CN112037113A - 一种图像的空域隐写增强方法及装置 - Google Patents
一种图像的空域隐写增强方法及装置 Download PDFInfo
- Publication number
- CN112037113A CN112037113A CN202010913128.2A CN202010913128A CN112037113A CN 112037113 A CN112037113 A CN 112037113A CN 202010913128 A CN202010913128 A CN 202010913128A CN 112037113 A CN112037113 A CN 112037113A
- Authority
- CN
- China
- Prior art keywords
- image
- secret
- cost
- unit
- carrying
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 35
- 238000012360 testing method Methods 0.000 claims abstract description 104
- 238000012549 training Methods 0.000 claims abstract description 44
- 238000012986 modification Methods 0.000 claims description 33
- 230000004048 modification Effects 0.000 claims description 33
- 238000000605 extraction Methods 0.000 claims description 10
- 238000009795 derivation Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 7
- 238000004422 calculation algorithm Methods 0.000 description 19
- 230000006870 function Effects 0.000 description 10
- 238000001514 detection method Methods 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000013135 deep learning Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0051—Embedding of the watermark in the spatial domain
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种图像的空域隐写增强方法及装置,通过根据隐写分析网络的损失函数对测试原图进行求导,以获得测试原图对应的梯度图;其中,隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成;然后对测试原图进行初始化隐写,以获得测试原图的初始代价图;以及,根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新以获得多个目标代价图;最后按照多个目标代价图对测试原图进行隐写,以获得多个候选载密图像,并从多个候选载密图像中确定出一个候选载密图像作为目标载密图像,从而能够提升安全性能。
Description
技术领域
本发明涉及图像处理技术领域,更具体地,涉及一种图像的空域隐写增强方法及装置。
背景技术
图像隐写是信息隐藏技术的一个重要分支。图像作为日常生活中不可缺少的传播媒介,其信号中包含的信息冗余使图像成为了信息隐藏的良好载体。目前,现有的图像隐写方法大多数是基于最小化嵌入失真框架的,即认为图像是由独立的嵌入单元组合而成,对每一个嵌入单元赋予相应的嵌入代价,通常是对纹理复杂度高的嵌入单元赋予较小的嵌入代价,对纹理复杂度低的嵌入单元赋予较大的嵌入代价,最后再对那些嵌入代价小于一定阈值的嵌入单元进行信息嵌入,获得载密图像。
然而,随着隐写分析技术的不断发展,基于卷积神经网络的隐写分析器被广泛应用,隐写分析器可以检测出“载密图像”和“非载密图像”。单纯地根据嵌入代价较小的嵌入单元进行信息嵌入的图像隐写方法已经无法对抗隐写分析器的检测性能,可见,现有图像隐写方法的安全性能较低。
