本發(fā)明屬于通用圖像數(shù)據(jù)處理，具體涉及一種基于可逆神經(jīng)網(wǎng)絡的圖像隱藏方法及裝置。

背景技術：

1、數(shù)字圖像水印是一種重要的圖像隱藏應用，用于保護圖像版權及信息安全。在數(shù)字圖像中嵌入水印可以有效防止圖像被未經(jīng)授權的復制、修改和分發(fā)。同時，水印技術在認證和數(shù)據(jù)完整性檢測方面也發(fā)揮著重要作用。

2、普通的圖像水印方法，包括最不重要比特（lsb）替換和基于變換域的方法。雖然這些方法實現(xiàn)簡單，但生成的圖像質量通常較低，難以適用于對生成圖像質量有較高要求的數(shù)字圖像版權領域。最不重要比特替換方法是最常用的圖像隱藏技術之一，其基本思想是在圖像的每個像素中，替換掉最低有效位（lsb）來隱藏信息。這種方法的優(yōu)點是實現(xiàn)簡單、速度快，但由于直接修改了圖像的像素值，容易導致圖像質量下降；特別是在較大數(shù)據(jù)量的情況下，圖像的視覺效果會顯著變差，且隱藏的信息容易被檢測和移除，安全性較低?；谧儞Q域的方法，如dct和dwt，是在圖像的頻域中嵌入信息，雖然比直接修改像素值的方法具有更好的隱蔽性，但由于需要進行復雜的數(shù)學變換，計算復雜度較高，且在嵌入大量信息時也會導致圖像質量下降。

3、此外，現(xiàn)有的使用深度學習的圖像隱藏方法雖然可以生成質量較高的stego圖像（經(jīng)過隱寫技術處理后，含有隱藏信息的圖像），但是其參數(shù)量普遍較大，占用顯存大，對硬件需求很高，實際應用能力不足。鑒于此，如何生成安全且高質量的帶水印數(shù)字圖像以保護其版權，是一個亟待解決的重要問題。

技術實現(xiàn)思路

1、根據(jù)以上現(xiàn)有技術中的不足，本發(fā)明的目的在于提供一種基于可逆神經(jīng)網(wǎng)絡的圖像隱藏方法及裝置，能夠隱藏大量的信息，同時保持較低的參數(shù)量和較高的圖像質量，可以良好的適用于數(shù)字圖像版權保護等領域。

2、為達到以上目的，本發(fā)明采用的技術方案是，一種基于可逆神經(jīng)網(wǎng)絡的圖像隱藏方法，包括以下步驟：

3、s1、基于公共數(shù)據(jù)集，獲取訓練圖像，并對訓練圖像進行預處理；

4、s2、獲取需要加入水印的數(shù)字圖像，利用qrcode庫和pillow庫生成與數(shù)字圖像大小相同的二維碼圖像；

5、s3、構建lmfi網(wǎng)絡模型框架，lmfi網(wǎng)絡模型框架包括若干個參數(shù)共享的可逆交互塊inv-block；

6、s4、利用預處理后的訓練圖像對lmfi網(wǎng)絡模型框架進行訓練；

7、s5、利用訓練后的lmfi網(wǎng)絡模型框架對需要加入水印的數(shù)字圖像（如數(shù)字藝術品圖像、大模型生成的圖像等）進行處理，即為將二維碼圖像作為水印信息嵌入到數(shù)字圖像中，生成含有隱藏水印的圖像；

8、s6、當需要對隱藏水印后的圖像進行水印提取時，利用訓練后的lmfi網(wǎng)絡模型框架進行水印提取，即可獲得恢復的水印圖像。

9、作為本發(fā)明的優(yōu)選方案，所述的s1中，預處理過程為，將訓練圖像隨機剪裁為224×224大小，并進行水平隨機旋轉和垂直隨機旋轉，增加數(shù)據(jù)的多樣性。

