基于注意力機(jī)制與生成對(duì)抗網(wǎng)絡(luò)的彩色圖像隱寫算法

陳孟華，劉嘉勇，何沛松

（四川大學(xué) 網(wǎng)絡(luò)空間安全學(xué)院，四川 成都 610065）

0 引 言

隨著5G 網(wǎng)絡(luò)的普及，人們對(duì)數(shù)據(jù)傳輸?shù)陌踩蕴岢龈叩囊蟆ＭǔＳ袃煞N方式保證數(shù)據(jù)安全，一種是加密技術(shù)，另一種是信息隱藏技術(shù)。加密技術(shù)使用密鑰對(duì)數(shù)據(jù)加密，但是這種行為容易引起察覺(jué)，無(wú)法隱藏消息的存在，不具有隱蔽性。為解決加密技術(shù)的局限，研究者們提出信息隱藏技術(shù)。

隱寫術(shù)作為信息隱藏技術(shù)的重要分支，它通過(guò)把秘密信息嵌入在數(shù)字圖像等多媒體載體中，且盡可能地不改變載體的視覺(jué)和統(tǒng)計(jì)特性，達(dá)到掩蓋通信的目的，對(duì)于通信安全具有重要意義。作為隱寫術(shù)的反向檢測(cè)手段，隱寫分析的目標(biāo)是判斷圖像是否隱藏有秘密信息。隱寫與隱寫分析的研究一直在對(duì)抗中相互促進(jìn)。

數(shù)字圖像載體是主要的研究對(duì)象，不僅由于其冗余性高，也是因?yàn)閳D像更容易建立數(shù)學(xué)模型來(lái)研究其統(tǒng)計(jì)特性。現(xiàn)有圖像隱寫研究集中在灰度圖像上，而關(guān)于彩色圖像隱寫的研究較少。目前彩色圖像隱寫存在的問(wèn)題有，未能在容量和安全性之間達(dá)到平衡。文獻(xiàn)[3，4]中的大容量彩色圖像隱寫算法是將一張圖像或多張圖像隱藏到載體圖像中，但是會(huì)存在顏色失真。安全性高的彩色圖像隱寫算法往往嵌入率較低，比如文獻(xiàn)[5]中彩色圖像隱寫算法僅將秘密信息嵌入到RGB 中的一個(gè)顏色通道，未能充分利用三個(gè)顏色通道，而且破壞了顏色通道之間的相關(guān)性。其次，大部分空域隱寫算法主要關(guān)注灰度圖像，默認(rèn)針對(duì)灰度圖像的隱寫算法可以直接擴(kuò)展應(yīng)用到彩色圖像，沒(méi)有考慮到彩色圖像自身的特性以及顏色通道之間的相關(guān)性。

針對(duì)上述問(wèn)題，本文提出一種基于注意力機(jī)制與生成對(duì)抗網(wǎng)絡(luò)的彩色圖像隱寫算法。利用注意力機(jī)制能自動(dòng)學(xué)習(xí)不同顏色通道之間相關(guān)性以及不同通道特征的重要程度，設(shè)計(jì)生成器時(shí)加入通道注意力SE 模塊，讓神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)重要特征并加強(qiáng)有用特征，使嵌入修改集中在紋理復(fù)雜區(qū)域，解決了部分平滑區(qū)域像素點(diǎn)被修改的問(wèn)題。根據(jù)同步修改的原則，在設(shè)計(jì)損失函數(shù)時(shí)以綠色通道為基準(zhǔn)保持同步修改，維持通道之間的相關(guān)性。實(shí)驗(yàn)結(jié)果證明了所提方案的有效性。