为了对抗隐写分析器的检测性能,市面上出现一些生成对抗安全载体的方法,如在中国申请的专利“针对隐写分析神经网络的对抗安全载体生成方法”(公开日2019.01.15,公开号CN109214973A),就公开了将精心制作的小型对抗噪声添加到输入中以欺骗隐写分析神经网络产生不正确输出的对抗安全载体。但是,该对抗安全载体是采用随机添加的方式添加了对抗噪声,存在一定的安全隐患。可见,现有图像隐写方法的安全性能仍然较低。
发明内容
本发明为克服上述现有技术所述的安全性能较低的缺陷,提供一种图像的空域隐写增强方法及装置,能够提升安全性能。
为解决上述技术问题,本发明的技术方案如下:
本发明第一方面公开一种图像的空域隐写增强方法,包括以下步骤:
S1:根据隐写分析网络的损失函数对测试原图进行求导,以获得所述测试原图对应的梯度图;其中,所述隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成;
S2:对所述测试原图进行初始化隐写,以获得所述测试原图的初始代价图;
S3:根据所述梯度图、多个预设参数和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图;每一个所述目标代价图对应一个所述预设参数;
S4:按照所述多个目标代价图对所述测试原图进行隐写,以获得多个候选载密图像;所述候选载密图像与所述目标代价图一一对应;
S5:从所述多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
优选地,步骤S3包括以下步骤:
S3.1:根据多个预设参数确定所述梯度图中梯度绝对值较大的第一部分单元,以及,根据所述多个预设参数确定所述初始代价图中代价值较小的第二部分单元;
S3.2:将对应于相同的预设参数的所述第一部分单元和所述第二部分单元的交集作为修改单元,以获得多个修改单元,每一个所述修改单元对应一个所述预设参数;
S3.3:根据所述多个修改单元和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图,所述目标代价图与所述修改单元一一对应。
优选地,步骤S3.3包括以下步骤:
S3.3.1:在所述初始代价图中确定出与每个所述修改单元相对应的初始代价单元,以获得多个初始代价单元;
S3.3.2:以预设更新强度对每个所述初始代价单元的代价进行更新以获得多个目标代价图;其中,所述初始代价单元用于对所述测试原图的像素进行加一操作,或者,所述初始代价单元用于对所述测试原图的像素进行减一操作。
优选地,步骤S5之后,还包括以下步骤:
S6:根据所述目标载密图像的图像大小以及预设的嵌入率,计算获得所述目标载密图像中秘密信息的嵌入长度;
S7:对所述目标载密图像的样本值进行提取,以获得提取信息;
S8:根据所述提取信息以及所述秘密信息的嵌入长度,还原所述秘密信息。
优选地,步骤S5包括以下步骤:
S5.1:分别计算所述多个候选载密图像中每一个所述候选载密图像的残差与所述测试原图的残差之间的曼哈顿距离;
S5.2:将所述曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
本发明第二方面公开一种图像的空域隐写增强装置,包括:
梯度获取单元,用于根据隐写分析网络的损失函数对测试原图进行求导,以获得所述测试原图对应的梯度图;其中,所述隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成;
初始化隐写单元,用于对所述测试原图进行初始化隐写,以获得所述测试原图的初始代价图;
代价更新单元,用于根据所述梯度图、多个预设参数和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图;每一个所述目标代价图对应一个所述预设参数;
隐写单元,用于按照所述多个目标代价图对所述测试原图进行隐写,以获得多个候选载密图像;所述候选载密图像与所述目标代价图一一对应;
确定单元,用于从所述多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
优选地,所述代价更新单元包括:
确定子单元,用于根据多个预设参数确定所述梯度图中梯度绝对值较大的第一部分单元;以及,根据所述多个预设参数确定所述初始代价图中代价值较小的第二部分单元;以及,将对应于相同的预设参数的所述第一部分单元和所述第二部分单元的交集作为修改单元,以获得多个修改单元,每一个所述修改单元对应一个所述预设参数;
