CN111131658A - 图像隐写方法、装置、电子设备及介质 - Google Patents

图像隐写方法、装置、电子设备及介质 Download PDF

Info

Publication number
CN111131658A
CN111131658A CN202010063025.1A CN202010063025A CN111131658A CN 111131658 A CN111131658 A CN 111131658A CN 202010063025 A CN202010063025 A CN 202010063025A CN 111131658 A CN111131658 A CN 111131658A
Authority
CN
China
Prior art keywords
distortion cost
secret
cost map
image
carrying image
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.)
Granted
Application number
CN202010063025.1A
Other languages
English (en)
Other versions
CN111131658B (zh
Inventor
张勇东
李家铭
谢洪涛
邓旭冉
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.)
Beijing Zhongke Research Institute
University of Science and Technology of China USTC
Original Assignee
Beijing Zhongke Research Institute
University of Science and Technology of China USTC
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 Beijing Zhongke Research Institute, University of Science and Technology of China USTC filed Critical Beijing Zhongke Research Institute
Priority to CN202010063025.1A priority Critical patent/CN111131658B/zh
Publication of CN111131658A publication Critical patent/CN111131658A/zh
Application granted granted Critical
Publication of CN111131658B publication Critical patent/CN111131658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
    • H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
    • H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
    • H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
    • H04N1/32336—Informed embedding, i.e. the original image being known for the encoding or decoding method
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
    • H04N1/44—Secrecy systems
    • H04N1/4446—Hiding of documents or document information

Landscapes

  • Engineering & Computer Science (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)

Abstract

本发明提供了图像隐写方法、装置、电子设备及介质，包括：S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像；S2，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度；S3，根据第一梯度更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像；S4，重复步骤S2‑S3，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，该第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。通过本发明提供的图像隐写方法能够解决载密图像抗检测能力低的问题。