1 相關(guān)工作

1.1 傳統(tǒng)的彩色圖像隱寫

研究表明，傳統(tǒng)的彩色圖像隱寫方案主要分為加性和非加性兩種。加性方案中以ACMP（AmplifyingChannelModifica tionProbabilities）為代表，2019年，Liao 等人提出彩色圖像載荷分配策略ACMP，該方案基于通道相關(guān)性，可以有效使嵌入變化集中在紋理復(fù)雜區(qū)域。非加性隱寫方案主要包括，CMD-C（ClusteringModificationDirections-Color），CPVs（colorpixelvectors），GINA（G-channel-relatedInterchannelNon-Additive）。其中，CMD-C 是將灰度圖的CMD（ClusteringModificationDirections）擴(kuò)展到彩色圖，使同一位置的不同通道之間的修改方向同步，并保持彩色通道的關(guān)聯(lián)性。CPVs 將來(lái)自同一像素位置的三個(gè)顏色分量構(gòu)成一個(gè)向量，嵌入代價(jià)定義在顏色像素向量上，而不是單一的顏色分量。這兩種方案雖然考慮了顏色通道之間的相關(guān)性，但是沒(méi)有考慮到相關(guān)性之間的差異。針對(duì)該問(wèn)題，研究者提出GINA，利用通道相關(guān)性的差異，將R、B 通道的修改方向與G 通道同步，能獲得更好的抗檢測(cè)能力。

1.2 基于深度學(xué)習(xí)的彩色圖像隱寫

針對(duì)傳統(tǒng)的基于載體修改的隱寫技術(shù)存在隱寫容量低的問(wèn)題，Zhang 等人提出了端到端的圖像隱寫模型SteganoGAN，采用密集連接的網(wǎng)絡(luò)結(jié)構(gòu)緩解梯度消失問(wèn)題。該方法可將任意二進(jìn)制數(shù)據(jù)隱藏在圖像中，實(shí)現(xiàn)了每像素4.4 比特的有效載荷?；赟teganoGAN，Li 等人提出端到端的大容量信息隱藏網(wǎng)絡(luò)HCISNet，該網(wǎng)絡(luò)有效載荷可達(dá)到每像素5.68 比特。2017年，Baluja首次提出以圖藏圖的隱寫模型，在彩色圖像中隱藏彩色圖像，該網(wǎng)絡(luò)包括預(yù)處理網(wǎng)絡(luò)、編碼網(wǎng)絡(luò)和解碼網(wǎng)絡(luò)，但是該方法會(huì)產(chǎn)生顏色失真，而且安全性差?；贐aluja 的工作，Zhang 等人提出ISGAN，用彩圖藏灰度圖，將彩色圖像分解為YUV 三通道，UV 通道包含色度信息，Y 通道包含亮度信息，利用人眼對(duì)亮度信息的不敏感性，在Y 通道通過(guò)編碼網(wǎng)絡(luò)嵌入秘密圖像，再與UV 通道結(jié)合得到彩色載密圖像。提取時(shí)先將Y 通道分離，經(jīng)過(guò)解碼網(wǎng)絡(luò)得到秘密圖像，保留了原圖的色彩信息。綜上所述，這些方法雖然能提高嵌入容量，但是卻無(wú)法保證安全性，并會(huì)產(chǎn)生圖像失真、顏色失真等問(wèn)題。因此，本文旨在用神經(jīng)網(wǎng)絡(luò)的方法使隱寫的容量和安全性達(dá)到平衡，并且在保證安全性的前提下盡可能提高容量。

2 基于注意力機(jī)制與生成對(duì)抗網(wǎng)絡(luò)的彩色圖像隱寫算法

本文提出基于注意力機(jī)制與生成對(duì)抗網(wǎng)絡(luò)的彩色圖像隱寫算法CISGAN（Color Image Steganography Generative Adversarial Network），包括三個(gè)模塊，生成器模塊、嵌入模擬器模塊和判別器模塊，如圖1所示。原始的載體圖像經(jīng)過(guò)生成器模塊處理后得到嵌入概率圖，再經(jīng)過(guò)嵌入模擬器得到修改圖，將修改圖與原始載體圖像按像素點(diǎn)相加得到載密圖像。最后將載體圖像和對(duì)應(yīng)的載密圖像作為判別器模塊的輸入，經(jīng)過(guò)判別器模塊處理后，輸出圖像的分類概率。

