那么可以通过建立一个损失函数来满足这个要求，即先求出判别器的梯度d(D(x))，然后建立与K之间的二范数就可以实现一个简单的损失函数设计。判别器相对于原始输入的梯度的L2范数要约束在1附近双边约束。在最优的优化路径上，判别器函数对其输入的梯度值恒定为1。将这个约束加入到目标函数中，以学习到更好的模型，本实施例的目标函数计算公式如下：

其中，

当生成器的损失未收敛，并且batch未训练完时，将符合x～P

计算生成图像Cover与原始图像X之间的损失，固定生成器的参数，通过最小化判别器的损失函数来更新判别器的参数。然后固定判别器的参数，通过最小化生成器的损失函数来更新生成器的参数，直到指定的训练轮数完成或者损失函数收敛。以此提高生成图像的质量。

3、HUGO(highly undetectable stego)自适应嵌入秘密信息。

将生成器产生的载体图像进行分块，计算每个块的灰度直方图。对每个块的直方图进行排序，得到排序后的直方图和每个灰度值的映射表。对于待嵌入的信息，选取一个目标直方图，将其最高的几个直方图与灰度值映射表中的灰度值进行匹配，得到一个嵌入方案。计算所有嵌入方案的复杂度，并选择最低复杂度的方案进行正式嵌入。对载体图像中的所有块进行秘密信息嵌入后，将修改后的图像进行输出得到含密图像(Stego图像)。

HUGO的直接设计目的是采用自适应隐写对抗SPAM二阶特征的分析，因此其失真函数的定义考虑了样点修改对该组特征的扰动程度。对共生矩阵特征扰动越大，失真越大，在图像相对平滑区，共生矩阵特征扰动的权值较大，反之则较小。HUGO这种隐写算法的目标就是通过增加特征的维度，使得含密图像难以被检测。失真函数把特征的差异进行了加权求和，权重是用Fisher LDA得到的。

4、生成器和隐写分析器对抗训练。

参照图6，隐写分析器接收一批图像(有生成图像，也有含密图像)和相应的标签(是否包含隐藏信息)，构建损失函数计算它们的损失，更新参数，以此来提高判断准确率。隐写分析器的参数更新一次，生成器的参数更新多次。通过对抗训练，生成器能够逐渐生成更加逼真的图像，同时隐写分析器也能够逐渐提高准确率。直到损失函数收敛，隐写分析器训练完成，用训练完成的隐写分析器判断生成器生成的载体图像中是否含有加密信息。隐写分析器的损失函数通过如下方式计算：

其中，N表示载体图像和含密图像的图像数量，y

验证隐写分析器时，将一批图像和标签输入至隐写分析器，当隐写分析器无法准确判断生成器产生的图像Cover是否包含隐藏信息时，即隐写分析器判断Cover为含密图像，产生误判时，就可以认为信息已经被成功地嵌入到了图像中，再计算这一批图像的隐写分析判断准确率。当准确率低于某一指标时可判定该隐写方法有效。

隐写分析器采用隐写分析网络，隐写分析网络用于评估含密图像的不可检测性，隐写分析网络包括一个高通滤波器、四个卷积层以及一个包含数个全连接层和softmax层的分类器。其中，前两个CONV1卷积层和CONV2卷积层的卷积核为5*5，步长为1，第三个CONV3卷积层的卷积核为3*3，步长为1，第四个CONV4卷积层的卷积核为1*1，步长为1。

隐写分析网络架构如图7所示，图7中的Convolution表示卷积层，具体每一层的输出维度如表3所示。

表3

为了更好的说明，本实施例进行了如下实验：

1)本实施例的实验环境。

本实施例整个网络的训练和测试平台的软硬件具体配置如下表4所示。

本实施例的实验在包含200000张图片的CelebA数据集上进行，并对图片进行中心裁剪的预处理，得到64*64的图片。

表4

2)实施例的实验结果。

表5为三个网络模型在7个epoch下训练时长的对比，由表5可知，本实施例的技术方案的生成器网络在训练时长上较其他两种网络模型有大幅度提升。

表5

在本实施例中，由于已有的生成载体图像的隐写方法产生的载体图像不够真实自然，视觉质量较差，使用这样的图像进行隐写很容易被察觉，并且以往的生成对抗网络模型大多训练时间过长。因此，本实施例通过包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数的生成器根据随机噪声生成载体图像，通过包括多个卷积层、批处理、LeakyReLU层和全连接层的判别器对载体图像和真实图像进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像，通过优化图像生成的生成器网络和图像相似度的判别器网络，能够缩短训练时间，提高生成图像的质量效果。由于常用的LSB隐写方法在40％检测错误率下，隐写容量只能达到0.04bpp。因此，本实施例通过选择自适应的隐写算法HUGO，将信息隐藏在图像中纹理复杂的区域，提高信息隐藏的容量，保证图像隐写的隐蔽性。并且本实施例在数据采样的时候只要从每一批次的样本中采样就可以了，比如可以产生一个随机数，在生成数据和真实数据上做一个插值，这样就使得网络训练时间消耗减少。

