论文总字数：22634字

摘 要

深度学习是目前机器学习领域中的热门方向，即通过模拟人类的大脑自主学习数据的各个深度的抽象特征信息，从而能更好的表现数据的本质特征。近年来，深度学习已经在语音图像识别，自然语言处理等领域取得了不少突破性进展。同时，传统的隐写术和图像加密技术似乎到达了瓶颈期，深度学习的出现为该领域增添了新的活力。

最近的研究表明，深度神经网络对输入图像的微小扰动非常敏感。本文发现神经网络可以学习使用人眼看不到的微小扰动来编码大量有用的信息。本文提出可以利用这种能力来完成数据隐藏任务。本文联合训练编码器和解码器网络，在给定输入消息和封面图像的情况下，编码器产生视觉上无法区分的编码图像，解码器可以从中恢复原始消息。本文证明这些编码与现有的数据隐藏算法相比，具有较高的准确性，并且可以使它们对噪声具有一定鲁棒性。

本次毕业设计旨在对近几年深度学习在数据隐藏领域中的研究发展状况做简单的介绍,同时介绍利用深度神经网络来进行信息的加密的一套模型方法，进行一系列试验并将其模型投入应用。

关键词 ：对抗网络 隐写术 深度学习 卷积网络 信息隐藏

Research on Information Hiding Technology Based on Deep Neural Network

Abstract

Deep learning is an emerging direction in the current popular machine learning field, which is to automatically learn the abstract feature information of each level of data by simulating the human brain, so as to better reflect the essential characteristics of the data. In recent years, deep learning has made many breakthroughs in the fields of natural language processing and speech recognition and image processing. At the same time, traditional steganography and image encryption technology seem to have reached the bottleneck period, and the emergence of deep learning has added new vitality to the field.

Recent work has shown that deep neural networks are highly sensitive to tiny perturbations of input images. We find that neural networks can learn to use invisible perturbations to encode a rich amount of useful information. In fact, one can exploit this capability for the task of data hiding. We jointly train encoder and decoder networks, where given an input message and cover image, the encoder produces a visually indistinguishable encoded image, from which the decoder can recover the original message. We show that these encodings are competitive with existing data hiding algorithms, and further that they can be made robust to noise.

This graduation project aims to provide a brief introduction to the research and development of deep learning in the field of steganography and data hiding in recent years. At the same time, it introduces a set of model methods that use deep neural networks to encrypt information. Experiment and put the model into practice.

Keywords: Adversarial network; Steganography; Deep learning; Convolutional network Information hiding

目 录

摘 要 I

Abstract II

第一章 前言 1

1.1研究目的及意义 1

1.2 隐写术 1

1.3 水印 1

1.4对抗样本及相关介绍 2

1.5章节安排 3

第二章 技术背景介绍 4

2.1 卷积神经网络（CNN） 4

2.1.1 神经网络到卷积神经网络 4

2.1.2 卷积神经网络的层级结构 4

2.1.3 总结 5

2.2 生成式对抗网络（GANs） 6

2.2.1 简介 6

2.2.2 核心原理 6

2.2.3应用 7

第三章 无噪声干扰的图像加密 8

3.1加密模型 8

3.1.1模型简介 8

3.1.2模型结构 8

3.1.3实现方法与细节 9

3.1.4 小结 10

3.2实验简介 11

3.3数据集介绍 11

3.4 实验流程 12

3.5 实验结果 20

3.6总结与应用 22

第四章 嵌入噪声的图像加密 23

4.1 实验简介 23

4.1.1实验介绍 23

4.1.2 噪声层介绍 25

4.2 实验过程 26

4.3实验结果 32

第五章 总结 34

参考文献 35

致谢 37

第一章 前言

1.1研究目的及意义

如今，随着现代计算机技术的飞速发展，信息安全这一领域受到人们越来越多的关注。在这一领域中，隐写技术一直是个热门话题，在学术界也收到了越来越多的关注。图像的隐写术根据图像嵌入域的不同，主要分为空域隐写术以及JPEG隐写术两类。 近年来，传统的方法（例如LSB，HUGO等）以及它们发展已经到达了瓶颈期。深度学习的出现，特别是卷积神经网络的高速发展以及各种深度模型的广泛应用，都极大地推动了图像，音频等领域的发展。这些技术的出现同样也为信息隐藏这一领域倾注了新的活力。

本文会介绍一种端到端的可训练的数据隐藏框架，可应用于数据隐藏中的水印和隐写。本文方法中的编码消息能够在多种形式的图像失真中存活下来，具有一定的鲁棒性。 试验结果也表明，本文所提出的方法在基于深度学习的隐写术中优于先前的传统方法。

1.2 隐写术

隐写术这个词本身指将信息隐藏起来。在现代隐写术中，目的是隐蔽地传达秘密信息，即将隐藏的消息放在称为载体的传输介质中。最常见的隐写方法是通过操纵图像的最低有效位（LSB）来放置秘密信息。尽管通常人眼无法察觉，但是可通过对图像，音频，视频文件的处理分析得出两者之间的不同。另外有一些高级方法通过创建和匹配该封面图像的一阶和二阶统计模型来尝试保留图像统计;其中最受欢迎的是HUGO。 HUGO通常用于相对较小的消息（lt;0.5bpp）。这些研究中，有一些已经使用深度神经网络（DNN）来选择在图像中用文本消息的二进制表示替换哪些LSB。除此之外，还有其他人使用DNN来确定从容器图像中提取哪些位。

1.3 水印

水印类似于隐写术：两者都旨在将秘密消息编码成图像。通常来说，隐写术的目的是秘密通信，而水印则经常被用来证明图像所有权，是一种版权保护形式。 因此，水印方法优先考虑健壮性而非保密性。也就是说，即使在编码图像被修改或扭曲之后，消息也应该是可恢复的。一些水印方法在图像像素的最低有效位中编码信息; 然而，相比更稳健的编码方式，许多方法改为在频域中编码信息。 其他方法将频域编码与对数极坐标映射或模板匹配相结合，以实现对空间域变换的鲁棒性。

1.4对抗样本及相关介绍

深度模型一般具有较高的适用性，但是也同样非常“脆弱”。以图像的分类为例：只需故意向输入样本中添加细微的干扰（即对抗样本），模型便会给出一个意料之中的错误的输出分类（如图1-1）。最近的研究表明，神经网络对于对抗性样本非常敏感：给定一个图像和一个目标类，图像的像素可以被不知不觉地修改，以便它被准确地归类为目标类。此外，这些生成的图像的对抗性质在各种图像变换下得以保留。虽然对抗性样本的存在通常被认为是神经网络的一个缺点，但是从信息隐藏的角度来说可能是理想的： 如果网络模型可以被小的扰动所干扰从而进行不正确的类预测，那么应该可以从类似的扰动中提取有意义的信息。

请支付后下载全文，论文总字数：22634字