圖1 網(wǎng)絡(luò)整體結(jié)構(gòu)圖

2.1 基于通道注意力機(jī)制的生成器網(wǎng)絡(luò)結(jié)構(gòu)

生成器網(wǎng)絡(luò)由下采樣網(wǎng)絡(luò)和上采樣網(wǎng)絡(luò)組成。下采樣網(wǎng)絡(luò)由8 個(gè)組件構(gòu)成，每一組包含卷積層、BN 層、LeakyReLU激活函數(shù)，其中最后一個(gè)組件的激活函數(shù)是ReLU 函數(shù)，其余同上所述。除第一組件外，在每一組件卷積后均加入注意力模塊，注意力模塊采用通道注意力壓縮激活（Squeeze and Excitation, SE）模塊。SE 模塊結(jié)構(gòu)如圖2所示，首先將輸入的特征信息擠壓到一個(gè)通道描述符中，通過(guò)全局平均池化實(shí)現(xiàn)擠壓操作。為利用擠壓操作中的信息，再進(jìn)行激活操作，采用帶有Sigmoid 激活的簡(jiǎn)單門控機(jī)制實(shí)現(xiàn)。具體使用兩個(gè)全連接層，第一個(gè)全連接層把個(gè)通道壓縮成/個(gè)通道降低計(jì)算量，參數(shù)表示縮減率，用于減少全連接層的維度。然后使用ReLU 激活，第二個(gè)全連接層再變換成個(gè)通道，使用Sigmoid 激活。最后是一個(gè)返回到通道維度的增維層，將激活后的結(jié)果與原特征對(duì)應(yīng)通道相乘。

圖2 注意力模塊示意圖

上采樣網(wǎng)絡(luò)采用短連接，結(jié)合下采樣時(shí)的特征，從而可以更好地生成概率圖。上采樣網(wǎng)絡(luò)包括8 個(gè)組件，除最后一個(gè)組件只有卷積層外，其余每一組包含卷積層、BN 層、Dropout 層、Cat 層和ReLU 激活函數(shù)，其中Cat 層表示短連接。Dropout 層將網(wǎng)絡(luò)中的神經(jīng)元以50%的概率丟棄，防止模型出現(xiàn)過(guò)擬合現(xiàn)象。具體生成器網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

圖3中，組件9 經(jīng)過(guò)Dropout 后，與組件7 的輸出進(jìn)行短連接，共有7 個(gè)短連接層。生成器的卷積核尺寸和輸出尺寸具體參數(shù)如表1所示。

表1 生成器具體網(wǎng)絡(luò)結(jié)構(gòu)

圖3 生成器網(wǎng)絡(luò)結(jié)構(gòu)示意圖

2.2 基于高通濾波預(yù)處理的判別器網(wǎng)絡(luò)結(jié)構(gòu)

判別器網(wǎng)絡(luò)結(jié)構(gòu)由三個(gè)模塊構(gòu)成，分別是預(yù)處理模塊、卷積模塊和分類模塊。預(yù)處理模塊對(duì)圖像進(jìn)行過(guò)濾操作，從而加快網(wǎng)絡(luò)收斂速度。研究表明，基于CNN 的隱寫分析網(wǎng)絡(luò)在預(yù)處理層進(jìn)行濾波處理可以提高檢測(cè)精度，大多數(shù)隱寫分析網(wǎng)絡(luò)使用一個(gè)或多個(gè)高通濾波器來(lái)過(guò)濾。本節(jié)參考文獻(xiàn)中的研究成果，在判別器網(wǎng)絡(luò)的預(yù)處理模塊采用SRM中6 個(gè)5×5 的高通濾波器進(jìn)行初始化，其數(shù)值如圖4所示。該高通濾波器在網(wǎng)絡(luò)學(xué)習(xí)過(guò)程中將更新。由于判別器網(wǎng)絡(luò)的輸入是彩色圖像，預(yù)處理層的通道數(shù)量和高通濾波器數(shù)量應(yīng)適用于三個(gè)顏色通道。

