CN111327785B - 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 - Google Patents

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 Download PDF

Info

Publication number
CN111327785B
CN111327785B CN202010041188.XA CN202010041188A CN111327785B CN 111327785 B CN111327785 B CN 111327785B CN 202010041188 A CN202010041188 A CN 202010041188A CN 111327785 B CN111327785 B CN 111327785B
Authority
CN
China
Prior art keywords
network
message
image
matrix
layer
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
Application number
CN202010041188.XA
Other languages
English (en)
Other versions
CN111327785A (zh
Inventor
王永
吕素昌
田慧
戚伟
申文凯
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.)
Zhengzhou Evan Technology Co ltd
Original Assignee
Zhengzhou Aiwen Computer Technology Co ltd
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 Zhengzhou Aiwen Computer Technology Co ltd filed Critical Zhengzhou Aiwen Computer Technology Co ltd
Priority to CN202010041188.XA priority Critical patent/CN111327785B/zh
Publication of CN111327785A publication Critical patent/CN111327785A/zh
Application granted granted Critical
Publication of CN111327785B publication Critical patent/CN111327785B/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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • 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
    • H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Signal Processing (AREA)
  • Editing Of Facsimile Originals (AREA)

Abstract

本发明公开了一种基于生成对抗网络与图像自动构建的信息隐写通信方法，通过预处理模块产生消息矩阵，通过图像化模块产生图像置乱矩阵，通过生成网络，根据消息矩阵与置乱矩阵的相关信息，生成载密图像。通过判别网络对载密图像与原始训练图像进行区分，将分类误差作为损失函数并对判别网络与生成网络进行对抗训练，最终获得能够产生载密图像的生成网络。相比传统的隐写方法具有设计简单，隐写容量大，信息提取率高，安全性好等特点。本发明开公开了一种隐写系统，其中包括基于生成对抗网络与图像自动构建的信息隐写通信方法所得到的预处理、图像化模块、生成网络模块以及消息提取模块。

