CN111292221A - 一种安全鲁棒的大容量图像隐写方法 - Google Patents
一种安全鲁棒的大容量图像隐写方法 Download PDFInfo
- Publication number
- CN111292221A CN111292221A CN202010117012.8A CN202010117012A CN111292221A CN 111292221 A CN111292221 A CN 111292221A CN 202010117012 A CN202010117012 A CN 202010117012A CN 111292221 A CN111292221 A CN 111292221A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- branch
- characteristic diagram
- feature map
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明公开了一种安全鲁棒的大容量图像隐写方法,包括以下步骤:(1)制作数据集,包括训练图像和测试图像;(2)构建基于对抗网络的大容量图像隐写网络,其中隐写网络包括编码网络、解码网络和隐写分析网络;(3)初始化隐写网络中的参数;(4)对构建的隐写网络进行训练,对网络进行整体参数调优,使模型损失函数尽可能小。本发明解决了大容量图像隐写方法中隐写图像失真的问题,并且提高了抵抗隐写分析的能力。
Description
技术领域
本发明属于深度学习技术领域,具体涉及一种安全鲁棒的大容量图像隐写方法。
背景技术
随着信息处理技术、计算机技术和网络通信技术的迅猛发展,图像、音频、视频等多媒体信息可以在各通信网络中快捷传输,信息安全问题也逐渐引起人们的重视。为了保证网络上传送信息的安全性,防止信息泄露,人们结合古典的信息安全加密技术与现代多媒体数字信号处理技术,在此基础上形成现代信息隐藏技术。信息隐藏技术可分为两个重要分支:数字水印技术和隐写术。数字水印是在数字媒体(如pdf、word文档、视频等)中隐藏秘密信息,主要通过完整性认证,防止盗版并保护原著的版权。隐写术主要用于隐蔽通信,使得隐藏在载体数据中的秘密信息不引起外部观察者察觉。通常来说,隐写术实现的是“点对点”的隐蔽通信,只有通信双方才知道秘密消息的存在,并且能够准确提取秘密信息。在保护国家信息安全领域,特别是在军事上面,隐写术是一种非常重要的手段。因此,隐写术的研究是目前信息安全领域一个非常重要的研究内容。
近年来,一些学者研究和探索了隐写技术并提供了许多优秀的隐写算法。从嵌入域的角度来看,传统的隐写算法可以分为空域算法和变换域算法。基于空域的隐写算法主要通过改变图像亮度值或色度值来隐藏秘密信息,并且嵌入秘密信息后的图像与原图基本一致,从人的视觉上感觉不到任何变化。其中最为简单且具有代表性的空域隐写方案是将秘密信息转换成二进制数据,然后代替图像的最低有效位(LSB),从而达到数据隐蔽传输的目的。与空域隐写算法不同,变换域算法是在不同类型的变换下将秘密信息嵌入到载体图像的变换域中。变换包括离散小波变换(DWT),离散傅里叶变换(DFT),离散余弦变换(DCT)等。其中,DCT是最广泛使用的,因为它与JPEG压缩标准兼容。虽然众多研究者们对传统的隐写算法进行了改进,但传统的隐写算法还存在着隐写容量少、抵抗隐写分析能力较弱等问题。
近年来,深度学习的发展为隐写领域注入了新的活力。一些研究人员在考虑到隐写术的特点的同时,一直致力于改进深度学习网络结构。基于深度学习的隐写算法基本上是通过对抗网络实现的。虽然基于对抗网络的隐写算法表现出了良好的性能,但是它们的信息嵌入量有限。因此,一些研究人员致力于将秘密图像嵌入到相同大小的载体图像中的大容量隐写算法。有学者提出了一个端到端的框架,将灰度图像嵌入到具有相同大小的彩色载体图像中。他们的工作实现了大容量的嵌入,但却存在隐写图像失真的问题。随即有学者在损失函数中考虑了隐写图像和载体图像之间的误差与秘密图像的相关性,改善了隐写图像的不可见性,并提高了算法的抵抗隐写分析能力。但目前基于深度学习的大容量隐写方法仍存在着以下不足:(1)随着隐写量的增加,出现了隐写后图像失真的问题;(2)抵抗隐写分析的能力较弱。因此,针对上述问题,本发明提出一种基于对抗网络的大容量图像隐写方法。
发明内容
发明目的:本发明通过改进网络结构,提供一种安全鲁棒的大容量图像隐写方法,解决了大容量图像隐写方法中隐写图像失真的问题,提高了抵抗隐写分析的能力。
技术方案:本发明所述的一种安全鲁棒的大容量图像隐写方法,包括以下步骤:
(1)制作数据集,包括训练图像集和测试图像集;将训练图像集的部分图像做成灰度图像,作为秘密图像,其余图像作为载体图像;
(2)构建基于对抗网络的大容量图像隐写网络;所述隐写网络包括编码网络、解码网络和隐写分析网络;所述编码网络将秘密图像隐藏到载体图像中,形成隐写图像;所述解码网络从隐写图像中得到提取图像;所述隐写分析网络用来鉴别输入图像是载体图像还是隐写图像;
(3)初始化隐写网络中的参数;