Description

图像隐写方法、装置、电子设备及介质
技术领域
本申请设计图像隐写、神经网络以及对抗样本领域，具体涉及图像隐写方法、装置、电子设备及介质。
背景技术
图像隐写的基本原理是通过利用图像中存在的人类肉眼难以感知的冗余信息，将需要传递的秘密信息隐藏到这些冗余信息中，并借助图像的传输来实现秘密信息的传送。由于信息隐藏到图像的过程通常不会改变图像的正常感知特性，因此潜在的攻击者很难觉察到秘密信息的存在，从而保证了信息安全隐蔽地进行传输。图像隐写还可以结合加密、置乱、编码等技术，使得写入隐写信息的图像即使被第三方察觉到存在异常，隐藏的信息也很难被提取出来，从而进一步保证信息传递的安全性。
但基于目前的迭代对抗样本的方法，每一次迭代都要训练一个隐写分析网络模型，并且需要存储多个训练好的网络模型，使实施过程变得繁琐；另外，以往的隐写分析网络模型结构固定不变，该固定不变的结构使得载密图像对抗多种类型的隐写分析网络检测的能力受到限制；同时，以前常用的STC隐写嵌入编码是不可微的，使得在之前的隐写过程中，梯度并不直接作用于失真代价图，而是根据梯度的方向修改失真代价图，因此梯度的值未得到利用。
发明内容
(一)要解决的技术问题
本发明提供的图像隐写方法、装置、电子设备及介质至少用于解决载密图像抗检测能力低、隐写分析网络模型结构固定不变以及梯度的值没有得到有效利用的问题。
(二)技术方案
本发明一方面提供一种图像隐写方法，包括：S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像；S2，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度；S3，根据第一梯度更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像；S4，重复步骤S2-S3，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
可选地，步骤S3中，根据第一梯度更新第一失真代价图，得到第二失真代价图，包括：根据第一失真代价图的第一梯度得到第一动量，第一动量具有一第一预设方向；按照第一预设方向更新第一失真代价图，得到第二失真代价图。
可选地，按照第一预设方向更新第一失真代价图，得到第二失真代价图，包括：将第一失真代价图中的第一失真代价的值与第一动量值的差值作为第二失真代价图中的第二失真代价的值。
可选地，步骤S2中，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度，包括：将第一载密图像输入至隐写分析网络模型，从隐写分析网络模型中输出至少一个的预测矢量；通过至少一个的预测矢量得到集成的预测矢量，计算集成的预测矢量的损失函数值；将损失函数值通过隐写分析网络模型反向传播得到第一失真代价图的第一梯度。
可选地，通过至少一个的预测矢量得到集成的预测矢量，包括：将至少一个的预测矢量的值加权平均，得到集成的预测矢量。
可选地，步骤S1中，采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像，包括：采用双曲正切嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像。
可选地，步骤S2中，将第一载密图像输入至隐写分析网络模型，包括：根据第一载密图像的类型，获取对应的隐写分析网络模型；将第一载密图像输入对应的隐写分析网络模型。
本发明另一方面提供一种图像隐写装置，包括：第一处理模块，用于通过载体图像生成第一失真代价图，采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像；第二处理模块，用于将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度；第三处理模块，用于根据第一梯度更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像；迭代运算模块，重复执行第二处理模块和第三处理模块，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
本发明另一方面一种电子设备，包括：一个或多个处理器；存储器，用于存储一个或多个程序，其中，当一个或多个程序被一个或多个处理器执行时，使得一个或多个处理器实现上述图像隐写方法。
本发明还提供一种计算机可读存储介质，存储有计算机可执行指令，该指令在被执行时用于实现上述图像隐写方法。
(三)有益效果
1、通过本发明步骤S3提供的隐写分析网络模型在更新迭代过程为通用的隐写分析网络模型，也即，在更新迭代过程中无需重新训练；
2、通过本发明步骤S3中的反向传播以更新失真代价图过程中可以利用反向传播过程中的梯度值直接更新失真代价图，也即，充分利用了梯度值，使得梯度值直接作用于失真代价图。
附图说明
图1示意性示出了本发明实施例中图像隐写方法流程图；
图2示意性示出了本发明实施例中基于对抗样本的图像隐写框架图；
图3示意性示出了本发明实施例中一种图像隐写装置的结构图；
图4示意性示出了本发明实施例中电子设备的结构框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。
参阅图1，图1示意性示出了本发明实施例中图像隐写方法流程图，包括：
S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像。
本发明实施例中利用传统的隐写方法S-UNIWARD或者J-UNIWARD将隐写信息写入第一失真代价图，其中，从空间域写入隐写信息时，选择S-UNIWARD隐写方法；从图像格式为JPEG格式域上写入隐写信息时，选择J-UNIWARD隐写方法。
更具体地，采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像，包括：采用双曲正切嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像。
本发明实施例中双曲正切的嵌入方法例如可以参见下式：
X*＝X+M (1)
mi，j＝-0.5*tanh(λ(ci，j-2*ri，j))+0.5*tanh(λ(ci，j-2*(1-ri，j))) (2)
其中，X*表示载密图像；X表示载体图像；M表示嵌入映射；mi，j表示嵌入映射M中坐标点(i，j)的嵌入值；ci，j表示失真代价图上的坐标点(i，j)的嵌入失真代价；ri，j表示随机数；λ表示调节因子。
S2，将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度。
参阅图2，图2示意性示出了本发明实施例中基于对抗样本的图像隐写框架。其中，第一失真代价图中包括有第一失真代价，第二失真代价图中包括有第二失真代价，参见下式(3)，第二失真代价的值C2为第一失真代价的值C1与第一动量值的差值V1：
Ct+1＝Ct-Vt+1 (3)
其中，Vt+1的表达式参见下式(4)：