更新子单元,用于根据所述多个修改单元和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图,所述目标代价图与所述修改单元一一对应。
优选地,所述更新子单元,具体用于在所述初始代价图中确定出与每个所述修改单元相对应的初始代价单元,以获得多个初始代价单元;以及,以预设更新强度对每个所述初始代价单元的代价进行更新以获得多个目标代价图;其中,所述初始代价单元用于对所述测试原图的像素进行加一操作,或者,所述初始代价单元用于对所述测试原图的像素进行减一操作。
优选地,图像的空域隐写增强装置还包括:
计算单元,用于在所述确定单元从所述多个候选载密图像中确定出所述测试原图对应的目标载密图像之后,根据所述目标载密图像的图像大小以及预设的嵌入率,计算获得所述目标载密图像中秘密信息的嵌入长度;
提取单元,用于对所述目标载密图像的样本值进行提取,以获得提取信息;
还原单元,用于根据所述提取信息以及所述秘密信息的嵌入长度,还原所述秘密信息。
优选地,所述确定单元,具体用于分别计算所述多个候选载密图像中每一个所述候选载密图像的残差与所述测试原图的残差之间的曼哈顿距离;以及,将所述曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
与现有技术相比,本发明技术方案的有益效果是:本发明公开一种图像的空域隐写增强方法及装置,通过根据已训练成的隐写分析网络的损失函数对测试原图进行求导,以获得测试原图的梯度图,以及对测试原图进行初始化隐写以获得测试原图的初始代价图,然后根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新,再按照更新后的多个代价图再对测试原图进行隐写,获得多个候选载密图像进行选择,从而能够根据梯度图对初始代价图进行更新优化,加入用于对抗隐写分析网络的对抗噪声进而提升安全性能,并且根据更新优化后的代价图进行隐写,可以进一步避开纹理复杂度低的位置进行隐写,进一步减少隐写后的图像质量损失。
附图说明
图1为实施例1图像的空域隐写增强方法的流程图;
图2为实施例1隐写分析网络的训练方法的流程图;
图3为本发明公开的一种图像的空域隐写增强方法的信号流向图;
图4为本发明公开的一种测试原图;
图5为预设参数p=0.2时一种测试原图的梯度图中的第一部分单元;
图6为预设参数p=0.2时一种测试原图的初始代价图中的第二部分单元;
图7为预设参数p=0.2时第一部分单元和第二部分单元的交集;
图8为各应用场景下候选载密图像的生成成功率变化曲线;
图9为实施例2图像的空域隐写增强装置的示意图。
其中:901、梯度获取单元;902、初始化隐写单元;903、代价更新单元;904、隐写单元;905、确定单元。
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;
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
如图1所示,本实施例提供一种图像的空域隐写增强方法,包括如下步骤:
S1:根据隐写分析网络的损失函数对测试原图进行求导,以获得测试原图对应的梯度图。
其中,隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成。
可选地,在步骤S1之前,还可以包括以下步骤:获取训练原图集中每一个训练原图的代价图;根据每一个训练原图的代价图,对每一个训练原图进行初始化隐写,以获得载密训练图像集;其中,载密训练图像集包括每一个训练原图对应的载密训练图像;将训练原图集和载密训练图像集投入基础的深度学习神经网络进行训练,以训练得到隐写分析网络。
具体地,如图2所示,训练隐写分析网络的设计原则可以包括以下步骤:
设训练原图集CT中的每张训练原图的大小为n×n,利用已有空域隐写算法F计算训练原图集中每张训练原图的代价图,以获得初始代价图集QT;
设待嵌入的秘密信息的嵌入率为ratio,单位为比特每像素位(bit per pixel,bpp),用于表示图像中平均每个像素修改的比特数,并计算需嵌入的秘密信息的嵌入长度l,秘密信息的嵌入长度l由嵌入率ratio和表示图像大小的参数n决定,即嵌入长度l=[n×n×ratio];
根据代价图集QT,使用STC编码工具将秘密信息嵌入到初始代价图集QT中生成载密训练图像集ST;
