本发明涉及信息安全领域，尤其涉及基于对抗优化与反馈连接的强鲁棒图像隐写方法。
背景技术：
1、网络技术的快速发展，给日常生活带来了许多便利，人们可以使用各种通信软件发送信息，在各种社交平台接收到各种新闻资讯，然而这些网络技术同样方便了一些别有用心的攻击者。在信息发送过程中，这些攻击者会对信息进行监听和窃取。如何在信息通信过程中保证传输信息的安全性成为了人们日益关注的问题。
2、隐写术利用人类在感官上(如视觉、听觉)的不敏感性以及多媒体载体的信息冗余来完成秘密信息的隐藏，把需要传达的信息嵌入到多媒体载体(如文本、图像、音频等)中，却可以保持原有载体信息的相对不变，以达到“隐秘书写”的效果，而图像是人们日常生活中广泛使用的多媒体载体之一，且图像包含有丰富的信息，包括颜色、纹理、形状等，这使得在图像中隐藏秘密信息变得更加灵活和难以察觉，因此图像隐写也成为信息安全中深受关注的研究方向之一。
3、图像隐写方法的鲁棒性指的是含密图像经过外部攻击或图像处理操作后仍能有效重构出秘密图像的能力。在实际信息传输过程中，图像可能会经过各种变换和处理，例如压缩、添加噪声等，如果隐写方法缺乏鲁棒性，那么隐藏的秘密信息就很容易在图像处理过程中丢失或者被破坏，导致信息的不可用或者泄露。现有的鲁棒图像隐写方法大都在隐写过程中集成模拟攻击，通过对抗训练来提高方法的鲁棒性，然而鲁棒性的提高也限制了隐藏容量和安全性的提高。
技术实现思路
1、本发明提供了基于对抗优化与反馈连接的强鲁棒图像隐写方法。该方法在安全性和鲁棒性上均取得了优于现有先进隐写方法的性能，同时还能隐藏相同尺寸的彩色图像，隐藏容量也得到了提升。
2、为了实现上述目的，本发明采用了以下技术方案：
3、基于对抗优化与反馈连接的强鲁棒图像隐写方法，包括下列步骤：
4、1)载体图像和秘密图像进入基于可逆神经网络设计的隐藏网络，通过n个可逆块得到含密图像和损失信息，可逆块由放射耦合层组成，使用反馈连接块作为仿射变换中的学习模块；
5、2)在隐写过程中，集成模拟攻击层，含密图像经过模拟攻击层得到受攻击的含密图像，从而对网络训练进行对抗优化；
6、3)受攻击的含密图像经过内容增强模块还原为未遭受攻击时的状态，随着从标准高斯分布中采样的数据作为辅助变量进入重构网络，得到重构秘密图像和重构载体图像；
7、4)重构秘密图像经过视觉增强模块，在视觉上更接近原始秘密图像；
8、5)对整体网络的优化策略分为训练策略和损失函数的设计。
9、本发明进一步说明，所述步骤1)中提出新的学习模块，使用反馈连接块，采取跳跃连接的方式使得深层卷积块访问到浅层特征。引入反馈机制后，网络使用先前的输入信息，动态调整当前的处理方式，从而减少对干扰的敏感性，提高整体鲁棒性。
10、本发明进一步说明，所述步骤2)中的模拟攻击层，考虑常见的噪声和jpeg压缩，在jpeg压缩的量化操作里，舍入函数是有损且不可微的，无法在网络训练中使用原始jpeg算法，因此使用一种近似舍入函数作为代替，从而实现jpeg压缩的模拟。
11、
12、其中i是经过dct变换后除以量化矩阵的图像，q(i)是图像在jpeg压缩的量化操作中近似舍入的结果，k是平衡参数，值越高则效果越接近原始舍入函数，但训练时长也会增加。
13、本发明进一步说明，所述步骤3)和4)中的双增强模块：双增强模块包括内容增强模块和视觉增强模块，其中内容增强模块使得受干扰的含密图像尽可能还原成原始含密图像，从而提高重构得到的秘密图像的质量；视觉增强模块使得重构的秘密图像在视觉上更接近原始秘密图像。
14、本发明进一步说明，所述步骤5)中损失函数的设计，提出差异一致性损失。差异图像是两张图像直接相减得到的结果，如果两张图像越相似，像素值越相同，那么得到的差异图像的像素值应为0，在图像表示上是全黑的颜色。因此，本发明提出差异一致性损失，通过将含密图像与载体图像相减得到的差异图像与像素值全为0的同尺寸图像进行l2正则化，将差异图像像素值减小，约束差异图像向全黑图像靠近，可以使得图像的视觉信息被模糊化，攻击者无法直观地观察到秘密信息的隐藏位置或内容，还可以降低被隐写分析模型检测到的概率，有效减少了秘密信息泄露的风险。其定义如下：
15、
16、其中，xstego表示含密图像，xcover表示载体图像，xblack表示和差异图像同尺寸且像素值全为0的图像；xstego-xcover是简单的像素差异；||xstego-xcover|-xblack|2是差异图像之间的距离，使用均方误差；下标2是欧几里得范数。