(4)对构建的隐写网络进行训练,对网络进行整体参数调优,使模型损失函数尽可能小。
进一步地,所述步骤(1)包括以下步骤:
(11)随机从ImageNet数据集中选择8000张图像,将图像调整为300×300像素;
(12)然后将这些选定的图像分为两个不相交的部分:训练图像集和测试图像集;
(13)随机选取训练集中的3000张图像,做成灰度图像,作为秘密图像,其余图像作为载体图像。
进一步地,步骤(2)所述的编码网络的构建过程如下:
(a)将载体图像的单通道作为编码网络主分支的输入,灰度图像作为编码网络客分支的输入,使用卷积核对这两种输入图像分别进行卷积激活,得到主分支的特征图1和客分支的特征图1;
(b)在主分支上,将客分支的特征图1与主分支的特征图1在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图2;在客分支上,将客分支的特征图1进行卷积激活,得到客分支的特征图2;
(c)对主分支的特征图2和客分支的特征图2分别进行卷积激活,得到主分支的特征图3和客分支的特征图3;
(d)在主分支上,将客分支的特征图3与主分支的特征图3在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图4;在客分支上,将客分支的特征图3进行卷积激活,得到客分支的特征图4;
(e)对主分支的特征图4和客分支的特征图4分别进行卷积激活,得到主分支的特征图5和客分支的特征图5;
(f)在主分支上,将客分支的特征图4与主分支的特征图4在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图5,在客分支上,将客分支的特征图4进行卷积激活,得到客分支的特征图5;
(g)对主分支的特征图5和客分支的特征图5分别进行卷积激活,得到主分支的特征图6和客分支的特征图6;
(h)在主分支上,将客分支的特征图6与主分支的特征图6在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图7,自此,客分支网络完全并入主分支网络;
(i)用Inception模块对主分支的特征图7进行卷积激活,得到特征图8;用Inception模块对特征图8进行卷积激活,得到特征图9;用Inception模块对特征图9进行卷积激活,得到特征图10;用Inception模块对特征图10进行卷积激活,得到特征图11;用Inception模块对特征图11进行卷积激活,得到特征图12;用Inception模块对特征图12进行卷积激活,得到特征图13;
(j)对特征图13进行卷积操作,得到特征图14;
(k)对特征图14进行卷积操作,得到特征图15,并将特征图15与载体图像中未参与训练的两个通道进行合并,形成隐写图像。
进一步地,步骤(2)所述的解码网络对编码网络获得的特征图进行一系列的卷积激活操作,得到提取图像。
进一步地,步骤(2)所述的隐写分析网络的构建过程如下:
(a)将载体图像和编码网络得到的隐写图像作为隐写分析网络的输入,并设置对应的标签;
(b)使用高通滤波对输入图像进行预处理,得到预处理后的特征图;
(c)对预处理后的特征图先进行卷积操作,用abs激活函数进行激活,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第一池化层的特征图;
(d)对第一池化层的特征图进行卷积操作,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第二池化层的特征图;
(e)对第二池化层的特征图进行卷积操作,再经过BN层,用ReLU激活函数进行激活,最后经过平均池化层,得到第三池化层的特征图;
(f)重复(e),直到得到第五池化层的特征图,对第五池化层的特征图进行两次全连接操作,得到二分类结果。
进一步地,所述步骤(3)包括以下步骤:
(31)采用Xavier初始化方法对编码网络和解码网络的卷积核进行初始化;
(32)用服从正态分布的数值对隐写分析网络中的卷积核进行初始化,其中,初始化数值服从均值为mean,标准差为stddev的正态分布;
(33)设置隐写分析网络中的标签,其中,载体图像的标签为a,隐写图像的标签为b;
(34)设置隐写网络的学习率α;
(35)设置编码网络和解码网络中一批次处理图像的张数为batch_size,设置隐写分析网络中一批次处理图像的张数为Batch_size;
(36)设置迭代周期为epoch;
(37)设置隐写网络的优化器optimizer。
进一步地,所述步骤(4)包括以下步骤:
(41)计算隐写图像和载体图像的误差值L1:
L1=MSE(C-C')
其中,C表示载体图像,C'表示由编码网络得到的隐写图像,MSE(C-C')表示载体图像与隐写图像之差平方的均值;
(42)计算秘密图像和提取图像的误差值L2:
L2=MSE(S-S')
其中,S表示秘密图像,S'表示由解码网络得到的提取图像,MSE(S-S')表示秘密图像与提取图像之差平方的均值;
(43)计算隐写分析网络的误差值L3:
L3=EC~P(C)[logD(C)]+EC~P(C),S~P(S)[log(1-D(G(C,S)))]