将训练原图集CT和以载密训练图像集ST投入基础的深度学习神经网络进行训练,以训练得到隐写分析网络NT。
需要说明的是,测试原图的大小与训练原图的大小一致,都是n×n。
可选地,可以预先获取20000张来自BOSSBase-v1.01和BOWS2的大小为512×512的采样图像,并用MatLab中的“imresize”命令对采样图像进行降采样至256×256的大小。将其中的10000张降采样后的采样图像作为训练原图,以及将剩余的10000张降采样后的采样图像作为测试原图。在10000张训练原图中,8000张用于训练隐写分析网络NT,2000张用于验证隐写分析网络NT。在10000张测试原图中,5000张用于对测试原图-目标载密图像进行重训练,另外5000张用于测试本发明公开的图像的空域隐写增强方法的性能。
S2:对测试原图进行初始化隐写,以获得测试原图的初始代价图。
可选地,初始化隐写的工具可以是已有的空域隐写算法F,其包括但不限于WOW、MiPOD、S-UNIWARD、HILL。
在本实施例中,采用先执行步骤S1,再执行步骤S2,转向步骤S3的实施方式,而在其它一些可能的实施例中,也可以采用同时执行步骤S1和步骤S2再分别转向步骤S3的实施方式,或者先执行步骤S2,再执行步骤S1,转向步骤S3的实施方式,在此不作具体限定。
S3:根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新以获得多个目标代价图。其中,每一个目标代价图对应一个预设参数。
需要说明的是,测试原图对应的梯度图可以用于表征测试原图的代价修改方向,根据梯度图对初始代价图的代价进行更新,可以在初始代价图中加入用于对抗隐写分析网络的对抗噪声,以获得更优化的目标代价图,进而获得更安全的载密图像。
S4:按照多个目标代价图对测试原图进行隐写,以获得多个候选载密图像;候选载密图像与目标代价图一一对应。
具体地,可以按照每个目标代价图,并采用STC编码工具对测试原图进行秘密信息嵌入,每一个目标代价图可对应生成一个候选载密图像。
S5:从多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
其中,可以从多个候选载密图像中确定出一个最优的候选载密图像作为目标载密图像。具体地,可以根据测试原图的原图信息,从多个候选载密图像中选择出一个与测试原图的原图信息最匹配的候选载密图像作为目标载密图像。
作为一种可选的实施方式,步骤S3可以包括以下步骤:
S3.1:根据多个预设参数确定梯度图中梯度绝对值较大的第一部分单元,以及,根据多个预设参数确定初始代价图中代价值较小的第二部分单元。
需要说明的是,预设参数可以设为p且0≤p<1,预设参数p用于表示第一部分单元与梯度图的占比,也用于表示第二部分单元与初始代价图的占比。
举例来说,假设预设参数p=0.2,那么第一部分单元为梯度图中梯度绝对值较大的20%部分,第二部分单元为初始代价图中代价值较小的20%部分。
可选地,预设参数与预设的嵌入率具有正相关关系。比如,当嵌入率为0.1bpp时,预设参数p的取值范围可以是[0.025,0.125];当嵌入率为0.2bpp时,预设参数p的取值范围可以是[0.025,0.125]*2;当嵌入率为0.3bpp时,预设参数p的取值范围可以是[0.025,0.125]*3;当嵌入率为0.4bpp时,预设参数p的取值范围可以是[0.025,0.125]*4。
请参阅图3,图3是本发明公开的一种图像的空域隐写增强方法的信号流向图。如图3所示,测试原图集Ci经由已有空域隐写算法F计算之后获得初始代价图ρi,0,以及测试原图经过隐写分析网络NT获得其对应的梯度图gi,获取梯度图gi中第一部分单元与初始代价图ρi,0中第二部分单元的交集进行代价更新获得目标代价图ρi,j,再对目标代价图ρi,j进行嵌入信息,获得多个候选载密图像,即候选载密图像集
请一并参阅图4至图7,图4为本发明公开的一种测试原图;图5为预设参数p=0.2时一种测试原图的梯度图中的第一部分单元;图6为预设参数p=0.2时一种测试原图的初始代价图中的第二部分单元;图7为预设参数p=0.2时第一部分单元和第二部分单元的交集。其中,预设参数p=0.2时第一部分单元和第二部分单元的交集约为初始代价图的5.21%。
S3.2:将对应于相同的预设参数的第一部分单元和第二部分单元的交集作为修改单元,以获得多个修改单元,每一个修改单元对应一个预设参数。
