多媒体信息隐藏技术研究

贵州省铜仁市铜仁学院 佘春华

基于深度学习来进行信息隐藏（Steganograph y）的有关研究，不仅较为缺乏，而且专业性也也较差。对此，本文在对相关技术进行整合的基础之上，提出了将深度学习与多媒体信息隐藏技术相结合的办法及模型。

多媒体信息隐藏的技术要点

下面以数字音频以及.wav 文件、数字视频中数据隐藏技术为例，对其中的技术要点进行分析。

1.数字音频中的数据隐藏

由于音乐基本上都是双声道，即立体声，而每一个双声道音乐以每秒88200 次来进行采样。由此一来，这些样本值就极有可能被用于数据隐藏。与此同时，所采集样本值以有符号16 位整数而存在，即-32768～+32768，改变这些样本值的最低位只会对于模拟信号的效果产生略微的影响。故此，基于音频文件的这个本质特质，可以说其是进行数据隐藏的良好载体。

2.wav 文件中数据隐藏

在.wav 文件中的数据隐藏，大多是通过修改16 位证书的最低有效位来实现对隐藏信息的编码。具体举例来讲，比如我们将.wav 文件右声道的前8个样本进行提取的基础之上，对其进行有效到大的端序转换，进而再通过以“A”的ASCII 码的方式将各值当中的最低有效位进行替换。然而，由于这8个样本当中之修改了其中五个，其中三个最低有效位并不需要修改，所以这种替换与修改并不是可察觉的改变。所以，通过LSB 来对波形文件进行数据隐藏是很难被察觉发现的。

3.数字视频中的数据隐藏

以TCStego 加密为例，可在加密的基础上实现隐写掩盖的功能，通过将包含外层卷与内层卷的TureCrypt 容量隐藏于比如QuickTime 多媒体文件之中。这样一来，经由处理后的文件在运行的过程当中，既可以是一个可挂载的TureCrypt 卷，也可以是一个标准多媒体文件。

基于深度学习的多媒体信息隐藏技术

1.衡量指标分析

信息隐藏技术成为近年来人们研究的热点之一，在信息保密、多媒体版权保护等方面发挥着重要作用。结合现阶段发展实际情况来看，有关信息隐藏技术的相关理论和方法类别较多。而基于深度学习的多媒体信息隐藏技术，需要结合容量、透明以及鲁棒性三大性能指标来对隐藏方案的质量进行评价与衡量。

由于透明性的实现，要隐藏的信息量就较少，也就是说不能够对原载体进行大的改动，二者与容量指标是相矛盾的；加之鲁棒性的实现需要对原载体的重要部分加以修改以抵御共计，所以要对原载体进行大的改动，而这却与透明性指标相矛盾。所以，三者以相对独立的关系而存在。

2.深度网络结构

基于深度学习的多媒体信息隐藏技术，由于载体媒介形式与图片存在不同，故而相对应的深度网络结构需要进行重新优化设计，当然其背后的原理是一致的。本文进行了音频信息隐藏的深度网络结构设计，具体可以参见图1 所示。

图1 音频信息隐藏的深度网络结构

结合图1 来看，首先原始音频Ao 会先经过频域变化，此处存在多种方式与方案可供选择，具体则需要灵活地选择适用方案。具体来讲，比如DWT 以及DCT，当然也可以是其结合，经由变换之后进入编码层网络，此时完成秘密信息的嵌入和频域的反变换，进而得到已编辑音频Ae。最终，再进入到解码层网络尝试重建隐藏信息并得到Mr。另外，在这个网络结构下，各层网络同样会受到损失函数的影响，以此来实现训练效果。

3.编码前视频信息隐藏算法

针对编码前视频信息的隐藏算法，可以基于DCT 变化的视频信息隐藏算法来进行，比如对载体视频帧以及所要嵌入的图像进行8×8的DCT 变换，以此来进行量化处理的基础之上将待嵌入DCT 系统开展多维栅格编码，继而通过JPEG 量化矩阵将编码后的系数进行标准化处理，最终选定载体当中的DCT 系统并用这些系数加以替代，由此得到被替换后的DCT 系数的同时基于反变换来完成信息嵌入。另外，还可以基于DWT 变换的视频信息隐藏算法来进行，比如将视频序列进行三维数据块划分，64×64×32，进而对个数据块进行2 阶3 维的小波变换，将加密后的秘密息嵌入到HLL2 与LHL2 中的小波系数，最终经由反变化得到载秘视频帧。

结论

本文结合已有的多媒体隐写实现的基础之上，围绕深度学习对图片和音频深度的网络隐写进行了探索与分析。当然，由于相关方面的研究相对较少，本文所提出的深度网络结构模型，具有一定创新性的同时，还有待于进一步完善与发展。总而言之，基于深度学习的多媒体信息隐藏技术的探索与实现，在实现版权保护以及保密通信等领域当中都具有非常重要的现实意义。