本发明涉及网络安全，尤其涉及一种基于扩散模型的大容量生成式图像隐写方法。
背景技术：
：：1、数字图像隐写术利用人的视觉和多媒体数字的统计冗余,将秘密信息嵌入到公开的数字图像中并在公开信道中传递。它隐藏了通信内容，还掩盖“秘密通信行为”的存在，成为在公开环境中传递私密信息的重要途径。2、根据是否对载体图像进行修改，可将数字图像隐写术分为嵌入式隐写和生成式隐写。lsb隐写是嵌入式隐写中经典的隐写方法之一。它将载体图像像素的最低有效位替换为秘密信息比特，可大容量高效嵌入秘密信息。之后，出现了自适应隐写方法如hugo(highlyundetectable stego，高抗检测隐写)系列隐写，wow(wavelet obtained weights，小波域权重)隐写，以及j-uniward(jpeg universal wavelet relative distortion，jpeg通用小波相对失真)隐写等。它们在保持载体图像高维特征的前提下，设计嵌入失真函数，将秘密信息隐藏于纹理复杂的图像区域，使载密图像更难被检测。隐写分析是一种针对隐写技术的检测方法。为了对抗基于深度学习的隐写分析，研究者们利用神经网络设计隐写失真函数并与最小化隐写失真嵌入编码算法如syndrome-trelliscode(stc)相结合，取得了较好的研究成果。然而，随着深度学习的发展，嵌入式隐写方法仍存在被隐写分析检测出异常的可能。3、近年来,随着硬件水平的不断提高和数据量的快速增长,极大推动了生成式模型的发展。隐写的研究方向也与之进行了结合，出现了基于生成对抗网络(generativeadversarial network，gan)的生成式隐写。wang等人提出了一种self-learningsteganography based on generative adversarial networks(sstegan)的隐写方法，将秘密信息映射为载密图像，再通过提取器提取秘密信息。为了提高生成图像的质量，yu等人将注意力机制与gan结合，进一步提升了嵌入容量和提取精度。chen等人利用图像选择和一种名为stargan的网络提出了一种生成式隐写方法，该方法部分秘密信息与图像进行映射，部分信息通过stargan映射到生成的图像中。该方案携带的消息数量和鲁棒性得到了提升。peng等人提出了一种将秘密信息映射到噪声中，接着将该噪声输入到gan的生成器中生成载密图像，并利用梯度下降近似提取秘密数据。该方法的提取精度和鲁棒性具有较好的效果。然而，gan合成的图像与真实的图像相比仍有差距，影响了隐蔽通信的不可感知性要求。4、最近，扩散模型因其令人惊叹的视觉效果超过了gan，受到了领域内专家学者的广泛关注，成为生成式研究的热点研究领域之一。wei等人提出了一种生成式隐写扩散(gsn)方法。该方法将先将噪声利用dct变换，将秘密信息隐藏至变换后的系数；再利用dct反变换生成载密噪声，接着将该噪声输入扩散模型生成载密图像。提取者利用欧拉迭代法将载密图像恢复至秘密信息。但该方法改变了噪声的分布，影响生成图像的质量。kim等人提出了一种将秘密信息映射到噪声的方法，可实现较高的嵌入容量。然而，该方法生成为可存储较高精度浮点值的图像格式tiff，这一特定的图像格式限制了方法的应用场景。peng等人提出了一种generative image steganography based on denoising diffusionprobabilistic model(stegaddpm)。该方法利用了去噪扩散概率模型(denoisingdiffusion probabilistic model,ddpm)逆向过程中中间状态与生成图像之间的概率分布，接着构建映射函数将秘密信息映射为噪声，并将噪声添加进中间过程生成载密图像。该方法生成的tiff格式载密图像具有大容量、高提取精度的特点；但png格式载密图像的提取精度仍有待提升。技术实现思路1、在生成png、jpeg等主流格式的载密图像时，现有基于扩散模型隐写方法因计算复杂度高导致生成效率低下、因浮点图像的取整误差导致秘密信息难以完全恢复，针对上述问题，为了实现高精度提取秘密信息、提升载密图像生成质量与效率的目标，本发明提出一种基于扩散模型的大容量生成式图像隐写方法。该方法设计了一种将秘密信息映射为载密噪声的映射算法并输入扩散模型生成载密图像；利用映射规则检测扩散模型的输出转换为图像时产生的误差，并由秘密信息驱动数据取整方式进行循环纠错以保证秘密信息的精确提取；根据扩散模型的可逆性及逆向过程的非马尔可夫性恢复载密噪声并加速生成载密图像。