17、本发明的技术创新相关说明：
18、基于对抗优化与反馈连接的强鲁棒图像隐写方法。本发明利用可逆神经网络构建图像隐藏和重构网络，并提出一种新的反馈连接学习模块，相较于常用学习模块，其在相同训练时间下可以使得隐藏和重构网络生成的图像质量更高。同时，为了增强图像隐写方法的鲁棒性，在隐写过程中集成模拟攻击层，并通过基于反馈连接学习模块构建的内容增强模块和视觉增强模块，结合对应的内容损失函数和视觉损失函数来迭代对抗优化重构秘密图像的质量。此外，为了提高网络的抗隐写分析能力，还提出一种差异一致性损失函数，以略微牺牲含密图像质量为代价换取更高的抗隐写分析能力。实验表明，该方法可以在彩色载体图像中隐藏同尺寸的彩色秘密图像，且在经过不同噪声和不同强度的jpeg压缩等干扰攻击后仍能高质量重构出秘密图像，同时也能有效抵抗基于深度学习的隐写分析模型的检测。
19、本发明与现有技术相比具有如下优点：
20、1.在图像质量上，在相同训练时间内取得更好的隐藏和重构效果。
21、2.在鲁棒性上，通过反馈连接模块构建的双增强模块有效地从受攻击的含密图像中高质量地重构出秘密图像。
22、3.在安全性上，提出差异一致性损失函数，提高了隐写方法对基于深度学习的隐写分析模型的抵抗能力。
23、4.本发明提出的隐写方法具有较好的泛化能力，能够相对隐藏更大容量的信息，且在各种噪声和jpeg压缩等干扰的攻击下仍表现出较高的鲁棒性，并能够有效抵抗隐写分析检测。
1.基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，包括下列步骤：
2.根据权利要求1所述的基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，所述步骤1)中的提出新的学习模块，使用反馈连接块，采用跳跃连接的方式使得深层卷积块访问到浅层特征，引入反馈机制后，网络使用先前的输入信息，动态调整当前的处理方式，从而减少对干扰的敏感性，提高整体鲁棒性。
3.根据权利要求1中所述的基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，所述步骤2)中的模拟攻击层，考虑常见的噪声和jpeg压缩，在jpeg压缩的量化操作里，舍入函数是有损且不可微的，无法在网络训练中使用原始jpeg算法，采取一种近似舍入函数作为代替，从而实现jpeg压缩的模拟：
4.根据权利要求1中所述的基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，所述步骤3)和4)中的双增强模块：双增强模块包括内容增强模块和视觉增强模块，内容增强模块使得受干扰的含密图像尽可能还原成原始含密图像，从而提高重构得到的秘密图像的质量；视觉增强模块使得重构的秘密图像在视觉上更接近原始秘密图像。
5.根据权利要求1中所述的基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，所述步骤5)中的优化策略，整体网络采用三步训练；第一步，只训练隐藏网络和重构网络，得到的含密图像不经过模拟攻击层；第二步，将得到的含密图像经过模拟攻击层，开始训练内容增强模块和视觉增强模块，但是冻结隐藏网络和重构网络的参数，此外，为了使第二步更加稳定，将第二步总训练周期数划分成若干段，在某一段中含密图像会固定遭受到某个干扰的攻击，而在下一段中则固定遭受另一个干扰的攻击；第三步，将隐藏网络和重构网络重新开始训练，生成的含密图像会随机遭受到某个干扰的攻击，经过攻击后的含密图像通过内容增强模块进行增强，随后输入到重构网络中进行秘密图像重构，最后重构秘密图像会进入视觉增强模块进行视觉增强。
6.根据权利要求1中所述的基于对抗优化与反馈连接的强鲁棒图像隐写方法，其特征在于，所述步骤5)中损失函数的设计，提出差异一致性损失；差异图像是两张图像直接相减得到的结果，如果两张图像越相似，像素值越相同，那么得到的差异图像的像素值应为0，在图像表示上是全黑的颜色；差异一致性损失通过将含密图像与载体图像相减得到的差异图像与像素值全为0的同尺寸图像进行l2正则化，将差异图像像素值减小，约束差异图像向全黑图像靠近，能使得图像的视觉信息被模糊化，攻击者无法直观地观察到秘密信息的隐藏位置或内容，还能降低被隐写分析模型检测到的概率，有效减少了秘密信息泄露的风险；差异一致性损失函数定义如下：