其中,G为对抗网络中的生成器,D为对抗网络中的鉴别器,G(C,S)表示由载体图像和秘密图像经过编码网络后得到的隐写图像;
(44)在优化器optimizer的参与下,最小化L1、L2和L3,在反向传播时,对网络进行整体参数调优。
有益效果:与现有技术相比,本发明的有益效果:本方法解决了大容量图像隐写方法中隐写图像失真的问题,并且提高了抵抗隐写分析的能力。
附图说明
图1为本发明的流程图。
图2为编码网络和解码网络的结构图;
图3为隐写分析网络的结构图;
图4为两组测试图像;
图5为两组测试图像在不同算法中的测试结果;其中(a)在Rehman的算法中的测试结果;(b)在Zhang的算法中的测试结果;(c)在本发明所述算法中的测试结果。
具体实施方式
下面结合附图对本发明作进一步详细说明。本发明提出一种安全鲁棒的大容量图像隐写方法,如图1所示,具体包括以下步骤:
步骤1:制作数据集,包括训练图像集和测试图像集,具体为:
随机从ImageNet数据集中选择8000张图像,因为需保证输入的载体图像和秘密图像的大小相同,这些图像被调整为300×300像素。然后将这些选定的图像分为两个不相交的部分:训练(6000张图像)和测试(2000张图像)。随机选取训练集中的3000张图像,做成灰度图像,作为秘密图像,其余图像作为载体图像。
步骤2:构建基于对抗网络的大容量图像隐写网络,隐写网络包括编码网络、解码网络和隐写分析网络;编码网络将秘密图像隐藏到载体图像中,形成隐写图像;解码网络从隐写图像中得到提取图像;隐写分析网络用来鉴别输入图像是载体图像还是隐写图像。具体为:
2-1:编码网络的构建,如图2所示,图中,在以m/n形式出现的数值中,m代表卷积核的大小,n代表卷积核的个数,以k形式出现的数值中,k代表经过Inception模块后输出的特征图的个数。包括以下步骤:
2-1-A:将载体图像的单通道作为编码网络主分支的输入,灰度图像作为编码网络客分支的输入,使用卷积核对这两种输入图像分别进行卷积激活,得到主分支的特征图1和客分支的特征图1;
2-1-B:在主分支上,将客分支的特征图1与主分支的特征图1在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图2。在客分支上,将客分支的特征图1进行卷积激活,得到客分支的特征图2;
步骤2-1-C:对主分支的特征图2和客分支的特征图2分别进行卷积激活,得到主分支的特征图3和客分支的特征图3;
2-1-D:在主分支上,将客分支的特征图3与主分支的特征图3在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图4。在客分支上,将客分支的特征图3进行卷积激活,得到客分支的特征图4;
2-1-E:对主分支的特征图4和客分支的特征图4分别进行卷积激活,得到主分支的特征图5和客分支的特征图5;
2-1-F:在主分支上,将客分支的特征图4与主分支的特征图4在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图5。在客分支上,将客分支的特征图4进行卷积激活,得到客分支的特征图5;
2-1-G:对主分支的特征图5和客分支的特征图5分别进行卷积激活,得到主分支的特征图6和客分支的特征图6;
步骤2-1-H:在主分支上,将客分支的特征图6与主分支的特征图6在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图7,自此,将客分支网络完全并入主分支网络;
2-1-I:用Inception模块对主分支的特征图7进行卷积激活,得到特征图8;用Inception模块对特征图8进行卷积激活,得到特征图9;用Inception模块对特征图9进行卷积激活,得到特征图10;用Inception模块对特征图10进行卷积激活,得到特征图11;用Inception模块对特征图11进行卷积激活,得到特征图12;用Inception模块对特征图12进行卷积激活,得到特征图13;
2-1-J:对特征图13进行卷积操作,得到特征图14;
2-1-K:对特征图14进行卷积操作,得到特征图15,并将特征图15与载体图像中未参与训练的两个通道进行合并,形成隐写图像。
2-2:解码网络的构建,如图2所示,包括以下步骤:
2-2-A:对特征图15进行卷积激活,得到特征图16;
2-2-B:对特征图16进行卷积激活,得到特征图17;
2-2-C:对特征图17进行卷积激活,得到特征图18;
2-2-D:对特征图18进行卷积激活,得到特征图19;
2-2-E:对特征图19进行卷积激活,得到特征图20;
2-2-F:对特征图20进行卷积激活,得到特征图21;
2-2-G:对特征图21进行卷积操作,得到提取图像。
2-3:隐写分析网络的构建,如图3所示,包括以下步骤:
2-3-A:将载体图像和编码网络得到的隐写图像作为隐写分析网络的输入,并设置对应的标签;
2-3-B:使用高通滤波对输入图像进行预处理,得到预处理后的特征图;
2-3-C:对预处理后的特征图先进行卷积操作,用abs激活函数进行激活,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第一池化层的特征图;