参照图8，本发明实施例还提供了一种基于深度学习的图像隐写系统，本基于深度学习的图像隐写系统包括图像获取单元100、图像生成单元200、第一对抗单元300、信息嵌入单元400、函数构建单元500和第二对抗单元600，其中：

图像获取单元100，用于获取真实图像；

图像生成单元200，用于通过生成器根据随机噪声生成载体图像；其中，生成器包括全连接层、Reshape操作、批处理、ReLU层、多个反卷积层和双曲正切函数；

第一对抗单元300，用于将载体图像和真实图像通过判别器进行相似判断，并将生成器和判别器进行对抗训练，以使生成器生成与真实图像相似的第一载体图像；其中，判别器包括多个卷积层、批处理、LeakyReLU层和全连接层；

信息嵌入单元400，用于通过HUGO自适应隐写方法将秘密信息嵌入第一载体图像中，获得含密图像；

函数构建单元500，用于根据载体图像和含密图像构建隐写分析器的损失函数；

第二对抗单元600，用于根据损失函数对隐写分析器和生成器进行对抗训练，直到损失函数收敛，获得训练好的隐写分析器；训练好的隐写分析器用于判断生成器生成的载体图像中是否含有加密信息。

需要说明的是，由于本实施例中的一种基于深度学习的图像隐写系统与上述的一种基于深度学习的图像隐写方法基于相同的发明构思，因此，方法实施例中的相应内容同样适用于本系统实施例，此处不再详述。

本发明实施例还提供了一种基于深度学习的图像隐写设备，包括：至少一个控制处理器和用于与至少一个控制处理器通信连接的存储器。

存储器作为一种非暂态计算机可读存储介质，可用于存储非暂态软件程序以及非暂态性计算机可执行程序。此外，存储器可以包括高速随机存取存储器，还可以包括非暂态存储器，例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施方式中，存储器可选包括相对于处理器远程设置的存储器，这些远程存储器可以通过网络连接至该处理器。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。

实现上述实施例的一种基于深度学习的图像隐写方法所需的非暂态软件程序以及指令存储在存储器中，当被处理器执行时，执行上述实施例中的一种基于深度学习的图像隐写方法，例如，执行以上描述的图1中的方法步骤S100至步骤S600。

以上所描述的系统实施例仅仅是示意性的，其中作为分离部件说明的单元可以是或者也可以不是物理上分开的，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。

本发明实施例还提供了一种计算机可读存储介质，该计算机可读存储介质存储有计算机可执行指令，该计算机可执行指令被一个或多个控制处理器执行，可使得上述一个或多个控制处理器执行上述方法实施例中的一种基于深度学习的图像隐写方法，例如，执行以上描述的图1中的方法步骤S100至步骤S600的功能。

本领域普通技术人员可以理解，上文中所公开方法中的全部或某些步骤、系统可以被实施为软件、固件、硬件及其适当的组合。某些物理组件或所有物理组件可以被实施为由处理器，如中央处理器、数字信号处理器或微处理器执行的软件，或者被实施为硬件，或者被实施为集成电路，如专用集成电路。这样的软件可以分布在计算机可读介质上，计算机可读介质可以包括计算机存储介质(或非暂时性介质)和通信介质(或暂时性介质)。如本领域普通技术人员公知的，术语计算机存储介质包括在用于存储信息(诸如计算机可读指令、数据结构、程序模块或其他数据)的任何方法或技术中实施的易失性和非易失性、可移除和不可移除介质。计算机存储介质包括但不限于RAM、ROM、EEPROM、闪存或其他存储器技术、CD-ROM、数字多功能盘(DVD)或其他光盘存储、磁盒、磁带、磁盘存储或其他磁存储装置、或者可以用于存储期望的信息并且可以被计算机访问的任何其他的介质。此外，本领域普通技术人员公知的是，通信介质通常包含计算机可读指令、数据结构、程序模块或者诸如载波或其他传输机制之类的调制数据信号中的其他数据，并且可包括任何信息递送介质。

以上是对本申请实施例的较佳实施进行了具体说明，但本申请实施例并不局限于上述实施方式，熟悉本领域的技术人员在不违背本申请实施例精神的前提下还可作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请实施例权利要求所限定的范围内。