Figure BDA0002374545010000041
其中，Vt+1表示迭代过程中保存失真代价Ct+1时当前信息的动量项；Vt表示迭代过程中保存失真代价Ct时历史信息的动量项；α表示平衡历史方向和当前方向的权值；ki(i＝1…n)表示至少一个的隐写分析网络模型的权值，用于加权至少一个的预测矢量，得到集成后的预测矢量；loss(p，y)表示交叉熵损失函数，p是隐写分析网络模型输出的预测矢量，y是one-hot标签矢量。
本发明实施例中将第一载密图像输入隐写分析网络模型，反向传播后得到所述第一失真代价图的第一梯度，包括：根据第一载密图像的类型，获取对应的隐写分析网络模型；将第一载密图像输入对应的隐写分析网络模型。然后从该隐写分析网络模型中输出至少一个的预测矢量；通过至少一个的预测矢量得到集成的预测矢量，计算集成的预测矢量的损失函数值；将损失函数值通过隐写分析网络模型反向传播得到第一失真代价图的第一梯度。更具体地，将至少一个的预测矢量的值加权平均后得到集成的预测矢量。
在之前的隐写方法中，梯度并不直接作用于失真代价图，而是根据梯度的方向更新失真代价图，因此梯度的值未能得到有效利用。本发明实施例中利用可微的嵌入方法替换隐写编码方法STC(x，cost)，使得梯度可以反向传播到失真代价图中，从而可以根据梯度直接更新失真代价图。其中，STC(x，cost)为根据失真代价和载体图像生成载密图像的隐写编码方法。
S3，根据第一梯度更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像。
第一失真代价图中的第一失真代价具有一第一动量，该第一动量具有一第一预设方向，按照该第一预设方向更新第一失真代价图，得到第二失真代价图，再根据第二失真代价图得到第二载密图像。更具体地，将第一失真代价图中的第一失真代价的值与第一动量值的差值作为第二失真代价图中的第二失真代价的值。
本发明实施例中通过第N-1失真代价图具有一第N-1动量，通过该第N-1动量以及第N-1梯度得到第N动量；该第N动量具有一第N预设方向，按照第N预设方向更新第N失真代价图，得到第N+1失真代价图，其中，N大于等于2。
其中，第一失真代价图中包括有第一失真代价，第二失真代价图中包括有第二失真代价，参见下式(3)，第二失真代价的值C2为第一失真代价的值C1与第一动量值的差值V1：
Ct+1＝Ct-Vt+1 (3)
其中，Vt+1的表达式参见下式(4)：
Figure BDA0002374545010000061
其中，Vt+1表示迭代过程中保存失真代价Ct+1时当前信息的动量项；Vt表示迭代过程中保存失真代价Ct时历史信息的动量项；α表示平衡历史方向和当前方向的权值；ki(i＝1…n)表示至少一个的隐写分析网络模型的权值，用于加权至少一个的预测矢量，得到集成后的预测矢量；loss(p，y)表示交叉熵损失函数，p是隐写分析网络模型输出的预测矢量，y是one-hot标签矢量。
S4，重复步骤S2-S3，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据所述第N+1失真代价图得到第N+1载密图像，所述第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
本发明实施例中将第N载密图像输入至隐写分析网络模型，反向传播后得到第N失真代价图的第N梯度，根据该第N梯度更新第N失真代价图，得到第N+1失真代价图；根据所述第N+1失真代价图得到第N+1载密图像。
本发明实施例中，最大迭代次数为T，当T为1时，N为5；达到最大迭代次数T时，第N+1载密图像为能够欺骗网络检测的最终载密图像，也即，此时的第N+1载密图像不会被隐写分析网络模型检测出隐写信息。
本发明实施例中生成最终的载密图像时例如可以使用STC编码，将该STC编码应用于本发明实施例中的优势为：即使接收者在不知道失真代价定义的情况下依然可以提取隐秘信息，并且由于STC编码独立于失真代价的定义，因此换用STC编码也不会过度影响最终载密图像的抗检测能力。
本发明实施例提供的图像隐写方法具有良好的通用性，可根据实际需要使用其它的初始化隐写方法和可微的嵌入函数；此外，隐写分析网络的可变性赋予了此方法不断迭代更新的能力。
参阅图3，图3示意性示出了本发明实施例中一种图像隐写装置的结构图。
如图3所示，针对图像隐写装置300例如可以包括第一处理模块301、第二处理模块302、第三处理模块303以及迭代运算模块304。该图像隐写装置300可以执行上述实施例中部分描述的方法。
具体地，第一处理模块301例如可以用于通过载体图像生成第一失真代价图，采用可微的嵌入方法，根据隐写信息和第一失真代价图，生成第一载密图像。
第二处理模块302例如可以用于将第一载密图像输入至隐写分析网络模型，反向传播后得到第一失真代价图的第一梯度。
第三处理模块303例如可以用于根据第一梯度更新第一失真代价图，得到第二失真代价图，根据第二失真代价图得到第二载密图像。
迭代运算模块304例如可以重复执行第二处理模块和第三处理模块，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据第N+1失真代价图得到第N+1载密图像，第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
需要说明的是，该图像隐写装置的实施例方式与方法部分的实施例方法对应类似，并且所达到的技术效果也对应类似，在此不再赘述。
根据本发明实施例的模块中的任意多个、或其中任意多个的至少部分功能可以在一个模块中实现。根据本发明实施例的模块中的任意一个或多个可以被拆分成多个模块来实现。根据本发明实施例的模块中的任意一个或多个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式的硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，根据本发明实施例的模块中的一个或多个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
例如，第一处理模块301、第二处理模块302、第三处理模块303和迭代运算模块304中的任意多个可以合并在一个模块中实现，或者其中的任意一个模块可以被拆分成多个模块。或者，这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合，并在一个模块中实现。根据本发明的实施例，第一处理模块301、第二处理模块302、第三处理模块303和迭代运算模块304中的至少一个可以至少被部分地实现为硬件电路，例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC)，或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现，或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者，第一处理模块301、第二处理模块302、第三处理模块303和迭代运算模块304中的至少一个可以至少被部分地实现为计算机程序模块，当该计算机程序模块被运行时，可以执行相应的功能。
