本发明涉及图像处理，具体的是基于dct特征提取的jpeg图像隐写方法及系统。
背景技术：
1、jpeg图像是一种著名的压缩图像格式，以它为载体的隐写往往通过修改其存储的dct（descrete cosine transform）域系数实现隐秘信息嵌入。jpeg图像隐写是一种通过嵌入算法将秘密信息以不易察觉地方式隐藏在jpeg载体图像中的技术。与密码学不同的是，图像隐藏不仅可以保证秘密信息本身的安全，还可以增强秘密信息在传输过程中的安全性。近些年来，图像隐写技术被应用于许多领域，如数据保密通信和版权保护。
2、为了克服基于深度学习的隐写分析的挑战，将深度学习技术应用于隐写以获得更好的隐写安全性是很有吸引力的。2017年，以tang发表的asdl-gan为代表的多种有效的成本学习方法[w. tang, s. tan, b. li, and j. huang, “automatic steganographicdistortion learning using a generative adversarial network,”ieee signalprocess. lett., vol. 24, no. 10, pp. 1547–1551, oct. 2017.]为图像隐写术的发展提供了一定程度的助力。
3、一个好的图像技术需要解决两大难题：隐蔽性和安全性，也就是说，秘密信息不应该被人通过肉眼看出来和隐写分析模型检测出来。然而，现有技术很难做到两者之间的平衡。此外，如何降低模型的计算复杂度也是图像隐写领域的重要难题。
技术实现思路
1、为解决上述背景技术中提到的不足，本发明的目的在于提供基于dct特征提取的jpeg图像隐写方法及系统，具有高安全性和高隐蔽性。
2、第一方面，本发明的目的可以通过以下技术方案实现：基于dct特征提取的jpeg图像隐写方法，方法包括以下步骤：
3、接收jpeg载体图像，将jpeg载体图像输入至预先建立的策略网络模型内，得到策略矩阵；
4、根据策略矩阵，以逐系数的方式对修改动作进行采样，通过迭代生成模拟隐写图像，其中，所述修改动作通过预先建立的环境网络模型评估贡献并返回奖励矩阵；
5、将策略矩阵输入至预先建立的环境网络模型内进行训练，输出得到训练后的策略矩阵，将训练后的策略矩阵转换为嵌入代价，模拟隐写图像根据嵌入代价生成得到最终的隐写图像。
6、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的策略网络模型包括：像素级纹理复杂度评估模块、dct特征提取模块和模式重排模块，将jpeg载体图像输入像素级纹理复杂度评估模块后，输出得到像素级纹理复杂度矩阵，将像素级纹理复杂度矩阵输入至dct特征提取模后，输出得到dct特征矩阵，将dct特征矩阵输入至模式重排模块后，输出得到策略矩阵；
7、所述预先建立的策略网络模型的损失函数为图片嵌入容量以及像素级奖励损失的加权和设计结果；
8、所述预先建立的环境网络模型基于梯度导向，预先建立的环境网络模型的损失函数为softmax输出的载体与载密图像以及输出的载体与载密图像的真正标签设计。
9、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述像素级纹理复杂度评估模块包括：反dct基滤波器、纹理复杂度第一卷积操作组、纹理复杂度第二卷积操作组、纹理复杂度第三卷积操作组、纹理复杂度第四卷积操作组、纹理复杂度第五卷积操作组、纹理复杂度第六卷积操作组、纹理复杂度第七卷积操作组、纹理复杂度第八卷积操作组、纹理复杂度第一反卷积操作组、纹理复杂度第二反卷积操作组、纹理复杂度第三反卷积操作组、纹理复杂度第四反卷积操作组、纹理复杂度第五反卷积操作组、纹理复杂度第六反卷积操作组、纹理复杂度第七反卷积操作组、纹理复杂度第八反卷积操作组，通过通道拼接操作进行；
10、所述纹理复杂度第一卷积操作组和纹理复杂度第七反卷积操作组的输出进行通道拼接后输入到纹理复杂度第八反卷积操作组；
11、所述纹理复杂度第二卷积操作组和纹理复杂度第六反卷积操作组的输出进行通道拼接后输入到纹理复杂度第七反卷积操作组；
12、所述纹理复杂度第三卷积操作组和纹理复杂度第五反卷积操作组的输出进行通道拼接后输入到纹理复杂度第六反卷积操作组；
13、所述纹理复杂度第四卷积操作组和纹理复杂度第四反卷积操作组的输出进行通道拼接后输入到纹理复杂度第五反卷积操作组；
14、所述纹理复杂度第五卷积操作组和纹理复杂度第三反卷积操作组的输出进行通道拼接后输入到纹理复杂度第四反卷积操作组；
15、所述纹理复杂度第六卷积操作组和纹理复杂度第二反卷积操作组的输出进行通道拼接后输入到纹理复杂度第三反卷积操作组；
16、所述纹理复杂度第七卷积操作组和纹理复杂度第一反卷积操作组的输出进行通道拼接后输入到纹理复杂度第二反卷积操作组；
