CN108921764B - 一种基于生成对抗网络的图像隐写方法及系统 - Google Patents

一种基于生成对抗网络的图像隐写方法及系统 Download PDF

Info

Publication number
CN108921764B
CN108921764B CN201810215325.XA CN201810215325A CN108921764B CN 108921764 B CN108921764 B CN 108921764B CN 201810215325 A CN201810215325 A CN 201810215325A CN 108921764 B CN108921764 B CN 108921764B
Authority
CN
China
Prior art keywords
network
convolution
training
generator
discriminator
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Expired - Fee Related
Application number
CN201810215325.XA
Other languages
English (en)
Other versions
CN108921764A (zh
Inventor
康显桂
资涵琪
刘凯
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sun Yat Sen University
Original Assignee
Sun Yat Sen University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Sun Yat Sen University filed Critical Sun Yat Sen University
Priority to CN201810215325.XA priority Critical patent/CN108921764B/zh
Publication of CN108921764A publication Critical patent/CN108921764A/zh
Application granted granted Critical
Publication of CN108921764B publication Critical patent/CN108921764B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06TIMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T1/00General purpose image data processing
    • G06T1/0021Image watermarking

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于生成对抗网络的图像隐写方法及系统,系统包括框架设计模块、网络训练模块和性能估计模块;通过设计网络框架并构造损失函数,输入原始的随机噪声,训练整个网络,使得生成的图片尽可能地拟合原始图片库的数据分布,对最终训练得到的模型性能进行检测,分析由该模型生成的图片的视觉质量以及抗隐写分析的安全性能。本发明的抗隐写分析的安全性能较其他基于生成对抗网络的方法有2~5个多百分点的提升,和原始图片库相比,生成图像视觉质量较好且更为安全。