圖4 SRM 中的六個(gè)高通濾波器

卷積模塊由五個(gè)卷積塊組成，每個(gè)卷積塊包含卷積層、絕對(duì)激活層、批歸一化層、激活層和池化層。根據(jù)文獻(xiàn)的結(jié)論，加入絕對(duì)激活層可以使模型考慮到噪聲殘差的對(duì)稱性，丟棄一些元素的符號(hào)。經(jīng)過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，在每一層加入絕對(duì)激活層要比只在第一層加入絕對(duì)激活層效果好。批歸一化層對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，使其服從均值為0、方差為1 的統(tǒng)計(jì)分布，在一定程度上可以防止出現(xiàn)梯度消失問(wèn)題。池化層采用平均池化計(jì)算局部均值，能夠更好地保留圖像局部特征信息。

卷積模塊的最后一塊與分類模塊相連，分類模塊使用全連接神經(jīng)網(wǎng)絡(luò)將128 個(gè)神經(jīng)元映射為2 個(gè)神經(jīng)元，最后用Softmax 函數(shù)將網(wǎng)絡(luò)的輸出歸一到[0，1]的概率值。針對(duì)二元隱寫分析的場(chǎng)景，網(wǎng)絡(luò)的兩個(gè)輸出值表示：一類是分類為載體圖像的概率，另一類是分類為載密圖像的概率。通過(guò)返回具有最高概率的類來(lái)決定類別。判別器網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。

圖5 判別器網(wǎng)絡(luò)結(jié)構(gòu)示意圖

圖5中，判別器的卷積核尺寸和輸出尺寸具體參數(shù)如表2所示。

表2 判別器具體網(wǎng)絡(luò)結(jié)構(gòu)

2.3 嵌入模擬器

嵌入模擬器的作用是把生成器生成的嵌入概率圖轉(zhuǎn)化成修改圖，修改圖中的數(shù)值只有0，1，-1，與原始載體圖像按像素相加即可得到載密圖像。具體修改情況根據(jù)r和p的關(guān)系確定。如式（1）所示，其中，r表示在區(qū)間[0，1]均勻分布上產(chǎn)生的隨機(jī)數(shù)，p表示修改概率，m是對(duì)應(yīng)的修改值。

由于該階梯函數(shù)不可導(dǎo)，因此使用double-tanh 函數(shù)作為模擬嵌入函數(shù)，如式（2）、式（3）所示。該函數(shù)是可導(dǎo)的，可以防止梯度消失。

式（2）中，參數(shù)是一個(gè)比例系數(shù)，根據(jù)文獻(xiàn)[17]的研究結(jié)果，隨著參數(shù)的提高，double-tanh 函數(shù)能夠更好地模擬±1 嵌入過(guò)程，但是過(guò)大會(huì)引起梯度消失問(wèn)題，設(shè)置的過(guò)小或過(guò)大都會(huì)降低安全性能，設(shè)置為60 檢測(cè)錯(cuò)誤率最高，因此后文實(shí)驗(yàn)將該參數(shù)設(shè)置為60。

2.4 面向顏色圖像隱寫的復(fù)合損失函數(shù)

判別器的目的是判斷輸入圖像是載體圖像還是載密圖像，將其視為二分類問(wèn)題，損失采用交叉熵?fù)p失，使得網(wǎng)絡(luò)預(yù)測(cè)類別和真實(shí)類別盡可能接近。判別器的損失函數(shù)如式（4）所示：