2-3-D:对第一池化层的特征图进行卷积操作,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第二池化层的特征图;
2-3-E:对第二池化层的特征图进行卷积操作,再经过BN层,用ReLU激活函数进行激活,最后经过平均池化层,得到第三池化层的特征图;
2-3-F:对第三池化层的特征图进行卷积操作,再经过BN层,用ReLU激活函数进行激活,最后经过平均池化层,得到第四池化层的特征图;
2-3-G:对第四池化层的特征图进行卷积操作,再经过BN层,用ReLU激活函数进行激活,最后经过空间金字塔池化层,得到第五池化层的特征图;
2-3-H:对第五池化层的特征图进行两次全连接操作,得到二分类结果。
步骤3:初始化隐写网络中的参数,具体为:
3-1:采用Xavier初始化方法对编码网络和解码网络的卷积核进行初始化;
3-2:用服从正态分布的数值对隐写分析网络中的卷积核进行初始化,其中,初始化数值服从均值为mean,标准差为stddev的正态分布;
3-3:设置隐写分析网络中的标签,其中,载体图像的标签为a,隐写图像的标签为b;
3-4:设置隐写网络的学习率α;
3-5:设置编码网络和解码网络中一批次处理图像的张数为batch_size,设置隐写分析网络中一批次处理图像的张数为Batch_size;
3-6:设置迭代周期为epoch;
3-7:设置隐写网络的优化器optimizer。
步骤4:对构建的隐写网络进行训练,对网络进行整体参数调优,具体为:
4-1:计算隐写图像和载体图像的误差值L1:
L1=MSE(C-C')
其中,C表示载体图像,C'表示由编码网络得到的隐写图像,MSE(C-C')表示载体图像与隐写图像之差平方的均值。
4-2:计算秘密图像和提取图像的误差值L2:
L2=MSE(S-S')
其中,S表示秘密图像,S'表示由解码网络得到的提取图像,MSE(S-S')表示秘密图像与提取图像之差平方的均值。
4-3:计算隐写分析网络的误差值L3:
L3=EC~P(C)[logD(C)]+EC~P(C),S~P(S)[log(1-D(G(C,S)))]
其中,G代表对抗网络中的生成器,在本发明中编码网络作为生成器,D代表对抗网络中的鉴别器,在本发明中隐写分析网络作为鉴别器,G(C,S)表示由载体图像和秘密图像经过编码网络后得到的隐写图像。
4-4:在优化器optimizer的参与下,最小化L1、L2和L3,在反向传播时,对网络进行整体参数调优。
为了更好地展示算法效果,(a)(b)(c)三种算法进行对比:(a)在Rehman的算法中的测试结果;(b)在Zhang的算法中的测试结果;(c)在本发明所述算法中的测试结果。
表1不同算法下隐写图像与载体图像,提取图像与秘密图像之间的PSNR和SSIM值
表2隐写分析器的准确率
表1展示了各算法在相同测试集下得到的隐写图像与载体图像,以及提取图像与秘密图像之间的PSNR和SSIM值,图5给出了图4中两组图像的测试结果。从表1和图5可以看出,提出算法得到的隐写图像质量优于其他两个模型得到的隐写图像。表2展示了各算法得到的隐写图像抵抗隐写分析的性能,从表2可以看出,提出算法能够更好的抵抗隐写分析的攻击。这主要归功于提出算法采用的网络模型能够生成质量更好的隐写图像,隐写图像与载体图像之间的差异越小,意味着隐写图像被隐写分析网络鉴别出来的概率越低。
Claims (7)
1.一种安全鲁棒的大容量图像隐写方法,其特征在于,包括以下步骤:
(1)制作数据集,包括训练图像集和测试图像集;将训练图像集的部分图像做成灰度图像,作为秘密图像,其余图像作为载体图像;
(2)构建基于对抗网络的大容量图像隐写网络;所述隐写网络包括编码网络、解码网络和隐写分析网络;所述编码网络将秘密图像隐藏到载体图像中,形成隐写图像;所述解码网络从隐写图像中得到提取图像;所述隐写分析网络用来鉴别输入图像是载体图像还是隐写图像;
(3)初始化隐写网络中的参数;
(4)对构建的隐写网络进行训练,对网络进行整体参数调优,使模型损失函数尽可能小。
2.根据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,所述步骤(1)包括以下步骤:
(11)随机从ImageNet数据集中选择8000张图像,将图像调整为300×300像素;
(12)然后将这些选定的图像分为两个不相交的部分:训练图像集和测试图像集;
(13)随机选取训练集中的3000张图像,做成灰度图像,作为秘密图像,其余图像作为载体图像。
3.根据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,步骤(2)所述的编码网络的构建过程如下:
(a)将载体图像的单通道作为编码网络主分支的输入,灰度图像作为编码网络客分支的输入,使用卷积核对这两种输入图像分别进行卷积激活,得到主分支的特征图1和客分支的特征图1;
(b)在主分支上,将客分支的特征图1与主分支的特征图1在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图2;在客分支上,将客分支的特征图1进行卷积激活,得到客分支的特征图2;