参阅图4，图4示意性示出了本发明实施例中电子设备的结构框图。图3示出的电子设备仅仅是一个示例，并不应对本发明实施例中的功能和使用范围带来任何限制。
如图4所示，电子设备400包括处理器410、计算机可度介质420。该电子设备400可以执行根据本发明实施例的方法，具体地，处理器410例如可以包括微处理器、指令集处理器和/或相关芯片组和/或专用微处理器(例如，专用集成电路(ASIC))，等等。处理器410还可以包括用于缓存用途的板载存储器。处理器410可以是用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
计算机可读存储介质420，例如可以是非易失性的计算机可读存储介质，具体示例包括但不限于：磁存储装置，如磁带或硬盘(HDD)；光存储装置，如光盘(CD-ROM)；存储器，如随机存取存储器(RAM)或闪存等等。
计算机可读存储介质420可以包括计算机程序421，该计算机程序421可以包括代码/计算机可执行指令，其在由处理器410执行时使得处理器310执行根据本发明实施例的方法或其任何变形。
计算机程序421可被配置为具有例如包括计算机程序模块的计算机程序代码。例如，在本发明实施例中，计算机程序421中的代码可以包括一个或多个程序模块，例如包括421A、模块421B、……。应当注意，模块的划分方式和个数并不是固定的，本领域技术人员可以根据实际情况使用合适的程序模块或程序模块组合，当这些程序模块组合被处理器410执行时，使得处理器410可以执行根据本发明实施例的方法或其任何变形。
本发明还提供了一种计算机可读存储介质，该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的，也可以是单独存在，而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序，当上述一个或者多个程序被执行时，实现根据本发明实施例的方法。
附图中的流程图和框图，图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，具体依所涉及的功能而定。也要注意的是，框图或流程图中的每个方框、以及框图或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上所述的具体实施例，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施例而已，并不用于限制本发明，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种图像隐写方法，包括：
S1，通过载体图像生成第一失真代价图；采用可微的嵌入方法，根据隐写信息和所述第一失真代价图，生成第一载密图像；
S2，将所述第一载密图像输入至隐写分析网络模型，反向传播后得到所述第一失真代价图的第一梯度；
S3，根据所述第一梯度更新所述第一失真代价图，得到第二失真代价图，根据所述第二失真代价图得到第二载密图像；
S4，重复步骤S2-S3，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据所述第N+1失真代价图得到第N+1载密图像，所述第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
2.根据权利要求1所述的方法，其中，步骤S3中，所述根据所述第一梯度更新所述第一失真代价图，得到第二失真代价图，包括：
根据所述第一失真代价图的第一梯度得到第一动量，所述第一动量具有一第一预设方向；
按照所述第一预设方向更新所述第一失真代价图，得到第二失真代价图。
3.根据权利要求2所述的方法，其中，所述按照所述第一预设方向更新所述第一失真代价图，得到第二失真代价图，包括：
将所述第一失真代价图中的第一失真代价的值与第一动量值的差值作为所述第二失真代价图中的第二失真代价的值。
4.根据权利要求1所述的方法，其中，步骤S2中，所述将所述第一载密图像输入至隐写分析网络模型，反向传播后得到所述第一失真代价图的第一梯度，包括：
将所述第一载密图像输入至所述隐写分析网络模型，从所述隐写分析网络模型中输出至少一个的预测矢量；
通过所述至少一个的预测矢量得到集成的预测矢量，计算所述集成的预测矢量的损失函数值；
将所述损失函数值通过所述隐写分析网络模型反向传播得到所述第一失真代价图的第一梯度。
5.根据权利要求4所述的方法，其中，所述通过所述至少一个的预测矢量得到集成的预测矢量，包括：
将所述至少一个的预测矢量的值加权平均，得到所述集成的预测矢量。
6.根据权利要求1所述的方法，其中，步骤S1中，所述采用可微的嵌入方法，根据隐写信息和所述第一失真代价图，生成第一载密图像，包括：
采用双曲正切嵌入方法，根据隐写信息和所述第一失真代价图，生成第一载密图像。
7.根据权利要求1所述的方法，其中，步骤S2中，所述将所述第一载密图像输入至隐写分析网络模型，包括：
根据所述第一载密图像的类型，获取对应的所述隐写分析网络模型；
将所述第一载密图像输入对应的所述隐写分析网络模型。
8.一种图像隐写装置，包括：
第一处理模块，用于通过载体图像生成第一失真代价图，采用可微的嵌入方法，根据隐写信息和所述第一失真代价图，生成第一载密图像；
第二处理模块，用于将所述第一载密图像输入至隐写分析网络模型，反向传播后得到所述第一失真代价图的第一梯度；
第三处理模块，用于根据所述第一梯度更新所述第一失真代价图，得到第二失真代价图，根据所述第二失真代价图得到第二载密图像；
迭代运算模块，重复执行所述第二处理模块和所述第三处理模块，根据第N梯度更新第N失真代价图，得到第N+1失真代价图，根据所述第N+1失真代价图得到第N+1载密图像，所述第N+1载密图像为能够欺骗网络检测的最终载密图像，其中，N≥5。
9.一种电子设备，包括：一个或多个处理器；
存储器，用于存储一个或多个程序，
其中，当所述一个或多个程序被所述一个或多个处理器执行时，使得所述一个或多个处理器实现权利要求1-7中任一项所述的方法。
10.一种计算机可读存储介质，存储有计算机可执行指令，所述指令在被执行时用于实现权利要求1至7中任一项所述的方法。
CN202010063025.1A 2020-01-19 2020-01-19 图像隐写方法、装置、电子设备及介质 Active CN111131658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010063025.1A CN111131658B (zh) 2020-01-19 2020-01-19 图像隐写方法、装置、电子设备及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010063025.1A CN111131658B (zh) 2020-01-19 2020-01-19 图像隐写方法、装置、电子设备及介质

