本文是一篇软件工程论文，笔者认为大容量图像隐写技术是图像隐写领域的一个细化分支，由于其着眼于方案中秘密信息的可嵌入容量，恰好符合当今高速发展的信息化时代的要求。
第一章 绪论
1.1研究背景与意义
近年来，随着因特网、移动互联技术[1]的不断普及，多媒体内容正通过各式各样的渠道活跃在人们生活的各个角落，成为了日常生活的必要组成部分，如短视频[2]浏览、微信文字聊天、图片文件传送等。然而，信息传播的便捷性也降低了攻击者对信息伪造和篡改[3]的门槛，给秘密信息的隐私性和安全性造成了极大的隐患，屡见不鲜的安全事件也恰恰佐证了秘密信息传播过程中存在的问题。例如，非法用户盗取他人设备中的私密照片，导致个人隐私的泄露；再如，军事项目上的秘密数据、医院病人的病例、政企事业单位的个人信息等，而如果这些信息在传播过程中被不怀好意的攻击者获取或篡改，会对信息内容的所有者造成不可预估的安全威胁。在当今快速发展的时代下，图像作为简单直观表达意向的载体被广泛运用于信息传播，而针对图像内容保护、防止秘密信息泄露的研究就显得迫在眉睫。
研究者们最先使用加密手段[4]对秘密信息进行有效地保护。个人用户在信息传播的过程之前，将所需传播的信息内容进行加密，再将加密后的信息传输给指定的可信用户，并需要将加密操作时的密钥也传输给他们。这种加密的方法保证了即使非授权的攻击者获取了加密后的信息，但因密钥与信息是分离传输的，无法获得与之对应的密钥就不能破解原始信息的内容。然而，加密后的信息往往是杂乱且难以读取的，如图1-1所示。这种内容通常会引起攻击者的高度关注和猎奇心理，一旦他们通过逆向解密的手段破解了一份加密后的信息，那么此后所有利用这种方式加密的信息将不再具有安全性，变成了仅需增加解密步骤的“透明”信息。
..............................
1.2国内外研究现状
回首过去，信息隐藏的技术其实一直活跃在历史的舞台上。《水浒传》中吴用就曾利用“芦花滩上有扁舟，俊杰黄昏独自游。义到尽头原是命，反躬逃难必无忧。”的藏头诗暗指“卢俊义反”来迫使卢俊义上山落草。而随着社会发展进入了新时代，安全问题频繁地出现，信息隐藏技术研究的浪潮也随之而来。而以图像为载体的隐写技术因其载体传播广泛、信息冗余度高尤其受到研究者的关注，本节将从基于载体修改的图像隐写和无载体图像隐写两个方面详细介绍图像隐写的国内外研究现状。
1.2.1基于载体修改的图像隐写
图像隐写是一种将秘密信息隐藏于图像载体实现信息隐藏的技术，目前已在军事、法律、医学等领域实现了具体的应用。传统的图像隐写技术在经历了多个阶段的发展更新，也形成了一定的成果基础。
LSB算法是传统图像隐写的代表算法之一，其核心的思想就是利用人眼对颜色的不敏感性将图像中每像素中的最低有效位替换成秘密信息的内容，达到秘密信息隐蔽的目标。这种算法源于人眼对图像的分辨能力的不足，而图像中像素的最低有效位往往代表着图像的细节特征，替换掉最低有效位并不会让人眼察觉到图像整体视觉效果的变化。随着对算法了解的不断深入，学者们又对LSB算法进行了很多改进。2003年，Tian[16]提出设计映射函数，计算相邻像素之间的差值，利用差值翻倍的方式嵌入秘密信息内容，实验表明具有良好的秘密不可见性。2005年，Wang[17]采取降低嵌入量的方式来减小对图像的修改，以三个像素作为一个嵌入组实现秘密信息的嵌入。LSB因其简单、实用的特性一直备受学者的关注，但该类方法会剧烈影响图像的统计学特性，而隐写分析工具的快速发展，也导致该类传统算法难以达到信息隐藏的目的。
................................
第二章 神经网络的先验知识
2.1神经网络的发展史
人工神经网络作为当前最炙手可热的技术，在行为识别[39]、语音翻译[40]、计算机视觉[41]、自动驾驶[42]等领域都发挥了至关重要的作用。而人工神经网络自诞生以来经历若干次的发展阶段，其重要性日益凸显，所以了解神经网络的发展史则是我们更好、更快运用此技术的不二法门。
沃伦等人[43]在1943年的论文中，首次提出了人工神经网络的概念和模仿人脑神经元运作的阈值元件数学模型（简称为M-P模型），将人工神经网络推上了研究的舞台。M-P模型的基本结构如下图所示。
软件工程论文怎么写
...........................