需要说明的是,对梯度绝对值越大的嵌入单元的代价值进行修改,可以造成越好的对抗噪声作用,进一步提高安全性能,并且通过采取梯度绝对值较大的嵌入单元与代价值较小的嵌入单元的交集作为修改单元,可以进一步避开纹理复杂度低的图像区域进行隐写,进一步减少隐写后的图像质量损失。
S3.3:根据多个修改单元和预设更新强度,对初始代价图的代价进行更新以获得多个目标代价图,目标代价图与修改单元一一对应。
作为一种可选的实施方式,步骤S3.3包括以下步骤:
S3.3.1:在初始代价图中确定出与每个修改单元相对应的初始代价单元,以获得多个初始代价单元。
S3.3.2:以预设更新强度对每个初始代价单元的代价进行更新以获得多个目标代价图;其中,初始代价单元用于对测试原图的像素进行加一操作,或者,初始代价单元用于对测试原图的像素进行减一操作。
其中,预设更新强度可以设为参数α,具体用于表示对抗嵌入的更新强度。初始代价单元可以用(x,y)点表示,其在初始代价图ρi,0上的代价值可以用ρi,0(x,y)表示,对其进行更新之后获得在目标代价图ρi,j上的代价值可以用ρi,j(x,y)表示。
可选地,当初始代价单元用于对测试原图的像素进行加一操作时,初始代价单元在初始代价图ρi,0上的代价值ρi,0(x,y)可以用ρ+ i,0(x,y)表示,那么以预设更新强度对初始代价单元的代价进行更新,可以参照以下公式计算:
其中,参数α表示对抗嵌入的更新强度,gi(x,y)表示隐写分析网络NT在初始代价单元(x,y)点的梯度值,ρ+ i,j(x,y)表示以预设更新强度α对ρ+ i,0(x,y)进行更新之后所获得的在目标代价图ρi,j上的代价值,ρ+ i,j(x,y)表示按照ρi,j(x,y)对测试原图的像素点(x,y)进行+1操作的代价。
可选地,当初始代价单元用于对测试原图的像素进行减一操作时,初始代价单元在初始代价图ρi,0上的代价值ρi,0(x,y)可以用ρ- i,0(x,y)表示,那么以预设更新强度对初始代价单元的代价进行更新,可以参照以下公式计算:
其中,参数α表示对抗嵌入的更新强度,gi(x,y)表示隐写分析网络NT在初始代价单元(x,y)点的梯度值,ρ- i,j(x,y)表示以预设更新强度α对ρ- i,0(x,y)进行更新之后所获得的在目标代价图ρi,j上的代价值,ρ- i,j(x,y)表示按照ρi,j(x,y)对测试原图的像素点(x,y)进行-1操作的代价。
作为一种可选的实施方式,步骤S5之后,还包括以下步骤:
S6:根据目标载密图像的图像大小以及预设的嵌入率,计算获得目标载密图像中秘密信息的嵌入长度。
其中,隐写前测试原图的样本总数与隐写后目标载密图像的样本总数应保持一致,因此目标载密图像的图像大小与测试原图的大小相同,都为n×n。目标载密图像中秘密信息的嵌入长度可以采用以下公式进行计算:l=[n×n×ratio]。
可选地,采用十进制分别读取测试原图以及目标载密图像的所有样本像素值,因此读取结果均为整数。
S7:对目标载密图像的样本值进行提取,以获得提取信息。
其中,可以通过STC解码工具对目标载密图像的所有样本值进行提取,获得提取信息。
S8:根据提取信息以及秘密信息的嵌入长度,还原秘密信息。
作为一种可选的实施方式,步骤S5包括以下步骤:
S5.1:分别计算多个候选载密图像中每一个候选载密图像的残差与测试原图的残差之间的曼哈顿距离。
其中,可以通过残差函数分别计算测试原图、每一个候选载密图像的残差,然后再通过距离函数分别计算每一个候选载密图像的残差与测试原图的残差之间的曼哈顿距离。
S5.2:将曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
可选地,将多个候选载密图像作为候选载密图像集候选载密图像集中包括m+1个候选载密图像si,0,si,1,……,si,m,从候选载密图像集中选择最优的候选载密图像si作为目标载密图像,其选择方法的具体设计方法如下:
利用三个自适应滤波器计算测试原图ci以及m+1个候选载密图像si,0,si,1,……,si,m的残差;
对于每一个“测试原图-候选载密图像”对,即ci-si,j,j(j=0,1,2,……,m,m+1),计算每一个“测试原图-候选载密图像”对之间残差的曼哈顿距离;
在m+1个曼哈顿距离中选择最小的曼哈顿距离对应的候选载密图像si为目标载密图像。