Publications (2)

Publication Number Publication Date
CN111131658A true CN111131658A (zh) 2020-05-08
CN111131658B CN111131658B (zh) 2021-08-24

Family

ID=70491730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010063025.1A Active CN111131658B (zh) 2020-01-19 2020-01-19 图像隐写方法、装置、电子设备及介质

Country Status (1)

Country Link
CN (1) CN111131658B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037113A (zh) * 2020-09-03 2020-12-04 中山大学 一种图像的空域隐写增强方法及装置
CN112634118A (zh) * 2020-12-24 2021-04-09 中国科学技术大学 对抗批隐写方法
CN115115497A (zh) * 2021-03-23 2022-09-27 天翼云科技有限公司 动态图像隐写方法、装置、设备及存储介质
CN115695673A (zh) * 2022-12-30 2023-02-03 中国科学技术大学 基于联合失真的图像对抗隐写方法与装置
CN115115497B (zh) * 2021-03-23 2024-10-22 天翼云科技有限公司 动态图像隐写方法、装置、设备及存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778702A (zh) * 2015-04-15 2015-07-15 中国科学院自动化研究所 基于深度学习的图像隐写检测方法
CN106203492A (zh) * 2016-06-30 2016-12-07 中国科学院计算技术研究所 一种图像隐写分析的系统及方法
WO2018212811A1 (en) * 2017-05-19 2018-11-22 Google Llc Hiding information and images via deep learning
CN109214973A (zh) * 2018-08-24 2019-01-15 中国科学技术大学 针对隐写分析神经网络的对抗安全载体生成方法
CN109257521A (zh) * 2018-12-06 2019-01-22 四川大学 一种stc信息隐藏算法
CN109348211A (zh) * 2018-08-06 2019-02-15 中国科学院声学研究所 一种视频帧内帧间编码的通用信息隐藏检测方法
WO2019067248A1 (en) * 2017-09-28 2019-04-04 D5Ai Llc ESTIMATING AMOUNT OF DEGRADATION WITH DEEP LEARNING REGRESSION OBJECTIVE

