基于对抗网络的彩色图像置乱方法研究_鲍震杰.pdf

基金项目:国家重点研发计划“现代服务业共性关键技术研发及应用示范”重点专项项目(2017YFB1402100);西藏自治区自然科学基金项目(XZ202001Z0048G)收稿日期:20210423修回日期:20210612第 40 卷第 2 期计算机仿真2023 年 2 月文章编号:10069348(2023)02020806基于对抗网络的彩色图像置乱方法研究鲍震杰，薛茹(西藏民族大学信息工程学院，陕西 咸阳 712082)摘要:图像置乱是将图像转换为伪随机图像，一般作为图像加密或信息隐藏前的预处理环节，为了实现彩色图像的自动化置乱，提出了基于改进对抗网络的彩色图像置乱方法。方法构建了编码网络解码网络结构模仿彩色图像置乱和复原过程，通过模型学习图像置乱，用 patchGAN 的判别网络实现图像各部分区域像素值分布判别。对提出的编解码损失函数、编码网络和解码网络的对抗损失函数和判别网络的对抗损失函数分别交替使用梯度下降法优化参数。对分辨率为 256256 的彩色图像实验的结果表明，上述法能实现各种彩色图像的自动化置乱，并且模型具有较好的收敛性。和传统的 Arnold 变换，Logistic 混沌置乱方法相比较，直观上本方法图像置乱效果更具隐蔽性;在多个判别指标下，所提方法置乱后图像与原始图像相似度更低，置乱程度更高，置乱效果有提升。关键词:对抗网络;彩色图像;图像置乱;梯度下降;自动化中图分类号:TP3文献标识码:Besearch on Color Image Scrambling Method Based onAdversarial NetworkBAO Zhenjie，XUE u(School of Information Engineering，Xizang Minzu University，Xianyang Shanxi 712082，China)ABSTACT:Image scrambling is to transform images into pseudorandom images，which is generally used as a pre-processing step for image encryption or information hiding For realizing automatic color image scrambling，a methodof color image scrambling based on the improved adversarial network is proposed in this paper In this method，the en-coding network-decoding network structure is constructed to simulate the process of color image scrambling and res-toration，the model is used to learn the method of image scrambling，and the discriminative network of patchGAN isused to distinguish the pixel value distribution of each part of the images In this paper，the proposed encodethendecode loss function，the adversarial loss function of the encoding network and decoding network and the adversarialloss function of the discriminative network are alternately optimized by the gradient descent method The experimentalresults at 256256 resolution color images show that this method can realize the automatic scrambling of various colorimages and the model has a good convergence Compared with traditional Arnold transformation and Logistic chaoticscrambling，the image scrambling effect of this method is more concealing intuitively，and the similarity between theimage after scrambling and the original image is lower under multiple discriminative indexesKEYWODS:Color image;Image scrambling;Adversarial network;Gradient descent;Automation1引言网络技术的迅速发展，促使图像、声音等能直观表达信息的多媒体传输需求越来越高，而这些图像、声音等多媒体可能会涉及安全、机密、隐私等方面问题，如何确保这些信息安全、准确的传送给接受方，是网络安全研究的基本内容。置图像乱通过将一幅图像的像素位置、颜色等进行随机分布，隐藏图像部分原有的信息，转化为无意义的图像，从而使图像传输过程的安全性提高，因此广泛被应用在图像信息隐藏和图像加密中。作为信息隐藏图像预处理的重要手段，图像置乱的目的802是将图像像素值与像素位置打乱，使人以为是位置随机分布的图像或是像素随机分布的图像。