CN109886857B - 一种基于自回归生成模型的可证安全隐写方法 - Google Patents
一种基于自回归生成模型的可证安全隐写方法 Download PDFInfo
- Publication number
- CN109886857B CN109886857B CN201910189703.6A CN201910189703A CN109886857B CN 109886857 B CN109886857 B CN 109886857B CN 201910189703 A CN201910189703 A CN 201910189703A CN 109886857 B CN109886857 B CN 109886857B
- Authority
- CN
- China
- Prior art keywords
- pixel value
- secret
- new
- secret message
- autoregressive
- 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.)
- Active
Links
Images
Landscapes
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于自回归生成模型的可证安全隐写方法,刚方法采用拒绝采样来代替原始的随机采样,从而完成秘密消息的嵌入;同时为了隐写系统的安全性,利用自适应算术编码,根据PixelCNN得到的概率,对秘密消息进行编码,使得其符合像素原始分布,整个隐写在PixelCNN生成图像过程中同步完成,不需要额外采取其他信息编码方法。
Description
技术领域
本发明涉及信息隐藏技术领域,尤其涉及一种基于自回归生成模型的可证安全隐写方法。
背景技术
一、隐写术及隐写分析
隐写术是一种隐蔽通信技术,其目的是将秘密消息嵌入到寄主载体(如图像)中,同时不引起窃听者的怀疑。过去的数十年时间里,研究人员提出了各种各样的隐写算法,包括最原始的LSB替换,以及各种自适应隐写算法。不同于早期的LSB算法,自适应隐写算法可以自动选择最合适的位置进行嵌入,其依据标准是最小化隐写前后的统计区分性。目前提出的自适应隐写算法包括HUGO,WOW,SUNIWARD,HILL,MiPOD等等。
隐写术的对立面——隐写分析,也得到了很多学者的研究和关注,其目的在于检测寄主载体中是否存在隐秘消息。现有的算法包括SPAM,SRM,maxSRM,Xu-Net等等。
二、图像生成模型
随着机器学习和人工智能的发展,生成模型和合成数据越来越广泛,甚至有不少成熟的产品。微软推出一款人工智能画师;作为一款可以生成不同风格图片的APP,Prisma广受用户喜爱。为了使得生成的图像更加真实,各种各样的生成模型被提出并研究,其中最有名的包括变分自编码器(VAE),生成式对抗网络(GAN)和自回归模型(NAME,RIDE,以及最新的PixelCNN系列)。
其中PixelCNN系列作为自回归模型最新的成果,得到了大量学者的研究,提出了一系列变形,例如gated PixelCNN,PixelCNN++等等。其核心思想如下公式:
利用链式法则,将图像像素分布转化为条件概率分布的乘积,然后利用CNN去拟合条件概率分布。该系列模型生成图像的过程:从上到下,从左到右,依次生成整张图像,其中每个像素的生成,即利用随机采样,在对应的条件概率分布上进行采样:
三、生成式隐写
图像生成技术和生成模型的发展给隐写术带来了新的机遇。由于图像合成变得越来越普遍,在此过程中进行隐写术显然是一个很好的选择,即所谓的生成式隐写。不同于传统的隐写需要选取现有的载体图像然后利用隐写编码进行嵌入,生成式隐写可以直接生成包含了秘密消息的载密图像。生成式隐写的安全性保证,在于其对应生成模型的所生成的一般图像和载密图像之间的不可区分性。
目前已经有许多关于生成式隐写方面的研究。Hayes等人提出一种基于对抗训练的方法,直接利用神经网络生成载密图像;Wu等人针对纹理图像合成,通过调整生成过程,选择非最佳图像块来进行纹理图像的生成式隐写;Zhou等人则提出无载体信息隐藏的概念,利用哈希将图像与消息序列一一对应,以此隐藏对应的消息序列。然而,目前的各种方案都存在各种各样的不足和缺陷,例如安全性不高,容量小或者是局限于特定的图像。
发明内容
本发明的目的是提供一种基于自回归生成模型的可证安全隐写方法,其具有较高的安全性能。
本发明的目的是通过以下技术方案实现的:
一种基于自回归生成模型的可证安全隐写方法,包括:
秘密嵌入阶段:根据自回归生成模型得到的第1个像素值的分布,得到第1个像素值分布对应的码表;然后,结合得到的码表,并利用自适应算术编码的解码算法,将原始的秘密消息m编码,得到对应的新秘密消息M中排序为1的logL个比特;再将新的秘密消息中排序为1的logL个比特利用拒绝采样方式,嵌入到第1个像素值中,得到第1个新的像素值;对于自回归生成模型得到后续像素值的分布,采用上述方式得到相应的新的像素值,直到秘密消息全部嵌入完毕或者整张载密图像生成完毕;
秘密提取阶段:接收方获得整张载密图像、每个像素值的分布及对应的码表,利用拒绝采样时所使用的映射F恢复出新的秘密消息M,然后,依据自适应算术编码的编码算法,从而恢复出最原始的秘密消息m。
由上述本发明提供的技术方案可以看出,采用拒绝采样来代替原始的随机采样,从而完成秘密消息的嵌入;同时为了隐写系统的安全性,利用自适应算术编码,根据PixelCNN得到的概率,对秘密消息进行编码,使得其符合像素原始分布,整个隐写在PixelCNN生成图像过程中同步完成,不需要额外采取其他信息编码方法。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域的普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他附图。
图1为本发明实施例提供的原始PixelCNN生成正常图像的流程图;
图2为本发明实施例提供的一种基于自回归生成模型的可证安全隐写方法中秘密嵌入阶段的流程图;
图3为本发明实施例提供的在灰度图像集Frey进行的实验结果;
图4为本发明实施例提供的彩色RGB图像集Anime进行的实验结果。
具体实施方式
下面结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明的保护范围。
本发明实施例提供一种基于自回归生成模型的可证安全隐写方法,该方法是基于自回归生成模型PixelCNN实现,原始PixelCNN生成正常图像的流程如图1所示,原始PixelCNN先对图像像素的条件概率分布进行建模,然后依据每个条件概率分布进行随机采样,从上到下,从前往后依次生成像素从而合成整张图像。本发明实施例提供的隐写方法则采用拒绝采样来代替原始的随机采样,从而完成秘密消息的嵌入;同时为了隐写系统的安全性,利用自适应算术编码,根据PixelCNN得到的概率,对秘密消息进行编码,使得其符合像素原始分布。整个隐写在PixelCNN生成图像过程中同步完成,不需要额外采取其他信息编码方法。
本发明实施例提供的基于自回归生成模型的可证安全隐写方法主要包括如下两个阶段。
一、秘密嵌入阶段。
本发明实施例中,利用拒绝采样,将秘密消息隐写在生成的图片之间中。然而拒绝采样由秘密消息驱动,使得生成的载密图像和由随机采样得到的原始图像存在比较大的区分度,使得整个隐写系统安全性大大降低。因此本发明引入自适应算术编码,根据原始PixelCNN所建模得到的像素分布,以及对应的码表,利用秘密消息m编码成合适的新分布消息M,然后再调用拒绝采样进行隐写嵌入,从而完成安全性很高的隐写系统,同时该系统可从理论上证明其绝对安全性。
由于需要将一个序列,按照给定的码表比例,编码成特定的新序列,因此需要引入算术编码。同时由于PixelCNN建模得到的每个像素的分布都不一样,因此码表在图像生成过程中一直在变化,所以需要使用自适应算术编码。结合拒绝采样和自适应算术编码,整个隐写方法的信息嵌入如图1所示,主要过程如下:
1)根据自回归生成模型得到的第1个像素值的分布,得到第1个像素值分布对应的码表。
上式中,b取值为0到L-1的整数,L是给定的参数。对于每一子项p(FL(x1)=b),计算公式如下:
2)结合得到的码表,并利用自适应算术编码的解码算法,将原始的秘密消息m编码,得到对应的新秘密消息M中排序为1的logL个比特,表示为:
其中,M1为新秘密消息M中排序为1的logL个比特,AAD为自适应算术编码的解码算法。
示例性的,L取值范围可以是2到255之间的整数,假设取L=2,则logL为1。
3)将新的秘密消息中排序为1的logL个比特利用拒绝采样方式,嵌入到第1个像素值中,得到第1个新的像素值,表示为:
其中,y1为新的像素值,G为拒绝采样。
不同于原始PixelCNN中所采用的基础随机采样O,本发明实施例使用了拒绝采样,以达到编码秘密消息的目的。所述拒绝采样的过程包括:选定一个映射F,对于自回归生成模型生成的像素值,不断重复原来的随机采样O,直至所得的像素值的某个映射等于M1,则选定相应的像素值作为生成的新的像素值,同时,新的像素值也承载了秘密消息。接收方通过相同的映射F即可依次提出每个像素值上的秘密消息。
示例性的,可以选择取模运算作为映射函数:
FL(xi)≡xi mod L,i=1,2,...