Description

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
技术领域
本发明涉及隐写通信领域，更具体地，涉及一种基于生成对抗网络与图像自动构建的信息隐写通信方法。
背景技术
数字隐写技术是利用现代数字载体的冗余信息来嵌入具有一定意义的秘密信息，接收方能够通过对应的提取手段将载密载体中的秘密信息提取出来，而非授权者则无法判断出传输在公开渠道上秘密信息的存在，从而实现信息秘密通信。因为数字图像具有使用广泛，易于获取与修改，格式种类繁多，并且存在大量的数据冗余等特点，所以数字图像是数字隐写领域最主要的载体之一。
随着网络以及多媒体技术的迅速发展，基于数字图像的隐写及隐写分析渐渐有了广泛的研究与应用。目前的数字图像隐写方法可以总结为以下三种，基于图像内容的修改，基于载体的选择，基于载体图片的合成。对图像内容的修改，无论是空域或是变化域的修改，都往往会引起原始图像失真，成为被隐写分析所针对的漏洞。而基于载体选择的方法则存在效率低下，利用率低等问题。基于图片合成的方法则受限于现有的工具性能，不能较好的得出具有高质量的载密图片。
基于图片合成的嵌入方法是根据需要传递的秘密消息进行相应的图片生成。传统方法通过生成小块的纹理图案进行消息嵌入。随着生成对抗网络的提出，目前存在直接利用GAN网络来生成含密载体的做法，但存在图像不够自然，消息不能完全还原等问题。目前并没有出现基于生成对抗网络与图像构建方法，能够生成自然图像且百分百提取消息的信息嵌入算法。
发明内容
本发明提供一种基于生成对抗网络的图像自动构建的信息隐写通信方法，采用深度学习中的生成对抗网络进行图像构建与信息嵌入。
为解决上述技术问题，本发明的技术方案如下：
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，其特征在于，所述的生成对抗网络包括生成网络，消息处理模块及判别网络。其训练过程包括如下步骤：
S1：将秘密消息通过消息预处理模块，得到对应的消息矩阵；
S2：将S1得到的消息矩阵输入到消息图像化模块，得到图像置乱矩阵；
S3：将S1与S2分别得到的消息矩阵与图像置乱矩阵输入到所属的生成网络中，通过生成网络产生自动构建好的载密图像；
S4：将含有自然图片的数据集与S3得到的载密图像输入到判别网络中，通过判别网络对自然图像与载密图像进行分类，将判别网络产生的分类误差作为损失函数，并将损失函数反馈回判别网络与生成网络并进行对抗训练；
S5：训练结束后，将训练好的生成网络与消息处理模块相结合，根据消息处理模块产生的消息矩阵与置乱矩阵，由生成网络得到最终的载密图像。
优选地，所述步骤S1中的消息预处理模块将秘密消息变换为二进制，进一步转换及映射为大小为0-255的m×n×d矩阵，其中m,n,d分别为消息矩阵的长宽以及最终图像的通道数。
优选地，所述的消息图像化模块对消息矩阵进行矩阵扩充，置乱及归一化，得到图像置乱矩阵。其中可使用数字0进行矩阵扩充，可用Arnold变换，Fibonacci变换，Hilbert变换，幻方变换等算法进行矩阵置乱。
优选地，所述步骤S2中的生成网络为一个顺序的卷积神经网络，包括5个卷积层组和1个叠加层。每个卷积层组包括反卷积层，批归一化层以及带泄露整流函数。
优选地，所述步骤S2中的生成网络为一个U型结构的卷积神经网络，包括10组子网络结构，前5组为卷积层组，每一个卷积层组包含卷积层，批归一化层以及带泄露整流函数，图像特征图的尺寸随着网络层数的增加而减少；后5组为反卷积层组，包括反卷积层，批归一化层以及带泄露整流函数，图像尺寸随着网络层数的增大而增大。前5层与后5层对应的特征图以叠加函数进行连接。
优选地，所述步骤S2中的生成网络，所采用的叠加层由叠加函数实现，可表示为：
Figure BDA0002367821070000021
或
Figure BDA0002367821070000022
上式中，mij为卷积层的特征图或图像置乱矩阵，nij为反卷积层所得到的特征图。该叠加层或叠加函数的特征在于使得网络训练时能够尽可能按照消息特征进行图像构建以及确保最终生成的载密图像能够完全还原出秘密消息。
优选地，步骤S3所述的判别网络为卷积神经网络，包括4卷积层组与一个全连层。每个卷积层组包含卷积层，批归一化层以及线性整流函数作为激活函数。最终由全连接层以及sigmoid函数得到最终的判断结果。
优选地，所述迭代更新次数大于150,000次
优选地，所述判别网络的损失函数为分类误差的交叉熵，具体计算公式如下：
Figure BDA0002367821070000031
其中，yi表示判别网络对图像是否载密的判断，y'i表示图像实际是否载密的标签
优选地，所述生成网络的损失函数也为分类误差的交叉熵，公式如下：
LD＝y'logy
其中，y表示判别网络对图像载密的判断，y’表示图像实际载密的标签。
与现有技术相比，本发明技术方案的有益效果是：
1)本发明采用基于生成对抗网络的图像自动构建的信息隐写通信方法，最终的隐写模型由神经网络经过训练后得出，设计相对简单，易于实现。
2)实现了图像的自动构建方法，不需要对图像内容进行修改，而是基于消息本身进行构建，具有非常大的一些容量以及较高的安全性。
3)通过图像构建的方法，能够实现消息在整个嵌入过程中不发生改变与失真，最终秘密消息的提取率可以达到100％。
4)本发明提出的基于生成对抗网络的图像自动构建的信息隐写通信方法，其核心思想为生成网络与判别网络之间的对抗训练，能够有效提高生成网络及该隐写算法的自适应性。
附图说明
下面结合附图对本发明作进一步详细的描述。
图1为本发明的流程结构图。
图2为基于生成对抗网络的图像自动构建的信息隐写通信方法重对抗训练的流程图。
图3为数据预处理模块结构图。
图4为消息图像化模块结构图。
图5为顺序卷积生成网络结构图。
图6为U型神经网络结构图。
图7为判别网络结构图。
图8为消息提取模块结构图。
具体实施方式
实施例1
本实施例提供一种基于生成对抗网络的图像自动构建的信息隐写通信方法，其中生成对抗网络的具体训练流程如图2所示，包括以下步骤：