17、反dct基滤波器表示为：
18、
19、其中，一个二维的dct变换系数矩阵f，元素表示为，其中和分别代表频域中的水平和垂直坐标，是图像块的大小，为8*8，和分别表示图像中的水平和垂直坐标，和是标准的dct缩放系数，当或为0时，，否则，为idct基滤波器的输出；
20、所述纹理复杂度第一卷积操作组的操作表示为：
21、
22、为批标准化操作，为relu激活函数，为卷积变换函数，为纹理复杂度第一卷积操作组的输出；
23、纹理复杂度第八卷积操作组的输出为，将输入到纹理复杂度第一反卷积操作组，纹理复杂度第一反卷积操作组的操作表示为：
24、
25、为5*5的反卷积变换函数，为leakyrelu激活函数，为批标准化操作，为纹理复杂度第一反卷积操作组的输出。
26、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述dct特征提取模块表示为：特征提取第一卷积操作组、自注意力机制模块、特征提取第二卷积操作组、特征提取第三卷积操作组；
27、其中，特征提取第一卷积操作组包括依次设置的卷积层、批标准化层、激活层；
28、特征提取第二卷积操作组包括依次设置的卷积层、批标准化层、激活层；特征提取第三卷积操作组包括依次设置的卷积层和激活层；
29、特征提取第一卷积操作组的操作表示为：
30、
31、为卷积变换函数，为leakyrelu激活函数，为批标准化操作，为上述像素级纹理复杂度评估模块的输出，为特征提取第一卷积操作组的输出；
32、自注意力机制模块表示为：
33、
34、其中，、、分别表示查询向量、键向量和值向量，为键向量的维度，表示键向量的转置矩阵；
35、
36、
37、
38、其中，给定输入序列为像素级纹理复杂度评估模块的输出，，，分别表示查询向量、键向量和值向量的子向量，，是学习的权重矩阵，是给定输入序列的子序列，自注意力权重计算为：
39、
40、其中，表示自注意力权重，表示查询向量的子向量，表示键向量的子向量，为键向量的维度。
41、最终的自注意力输出由注意力权重和值的加权和而得：
42、
43、特征提取第二卷积操作组表示为：
44、
45、其中，为卷积变换函数，为leakyrelu激活函数，为批标准化操作，为自注意力模块的输出，为特征提取第二卷积操作组的输出；
46、特征提取第三卷积操作组表示为：
47、
48、其中，为卷积变换函数，为sigmod/2激活函数，为特征提取第三卷积操作组的输出。
49、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述模式重排模块如下：
50、
51、
52、
53、
54、
55、
56、为特征提取第三卷积操作组的输出，对应于第个dct块和第个dct模式的dct系数特征，为上述像素级纹理复杂度矩阵的高和宽，为模式重排模块输出的临时矩阵，为临时矩阵中的元素，为dct块的坐标，为第个dct块的第个位置，对应于第个dct块和第个dct模式的dct系数特征，为策略网络最终输出的策略矩阵，为修改概率动作，为策略矩阵中的元素。
57、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的环境网络模型包括反dct基滤波器、预处理层、卷积操作组1、卷积操作组2、卷积操作组3、卷积操作组4、卷积操作组5；
58、所述反dct基滤波器的输出输入到预处理层；
59、所述预处理层的输出输入到卷积操作组1；
60、所述卷积操作组1的输出输入到卷积操作组2；
61、所述卷积操作组2的输出输入到卷积操作组3；
62、所述卷积操作组3的输出输入到卷积操作组4；
63、所述卷积操作组4的输出输入到卷积操作组5；
64、所述卷积操作组5的输出依次输入全连接层与激活层，输出奖励矩阵；
65、其中，预处理层包括依次设置的dct基滤波器、激活层；卷积操作组1包括依次设置的卷积层、批标准化层、激活层、池化层。
66、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述奖励矩阵表示为：
67、
68、
69、
70、其中，为环境网络输出的系数型奖励值，为环境网络输出的系数型奖励值中的元素，和代表dct块的坐标，为第个dct块的第个位置，为上述像素级纹理复杂度矩阵的高和宽，为修改概率动作，代表第个dct块的第个位置的修改概率动作，是环境网络交叉熵损失相对于修改动作的梯度，是修改动作组成的矩阵，是一个常数，是符号函数。
71、结合第一方面，在第一方面的某些实现方式中，该方法还包括：总损失函数为：
72、
73、其中，为预先建立的环境网络模型的奖励损失，为图像嵌入容量损失，和为用于控制环境网络模型的奖励损失以及图像嵌入容量损失的权值。