(c)对主分支的特征图2和客分支的特征图2分别进行卷积激活,得到主分支的特征图3和客分支的特征图3;
(d)在主分支上,将客分支的特征图3与主分支的特征图3在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图4;在客分支上,将客分支的特征图3进行卷积激活,得到客分支的特征图4;
(e)对主分支的特征图4和客分支的特征图4分别进行卷积激活,得到主分支的特征图5和客分支的特征图5;
(f)在主分支上,将客分支的特征图4与主分支的特征图4在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图5,在客分支上,将客分支的特征图4进行卷积激活,得到客分支的特征图5;
(g)对主分支的特征图5和客分支的特征图5分别进行卷积激活,得到主分支的特征图6和客分支的特征图6;
(h)在主分支上,将客分支的特征图6与主分支的特征图6在第四维度上进行叠加,对叠加后的特征图进行卷积激活,得到主分支的特征图7,自此,客分支网络完全并入主分支网络;
(i)用Inception模块对主分支的特征图7进行卷积激活,得到特征图8;用Inception模块对特征图8进行卷积激活,得到特征图9;用Inception模块对特征图9进行卷积激活,得到特征图10;用Inception模块对特征图10进行卷积激活,得到特征图11;用Inception模块对特征图11进行卷积激活,得到特征图12;用Inception模块对特征图12进行卷积激活,得到特征图13;
(j)对特征图13进行卷积操作,得到特征图14;
(k)对特征图14进行卷积操作,得到特征图15,并将特征图15与载体图像中未参与训练的两个通道进行合并,形成隐写图像。
4.根据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,步骤(2)所述的解码网络对编码网络获得的特征图进行一系列的卷积激活操作,得到提取图像。
5.据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,步骤(2)所述的隐写分析网络的构建过程如下:
(a)将载体图像和编码网络得到的隐写图像作为隐写分析网络的输入,并设置对应的标签;
(b)使用高通滤波对输入图像进行预处理,得到预处理后的特征图;
(c)对预处理后的特征图先进行卷积操作,用abs激活函数进行激活,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第一池化层的特征图;
(d)对第一池化层的特征图进行卷积操作,再经过BN层,用TanH激活函数进行激活,最后经过平均池化层,得到第二池化层的特征图;
(e)对第二池化层的特征图进行卷积操作,再经过BN层,用ReLU激活函数进行激活,最后经过平均池化层,得到第三池化层的特征图;
(f)重复(e),直到得到第五池化层的特征图,对第五池化层的特征图进行两次全连接操作,得到二分类结果。
6.根据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,所述步骤(3)包括以下步骤:
(31)采用Xavier初始化方法对编码网络和解码网络的卷积核进行初始化;
(32)用服从正态分布的数值对隐写分析网络中的卷积核进行初始化,其中,初始化数值服从均值为mean,标准差为stddev的正态分布;
(33)设置隐写分析网络中的标签,其中,载体图像的标签为a,隐写图像的标签为b;
(34)设置隐写网络的学习率α;
(35)设置编码网络和解码网络中一批次处理图像的张数为batch_size,设置隐写分析网络中一批次处理图像的张数为Batch_size;
(36)设置迭代周期为epoch;
(37)设置隐写网络的优化器optimizer。
7.根据权利要求1所述的一种安全鲁棒的大容量图像隐写方法,其特征在于,所述步骤(4)包括以下步骤:
(41)计算隐写图像和载体图像的误差值L1:
L1=MSE(C-C')
其中,C表示载体图像,C'表示由编码网络得到的隐写图像,MSE(C-C')表示载体图像与隐写图像之差平方的均值;
(42)计算秘密图像和提取图像的误差值L2:
L2=MSE(S-S')
其中,S表示秘密图像,S'表示由解码网络得到的提取图像,MSE(S-S')表示秘密图像与提取图像之差平方的均值;
(43)计算隐写分析网络的误差值L3:
L3=EC~P(C)[logD(C)]+EC~P(C),S~P(S)[log(1-D(G(C,S)))]
其中,G为对抗网络中的生成器,D为对抗网络中的鉴别器,G(C,S)表示由载体图像和秘密图像经过编码网络后得到的隐写图像;