其中， 是判別器網(wǎng)絡(luò)的輸出，即預(yù)測(cè)值， 是真實(shí)值。生成器的損失包括三部分，第一部分損失依據(jù)生成器和判別器是相互對(duì)抗的，設(shè)計(jì)為判別器損失的相反數(shù)，如式（5）所示：

第二部分損失目的為控制嵌入容量，如式（6）所示：

其中，表示嵌入容量，表示嵌入率，和表示圖像的高和寬。嵌入容量的計(jì)算如式（7）所示：

在式（8）（9）中，p表示對(duì)應(yīng)每個(gè)像素點(diǎn)的輸出概率值，p和p分別表示修改圖+1 和-1，p表示像素值不變的概率。

第三部分損失依據(jù)彩色圖像三個(gè)顏色通道之間的同步修改規(guī)則。受到GINA 的啟發(fā)，以綠色通道為主導(dǎo)，紅色和藍(lán)色通道與綠色通道的修改保持一致，安全性最好。生成器的第三部分損失如式（10）所示：

其中，M表示綠色通道的修改圖，M表示紅色通道的修改圖，M表示藍(lán)色通道的修改圖。

生成器的損失要控制嵌入容量、安全性以及通道相關(guān)性之間的平衡，表示為上述三部分損失的加權(quán)和。生成器總的損失函數(shù)表示如式（11）所示，其中，，分別是損失，，的權(quán)重系數(shù)。后文通過(guò)實(shí)驗(yàn)來(lái)確定，，。

3 實(shí)驗(yàn)結(jié)果與分析

3.1 數(shù)據(jù)集

實(shí)驗(yàn)采用公開(kāi)彩色圖像數(shù)據(jù)集COCO。COCO 是一個(gè)用于物體檢測(cè)和物體分割的大規(guī)模數(shù)據(jù)集。在實(shí)驗(yàn)中首先去除數(shù)據(jù)集中的灰度圖像，僅保留彩色圖像。然后，使用imagemagick 工具將圖像短邊縮放到256，再中心剪裁為256×256 分辨率的圖像。最后將圖像格式從jpg 轉(zhuǎn)為tif。從處理后的COCO 數(shù)據(jù)集中隨機(jī)選擇40 000 張作為訓(xùn)練集，10 000 張作為測(cè)試集。

3.2 評(píng)價(jià)指標(biāo)

隱寫分析技術(shù)是隱寫技術(shù)的一種對(duì)抗手段，其目的是正確判斷待測(cè)圖像為載體圖像還是載密圖像。因此，對(duì)于隱寫技術(shù)，需要盡可能讓隱寫分析器無(wú)法區(qū)分載體圖像和載密圖像，即提升安全性。隱寫的安全性由檢測(cè)錯(cuò)誤率來(lái)衡量，如式（12）所示。

式（12）中，表示誤檢率，即載體圖像被誤判為載密圖像的概率，表示漏檢率，即載密圖像被誤判為載體圖像的概率，是和的平均值，值越高意味著隱寫的安全性越高。

3.3 實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)軟件與硬件環(huán)境如表3所示。

表3 實(shí)驗(yàn)軟硬件環(huán)境

3.4 訓(xùn)練參數(shù)

網(wǎng)絡(luò)訓(xùn)練的迭代次數(shù)為500 000 輪，使用Adam 優(yōu)化器，判別器的學(xué)習(xí)率為生成器的四倍，嵌入率為0.4 比特每像素。網(wǎng)絡(luò)模型中的所有卷積層和全連接層的權(quán)重按照均值為0，標(biāo)準(zhǔn)差為0.01 的高斯分布進(jìn)行初始化。