2、为了实现上述目的，本发明采用以下技术方案：3、一种基于扩散模型的大容量生成式图像隐写方法，包括：4、步骤1：将秘密信息转换为二进制，并且使用rs纠错码纠正因图像取整可能引发的错误；5、步骤2：通过发送者提供的密钥，生成服从标准正态分布的标准噪声，通过标准噪声和设计的映射函数，将秘密信息对应的噪声分布在差异较大的区间，秘密信息对应的噪声与标准噪声一一匹配，生成载密噪声；6、步骤3：将载密噪声输入预训练的ddim模型，生成载密图像；7、步骤4：预提取载密图像中的秘密信息，若秘密信息不能正确提取，表明发生偏移误差，获取错误噪声点位的位置并执行步骤5；若能正确提取，表明嵌入过程已完成，则直接执行步骤6；8、步骤5：修改错误噪声点位对应的数值取整方式，进而得到修改后的载密图像；9、步骤6：接收者利用发送者共享的密钥生成与发送者一致的标准噪声；10、步骤7：基于接收的载密图像，利用ddim的可逆性恢复载密噪声，基于生成的标准噪声、载密噪声和设计的反映射函数提取嵌入的秘密信息。11、进一步地，所述步骤2中，按照以下方式生成载密噪声：12、首先获取秘密序列元素mi的索引i；接着，获取相应通道中索引为i的标准噪声；然后，得到该标准噪声的区间索引ic；最后，根据映射函数f(mi,ic)得到载密噪声的区间索引is并从该区间随机选择一个噪声作为载密噪声。13、进一步地，所述映射函数f(mi,ic)的映射规则为：14、15、其中mi表示秘密序列m中索引为i的秘密比特，ic表示索引为i的标准噪声的区间索引，为标准噪声分布的区间划分成的4个面积相等的子区间，为载密噪声分布的区间划分成的4个面积相等的子区间。16、进一步地，所述步骤5中，当载密图像xm索引为i处的xi预提取的秘密比特错误时，根据秘密信息的需要选择取整方式：17、18、其中，表示向上取整函数，表示向下取整函数，mi表示秘密序列m中索引为i的秘密比特，“％”表示求余。19、进一步地，所述步骤7中，反映射函数f-1(is,ic)的映射规则为：20、21、其中mi行的值为0时表示提取的秘密比特为0；mi行的值为1时表示提取的秘密比特为1；mi行的值为-1时，表明发生了偏移误差。22、进一步地，所述步骤4的预提取载密图像中的秘密信息的过程中，需要结合设计的反映射函数，以及反映射函数对应的映射规则。23、与现有技术相比，本发明具有的有益效果：24、本发明构建了一种将秘密信息映射为载密噪声的算法，将该载密噪声输入扩散模型可以生成载密图像。提出了一种对浮点图像转换为真实图像时产生误差的检测方法，能够定位可能导致提取失败的数据位置。设计了一种循环纠正图像转换时产生误差的方法，使载密信息能够被完全正确提取。将纠错码与ddim相结合减少了采样次数和纠错时间，使图像生成的效率得以提升。与现有方法相比，本发明在100％提取秘密信息的情况下，拥有更高的嵌入容量；与基于扩散模型(ddpm)隐写方法的载体生成效率相比，生成速度提升了65.92％以上。当前第1页12当前第1页12
技术特征：1.一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，包括：
2.根据权利要求1所述的一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，所述步骤2中，按照以下方式生成载密噪声：
3.根据权利要求2所述的一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，所述映射函数f(mi,ic)的映射规则为：
4.根据权利要求1所述的一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，所述步骤5中，当载密图像xm索引为i处的xi预提取的秘密比特错误时，根据秘密信息的需要选择取整方式：
5.根据权利要求3所述的一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，所述步骤7中，反映射函数f-1(is,ic)的映射规则为：
6.根据权利要求5所述的一种基于扩散模型的大容量生成式图像隐写方法，其特征在于，所述步骤4的预提取载密图像中的秘密信息的过程中，需要结合设计的反映射函数，以及反映射函数对应的映射规则。
技术总结本发明公开一种基于扩散模型的大容量生成式图像隐写方法，首先构建了一种将秘密信息映射为载密噪声的映射算法，并利用扩散模型DDIM将载密噪声生成初始的载密图像；接着，针对浮点图像转换为真实图像时产生的误差，使用映射规则提出了一种检错并纠错的机制；最后，应用DDIM加速采样并生成最终的载密图像。本发明提出的方法在FFHQ、Cat和Bedroom 3个大规模数据集上进行了实验与分析，实验结果表明，本发明的方法能够确保秘密数据被100％正确地提取，且具有更高的嵌入容量，此外，与基于扩散模型(DDPM)隐写方法的图像生成效率相比，提出方法的生成速度提升了65.92％。
技术研发人员：罗向阳,张明亮,张佩,张祎,刘燕美,李浩,张倩倩,范文同
受保护的技术使用者：中国人民解放军战略支援部队信息工程大学
技术研发日：技术公布日：2024/10/24