Description

一种基于生成对抗网络的图像隐写方法及系统
技术领域
本发明涉及多媒体信息安全领域,更具体地,涉及一种基于生成对抗网络的图像隐写方法及系统。
背景技术
隐写术是一种关于信息隐藏的方法,即不让计划的接收者之外的任何人知道信息的传递事件(而不只是信息的内容)的一门技巧与科学。隐写通常是将秘密消息隐藏在图片、音频、视频等多媒体载体中,以避免被察觉,实现隐秘通信,常被用于隐秘通信领域,近年来已成为信息安全技术的热门研究课题。在快速增长的社交网络中,图像,音频和视频等多媒体介质日渐丰富,其中通信的安全性是保障客户基本需求的首要,在这种情势下,隐写术的发展即是机遇也是挑战,而如何设计安全的隐写方法显得尤为重要。隐写领域相关研究人员也一直在着手解决如何开发一个有效的,安全的隐写框架。载体介质、秘密信息、嵌入方法,是隐写的三大要素,现有的隐写方法通常着眼于嵌入方式的设计如:伪造像素位,设计失真函数等。近来,随着生成对抗网络的日渐完善,其在图片生成、图像合成等领域也展现了突出效果及不可限量的前景。这一技术的发展也为隐写方法提供了新的机遇,本发明试图在载体介质层面设计一种高效且安全的隐写方法,通过训练生成对抗网络以产生一种图像视觉效果较好且安全性能较高的适用于隐写任务的载体图片。
发明内容
本发明的目的是解决上述一个或多个缺陷,提出一种基于生成对抗网络的图像隐写方法。
为实现以上发明目的,采用的技术方案是:
一种基于生成对抗网络的图像隐写方法,包括以下步骤:
S1:在待拟合的数据库中设计网络框架,其中网络框架由三个子网络构成,包括生成器(G)、判别器(D)和隐写分析器(S);
S2:构建各子网络的损失函数并进行优化函数,三个子网络的损失函数均基于交叉熵损失函数,其中生成器(G)的损失函数设计为:
Figure GDA0003807538540000021
其中α=0.02,β=1,
Figure GDA0003807538540000022
Figure GDA0003807538540000023
判别器(D)的损失函数设计为:
Figure GDA0003807538540000024
隐写分析器(S)的损失函数设计为:
Figure GDA0003807538540000025
如上公式中G(z(i))表示有生成器(G)生成的图片,D(x)表示输入x时判别器(D)0的输出,S(x)表示输入x时隐写分析器(S)的输出,Stego(x)表示对x嵌入信息后得到的结果;
S3:选择随机噪声作为生成器(G)的输入,选择需要拟合的数据作为判别器(D)的输入之一,对网络进行训练,得到最终的训练模型;
S4:利用基于卷积神经网络的隐写分析器(S)对训练模型产生的图片进行性能评估;
S5:将生成器(G)的输出结果与原始图片库以及其他生成对抗网络模型的对抗结果进行比较。
优选的是,步骤S1所述的待拟合的数据库为BOSSbase v1.01数据库。
优选的是,所述生成器(G)采用了微步卷积(fractionally-stridedconvolution)结构,其中前三个微步卷积层与批量标准化层(Batch Normalization)和修正线性单元(ReLU)级联,最后一个微步卷积层连接双曲正切函数层作为输出。
优选的是,所述生成器(G)的四个微步卷积层的卷积核大小均为5×5,卷积步长为2,卷积核个数分别为256,128,64,3。
优选的是,所述判别器(D)主要采用了带步长的卷积(strided convolution)及带泄露的修正线性单元(LeakyReLU)结构,其中每个卷积组包含一个带步长的卷积(StridedConvolution)、批量标准化层(Batch Normalization)和泄露的修正线性单元(LeakyReLU)。
优选的是,所述判别器(D)中第一组卷积组没有批量标准化层,其他三层结构相同,其中四个带步长的卷积层卷积核大小均为5×5,卷积步长为2,卷积核个数分别为64,128,256,512,判别器(D)通过带有sigmoid函数的全连接层实现分类。
优选的是,所述隐写分析器(S)为采用高通滤波器(KV high-pass filter)的隐写分析器。
优选的是,步骤S2所述优化函数包括生成器(G)和判别器(D)通过Adam优化器进行优化,隐写分析器(S)通过小批量梯度下降法优化损失函数。
优选的是,步骤S3中对网络进行训练包括对网络进行200轮及以上的训练。
一种系统,包括框架设计模块、网络训练模块和性能估计模块;其中框架设计模块主要用于子网络的选择、子网络结构的搭建、损失函数的设计以及优化器的选择;网络训练模块用于对网络进行训练;性能估计模块用于评估生成图片的图像质量以及抗隐写分析性能。
与现有技术相比,本发明的有益效果是:
1)本发明相较于其他的生成对抗网络模型,在同等的实验条件下,生成的图片质量更好,且不易于造成模型坍塌,生成失真图片的情况较少,此外,本发明生成的图片抗隐写分析性能较其他的生成对抗网络模型能有2%-4%的提升;
2)本发明相较于原始图片库,生成的图片质量较好,能大致拟合原始数据库的图片种类,且抗隐写分析性能至少有5%的提升;
3)本发明生成的图片安全性更高,不仅适用于一种隐写算法,实验结果证明在利用其他的隐写算法的情况下,本发明的隐写安全性能仍比其他方法要好。
附图说明
图1为本发明的流程图;
图2为本发明的网络框架设计图;
图3为本发明的生成图片效果图;
图4为本发明与其他方法的对比图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
以下结合附图和实施例对本发明做进一步的阐述。
实施例1
请参考图1,图1为本发明的流程图。
一种基于生成对抗网络的图像隐写方法,包括以下步骤:
S1:在待拟合的数据库中设计网络框架,其中网络框架由三个子网络构成,包括生成器(G)、判别器(D)和隐写分析器(S);
S2:构建各子网络的损失函数并进行优化函数,三个子网络的损失函数均基于交叉熵损失函数,其中生成器(G)的损失函数设计为:
Figure GDA0003807538540000041
其中α=0.02,β=1,
Figure GDA0003807538540000042
Figure GDA0003807538540000043
判别器(D)的损失函数设计为:
Figure GDA0003807538540000044
隐写分析器(S)的损失函数设计为:
Figure GDA0003807538540000045
如上公式中G(z(i))表示有生成器(G)生成的图片,D(x)表示输入x时判别器(D)0的输出,S(x)表示输入x时隐写分析器(S)的输出,Stego(x)表示对x嵌入信息后得到的结果;
S3:选择随机噪声作为生成器(G)的输入,选择需要拟合的数据作为判别器(D)的输入之一,对网络进行训练,得到最终的训练模型;
S4:利用基于卷积神经网络的隐写分析器(S)对训练模型产生的图片进行性能评估;
S5:将本发明的输出结果与原始图片库以及其他生成对抗网络模型的对抗结果进行比较。
本发明还包括一种基于生成对抗网络的图像隐写系统,包括3个模块,分别是框架设计模块,网络训练模块,以及性能估计模块。其中框架设计模块主要着眼于子网络的选择、子网络结构的搭建、损失函数的设计以及优化器的选择。网络训练模块,主要是利用设计好的框架对网络进行训练,其中选择随机噪声为初始输入,选择BOSSbase v1.01为待拟合的数据;第三个模块是性能估计模块,主要衡量生成图片的图像质量以及抗隐写分析性能。
图2是本发明的网络框架设计图。本发明主要由三个子网络组成:生成器(G)、判别器(D)和隐写分析器(S)。生成器(G)的输入是均匀分布的随机噪声,通过不断训练学习待拟合图片的数据分布,生成近似于待拟合图片库的图片。具体的网络结构为:输入的100维噪声,首先经过全连接层将一维信息转置成高维矩阵,接着经过批量标准化层(BatchNormalization)和修正线性单元(ReLU),再依次经过三个微步卷积(Fractionally-strided Convolution)、批量标准化层(Batch Normalization)和修正线性单元(ReLU)卷积组,最后经微步卷积层(Fractionally-strided Convolution)、双曲正切函数层,输出生成图片。其中生成器的四个微步卷积层的卷积核大小均为5×5,卷积步长为2,卷积核个数分别为256,128,64,3。判别器(D)的输入有两个,分别是生成图片即生成器的输出,和原始图片库BOSSbase v1.01的图片,其主要任务是实现分类,即判别输入的图片是生成图片还是原始图片。具体的网络结构为:由四个卷积组构成,其中每个卷积组包含一个带步长的卷积(Strided Convolution)、批量标准化层(Batch Normalization)和泄露的修正线性单元(LeakyReLU),除了第一组没有批量标准化层,其他三层结构相同,其中四个带步长的卷积层卷积核大小均为5×5,卷积步长为2,卷积核个数分别为64,128,256,512。最后经过带有sigmoid函数的全连接层实现分类。隐写分析器(S)主要采用了徐等人提出的结构(Xu’smodel)。
以上就是搭建好的网络框架,然后需要对网络进行训练,经过200轮及以上的训练,可以得到最终的模型。
通过以上的准备,将本发明(SO-GAN)与原始图片库以及其他生成对抗网络模型进行比较,涉及到的其他网络模型主要是Deep Convolutional GAN(DCGAN)、steganographicgenerative adversarial networks(SGAN),对应的文献分别是“Unsupervisedrepresentation learning with deep convolutional generative adversaria1networks”,“Steganographic Generative Adversarial Networks”。实验结果如表1。
表1有效载荷为0.4bpp的不同隐写方法的检测精度对比
Figure GDA0003807538540000061
结合表1可以知道,本发明提出的方法在任何一种隐写算法下,用传统方法的富模型(SRM)和基于卷积神经网络的隐写分析器(Xu’s model)检测,都比其他的生成对抗网络模型方法在抗隐写分析的安全性上都至少有2个百分点的提升,故总体上本发明的安全性要高于其他模型。且以原始图片库BOSSbase v1.01作为基准线,可以观察到,本发明有更为明显地提升,在几种隐写算法下均有5%以上的提升,且提升合理,没有出现因较大的失真引起的检出率大幅度跌落的情况。
且由图3可以观察到本方法生成的图片质量较好,不仅能成功地生成图片,且还能保证生成图片的种类有一定的丰富度。图4(a)、(b)、(c)分别为DCGAN、SGAN、SO-GAN模型生成的图片,可以观察到,在同等实验条件下,本方法生成的图片,即图4(c),失真图像占比最低,约为12.5%(8/64),且生成的图片视觉效果更好。图4(d)、(e)、(f)分别对应DCGAN、SGAN、SO-GAN模型生成的样本图片第二列的演进过程,其中各列结果来源于第10、40、70、100、130、160、190、200轮训练得到的图片。图4(f)是本方法对应的演进过程,可以观察到较之于其他模型,本方法更为稳定,不易造成模型坍塌,且生成的图片质量更好。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。