近些年来，研究者们从多个角度实现了图像置乱。Hou C 等1 提出了一种通过交换电路复杂度较低的量子比特实现的基于离散 Baker 映射的量子图像置乱算法，并说明该置乱算法有周期长的特点。Zubair 等2 提出了基于二维外极权元胞自动机的图像置乱方法。Xiong 等3 提出了非负基整数到相应基整数的变换算法，并针对三个参数的不同值，计算了局部负基变换的最小变换周期和逆变换算法。数值实验表明，局部负基变换是一种有效的置乱变换。随着深度学习的发展，用深度学习的方法实现图像置乱为传统领域注入了新的活力。Masayuki等4 提出了可学习的图像加密算法，对图像进行加密，使人们无法理解图像。Koki 等5 将可学习加密算法扩充，加入了分块置乱密钥，并引入自适应网络来识别置乱图像。Arnold 变换是一种被广泛使用的图像置乱方法6 8，然而其置乱后图像无法改变像素值统计分布，与原始图直方图相似度高，易受统计攻击，本文设计改进对抗网络，实现彩色图像的自动化置乱，提升了视觉置乱效果，并且降低了置乱后图像与原图直方图的相似度。2对抗网络2.1生成对抗网络生成对抗网络(Generative adversarial nets，简称 GAN)是Ian J Goodfellow9 等于 2014 年提出通过训练生成模型(Generative Model)捕获数据的分布，判别模型(DiscriminatorModel)估计训练数据样本概率，利用生成模型和判别模型的对抗估计生成模型。生成对抗网络用从目标域和生成域图像的分布取样，判别使两个图像域接近的方法，代替了传统使用最大似然估计的方法来拟合估计目标图像域分布。为了使建立的对抗模型容易应用，生成器 G 和判别器 D都是多层感知器。根据真实数据(正样本)x 学习生成器的生成图像分布 pdata，输入噪声变量 z(负样本)的先验概率为pz，将噪声 z 映射到数据空间表示为 G(z)，对真实数据的分布进行拟合，即使 pdata和 pz足够接近，G 的目的是使它们足够像，那么 D 就无法将来自于 G 的数据鉴别出来。输入单个标量图的多层感知器 D(x)表示来自真实数据 x 的概率，为了更好的使生成器 G 伪造的数据更接近真实分布，训练 D 使其能最大程度正确的判别真实数据与伪造数据，同时训练 G以最小化伪造概率 log(1D(G(z)，D 的目的是正确判断出 G(z)，即 D(x)足够大同时 D(G(z)足够小。D 和 G 使用损失价值函数 V(G，D)，进行极大极小博弈:minGmaxDV(G，D)=Ex pdata logD(x)+Ex G log(1 D(x)(1)式(1)中，Exdata表示目标域图像分布期望，ExG表示生成图像期望分布。使用交替随机下降梯度 SGD 可以分两个阶段找到生成器 G 和鉴别器 D:(a)训练辩别器以区分生成器生成的真样本和假样本。(b)训练生成器，以便用生成的样本欺骗过辨别器。实际中上式可能无法为 G 提供足够的梯度使其伪造的更真实。在训练的开始，当 G 值较低时，D 可以高置信度地剔除样本。在这种情况下，对数 log(1D(G(z)饱和，训练 G 使 log(1D(G(z)最大，而不是训练 G 使 log(D(G(z)最小。2.2对抗自动编码器Makhzani A 等10 提出了对抗自动编码器(AdversarialAutoencoders)，将生成对抗网络应用在自动编码器上。在一个自动编码器中加入了匹配自动编码器潜在表现的聚合后验分布，与任意的先验分布的对抗损失训练。训练结果是编码器会将数据分布转化为先验分布，解码器学习深度生成模型，将图像还原。假设 x 为输入，z 为自动编码器的隐含向量，p(z)是 z 目标存在的先验分布，q(z|x)是一个编码分布，p(z|x)是解码分布。pd(x)是数据分布，p(x)是模型分布，编码函数 q(z|x)决定在自动编码器的隐含向量聚合后验分布q(z)。如式(2)所示q(z)=q(z|x)pd(x)dx(2)对抗自动编码器目的是将聚合后验分布 q(z)匹配到任意先验分布 p(z)中。自动编码器的目的在于减小重塑误差。生成对抗网络的生成器就是自动编码器 q(z|x)的编码器。该编码器确认聚合后验分布可以骗过对抗生成网络的判别器，认为隐含向量 q(z)来自先验分布 p(z)。该生成对抗网络和自动编码器一起训练，减小重塑误差和生成器骗过判别器，判别器分辨是否来自先验分布的对抗损失，解码器则将先验分布 p(z)投射到数据分布中。3对抗自动彩色图像置乱网络本文通过改进对抗网络，设计编码网络解码网络的结构学习图像置乱过程，将彩色图像经过编码网络生成均匀分布像素的随机图像，用图像分块判别的辨别网络鉴别生成的图像是否是均匀分布噪声，通过解码网络重塑原图像。具体框架如图 1 所示。对抗自动图像置乱网络的损失函数与原始的对抗自动编码器相像并因为任务特殊性，原始对抗自动编码器的网络结构与损失函数并不能适用，本文方法在原始对抗自动编码器的基础上构建编码网络解码网络和判别网络结构。在损失函数上，将对抗损失的负对数似然改为最小二乘损失11，并对本方法的三个损失函数分别交替优化。定义 x 是原始图像，y 是像素均匀分布图像，x pdata(x)是原始图像 x 所在的分布，y pdata(y)是均匀分布。编码网络 G，解码网络 F 和判别网络 D，根据图片 x 经过一对编码网络后能复原的目标，本文方法提出编解码损失，如式(3)所示L(F，G)=F(G(x)x2(3)Arjovsky 等12 指出生成对抗网络使用 JS 散度来衡量生成图像域和目标图像域间距离的缺陷，及因此造成生成对抗902图 1对抗自动彩色图像置乱网络的结构网络模型训练易崩塌，提出用 Wasserstein 距离替代 JS 散度。据此，本文方法生成对抗网络中的对抗损失改进为式(4)L(F，G，D)=Ex pdata(x)(1 D(G(x)2+Ey pdata(y)(D(y)0)2(4)本文方法的损失函数由自动编码器的编解码损失