论文部分内容阅读
图像隐写是将秘密信息隐藏到载体图像的技术,传统基于嵌入式的图像隐写术面对日益强大的隐写分析器时,难以抵抗其检测。因此,研究者提出图像的无嵌入隐写(Steganography without Embedding,SWE)算法,即隐写信息时不需要嵌入或修改载体图像。随着深度学习的兴起,深度学习也被引入隐写,特别是生成对抗网络(Generative Adversarial Networks,GAN)的使用有效地提高了隐写性能。然而,现有的基于生成对抗网络的无嵌入图像隐写方法在信息恢复准确率、隐写容量和针对模型攻击的安全方面存在着缺陷。本文针对上述问题,研究新型的基于生成对抗网络的无嵌入隐写算法,主要研究工作和成果如下:首先,本文提出了一种基于对抗训练的无嵌入隐写算法。隐写图像由秘密信息映射的噪声向量直接生成,再通过提取模型从隐写图像中恢复噪声向量。本文针对性地设计了具有合理特征映射面积的生成模型结构,在保证生成图像质量的前提下更有利于信息恢复;提取模型的优化通过残差结构和并行结构加宽、加深网络层数;判别模型引入Wasserstein距离,使得生成的图像更加自然并提高模型稳定性;训练过程中,设计了阶段训练和端到端训练相结合的方式,保证整个框架在不同阶段的训练侧重点不同,以提高隐写性能。其次,本文从现代密码学安全原则的角度出发,设计了基于生成对抗网络的安全无嵌入隐写模型。针对已知生成模型攻击,已知提取模型攻击,以及训练提取模型攻击设计了一种基于非对称密钥的安全隐写模型,在生成模型和提取模型分别设置密钥。发送方拥有生成密钥和秘密信息,通过生成模型中生成隐写图像;接收方通过安全信道获得的提取密钥和不安全信道获得的隐写图像后,通过提取模型提取秘密信息。在正确的生成密钥和提取密钥的前提下,设计的模型能够完成秘密信息的安全传递。最后,本文对设计的模型进行实验,并从不同的方面证明模型的有效性。实验结果表明,本文设计的无嵌入隐写模型实现了信息的高精度恢复,隐写容量也大幅度提升,同时该模型也具有良好的安全性;所设计的安全模型在保证信息高精度恢复的前提下实现不安全信道下秘密信息的安全传输,并且能够抵御多种安全威胁,满足现代密码学的Kerchhoffs准则。