網(wǎng)絡(luò)訓(xùn)練超參數(shù)及取值如表4所示。其中，“Learning_rate”為學(xué)習(xí)率，“Adam_beta”為優(yōu)化器Adam的參數(shù)，“TANH_LAMBDA”為嵌入模擬器的參數(shù)，“reduction”為注意力模塊的縮減率，“”為生成器第一部分損失的權(quán)重系數(shù)，“”為生成器第二部分損失的權(quán)重系數(shù)，“”生成器第三部分損失的權(quán)重系數(shù)，“batch_size”為每次處理的圖像數(shù)量。

表4 網(wǎng)絡(luò)訓(xùn)練超參數(shù)

3.5 彩色圖像隱寫算法的性能對(duì)比實(shí)驗(yàn)

為驗(yàn)證本文提出彩色圖像隱寫算法CISGAN 是否在隱寫安全性方面具有優(yōu)勢(shì)，將CISGAN 和兩個(gè)較新的傳統(tǒng)空域彩色圖像隱寫算法GINA、ACMP進(jìn)行對(duì)比，嵌入率范圍從0.1 到0.5bpcp（Bits Per Channel Pixel），步長(zhǎng)為0.1bpcp。隱寫分析器使用SCRMQ 加集成分類器。實(shí)驗(yàn)結(jié)果如表5所示。

表5 不同隱寫算法在SCRMQ 下的錯(cuò)誤率

從表5中可以看出，在嵌入率為0.3bpcp、0.4bpcp 和0.5bpcp 的情況下，所提算法CISGAN 的安全性高于傳統(tǒng)彩色圖像隱寫算法GINA 和ACMP。但是嵌入率為0.1bpcp 和0.2bpcp 時(shí)，所提算法的安全性沒(méi)有GINA 和ACMP 高。表明所提算法CISGAN 對(duì)于高嵌入容量的效果好，所提算法更適用于容量高的場(chǎng)景。同時(shí)表明神經(jīng)網(wǎng)絡(luò)的方法在彩色圖像隱寫方面具有潛力。而對(duì)于嵌入容量低的場(chǎng)景，傳統(tǒng)算法表現(xiàn)更好。

3.6 損失函數(shù)權(quán)重分配實(shí)驗(yàn)

由于生成器的損失函數(shù)包含三部分，每一部分對(duì)整體的影響程度不同，本節(jié)設(shè)計(jì)實(shí)驗(yàn)對(duì)這三部分損失進(jìn)行權(quán)重分配，選擇最優(yōu)的參數(shù)設(shè)置方案，使得隱寫安全性最高。隱寫算法為本章算法，嵌入率設(shè)置為0.4bpcp，隱寫分析使用SCRMQ和集成分類器。分別選取不同的系數(shù)組合進(jìn)行訓(xùn)練，實(shí)驗(yàn)結(jié)果如表6所示。表6中，“”是判別器交叉熵?fù)p失前的系數(shù)，“”是容量損失前的系數(shù)，“”是同步修改損失前的系數(shù)。嵌入容量的系數(shù)設(shè)置較小，其目的是在保證達(dá)到安全性的前提下，再考慮容量的限制。

表6 生成器損失函數(shù)參數(shù)選取實(shí)驗(yàn)

從表6中可以看出，當(dāng)取值為1，取值為1e-8，取值為1e-9 時(shí)，安全性最高。實(shí)驗(yàn)結(jié)果證明，在保證達(dá)到安全性的前提下，再考慮容量的限制，最后再用同步修改損失項(xiàng)進(jìn)行微調(diào)，是合理的。

3.7 消融實(shí)驗(yàn)