S1：将秘密消息输入到预处理模块，得到消息矩阵。在该模块中，先将消息通过制定的编码方案如ASCII，Unicode，utf-8等，转为二进制码，再进一步编码为0-255的整数码，其中每8位二进制可以表示一个0-255大小的整数。按照最终生成网络的要求的输入大小，将整数编码的消息进行形状的调整，并进行归一化操作，得到输出结果。本发明提出的消息预处理模块的具体实现如附图3所示。
S2：将S1得到的消息矩阵输入到图像化模块中，得到图像置乱矩阵。在该模块中，首先使用整数0对消息矩阵进行扩充，扩充大小与预期的载密图像大小保持一致。之后按照指定的之乱算法如Arnold变换，Fibonacci变换，Hilbert变换，幻方变换等算法对拓充后的矩阵进行矩阵置乱，得到输出结果。本发明提出的消息图像化模块的具体实现如附图4所示。
S3：将S1得到的消息矩阵与S2得到的图像置乱矩阵输入到生成网络中，通过生成网络处理后得到载密图像。生成网络为一个顺序的卷积神经网络(如附图5所示)，包括5个卷积层组和1个叠加层。每个卷积层组包括反卷积层，批归一化层以及带泄露整流函数。叠加层为：
Figure BDA0002367821070000041
或
Figure BDA0002367821070000042
S4：将载密图像与训练数据集输入到判别网络中(具体结构如附图7所示)，得到相应的分类标签，通过计算分类误差得到相应的损失函数，通过反向传播对判别网络和生成网络进行训练。其中损失函数使用交叉熵函数进行计算。分类标签为载密图像(标签为1)和非载密图像(标签为0)。判别网络为卷积神经网络，包括4卷积层组与一个全连层。每个卷积层组包含卷积层，批归一化层以及线性整流函数作为激活函数。最终由全连接层以及sigmoid函数得到最终的判断结果。在网络训练中，采用Adam优化器对网络参数进行更新迭代，批尺寸为68，迭代次数大于10,000次。
训练结束后，将秘密信息经由预处理模块，图像化模块以及生成网络后，可得到载密图像。载密图像经过公开信道传输后，接受者可将载密图像经由消息提取模块得到原始的秘密消息。(过程如附图1所示)
实施例2
本实施例提供一种基于生成对抗网络的图像自动构建的信息隐写通信方法，其中生成对抗网络的具体训练流程如图2所示，包括以下步骤：
S1：将秘密消息输入到预处理模块，得到消息矩阵。在该模块中，先将消息通过制定的编码方案如ASCII，Unicode，utf-8等，转为二进制码，再进一步编码为0-255的整数码，其中每8位二进制可以表示一个0-255大小的整数。按照最终生成网络的要求的输入大小，将整数编码的消息进行形状的调整，并进行归一化操作，得到输出结果。本发明提出的消息预处理模块的具体实现如附图3所示。
S2：将S1得到的消息矩阵输入到图像化模块中，得到图像置乱矩阵。在该模块中，首先使用整数0对消息矩阵进行扩充，扩充大小与预期的载密图像大小保持一致。之后按照指定的之乱算法如Arnold变换，Fibonacci变换，Hilbert变换，幻方变换等算法对拓充后的矩阵进行矩阵置乱，得到输出结果。本发明提出的消息图像化模块的具体实现如附图4所示。
S3：将S1得到的消息矩阵与S2得到的图像置乱矩阵输入到生成网络中，通过生成网络处理后得到载密图像。生成网络为一个U型结构的卷积神经网络(如附图6所示)，包括10组子网络结构，前5组为卷积层组，每一个卷积层组包含卷积层，批归一化层以及带泄露整流函数，图像特征图的尺寸随着网络层数的增加而减少；后5组为反卷积层组，包括反卷积层，批归一化层以及带泄露整流函数，图像尺寸随着网络层数的增大而增大。前5层与后5层对应的特征图以叠加函数进行连接。叠加函数为：
Figure BDA0002367821070000051
或
Figure BDA0002367821070000052
S4：将载密图像与训练数据集输入到判别网络中(具体结构如附图7所示)，得到相应的分类标签，通过计算分类误差得到相应的损失函数，通过反向传播对判别网络和生成网络进行训练。其中损失函数使用交叉熵函数进行计算。分类标签为载密图像(标签为1)和非载密图像(标签为0)。判别网络为卷积神经网络，包括4卷积层组与一个全连层。每个卷积层组包含卷积层，批归一化层以及线性整流函数作为激活函数。最终由全连接层以及sigmoid函数得到最终的判断结果。在网络训练中，采用Adam优化器对网络参数进行更新迭代，批尺寸为68，迭代次数大于10,000次。
训练结束后，将秘密信息经由预处理模块，图像化模块以及生成网络后，可得到载密图像。载密图像经过公开信道传输后，接受者可将载密图像经由消息提取模块得到原始的秘密消息。(过程如附图1所示)
实施例3
实施例提供一种基于生成对抗网络的图像自动构建的信息隐写系统，包括基于其中生成对抗网络的图像自动构建的信息隐写通信方法得到的消息预处理模块，消息图像化模块，生成网络模块，以及消息提取模块，如图1中信息隐写及提取流程所示，其步骤如下：
S1：将输入的秘密消息通过消息预处理模块转化为消息矩阵。
S2：将消息矩阵通过消息图像化模块转化为图像置乱矩阵。
S3：将消息矩阵与图像置乱输入到生成网络模块得到载密图像。其中生成网络模块中的生成网络参数为经过生成对抗网络训练模块训练后的参数。
S4：将经过公共信道传输的载密图通过消息提取模块得到原始的秘密消息。其中消息提取模块使用与消息图像化模块中置乱矩阵相同的置乱参数，并进行矩阵的置乱还原操作。具体实现如附图8所示。
相同或相似的标号对应相同或相似的部件；
附图中描述位置关系的用于仅用于示例性说明，不能理解为对本专利的限制；
显然，本发明的上述实施例仅仅是为清楚说明本发明所做的举例，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他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间所做出的任何修改、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 (3)