Claims (10)

1.一种基于生成对抗网络的图像隐写方法,其特征在于,包括以下步骤:
S1:在待拟合的数据库中设计网络框架,其中网络框架由三个子网络构成,包括生成器G、判别器D和隐写分析器S;
S2:构建各子网络的损失函数并进行优化函数,三个子网络的损失函数均基于交叉熵损失函数,其中生成器G的损失函数设计为:
Figure FDA0003807538530000011
其中α=0.02,β=1,
Figure FDA0003807538530000012
Figure FDA0003807538530000013
判别器D的损失函数设计为:
Figure FDA0003807538530000014
隐写分析器S的损失函数设计为:
Figure FDA0003807538530000015
如上公式中G(z(i))表示有生成器G生成的图片,D(x)表示输入x时判别器D的输出,S(x)表示输入x时隐写分析器S的输出,Stego(x)表示对x嵌入信息后得到的结果;
S3:选择随机噪声作为生成器G的输入,选择需要拟合的数据作为判别器D的输入之一,对网络进行训练,得到最终的训练模型;
S4:利用基于卷积神经网络的隐写分析器S对训练模型产生的图片进行性能评估;
S5:将生成器G的输出结果与原始图片库以及其他生成对抗网络模型的对抗结果进行比较。
2.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,步骤S1所述的待拟合的数据库为BOSSbase v1.01数据库。
3.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,所述生成器G采用了微步卷积(fractionally-strided convolution)结构,其中前三个微步卷积层与批量标准化层(Batch Normalization)和修正线性单元(ReLU)级联,最后一个微步卷积层连接双曲正切函数层作为输出。
4.根据权利要求3所述的一种基于生成对抗网络的图像隐写方法,其特征在于,所述生成器G的四个微步卷积层的卷积核大小均为5×5,卷积步长为2,卷积核个数分别为256,128,64,3。
5.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,所述判别器D主要采用了带步长的卷积(strided convolution)及带泄露的修正线性单元(LeakyReLU)结构,其中每个卷积组包含一个带步长的卷积(Strided Convolution)、批量标准化层(Batch Normalization)和泄露的修正线性单元(LeakyReLU)。
6.根据权利要求5所述的一种基于生成对抗网络的图像隐写方法,其特征在于,所述判别器D中第一组卷积组没有批量标准化层,其他三层结构相同,其中四个带步长的卷积层卷积核大小均为5×5,卷积步长为2,卷积核个数分别为64,128,256,512,判别器D通过带有sigmoid函数的全连接层实现分类。
7.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,所述隐写分析器S为采用高通滤波器(KV high-pass filter)的隐写分析器。
8.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,步骤S2所述优化函数包括生成器G和判别器D通过Adam优化器进行优化,隐写分析器S通过小批量梯度下降法优化损失函数。
9.根据权利要求1所述的一种基于生成对抗网络的图像隐写方法,其特征在于,步骤S3中对网络进行训练包括对网络进行200轮及以上的训练。
10.一种基于生成对抗网络的图像隐写系统,应用权利要求1~9任一项所述的基于生成对抗网络的图像隐写方法,其特征在于,包括框架设计模块、网络训练模块和性能估计模块;其中框架设计模块主要用于子网络的选择、子网络结构的搭建、损失函数的设计以及优化器的选择;网络训练模块用于对网络进行训练;性能估计模块用于评估生成图片的图像质量以及抗隐写分析性能。
CN201810215325.XA 2018-03-15 2018-03-15 一种基于生成对抗网络的图像隐写方法及系统 Expired - Fee Related CN108921764B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810215325.XA CN108921764B (zh) 2018-03-15 2018-03-15 一种基于生成对抗网络的图像隐写方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810215325.XA CN108921764B (zh) 2018-03-15 2018-03-15 一种基于生成对抗网络的图像隐写方法及系统

Publications (2)

Publication Number Publication Date
CN108921764A CN108921764A (zh) 2018-11-30
CN108921764B true CN108921764B (zh) 2022-10-25

Family

ID=64402858

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810215325.XA Expired - Fee Related CN108921764B (zh) 2018-03-15 2018-03-15 一种基于生成对抗网络的图像隐写方法及系统

Country Status (1)