其中L是给定的参数,取值范围是2到255之间的整数。通过上述的拒绝采样过程,每个像素即可承载一个L进制的秘密消息FL(xi),i=1,2,...,也即Mi,对于第1个像素值x1而言,M1=FL(x1)≡x1mod L。
4)对于自回归生成模型得到后续像素值的分布,采用上述方式(即步骤1)~3)的方式)得到相应的新的像素值,直到秘密消息全部嵌入完毕或者整张载密图像生成完毕。
相应的,使用拒绝采样,得到第2个新的像素值y2:
二、秘密提取阶段。
Mj=FL(yj),j∈[1,N]
其中,Mj为新的秘密消息M中排序为j的logL个比特,FL(yj)为映射F对于第j个像素值yj的映射结果;N为像素值总数;
然后,依据自适应算术编码的编码算法AAE,从而恢复出最原始的秘密消息m:
为了说明本发明实施例上述方案的安全性,下面以推导及实验的方式分别进行说明。
一、隐写系统的理论安全性。
根据拒绝采样算法,可以很容易得出下列结论:
p(yj=a|FL(yj)=b)=p(xj=a|FL(xj)=b)
同时根据自适应算术编码的思想,新秘密消息M的分布和对应码表FL(xj)的分布应该一致,即:
因此对于任何像素值0到255,可以推导得到下式:
通过上述推导,从理论上证明了本发明隐写系统的安全性。
二、两个数据库上的实验。
除了理论证明,本发明还给出了对应的实验结果,在两个数据库上做了相关实验,分别做了对应的隐写分析实验来证明该隐写系统的安全性。两个数据库分别是灰度图像集Frey和彩色RGB图像集Anime。前者是20*28大小的8比特灰度空域图,图像库中包含了1965张图像;后者是96*96大小的8比特RGB空域图,图像库中包含了51223张图像。图3和图4是对应生成的图像示例,(a)部分代表原始训练图像,(b)部分代表PixelCNN模型自然生成的图像,(c)部分代表采用本发明隐写方法生成的图像。从示例图像上可以看出,采用本发明隐写方法生成的图像在视觉质量上和常规生成图像没有很大的差异。需要说明的是,由于说明书附图关于附图色彩的要求,图4仅通过灰度图像进行示意。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到上述实施例可以通过软件实现,也可以借助软件加必要的通用硬件平台的方式来实现。基于这样的理解,上述实施例的技术方案可以以软件产品的形式体现出来,该软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述的方法。
以上所述,仅为本发明较佳的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明披露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求书的保护范围为准。
Claims (6)
1.一种基于自回归生成模型的可证安全隐写方法,其特征在于,包括:
秘密嵌入阶段:根据自回归生成模型得到的第1个像素值的分布,得到第1个像素值分布对应的码表;然后,结合得到的码表,并利用自适应算术编码的解码算法,将原始的秘密消息m编码,得到对应的新秘密消息M中排序为1的logL个比特;再将新的秘密消息中排序为1的logL个比特利用拒绝采样方式,嵌入到第1个像素值中,得到第1个新的像素值;对于自回归生成模型得到后续像素值的分布,采用上述方式得到相应的新的像素值,直到秘密消息全部嵌入完毕或者整张载密图像生成完毕;
秘密提取阶段:接收方获得整张载密图像、每个像素值的分布及对应的码表,利用拒绝采样时所使用的映射F恢复出新的秘密消息M,然后,依据自适应算术编码的编码算法,从而恢复出最原始的秘密消息m。
5.根据权利要求1或4所述的一种基于自回归生成模型的可证安全隐写方法,其特征在于,所述拒绝采样的过程包括:选定一个映射F,对于自回归生成模型生成的像素值,不断重复原来的随机采样,直至所得的像素值的某个映射等于M1,则选定相应的像素值作为生成的新的像素值;
假设选择取模运算作为映射函数,则对于第1个像素值x1而言,其映射结果FL(x1)为:
FL(x1)≡x1modL
计算得到的映射结果FL(x1)即为新的秘密消息中排序为1的logL个比特M1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189703.6A CN109886857B (zh) | 2019-03-13 | 2019-03-13 | 一种基于自回归生成模型的可证安全隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910189703.6A CN109886857B (zh) | 2019-03-13 | 2019-03-13 | 一种基于自回归生成模型的可证安全隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109886857A CN109886857A (zh) | 2019-06-14 |
CN109886857B true CN109886857B (zh) | 2022-10-28 |
Family
ID=66932078
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910189703.6A Active CN109886857B (zh) | 2019-03-13 | 2019-03-13 | 一种基于自回归生成模型的可证安全隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109886857B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111275603B (zh) * | 2019-12-09 | 2022-07-29 | 中国科学院信息工程研究所 | 一种基于风格转换的安全图像隐写方法与电子装置 |