1.一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，其特征在于，所述的对抗生成网络包括生成网络，消息处理模块及判别网络；其训练过程包括如下步骤：
S1：将秘密消息通过消息预处理模块，得到对应的消息矩阵；
S2：将S1得到的消息矩阵输入到消息图像化模块，得到图像置乱矩阵；
S3：将S1与S2分别得到的消息矩阵与图像置乱矩阵输入到所述的生成网络中，通过生成网络产生自动构建好的载密图像；
所采用的叠加层由叠加函数实现，可表示为：
Figure FDA0003525467430000011
上式中，mij为卷积层的特征图或图像置乱矩阵，nij为反卷积层所得到的特征图；该叠加层或叠加函数的特征在于使得网络训练时能够尽可能按照消息特征进行图像构建以及确保最终生成的载密图像能够完全还原出秘密消息；
S4：将含有自然图片的数据集与S3得到的载密图像输入到判别网络中，通过判别网络对自然图像与载密图像进行分类，将判别网络产生的分类误差作为损失函数，并将损失函数反馈回判别网络与生成网络并进行对抗训练；
S5：训练结束后，将训练好的生成网络与消息处理模块相结合，根据消息处理模块产生的消息矩阵与置乱矩阵，由生成网络得到最终的载密图像；
所述步骤S1中的消息预处理模块将秘密消息变换为二进制，进一步转换及映射为大小为0-255的m×n×d矩阵，其中m,n,d分别为消息矩阵的长宽以及最终图像的通道数；
所述的消息图像化模块对消息矩阵进行矩阵扩充，置乱及归一化，得到图像置乱矩阵；其中可使用数字0进行矩阵扩充，可用Arnold变换，Fibonacci变换，Hilbert变换，幻方变换算法进行矩阵置乱；
所述步骤S3中的生成网络为一个顺序的卷积神经网络，包括5个卷积层组和1个叠加层；每个卷积层组包括反卷积层，批归一化层以及带泄露整流函数；
所述步骤S3中的生成网络为一个U型结构的卷积神经网络，包括10组子网络结构，前5组为卷积层组，每一个卷积层组包含卷积层，批归一化层以及带泄露整流函数，图像特征图的尺寸随着网络层数的增加而减少；后5组为反卷积层组，包括反卷积层，批归一化层以及带泄露整流函数，图像尺寸随着网络层数的增大而增大；前5层与后5层对应的特征图以叠加函数进行连接。
2.根据权利要求1所述的基于对抗生成网络的图像自动构建的信息隐写通信方法，其特征在于：步骤S4所述的判别网络为卷积神经网络，包括4个卷积层组与一个全连层；每个卷积层组包含卷积层，批归一化层以及线性整流函数作为激活函数；最终由全连接层以及sigmoid函数得到最终的判断结果。
3.根据权利要求1所述的基于对抗生成网络的图像自动构建的信息隐写通信方法，其特征在于：在网络训练中，采用Adam优化器对网络参数进行更新迭代，所述更新 迭代次数大于150,000次。
CN202010041188.XA 2020-01-15 2020-01-15 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 Active CN111327785B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010041188.XA CN111327785B (zh) 2020-01-15 2020-01-15 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