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104778702A (zh) * 2015-04-15 2015-07-15 中国科学院自动化研究所 基于深度学习的图像隐写检测方法
CN106203492A (zh) * 2016-06-30 2016-12-07 中国科学院计算技术研究所 一种图像隐写分析的系统及方法
WO2018212811A1 (en) * 2017-05-19 2018-11-22 Google Llc Hiding information and images via deep learning
WO2019067248A1 (en) * 2017-09-28 2019-04-04 D5Ai Llc ESTIMATING AMOUNT OF DEGRADATION WITH DEEP LEARNING REGRESSION OBJECTIVE
CN109348211A (zh) * 2018-08-06 2019-02-15 中国科学院声学研究所 一种视频帧内帧间编码的通用信息隐藏检测方法
CN109214973A (zh) * 2018-08-24 2019-01-15 中国科学技术大学 针对隐写分析神经网络的对抗安全载体生成方法
CN109257521A (zh) * 2018-12-06 2019-01-22 四川大学 一种stc信息隐藏算法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
M. SHARIFZADEH, C. AGARWAL, M. ALORAINI AND D. SCHONFELD: "Convolutional neural network steganalysis"s application to steganography", 《2017 IEEE VISUAL COMMUNICATIONS AND IMAGE PROCESSING (VCIP)》 *
Z. WANG, Z. QIAN, X. ZHANG, M. YANG AND D. YE: "On Improving Distortion Functions for JPEG Steganography", 《IEEE ACCESS》 *
任魏翔,翟黎明,王丽娜,嘉炬: "基于卷积神经网络的JPEG图像隐写分析参照图像生成方法", 《计算机研究与发展》 *
周文柏: "图像自适应隐写的失真函数演化方法研究", 《中国博士学位论文全文数据库 信息科技辑》 *
张勇东,陈思洋,彭雨荷,杨坚: "基于深度学习的网络入侵检测研究综述", 《广州大学学报(自然科学版)》 *
董士琪: "基于生成对抗网络的图像信息隐藏研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112037113A (zh) * 2020-09-03 2020-12-04 中山大学 一种图像的空域隐写增强方法及装置
CN112037113B (zh) * 2020-09-03 2023-08-25 中山大学 一种图像的空域隐写增强方法及装置
CN112634118A (zh) * 2020-12-24 2021-04-09 中国科学技术大学 对抗批隐写方法
CN112634118B (zh) * 2020-12-24 2022-09-30 中国科学技术大学 对抗批隐写方法
CN115115497A (zh) * 2021-03-23 2022-09-27 天翼云科技有限公司 动态图像隐写方法、装置、设备及存储介质
CN115115497B (zh) * 2021-03-23 2024-10-22 天翼云科技有限公司 动态图像隐写方法、装置、设备及存储介质
CN115695673A (zh) * 2022-12-30 2023-02-03 中国科学技术大学 基于联合失真的图像对抗隐写方法与装置
CN115695673B (zh) * 2022-12-30 2023-04-21 中国科学技术大学 基于联合失真的图像对抗隐写方法与装置

Also Published As

Publication number Publication date
CN111131658B (zh) 2021-08-24

Similar Documents

Publication Publication Date Title
CN111131658B (zh) 图像隐写方法、装置、电子设备及介质
JP7376593B2 (ja) 人工知能を利用した安全保障システム
Dhawan et al. Analysis of various data security techniques of steganography: A survey
CN109804383B (zh) 使用神经网络编码和重构输入
CN110490128B (zh) 一种基于加密神经网络的手写识别方法
US11100222B2 (en) Method for hardening a machine learning model against extraction
CN112148437B (zh) 用于联邦学习的计算任务加速处理方法、装置及设备
CN111373401B (zh) 同态推理装置、同态推理方法、计算机能读取的存储介质和隐匿信息处理系统
CN109377532B (zh) 基于神经网络的图像处理方法及装置
CN111259427A (zh) 一种基于神经网络的图像处理方法、装置及存储介质
Yin et al. Improved reversible image authentication scheme
US20220197994A1 (en) Neural network confidentiality
KR102533984B1 (ko) 개선된 조작영상의 검출시스템 및 방법
Kim et al. Secure medical images based on data hiding using a hybrid scheme with the Hamming code, LSB, and OPAP
Korzhik et al. Steganalysis based on statistical properties of the encrypted messages
Iranmanesh et al. Implementation of a quantum image watermarking scheme using NEQR on IBM quantum experience
Steffen et al. Breaking and protecting the crystal: Side-channel analysis of dilithium in hardware
CN113159316B (zh) 模型训练方法、进行预测业务的方法及装置
Amrit et al. Deep learning-based segmentation for medical data hiding with Galois field
Sharma et al. An efficient fragile watermarking scheme for tamper localization in satellite images
EL-Hady et al. DISH: Digital image steganography using stochastic-computing with high-capacity
Nazari et al. A novel image steganography scheme based on morphological associative memory and permutation schema
CN115205089A (zh) 图像加密方法、网络模型的训练方法、装置及电子设备
CN111461178B (zh) 数据处理方法、系统及装置
Koikara et al. A novel distributed image steganography method based on block-dct

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