2.2常见的神经网络模
随着神经网络走上了发展的快车道，目前研究界已创造了大量优秀的神经网络模型，本节主要介绍研究内容中所涉及到的部分网络模型。
2.2.1卷积神经网络
卷积神经网络(Convolution Neural Network，CNN)[53]是神经网络中应用最为广泛的一种，常用于图像识别、物体检测和物体分类等领域。卷积神经网络通常由输入层、卷积层、降采样层、全连接层、输出层等组成，输入层接收信息载体的输入并通过卷积层对其进行卷积操作，提取有效的特征图，降采样层通过降低特征图的特征空间来获取不同维度的特征信息，全连接层通常在网络结构的末尾使用激活函数将处理好的信息进行分类。
Unet网络模型[37]最早由Ronneberger提出，主要是为了解决医学图像分割领域的问题。正如它的名字，其网络结构呈现为一种“U”型结构获取上下文信息和位置信息。Unet网络的架构由“编码-解码”网络结合而成，其核心操作是在编码和解码的过程中引入跳数的概念以减少在编码阶段由于池化操作导致的底层特征信息的丢失。由于高级特征有助于对图像进行分类，而低级特征有助于生成图像的边缘，而随着网络层数的增加，两者并不兼得，于是Unet通过跳跃连接直接将低级特征与高级特征进行拼接达到图像分割的目标。
...........................
第三章 基于Double-Unet的大容量图像隐写方案 ................................ 17
3.1引 言 ........................................ 17
3.2技术框架 ...................................... 17
3.3详细方案 ....................................... 18
第四章 基于图像选择和STGAN的大容量无载体图像隐写方案 .......................... 27
4.1引 言 .................................. 27
4.2 技术框架 ........................................ 27
4.3详细方案 ......................................... 28
第五章 总结与展望 ........................................ 42
5.1论文总结 ................................................. 42
5.2研究展望 ............................................. 43
第四章 基于图像选择和STGAN的大容量无载体图像隐写方案
4.2 技术框架
软件工程论文参考
如图4-1，无载体图像隐写的方案可以分为两个部分，即信息隐藏和信息提取。首先，如果秘密信息内容很多，我们可再将其分割为N个片段，而每个片段又分为 ????1和???? 。而由于整个秘密信息的长度可能无法被正好分割，所以最后一幅图像的真实秘密嵌入量会被前面传输的图像小。而为了提高方案的通用性，我们可采用LSB算法或者其他隐写算法将辅助信息隐藏在其他图像中，因此整个秘密信息的表示实际上是通过一系列无载体隐写方法生成的图像和一张包含辅助信息的图像。而接收者在进行信息提取时，需依次接收这些图像，首先从最后一张附加图像中获取必要的辅助信息，然后从其他图像中按照两段式的流程对秘密信息进行提取操作。
....................................
第五章 总结与展望
5.1论文总结
大容量图像隐写技术是图像隐写领域的一个细化分支，由于其着眼于方案中秘密信息的可嵌入容量，恰好符合当今高速发展的信息化时代的要求。随着社交网络、自媒体行业的迅速发展，图像逐渐成为信息传播的主要媒介，这无疑为图像隐写提供了得天独厚的实现环境。而神经网络以其学习能力强、适应性好、数据驱动的优点，成为了大容量图像隐写方案设计中不可或缺的工具。但是针对于大容量图像隐写领域，仍然存在着一些问题。一方面，尽管在载体修改领域已经实现了以图藏图这样的大容量图像隐写方案，但是由于为了保证提取秘密信息的高精确率，所以摒弃了神经网络中的池化层及任何降采样操作，导致了只能通过增加网络层数来提高隐写水平，然而受限于网络层数的堆叠限制这些方案并不能达到更优的隐写效果。另一方面，无载体图像隐写方法特有的抗隐写分析能力，备受学者的关注。但是其往往是通过建立图像特征与秘密信息的映射关系，达到信息隐藏的目的。而此类方案核心就导致了秘密信息的嵌入容量较小，严重限制了该领域的发展。针对上述问题，本文提出了两种基于神经网络的方案，课题的总结具体如下：
（1）基于Double-Unet的大容量图像隐写方案。在本方案中，首先通过设计残差膨胀卷积模块来增加网络的感受野，然后利用堆叠的双层Unet结构和多次信息补偿的方式对原始载体图像和秘密图像进行了特征融合，形成了具有高视觉质量的含密图像。而引入残差模块的提取网络，也确保了秘密图像的提取精度。实验证明我们的隐写方案具有一定的不可见性和隐蔽性，是一种创新的载体修改类的神经网络大容量图像隐写方案。
（2）基于图像选择和STGAN的大容量无载体图像隐写方案。在本方案中，首先通过建立与秘密信息的映射关系，在图像库利用迭代量化哈希算法搜索与秘密信息匹配的多幅图像作为图像组，用于第二部分秘密信息隐写。然后通过图像载体面部属性特征与第二部分秘密信息对比，得出待修改的面部特征，并利用STGAN进行含密图像的生成。而在秘密信息提取阶段，首先利用SIFT特征的健壮性从图像库中找到与含密图像最为接近的原始载体图像，得到第一部分的秘密信息，然后通过网络提取器比对原始载体图像和生成图像面部特征，完成第二部分秘密信息的恢复。实验证明我们的无载体图像隐写方案提高了秘密信息的嵌入量，保证了含密图像的视觉质量，具有较高的安全性，是一种切实可行的基于神经网络的大容量无载体图像隐写方案。
参考文献（略）