CN111768326B (zh) * | 2020-04-03 | 2023-08-25 | 南京信息工程大学 | 一种基于gan扩增图像前景物体的高容量数据保护方法 |
CN113987129A (zh) * | 2021-11-08 | 2022-01-28 | 重庆邮电大学 | 基于变分自动编码器的数字媒体保护文本隐写方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
CN107689026A (zh) * | 2017-08-24 | 2018-02-13 | 中国科学技术大学 | 基于最优编码的可逆隐写方法 |
-
2019
- 2019-03-13 CN CN201910189703.6A patent/CN109886857B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
CN107689026A (zh) * | 2017-08-24 | 2018-02-13 | 中国科学技术大学 | 基于最优编码的可逆隐写方法 |
Non-Patent Citations (1)
Title |
---|
基于病灶格子图的嵌入编码数字隐写系统;李学相等;《计算机应用研究》;20130615(第06期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109886857A (zh) | 2019-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109886857B (zh) | 一种基于自回归生成模型的可证安全隐写方法 | |
CN110310343B (zh) | 图像处理方法及装置 | |
Lee et al. | Reversible data hiding based on histogram modification of SMVQ indices | |
Chang et al. | A reversible data hiding scheme for VQ indices using locally adaptive coding | |
CN110475038B (zh) | 一种结合最小闭包编码的字符画生成式隐藏及恢复方法 | |
CN109743570B (zh) | 一种屏幕内容视频的压缩方法 | |
CN109657769A (zh) | 一种基于游程编码的二维码信息隐藏方法 | |
CN109684857A (zh) | 一种信息隐藏方法、终端设备及存储介质 | |
CN111464717B (zh) | 利用直方图平移的具有对比度拉升的可逆信息隐藏方法 | |
CN101452569A (zh) | 基于辅助像素的图像隐写处理方法 | |
CN113538197B (zh) | 水印提取方法、装置、存储介质以及电子设备 | |
Juneja et al. | Application of LSB based steganographic technique for 8-bit color images | |
Meena et al. | Image Steganography tool using Adaptive Encoding Approach to maximize Image hiding capacity | |
CN110634096B (zh) | 一种自适应多模态的信息隐藏方法及装置 | |
CN115299057A (zh) | 点云编码方法和解码方法、编码器、解码器、及存储介质 | |
Basak et al. | Steganography in grey scale animated GIF using hash based pixel value differencing | |
JP2006100977A (ja) | プリントシステムおよびプリンタ | |
CN113378186A (zh) | 一种基于编码的图像加密隐藏信息的方法及装置 | |
CN106998471B (zh) | 一种修改预测模式的视频隐藏方法及视频提取方法 | |
Mshir et al. | A New Model for Creating Layer Planes Using Steganography for Text Hiding | |
Bandyopadhyay et al. | An application of palette based steganography | |
CN114390153B (zh) | 一种秘密信息的无损传输、隐藏、读取方法及计算机系统 | |
CN113988243B (zh) | 带校验码的三维码生成与校验方法、系统、设备及介质 | |
CN112235291B (zh) | 逐像素纹理生成式信息隐藏及恢复方法、设备及介质 | |
Wang et al. | VQ-based gray watermark hiding scheme and genetic index assignment |
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 |