10、作為本發(fā)明的優(yōu)選方案，所述的s2中，qrcode庫是一個用于生成二維碼的python庫，pillow庫是一個圖像處理庫（可對生成的二維碼圖像進行圖像處理，主要用于調(diào)整大?。?，利用qrcode庫和pillow庫生成與數(shù)字圖像大小相同的二維碼圖像的具體過程為：

11、s21、在python代碼中導入qrcode庫和pillow庫，定義二維碼中包含的數(shù)據(jù)內(nèi)容，數(shù)據(jù)內(nèi)容包括url鏈接、文本字符串、聯(lián)系信息、wifi配置、地理位置坐標、電話號碼、短信內(nèi)容和自定義數(shù)據(jù)中的一種或多種；

12、s22、創(chuàng)建一個qrcode對象，并設置參數(shù)以控制二維碼的生成屬性，參數(shù)包括版本、錯誤糾正等級、盒子大小以及邊框大??；

13、s23、將定義的數(shù)據(jù)內(nèi)容添加到qrcode對象中，生成二維碼圖像，并利用pillow庫調(diào)整生成的二維碼圖像大?。礊樯膳c數(shù)字圖像大小相同的二維碼圖像），隨后將二維碼圖像保存為文件。

14、作為本發(fā)明的優(yōu)選方案，所述的s3中，lmfi網(wǎng)絡模型框架包括五個參數(shù)共享的可逆交互塊，其中每個可逆交互塊中又包含了三次交互，信息在三次交互過程中通過多尺度融合塊、殘差稠密塊、exp函數(shù)以及sigmoid函數(shù)處理。

15、作為本發(fā)明的優(yōu)選方案，所述的s1中，公共數(shù)據(jù)集采用div2k和coco，s4中，訓練時，訓練過程所用的數(shù)據(jù)集為div2k中的訓練集，并設置測試集，測試集中包括了div2k、coco、imagenet中的測試集以及s2中引入的數(shù)字圖像和生成的二維碼圖像。

16、作為本發(fā)明的優(yōu)選方案，所述的s4中，訓練過程包括以下步驟：

17、s31、從訓練集中交替選擇圖像，其中一張作為封面圖像cover（稱為cover圖像，其余同理），另一張作為秘密圖像secret，秘密圖像即為被隱藏的圖像；

18、s32、在正向隱藏過程中，首先將cover圖像與secret圖像作為初始輸入，在經(jīng)過五個可逆交互塊處理后，得到隱藏好的圖像stego（含有隱藏水印的圖像）與丟失的信息l；其中，在可逆交互塊中，cover圖像與secret圖像的信息交互過程表示為：

19、；

20、；

21、式中，、分別為經(jīng)過第k個、第k+1個可逆交互塊處理后，cover圖像的特征表示；、分別為經(jīng)過第k個、第k+1個可逆交互塊處理后，secret圖像的特征表示，k=1，2，3，4；表示sigmoid函數(shù)；cat表示連接操作；d1、d2分別表示殘差稠密塊、多尺度融合塊；⊙表示矩陣中的點乘操作；exp表示指數(shù)函數(shù)；表示一個3×3的卷積；1表示一個全為1的向量或矩陣，用于在連接操作中作為偏置項；

22、s33、在反向揭示過程中，信息的流向與正向隱藏過程相反，即信息從最后一個可逆交互塊輸入，從第一個可逆交互塊輸出；以stego圖像以及從與丟失信息l相同的高斯分布中抽取的輔助變量w為輸入，在經(jīng)過五個可逆交互塊處理后，即可獲得恢復圖像secret-rev（恢復的水印圖像），反向揭示過程中的公式表示為：

23、；

24、；

25、式中，、分別表示在第k個、第k+1個可逆交互塊中使用的輔助變量；、分別為經(jīng)過第k個、第k+1個可逆交互塊處理后，stego圖像的特征表示。

26、作為本發(fā)明的優(yōu)選方案，所述的s4中，訓練過程中采用的損失函數(shù)包括隱藏損失和恢復損失，隱藏損失的公式為：

27、；

28、式中，表示總隱藏損失；n表示訓練樣本數(shù)量，i代表第i個訓練樣本；表示第i個訓練樣本對應的cover圖像；表示第i個訓練樣本對應的stego圖像；為平均絕對誤差損失函數(shù)mae，用來衡量與之間的差異程度；

