基于卷积神经网络和频域注意力的图像隐写方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN114157773A(43)申请公布日2022.03.08(21)申请号202111454888.2(22)申请日2021.12.01(71)申请人杭州电子科技大学地址310018浙江省杭州市下沙高教园区(72)发明人张善卿李辉李黎陆剑锋(74)专利代理机构杭州君度专利代理事务所(特殊普通合伙)33240代理人杨舟涛(51)Int.Cl.H04N1/32(2006.01)G06N3/04(2006.01)G06N3/08(2006.01)权利要求书2页说明书6页附图5页(54)发明名称基于卷积神经网络和频域注意力的图像隐写方法(57)摘要本发明公开了一种基于卷积神经网络和频域注意力的图像隐写方法，涉及信息隐藏领域，特别是图像隐写这一应用领域。目前的深度学习方法只在空间域进行数字图像的信息隐藏，本发明基于卷积神经网络，增加频域注意力机制，关注于频域空间上的中低频部分，调整卷积神经网络模型的深度，模型能更好提取到频域上的特征。本发明能有效地将秘密信息嵌入图像中，且含密图像与原始图像的相似度高，且能根据含密图像准确地提取秘密信息。CN114157773ACN114157773A权利要求书1/2页1.一种基于卷积神经网络和频域注意力的图像隐写方法，其特征在于具体步骤如下：S1、在SteganoGAN网络基础上，将多个Fca频域模块加入网络的编码器并重构解码器，构建得到包含编码器网络、解码器网络和评估器网络的卷积神经网络；每个Fca频域模块均为一个频域注意力网络FcaNet，且频域注意力网络FcaNet的频率分量组合选择为中低频率部分；所述编码器网络中，分别在SteganoGAN网络的全连接编码器的第一层卷积层、第二层卷积层和第三层卷积层之后各自插入一个Fca频域模块；所述解码器网络中，第一层为卷积层，输入为含密图像；第二层为Fca频域模块，输入为解码器网络第一层的输出特征张量；第三层为卷积层，输入为解码器网络第二层的输出特征张量；第四层为Fca频域模块，输入为解码器网络第三层的输出特征张量；第五层为卷积层，输入为解码器网络第四层的输出特征张量和第二层的输出特征张量按维度拼接的结果；第六层为Fca频域模块，输入为解码器网络第五层的输出特征张量；第七层为卷积层，输入为解码器网络第六层的输出特征张量；第八层为Fca频域模块，输入为解码器网络第七层的输出特征张量；第九层为卷积层，输入为解码器网络第八层的输出特征张量；第十层为Fca频域模块，输入为解码器网络第九层的输出特征张量；第十一层为卷积层，输入为解码器网络第十层的输出特征张量和第八层的输出特征张量按维度拼接的结果；第十二层为Fca频域模块，输入为解码器网络第九层的输出特征张量；第十三层为卷积层，输入为解码器网络第十二层的输出特征张量、解码器网络第十层的输出特征张量和第八层的输出特征张量按维度拼接的结果，输出为秘密信息；S2、基于图像数据集对所述卷积神经网络模型进行训练，得到在信息发送方和信息接收方之间进行秘密信息隐写传输的图像隐写网络模型；其中，信息发送方向图像隐写网络模型的编码器模块中输入原始图像和待写入的秘密信息，输出含密图像，并将其发送给信息接收方，而信息接收方将收到的含密图像输入图像隐写网络模型的解码器模块中，输出秘密信息。2.根据权利要求1所述的基于卷积神经网络和频域注意力的图像隐写方法，其特征在于，步骤S1中，所述中低频率部分为2维DCT频率空间的低频和中频部分。3.根据权利要求2所述的基于卷积神经网络和频域注意力的图像隐写方法，其特征在于，所述2维DCT频率空间每一维均划分为7等份，一共划分得到7×7个部分，位于左上角的部分坐标为(0,0)，则所述中低频率部分由坐标为(0,0)、(0,1)、(0,2)、(0,3)、(0,4)、(1,0)、(1,1)、(1,2)、(1,3)、(1,4)、(2,0)、(2,1)、(2,2)、(3,0)、(3,1)、(4,0)一共16个部分组成。4.根据权利要求1所述的基于卷积神经网络和频域注意力的图像隐写方法，其特征在于，步骤S1中，解码器网络中第一层、第三层、第五层、第七层、第九层、第十一层的卷积核大小均为3*3，卷积核数量均为32个，并且均采用LeakyReLU函数作为激活函数。5.根据权利要求1所述的基于卷积神经网络和频域注意力的图像隐写方法，其特征在于，步骤S1中，解码器网络的第十三层的卷积核大小为3*3，卷积核数量为3个。6.根据权利要求1所述的基于卷积神经网络和频域注意力的图像隐写方法，其特征在于，所述卷积神经网络中，秘密信息均通过字节编码转换为360*360*3的张量后再输入图像隐写网络模型中。2CN114157773A权利要求书2/2页7.根据权利要求