74、结合第一方面，在第一方面的某些实现方式中，该方法还包括：所述预先建立的环境网络模型的奖励损失的计算公式为：
75、
76、
77、
78、
79、
80、其中，为像素级纹理复杂度矩阵的高和宽的八分之一，为环境网络输出的系数型奖励值中的元素，和代表dct块的坐标，为第个dct块的第个位置，是环境网络交叉熵损失相对于修改动作的梯度，是一个常数，是符号函数，为上述像素级纹理复杂度矩阵的高和宽，为修改概率动作，代表第个dct块的第个位置的修改概率动作，为策略网络最终输出的策略矩阵，为策略矩阵中的元素，是修改动作组成的矩阵，其中，为jpeg载体图像，和分别是环境网络的softmax输出的载体图像和模拟载密图像的标签，和分别是对应的真实标签；
81、图像嵌入容量损失的计算公式为：
82、
83、其中，为策略矩阵中的元素，是修改动作矩阵中的元素，为jpeg载体图像，为第个dct块的第个位置，是目标容量。
84、第二方面，为了达到上述目的，本发明公开了基于dct特征提取的jpeg图像隐写系统，包括：
85、生成单元，用于接收jpeg载体图像，将jpeg载体图像输入至预先建立的策略网络模型内，得到策略矩阵；
86、学习单元，用于根据策略矩阵，以逐系数的方式对修改动作进行采样，通过迭代生成模拟隐写图像，其中，所述修改动作通过预先建立的环境网络模型评估贡献并返回奖励矩阵；
87、训练隐写单元，用于将策略矩阵输入至预先建立的环境网络模型内进行训练，输出得到训练后的策略矩阵，将训练后的策略矩阵转换为嵌入代价，模拟隐写图像根据嵌入代价生成得到最终的隐写图像。
88、本发明的有益效果：
89、本发明设计了基于dct特征提取的策略网络，将dct块内与块间特征相关性以显式地方法计算出来，使得更加充分地利用特征信息，获得更好地嵌入方式；
90、设计了模式重排模块，以先验知识指导模式重排，用于组成更有效的特征；
91、设计了以梯度为导向的环境网络，更注重提供信息奖励以提高策略网络的性能。它使用具有宽网络结构的可学习层更加有效地传播dct系数的信息梯度。
1.基于dct特征提取的jpeg图像隐写方法，其特征在于，方法包括以下步骤：
2.根据权利要求1所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述预先建立的策略网络模型，包括：像素级纹理复杂度评估模块、dct特征提取模块和模式重排模块，将jpeg载体图像输入像素级纹理复杂度评估模块后，输出得到像素级纹理复杂度矩阵，将像素级纹理复杂度矩阵输入至dct特征提取模块后，输出得到dct特征矩阵，将dct特征矩阵输入至模式重排模块后，输出得到策略矩阵；
3.根据权利要求2所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述像素级纹理复杂度评估模块，包括：反dct基滤波器、纹理复杂度第一卷积操作组、纹理复杂度第二卷积操作组、纹理复杂度第三卷积操作组、纹理复杂度第四卷积操作组、纹理复杂度第五卷积操作组、纹理复杂度第六卷积操作组、纹理复杂度第七卷积操作组、纹理复杂度第八卷积操作组、纹理复杂度第一反卷积操作组、纹理复杂度第二反卷积操作组、纹理复杂度第三反卷积操作组、纹理复杂度第四反卷积操作组、纹理复杂度第五反卷积操作组、纹理复杂度第六反卷积操作组、纹理复杂度第七反卷积操作组、纹理复杂度第八反卷积操作组，通过通道拼接操作进行；
4.根据权利要求2所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述dct特征提取模块表示为：特征提取第一卷积操作组、自注意力机制模块、特征提取第二卷积操作组、特征提取第三卷积操作组；
5.根据权利要求2所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述模式重排模块如下：
6.根据权利要求2所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述预先建立的环境网络模型包括反dct基滤波器、预处理层、卷积操作组1、卷积操作组2、卷积操作组3、卷积操作组4、卷积操作组5；
7.根据权利要求6所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述奖励矩阵表示为：
8.根据权利要求1所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，总损失函数为：
9.根据权利要求8所述的基于dct特征提取的jpeg图像隐写方法，其特征在于，所述预先建立的环境网络模型的奖励损失的计算公式为：
10.基于dct特征提取的jpeg图像隐写系统，其特征在于，包括：