為驗(yàn)證所提損失函數(shù)和加入注意力模塊的有效性，本小節(jié)設(shè)計(jì)消融實(shí)驗(yàn)，嵌入率為0.4bpcp。隱寫分析器使用SCRMQ 和集成分類器。實(shí)驗(yàn)結(jié)果如表7所示?！癈ISGAN_None”表示既沒(méi)有加注意力模塊也沒(méi)有加損失項(xiàng)?！癈ISGAN_Attention_1”表示只在生成器的下采樣最后一層中加入一個(gè)注意力模塊，“CISGAN_Attention”表示生成器中下采樣的每一個(gè)卷積層（除第一層外）后均加入注意力模塊，這兩種網(wǎng)絡(luò)結(jié)構(gòu)對(duì)應(yīng)的損失函數(shù)中未加入同步修改項(xiàng)?！癈ISGAN_SYN”表示在損失函數(shù)設(shè)計(jì)中加入同步修改，但網(wǎng)絡(luò)結(jié)構(gòu)中沒(méi)有添加注意力模塊。

表7 消融實(shí)驗(yàn)

從表7中可以看出，生成器網(wǎng)絡(luò)結(jié)構(gòu)中只加入一個(gè)注意力模塊錯(cuò)誤率提高大約1 個(gè)百分點(diǎn)，而每一層都加入注意力模塊能使錯(cuò)誤率提高大約5 個(gè)百分點(diǎn)。表7中的數(shù)據(jù)顯示，損失函數(shù)中加入同步修改項(xiàng)對(duì)錯(cuò)誤率幾乎沒(méi)影響，錯(cuò)誤率均為0.25。

從圖6中可看出，損失函數(shù)中加入同步修改項(xiàng)能使三個(gè)通道的修改保持一致。從數(shù)據(jù)集中任取兩張圖像計(jì)算修改圖，即殘差圖，將其放大255 倍，如圖6所示。

圖6 殘差圖對(duì)比

圖6中，（a）和（d）為原始載體圖像，（b）和（e）為CISGAN_None 的殘差圖，（c）和（f）為CISGAN_SYN的殘差圖?？梢钥闯觯瑘D6（b）的下半部分出現(xiàn)很多紅色的修改點(diǎn)，即紅色通道要修改這些位置，但是這部分對(duì)應(yīng)到圖6（a）中是白色雪地，紋理并不豐富，是不需要修改的。而在損失函數(shù)中加入同步修改項(xiàng)后，如圖6（c）所示，則沒(méi)有在雪地的紅色通道中進(jìn)行修改，證明了所提損失函數(shù)的有效性。圖6（e）中，除中心區(qū)域，周圍區(qū)域藍(lán)色點(diǎn)和紅色點(diǎn)較多，而圖6（f）中除中心區(qū)域，周圍區(qū)域修改點(diǎn)變少，且三個(gè)顏色通道修改的點(diǎn)數(shù)較為均勻，證明了所提損失函數(shù)的有效性。

4 結(jié) 論

本文提出基于注意力機(jī)制與生成對(duì)抗網(wǎng)絡(luò)的彩色圖像隱寫算法CISGAN。該算法在網(wǎng)絡(luò)的生成器中加入注意力機(jī)制模塊，能夠有效使嵌入修改集中在紋理復(fù)雜區(qū)域。在設(shè)計(jì)損失函數(shù)的過(guò)程中，保證三個(gè)顏色通道同步修改，以達(dá)到維持三個(gè)顏色通道之間的相關(guān)性的目的。并設(shè)計(jì)實(shí)驗(yàn)驗(yàn)證了神經(jīng)網(wǎng)絡(luò)中注意力模塊和損失函數(shù)的有效性。實(shí)驗(yàn)結(jié)果表明，所提算法在高嵌入率的情況下安全性優(yōu)于傳統(tǒng)彩色圖像隱寫算法，解決了已有算法未能在容量和安全性間達(dá)到平衡的問(wèn)題，對(duì)于通信安全具有重要意義。

本文工作也存在一定的局限性。本文提出的隱寫算法是在空域進(jìn)行的，數(shù)據(jù)集使用未經(jīng)壓縮的圖像，考慮到實(shí)際網(wǎng)絡(luò)傳輸過(guò)程中圖像被壓縮的情景，未來(lái)可以把該算法擴(kuò)展到JPEG 域。