(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210687059.7 (22)申请日 2022.06.16 (71)申请人 西安电子科技大 学 地址 710071 陕西省西安市太白南路2号 (72)发明人 董庆宽　杨福兴　陈原　穆涛　 马飞龙　潘文俊　 (74)专利代理 机构 陕西电子 工业专利中心 61205 专利代理师 陈宏社　王品华 (51)Int.Cl. H04N 19/467(2014.01) H04N 1/32(2006.01) G06N 3/04(2006.01) G06N 3/08(2006.01) G06V 10/44(2022.01)G06V 10/80(2022.01) G06V 10/82(2022.01) (54)发明名称 基于生成对抗网络的图像隐写方法 (57)摘要 本发明提出了一种基于生成对抗网络的图 像隐写方法， 实现步骤为： 1)获取训练样本集； 2) 构建生成对抗网络模型； 3)对生成对抗网络模型 进行迭代训练； 4)获取图像隐写结果。 本发明通 过包含图像样本和随机数据的训练样本集， 对结 合Inception‑Res网络模 块的生成对抗网络模型 进行迭代训练， 通过对图像多种尺度的特征进行 聚合处理， 扩大了感受野的范围， 增强了特征的 表达能力， 并且由于引入残差连接， 可 以减少模 型复杂度并避免网络退化， 在保证解码准确率的 情况下， 有效提升了图像隐写的隐写容量， 对判 别器网络进行改进， 使 得判别器网络可以更好的 判别隐写图像与载体图像的真伪， 使得生成器网 络生成的隐写图像更接 近载体图像 。 权利要求书3页 说明书6页 附图2页 CN 115086674 A 2022.09.20 CN 115086674 A 1.一种基于生成对抗网络的图像隐写方法， 其特 征在于， 包括如下步骤： (1)获取训练样本集： 获取格式相同的M幅图像以及与图像尺寸相同的M个随机数据， 并对每幅图像进行预处 理， 然后将每幅预处理后的图像以及对应的随机数据组成训练样本集X＝{X1,X2,..., Xm,...,XM}， 其中， M≥10 00； (2)构建生成对抗网络模型H： (2a)构建生成对抗网络模型H的结构： 构建包括由顺次连接的编码器网络E和解码器网络D组成的生成器网络G， 以及与编码 器网络E输出端连接的判别器网络C的生成对抗网络模型H； 其中， E采用包括顺次连接的第 一卷积层、 由多个密集连接的第二卷积层 组成的卷积网络、 多个Inception ‑Res网络模块、 Tanh()激活函数输出层的残差 网络； D采用包括顺次连接的由多个密集连接的第二卷积层 组成的卷积网络、 多个Inception ‑Res网络模块的卷积神经网络； C采用包括顺次连接的多 个第三卷积层、 最大池化层、 全连接层、 Sigmod()激活函数输出层的卷积神经网络； Inception ‑Res网络模块采用改进的Inception ‑V1， 即对Inception ‑V1的输入端与输出端 进行残差连接； (2b)定义 生成器网络G的损失函数l ossG和判别器网络 C的损失函数l ossC lossG＝lossd+lossl+lossr+lossvgg19 其中， lossd、 lossl、 lossr、 lossVGG19分别表示输入样本Xs中随机数据 与恢复得到的 随机数据 之间的交叉熵损失、 输入样本Xs中图像数据 与隐写样本Ys之间的均方 误差损失、 判别器网络C对隐写样本Ys的判别结果、 通过VGG19 网络对 与Ys进行处理后 的结果之间的均方误差损失， Ys表示编码器网络E得到的结果， VGG19( ·)表示使用预训练 的VGG19网络处理样本， || ·||2表示均方误差损失函数， C( ·)表示判别器网络对样本的判 别结果； (3)对生成对抗网络模型H进行迭代训练： (3a)初始化迭代次数为q， 最大迭代次数为Q， Q≥32， 生成器 网络G、 判别器 网络C的网络 参数分别为θG、 θC， 并令q＝0； (3b)将训练样本集作为生成对抗网络模型H的输入， 编码器网络E对每个训练样本Xs中 的图像样本 