29、恢復損失的公式為：

30、；

31、式中，表示總恢復損失；表示對隨機變量z進行期望值的計算，其中z是從概率分布函數(shù)中采樣得到的；

32、訓練過程中的總損失為隱藏損失和恢復損失的線性和，表示為：

33、；

34、式中，、分別為隱藏損失、恢復損失的權重。

35、作為本發(fā)明的優(yōu)選方案，所述的s4中，訓練過程中，訓練的批大小為4，初始學習率為1×10?3.9，訓練5輪后，降低學習率到1×10?4.4，此后每260輪迭代學習率減半，總迭代次數(shù)為2000輪，并采用adam優(yōu)化器，設定訓練過程中的其他超參數(shù)；、的初始值分別設為5.0、3.0。

36、作為本發(fā)明的優(yōu)選方案，殘差稠密塊為五層結構，多尺度融合塊由兩個3×3大小的卷積以及一個上采樣塊構成，每個可逆交互塊中包含的三次交互具體為，在cover圖像與secret圖像間有三個交互分支，在第一個交互分支中，secret圖像的信息經(jīng)過殘差稠密塊與多尺度融合塊處理，在通道維度連接后再經(jīng)過一個3×3大小的卷積塊處理后與cover圖像的信息相加；在第二個交互分支中，cover圖像的信息經(jīng)過一個殘差稠密塊及sigmoid函數(shù)和exp函數(shù)處理后與secret圖像的信息相乘；在第三個交互分支中，輸入可逆交互塊的信息經(jīng)過殘差稠密塊與多尺度融合塊處理，在通道維度連接后再經(jīng)過一個3×3大小的卷積塊處理后與secret圖像的信息相加。

37、s5和s6中，利用訓練后的lmfi網(wǎng)絡模型框架對需要加入水印的數(shù)字圖像進行處理的過程，參照上述的訓練過程即可，最終輸出stego圖像；利用訓練后的lmfi網(wǎng)絡模型框架進行水印提取同理，最終輸出secret-rev圖像。

38、一種基于可逆神經(jīng)網(wǎng)絡的圖像隱藏裝置，包括：

39、存儲器，其上存儲有計算機處理程序；

40、處理器，用于執(zhí)行存儲器中的計算機處理程序，以實現(xiàn)上述的一種基于可逆神經(jīng)網(wǎng)絡的圖像隱藏方法。

41、本發(fā)明所具有的有益效果是：

42、本發(fā)明能夠隱藏大量的信息，同時保持較低的參數(shù)量和較高的圖像質量，在將信息隱藏在圖像中后，肉眼將無法察覺圖像變化，可以良好的適用于數(shù)字圖像版權保護等領域。

43、本發(fā)明采用了一種端到端的神經(jīng)網(wǎng)絡框架，無需大量人工輔助，節(jié)約了人工成本；只需將需要嵌入水印的數(shù)字圖像與水印圖像輸入訓練后的lmfi網(wǎng)絡模型框架，即可生成嵌入水印的高質量圖像，起到保護圖像版權的作用；在需要驗證版權時，只需將嵌入水印的圖像與嵌入水印過程中生成的輔助信息輸入網(wǎng)絡，即可將水印恢復確認數(shù)字圖像版權。

44、本發(fā)明生成的隱藏圖像質量很高，遠超使用lsb隱寫術等普通隱藏方法生成的隱藏圖像，同時，網(wǎng)絡框架的參數(shù)量低，在一次訓練后，即可直接讀取模型進行圖像隱藏，隱藏與恢復速度塊，占用顯存小，可大幅節(jié)約時間成本與硬件成本。