Country Link
CN (1) CN108921764B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109587372B (zh) * 2018-12-11 2020-06-16 北京邮电大学 一种基于生成对抗网络的不可见图像隐写术
CN109685068B (zh) * 2018-12-27 2021-02-26 上海七牛信息技术有限公司 一种基于生成对抗神经网络的图像处理方法以及系统
CN111491170B (zh) * 2019-01-26 2021-12-10 华为技术有限公司 嵌入水印的方法及水印嵌入装置
CN110097185B (zh) * 2019-03-29 2021-03-23 北京大学 一种基于生成对抗网络的优化模型方法及应用
CN110084734B (zh) * 2019-04-25 2023-02-14 南京信息工程大学 一种基于物体局部生成对抗网络的大数据权属保护方法
CN110334805B (zh) * 2019-05-05 2022-10-25 中山大学 一种基于生成对抗网络的jpeg域图像隐写方法和系统
CN110473135B (zh) * 2019-07-31 2022-12-27 哈尔滨工业大学(深圳) 图像处理方法、系统、可读存储介质及智能设备
CN110619594B (zh) * 2019-09-16 2023-02-03 中山大学 一种半色调图像隐写分析方法
CN111768325B (zh) * 2020-04-03 2023-07-25 南京信息工程大学 大数据隐私保护中基于生成对抗样本的安全性提升方法
CN112243005B (zh) * 2020-10-14 2022-03-15 合肥工业大学 一种基于生成对抗网络的安全无嵌入隐写方法
CN112634117B (zh) * 2020-12-22 2023-05-05 中山大学 基于生成对抗网络的端到端jpeg域图像隐写方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106127667A (zh) * 2016-06-13 2016-11-16 天津大学 一种jpeg图像自适应隐写方法
CN106295646A (zh) * 2016-08-10 2017-01-04 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法和装置
CN106530200A (zh) * 2016-10-23 2017-03-22 深圳大学 一种基于深度学习模型的隐写图像检测方法及系统
GB2546360A (en) * 2016-01-13 2017-07-19 Adobe Systems Inc Image captioning with weak supervision
CN107330845A (zh) * 2017-06-26 2017-11-07 中山大学 一种基于卷积神经网络的数字图像隐写分析方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB2546360A (en) * 2016-01-13 2017-07-19 Adobe Systems Inc Image captioning with weak supervision
CN106127667A (zh) * 2016-06-13 2016-11-16 天津大学 一种jpeg图像自适应隐写方法
CN106295646A (zh) * 2016-08-10 2017-01-04 东方网力科技股份有限公司 一种基于深度学习的车牌字符分割方法和装置
CN106530200A (zh) * 2016-10-23 2017-03-22 深圳大学 一种基于深度学习模型的隐写图像检测方法及系统
CN107330845A (zh) * 2017-06-26 2017-11-07 中山大学 一种基于卷积神经网络的数字图像隐写分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
Li Li ; Bin Luo ; Qiang Li ; Xiaojun Fang.A Color Images Steganography Method by Multiple Embedding Strategy Based on Sobel Operator.《2009 International Conference on Multimedia Information Networking and Security》.2009, *
基于图像内容的隐写分析技术研究;汪然;《中国优秀博士论文 全文数据库 信息科技辑》;20160715;全文 *

Also Published As

Publication number Publication date
CN108921764A (zh) 2018-11-30

Similar Documents

Publication Publication Date Title
CN108921764B (zh) 一种基于生成对抗网络的图像隐写方法及系统
Khan et al. DNA and plaintext dependent chaotic visual selective image encryption
CN108346125B (zh) 一种基于生成对抗网络的空域图像隐写方法及系统
CN110570346B (zh) 一种基于循环生成对抗网络对书法进行风格迁移的方法
CN111951153A (zh) 基于生成对抗网络隐空间解构的人脸属性精细化编辑方法
Li et al. Hyperchaotic image encryption based on multiple bit permutation and diffusion
Liu et al. Coverless image steganography based on DenseNet feature mapping
CN111079864A (zh) 一种基于优化视频关键帧提取的短视频分类方法及系统
CN114339258A (zh) 一种基于视频载体的信息隐写方法及装置
CN111177746A (zh) 一种高效的具有核心参与者的视觉秘密共享方法
Liu et al. Adversarial steganography embedding via stego generation and selection
CN111327785B (zh) 一种基于对抗生成网络的图像自动构建的信息隐写通信方法
Liu et al. Color ghost imaging through the scattering media based on A-cGAN
CN113076549B (zh) 一种基于新型U-Net结构生成器的对抗网络图像隐写方法
Shi et al. Image encryption scheme based on multiscale block compressed sensing and Markov model
Ding et al. Take a close look at mode collapse and vanishing gradient in GAN
CN102075283A (zh) 一种信息隐写方法及装置
CN110457940B (zh) 一种基于图论和互信息量的差分隐私度量方法
Huang et al. A novel zero watermarking based on DT-CWT and quaternion for HDR image
CN116668112A (zh) 一种生成流量对抗样本访问黑盒模型的方法及装置
Zhang et al. Adaptive Robust Blind Watermarking Scheme Improved by Entropy‐Based SVM and Optimized Quantum Genetic Algorithm
CN116258867A (zh) 一种基于关键区域低感知性扰动的对抗样本生成方法
CN112862655B (zh) 一种基于通道空间注意力机制的jpeg图像隐写分析方法
Rawat et al. Steganalysis for clustering modification directions steganography
CN110069901B (zh) 基于混沌系统的空间域多图像加密算法

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221025

CF01 Termination of patent right due to non-payment of annual fee