进行特征提取， 并将 对应的随机数据 隐写在所提取的特征中， 得到Xs的隐写样本Ys； 解码器网络D对隐写样本Ys进行解码， 得到解码后的随机数据 判别器网络C对图像样本 和隐写样本Ys分别进行真伪判别， 得到判别结果 C (Ys)； (3c)采用损失函数lossC， 并通过 C(Ys)计算判别器网络C的损失值 采用 损失函数lossG， 并通过lossd、 lossl、 lossr、 lossVGG19、 Xs与Ys计算生成器网络G的损失权　利　要　求　书 1/3 页 2 CN 115086674 A 2值 再采用反向传播方法， 通过 与 分别计算判别器网络C的和生成器网络G的 网络参数梯度， 然后采用梯度 下降算法通过C和G的网络参数梯度对C和G的网络参数θC和 θG 进行更新， 得到 本次迭代的生成对抗网络模型Hq； (3d)判断q≥Q是否成立， 若是， 得到训练好的生成对抗网络模型H*， 否则， 令q＝q+1， 并 执行步骤(3b)； (4)获取图像隐写结果： 将随机载体图像与秘密信息作为训练好的生成对抗网络模型H*的输入， 编码器网络E对 输入进行图像隐写， 得到隐写图像； 解码 器网络D对编码 器网络E生成的 隐写图像进 行解码， 得到解码后的秘密信息 。 2.根据权利要求1所述的基于生成对抗网络的图像隐写方法， 其特征在于， 步骤(1)中 所述的对每幅图像进 行预处理， 包括步骤为： 以默认概率p＝0.5对每幅图像进 行水平翻转， 并对水平翻转的每幅图像进行随机裁剪， 然后将裁剪后的每幅图像转换为张量类型， 再对 每幅图像对应的张量进行归一 化处理， 得到M幅预处理后的图像。 3.根据权利要求1所述的基于生成对抗网络的图像隐写方法， 其特征在于， 步骤(2a)中 所述的生成对抗网络模型H的结构， 其中： 编码器网络E， 其中卷积网络所包含的密集连接的第二卷积层的个数为3， Inception ‑ Res网络模块的个数为3， 每个Inception ‑Res网络模块包括并行排布的四种不同的卷积神 经网络模块、 与四种卷积神经网络模块输出端 连接的第四卷积层， 以及与Incept ion‑Res网 络模块输入端残差连接的输出端； 该编码器网络 E的具体参数为： 第一卷积层的输出通道数为32， 卷积核大小为1*1， 步长为1， 填充为0； 密集连接的第二 卷积层的输出通道数均为32， 卷积核 大小均为3*3， 步长均为1， 填充均为 1； 第一种卷积神经 网络模块采用第四卷积层； 第二种卷积神经网络模块采用顺次连接的第四卷积层与第五卷 积层； 第三种 卷积神经网络模块采用顺次连接的第三卷积层与第六卷积层； 第四种 卷积神 经网络模块采用顺次连接的最大池化层与第四卷积层； 第四卷积层的卷积核 大小为1*1， 步 长为1， 填充为0； 第五卷积层的卷积核大小为3*3， 步长为1， 填充为0； 第六卷积层的卷积核 大小为5*5， 步长为1， 填充为0； 最大池化层的池化核大小为3 *3， 步长为1， 填充为1； 解码器网络D， 其中卷积网络所包含的密集连接的第二卷积层的个数为3， Inception ‑ Res网络模块的个数为3； 该解码器网络D的具体参数为： 密集连接的第二卷积层的输出通道数均 为32， 卷积核大小均 为3*3， 步长均 为1， 填充均 为1； Inception ‑Res网络模块中四种不同的卷积神经网络模块输出通道均数为32， 最终输 出通道数为均为32； 判别器网络C， 其所包含的第三卷积层的个数为3， 该判别器网络C的具体参数为： 第三 卷积层的输出通道数均为32， 卷积核 大小均为3*3， 步长均为1， 填充均为 1； 最大池化层 池化 核大小为3 *3， 步长为1， 填充为1； 全连接层输出通道数为1。 4.根据权利要求1所述的基于生成对抗网络的图像隐写方法， 其特征在于， 步骤(2b)中 所述的， 输入样本 Xs中随机数据 与恢复得到的随机数据 之间的交叉熵损失lo ssd、 输入样本Xs中图像数据 与隐写样本Ys之间的均方损失lossl、 判别器网络C对隐写样本 Ys的判别损失l ossr， 计算公式分别为：权　利　要　求　书 2/3 页 3 CN 115086674 A 3