(44)在优化器optimizer的参与下,最小化L1、L2和L3,在反向传播时,对网络进行整体参数调优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117012.8A CN111292221A (zh) | 2020-02-25 | 2020-02-25 | 一种安全鲁棒的大容量图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010117012.8A CN111292221A (zh) | 2020-02-25 | 2020-02-25 | 一种安全鲁棒的大容量图像隐写方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111292221A true CN111292221A (zh) | 2020-06-16 |
Family
ID=71020458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010117012.8A Pending CN111292221A (zh) | 2020-02-25 | 2020-02-25 | 一种安全鲁棒的大容量图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111292221A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529758A (zh) * | 2020-12-18 | 2021-03-19 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
CN113592693A (zh) * | 2021-07-12 | 2021-11-02 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
CN113726976A (zh) * | 2021-09-01 | 2021-11-30 | 南京信息工程大学 | 一种基于编码-解码网络的大容量以图藏图方法和系统 |
CN117876273A (zh) * | 2024-03-11 | 2024-04-12 | 南京信息工程大学 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
CN117876273B (zh) * | 2024-03-11 | 2024-06-07 | 南京信息工程大学 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
-
2020
- 2020-02-25 CN CN202010117012.8A patent/CN111292221A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180068429A1 (en) * | 2015-04-15 | 2018-03-08 | Institute Of Automation Chinese Academy Of Sciences | Image Steganalysis Based on Deep Learning |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
Non-Patent Citations (1)
Title |
---|
CHEN BEIJING等: "High-Capacity Robust Image Steganography viaAdversarial Network", 《KSII TRANSACTIONS ON INTERNET AND INFORMATION SYSTEMS》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112529758A (zh) * | 2020-12-18 | 2021-03-19 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
WO2022127374A1 (zh) * | 2020-12-18 | 2022-06-23 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
CN113077377B (zh) * | 2021-05-13 | 2022-06-10 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
WO2022237078A1 (zh) * | 2021-05-13 | 2022-11-17 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
CN113592693A (zh) * | 2021-07-12 | 2021-11-02 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
WO2023283914A1 (zh) * | 2021-07-12 | 2023-01-19 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
