多媒體信息隱藏技術研究

貴州省銅仁市銅仁學院 佘春華

基于深度學習來進行信息隱藏（Steganograph y）的有關研究，不僅較為缺乏，而且專業性也也較差。對此，本文在對相關技術進行整合的基礎之上，提出了將深度學習與多媒體信息隱藏技術相結合的辦法及模型。

多媒體信息隱藏的技術要點

下面以數字音頻以及.wav 文件、數字視頻中數據隱藏技術為例，對其中的技術要點進行分析。

1.數字音頻中的數據隱藏

由于音樂基本上都是雙聲道，即立體聲，而每一個雙聲道音樂以每秒88200 次來進行采樣。由此一來，這些樣本值就極有可能被用于數據隱藏。與此同時，所采集樣本值以有符號16 位整數而存在，即-32768～+32768，改變這些樣本值的最低位只會對于模擬信號的效果產生略微的影響。故此，基于音頻文件的這個本質特質，可以說其是進行數據隱藏的良好載體。

2.wav 文件中數據隱藏

在.wav 文件中的數據隱藏，大多是通過修改16 位證書的最低有效位來實現對隱藏信息的編碼。具體舉例來講，比如我們將.wav 文件右聲道的前8個樣本進行提取的基礎之上，對其進行有效到大的端序轉換，進而再通過以“A”的ASCII 碼的方式將各值當中的最低有效位進行替換。然而，由于這8個樣本當中之修改了其中五個，其中三個最低有效位并不需要修改，所以這種替換與修改并不是可察覺的改變。所以，通過LSB 來對波形文件進行數據隱藏是很難被察覺發現的。

3.數字視頻中的數據隱藏

以TCStego 加密為例，可在加密的基礎上實現隱寫掩蓋的功能，通過將包含外層卷與內層卷的TureCrypt 容量隱藏于比如QuickTime 多媒體文件之中。這樣一來，經由處理后的文件在運行的過程當中，既可以是一個可掛載的TureCrypt 卷，也可以是一個標準多媒體文件。

基于深度學習的多媒體信息隱藏技術

1.衡量指標分析

信息隱藏技術成為近年來人們研究的熱點之一，在信息保密、多媒體版權保護等方面發揮著重要作用。結合現階段發展實際情況來看，有關信息隱藏技術的相關理論和方法類別較多。而基于深度學習的多媒體信息隱藏技術，需要結合容量、透明以及魯棒性三大性能指標來對隱藏方案的質量進行評價與衡量。

由于透明性的實現，要隱藏的信息量就較少，也就是說不能夠對原載體進行大的改動，二者與容量指標是相矛盾的；加之魯棒性的實現需要對原載體的重要部分加以修改以抵御共計，所以要對原載體進行大的改動，而這卻與透明性指標相矛盾。所以，三者以相對獨立的關系而存在。

2.深度網絡結構

基于深度學習的多媒體信息隱藏技術，由于載體媒介形式與圖片存在不同，故而相對應的深度網絡結構需要進行重新優化設計，當然其背后的原理是一致的。本文進行了音頻信息隱藏的深度網絡結構設計，具體可以參見圖1 所示。

圖1 音頻信息隱藏的深度網絡結構

結合圖1 來看，首先原始音頻Ao 會先經過頻域變化，此處存在多種方式與方案可供選擇，具體則需要靈活地選擇適用方案。具體來講，比如DWT 以及DCT，當然也可以是其結合，經由變換之后進入編碼層網絡，此時完成秘密信息的嵌入和頻域的反變換，進而得到已編輯音頻Ae。最終，再進入到解碼層網絡嘗試重建隱藏信息并得到Mr。另外，在這個網絡結構下，各層網絡同樣會受到損失函數的影響，以此來實現訓練效果。

3.編碼前視頻信息隱藏算法

針對編碼前視頻信息的隱藏算法，可以基于DCT 變化的視頻信息隱藏算法來進行，比如對載體視頻幀以及所要嵌入的圖像進行8×8的DCT 變換，以此來進行量化處理的基礎之上將待嵌入DCT 系統開展多維柵格編碼，繼而通過JPEG 量化矩陣將編碼后的系數進行標準化處理，最終選定載體當中的DCT 系統并用這些系數加以替代，由此得到被替換后的DCT 系數的同時基于反變換來完成信息嵌入。另外，還可以基于DWT 變換的視頻信息隱藏算法來進行，比如將視頻序列進行三維數據塊劃分，64×64×32，進而對個數據塊進行2 階3 維的小波變換，將加密后的秘密息嵌入到HLL2 與LHL2 中的小波系數，最終經由反變化得到載秘視頻幀。

結論

本文結合已有的多媒體隱寫實現的基礎之上，圍繞深度學習對圖片和音頻深度的網絡隱寫進行了探索與分析。當然，由于相關方面的研究相對較少，本文所提出的深度網絡結構模型，具有一定創新性的同時，還有待于進一步完善與發展。總而言之，基于深度學習的多媒體信息隱藏技術的探索與實現，在實現版權保護以及保密通信等領域當中都具有非常重要的現實意義。