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010041188.XA CN111327785B (zh) 2020-01-15 2020-01-15 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

Publications (2)

Publication Number Publication Date
CN111327785A CN111327785A (zh) 2020-06-23
CN111327785B true CN111327785B (zh) 2022-04-15

Family

ID=71170920

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010041188.XA Active CN111327785B (zh) 2020-01-15 2020-01-15 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

Country Status (1)

Country Link
CN (1) CN111327785B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113076549B (zh) * 2021-04-08 2023-05-12 上海电力大学 一种基于新型U-Net结构生成器的对抗网络图像隐写方法
CN113610878B (zh) * 2021-07-15 2022-04-08 南京信息工程大学 一种基于轮廓自动生成的构造式信息隐藏方法
CN114220443B (zh) * 2021-11-04 2023-04-07 合肥工业大学 基于bn优化sngan的自适应音频隐写模型的训练方法和系统

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107835427A (zh) * 2017-11-29 2018-03-23 福建北卡科技有限公司 一种基于contourlet和SVD的彩色图像信息隐藏方法
CN108346125A (zh) * 2018-03-15 2018-07-31 中山大学 一种基于生成对抗网络的空域图像隐写方法及系统
CN108537049A (zh) * 2018-03-14 2018-09-14 中山大学 一种基于二值图像的自适应隐写算法
CN109379510A (zh) * 2018-09-13 2019-02-22 桂林电子科技大学 一种基于二维Logistic混沌系统算法的图像加密方法
WO2019057987A1 (en) * 2017-09-25 2019-03-28 Nissan Motor Manufacturing (Uk) Ltd. ARTIFICIAL VISION SYSTEM
CN110334805A (zh) * 2019-05-05 2019-10-15 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

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019057987A1 (en) * 2017-09-25 2019-03-28 Nissan Motor Manufacturing (Uk) Ltd. ARTIFICIAL VISION SYSTEM
CN107835427A (zh) * 2017-11-29 2018-03-23 福建北卡科技有限公司 一种基于contourlet和SVD的彩色图像信息隐藏方法
CN108537049A (zh) * 2018-03-14 2018-09-14 中山大学 一种基于二值图像的自适应隐写算法
CN108346125A (zh) * 2018-03-15 2018-07-31 中山大学 一种基于生成对抗网络的空域图像隐写方法及系统
CN109379510A (zh) * 2018-09-13 2019-02-22 桂林电子科技大学 一种基于二维Logistic混沌系统算法的图像加密方法
CN110334805A (zh) * 2019-05-05 2019-10-15 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

Also Published As

Publication number Publication date
CN111327785A (zh) 2020-06-23

Similar Documents

Publication Publication Date Title
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
CN108346125B (zh) 一种基于生成对抗网络的空域图像隐写方法及系统
Rajendran et al. Chaotic map based random image steganography using lsb technique.
Wazirali et al. An optimized steganography hiding capacity and imperceptibly using genetic algorithms
CN109993678B (zh) 一种基于深度对抗生成网络的鲁棒信息隐藏方法
CN109818739B (zh) 一种基于对抗网络的生成式图像隐写方法
CN112597509B (zh) 一种融合小波和自编码器的信息隐藏方法及系统
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN105791854A (zh) 一种结合改进矩阵编码的奇异值修改视频隐写算法
Wang et al. A survey on digital image steganography
CN111984942A (zh) 基于极复指数变换和残差神经网络的鲁棒视频零水印方法
Yin et al. Reversible data hiding in binary images by flipping pattern pair with opposite center pixel
Meng et al. A robust coverless image steganography based on an end-to-end hash generation model
Shi et al. A robust and secure zero-watermarking copyright authentication scheme based on visual cryptography and block GH feature
CN107146191B (zh) 一种引入辅助像素的高效信息隐藏方法
CN117131520A (zh) 基于动态掩膜和生成恢复的两阶段图像隐私保护方法与系统
CN109447886B (zh) 结合emd-21嵌入的带恢复多载体密图分存方法
CN114900586B (zh) 一种基于dcgan的信息隐写方法及装置
CN108898537B (zh) 一种数字图像隐写方法
CN110430335A (zh) 一种信息伪装和恢复的方法、设备及存储介质
Laha et al. An improved image steganography scheme with high visual image quality
Liu et al. A fake threshold visual cryptography of QR code
Al-Dmour et al. An efficient hybrid steganography method based on edge adaptive and tree based parity check
Zhou et al. A novel quantum steganography scheme based on ASCII
CN117611422B (zh) 一种基于摩尔纹生成的图像隐写方法

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
CP03 Change of name, title or address
CP03 Change of name, title or address

Address after: No. 608, 6th Floor, Building 2, South Xinghua Science and Technology Industrial Park, West 2nd Street, Jingnan 1st Road, Zhengzhou Economic and Technological Development Zone, Zhengzhou City, Henan Province, 450000

Patentee after: Zhengzhou Evan Technology Co.,Ltd.

Country or region after: China

Address before: 450016 No. 607, floor 6, building 2, nanxinghua science and Technology Industrial Park, west of the second street and Jingnan 1st Road, Zhengzhou Economic and Technological Development Zone, Zhengzhou City, Henan Province

Patentee before: ZHENGZHOU AIWEN COMPUTER TECHNOLOGY CO.,LTD.

Country or region before: China