CN113592693B (zh) * | 2021-07-12 | 2023-05-12 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
CN113726976A (zh) * | 2021-09-01 | 2021-11-30 | 南京信息工程大学 | 一种基于编码-解码网络的大容量以图藏图方法和系统 |
CN117876273A (zh) * | 2024-03-11 | 2024-04-12 | 南京信息工程大学 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
CN117876273B (zh) * | 2024-03-11 | 2024-06-07 | 南京信息工程大学 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Duan et al. | A new high capacity image steganography method combined with image elliptic curve cryptography and deep neural network | |
CN111292221A (zh) | 一种安全鲁棒的大容量图像隐写方法 | |
CN102917227B (zh) | 基于压缩感知的自适应视频信息隐藏方法 | |
CN108564519A (zh) | 一种基于多变换域的彩色图像数字水印方法 | |
Liu et al. | Quaternion discrete fractional Krawtchouk transform and its application in color image encryption and watermarking | |
CN102682418B (zh) | 一种数字图像的多个零水印嵌入及提取方法 | |
CN115131188A (zh) | 一种基于生成对抗网络的鲁棒图像水印方法 | |
Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
CN105512999A (zh) | 一种双变换的彩色图像全息水印方法 | |
CN115809953A (zh) | 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统 | |
Lu et al. | Wavelet-based CNN for robust and high-capacity image watermarking | |
Bi et al. | High-capacity image steganography algorithm based on image style transfer | |
CN113628090B (zh) | 抗干扰消息隐写与提取方法、系统、计算机设备、终端 | |
CN104766263A (zh) | 基于四元数Legendre矩校正的彩色图像水印嵌入及检测方法 | |
Rahim et al. | Exploiting de-noising convolutional neural networks DnCNNs for an efficient watermarking scheme: a case for information retrieval | |
Sharma et al. | A daubechies DWT based image steganography using smoothing operation. | |
CN117078517A (zh) | 基于可逆神经网络的图像超分辨率隐写方法 | |
Malik et al. | A high capacity data hiding scheme using modified AMBTC compression technique. | |
CN113095991B (zh) | 一种基于深度学习的高动态范围图像隐写和恢复方法 | |
CN114648436A (zh) | 一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法 | |
CN111340675B (zh) | 一种基于稀疏表示的彩色图案水印嵌入和提取方法 | |
CN114662061A (zh) | 一种基于改进注意力和损失函数的解码编码网络隐写术 | |
CN110047495B (zh) | 基于2级奇异值分解的大容量音频水印算法 | |
Zhang et al. | Embedding Guided End‐to‐End Framework for Robust Image Watermarking | |
Maity et al. | Reversible image watermarking using modified difference expansion |
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 |