本实施例提供一种图像的空域隐写增强方法,通过根据已训练成的隐写分析网络的损失函数对测试原图进行求导,以获得测试原图的梯度图,以及对测试原图进行初始化隐写以获得测试原图的初始代价图,然后根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新,再按照更新后的多个代价图再对测试原图进行隐写,获得多个候选载密图像进行选择,从而能够根据梯度图对初始代价图进行更新优化,加入用于对抗隐写分析网络的对抗噪声进而提升安全性能,并且根据更新优化后的代价图进行隐写,可以进一步避开纹理复杂度低的位置进行隐写,进一步减少隐写后的图像质量损失。
为了更好地理解本发明,下面对本发明的应用场景进行阐述。
在一种应用场景下,本发明提供的图像的空域隐写增强方法中所采用的初始化隐写工具为已有的WOW空域隐写算法;在另一种应用场景下,本发明提供的图像的空域隐写增强方法中所采用的初始化隐写工具为已有的MiPOD空域隐写算法;在另一种应用场景下,本发明提供的图像的空域隐写增强方法中所采用的初始化隐写工具为已有的S-UNIWARD空域隐写算法;在另一种应用场景下,本发明提供的图像的空域隐写增强方法中所采用的初始化隐写工具为已有的HILL空域隐写算法。
请参阅下表1,表1为隐写分析算法针对本发明在各应用场景下所生成载密图像的检测准确率。其中,分别在嵌入率为0.1bpp、0.2bpp、0.3bpp及0.4bpp的情况下进行检测,以及分别通过SRM、MaxSRMd2、Deng-Net和SRNet隐写分析算法对生成的载密图像进行检测。可以理解的是,隐写分析算法的检测准确率越低,说明本发明在相应应用场景下的安全性能越高。如下表1所示,隐写分析算法针对本发明在各应用场景下所生成载密图像的检测准确率均低于隐写分析算法针对相应已有空域隐写算法所生成载密图像的检测准确率,也即,本发明提供的图像的空域隐写增强方法的安全性能均高于以下各个已有空域隐写算法。
表1隐写分析算法针对本发明在各应用场景下所生成载密图像的检测准确率
本发明中,每针对一张测试原图,都会生成m+1张候选载密图像,再从中选择出目标载密图像。可选地,还可以针对每一个应用场景(即每一个已有的空域隐写算法),验证候选载密图像的生成是否成功,若最后选中的目标载密图像不是用已有的空域隐写算法所生成的载密图像,则判定候选载密图像生成成功,并且进一步求得其成功率。具体地,候选载密图像的生成成功率Rs定义如下:
其中,符号“F-SGS”表示本实施例提供的图像的空域隐写增强方法;F-SGS(ci)表示测试原图ci利用本实施例提供的图像的空域隐写增强方法最终得到的目标载密图像;I为指示函数;|C|为测试原图集C中的样本数量,|C|<+∞。
请参阅图8,图8为本发明提供的各应用场景下候选载密图像的生成成功率变化曲线。如图8所示,嵌入率越大,候选载密图像的生成成功率越低;而且在不同的应用场景下,候选载密图像的生成成功率也不同。在这四种应用场景下,当采用的已有空域隐写算法为WOW时,候选载密图像的生成成功率最低;而当采用的已有空域隐写算法为S-UNIWARD时,候选载密图像的生成成功率最高。
实施例2
如图9所示,本实施例提供一种图像的空域隐写增强装置,包括梯度获取单元901、初始化隐写单元902、代价更新单元903、隐写单元904和确定单元905,其中:
梯度获取单元901,用于根据隐写分析网络的损失函数对测试原图进行求导,以获得测试原图对应的梯度图。其中,隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成。
初始化隐写单元902,用于对测试原图进行初始化隐写,以获得测试原图的初始代价图。
代价更新单元903,用于根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新以获得多个目标代价图,每一个目标代价图对应一个预设参数。
隐写单元904,用于按照多个目标代价图对测试原图进行隐写,以获得多个候选载密图像,候选载密图像与目标代价图一一对应。
确定单元905,用于从多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
可选地,代价更新单元903可以包括以下未图示的子单元:
确定子单元,用于根据多个预设参数确定梯度图中梯度绝对值较大的第一部分单元;以及,根据多个预设参数确定初始代价图中代价值较小的第二部分单元;以及,将对应于相同的预设参数的第一部分单元和第二部分单元的交集作为修改单元,以获得多个修改单元,每一个修改单元对应一个预设参数。
更新子单元,用于根据多个修改单元和预设更新强度,对初始代价图的代价进行更新以获得多个目标代价图,目标代价图与修改单元一一对应。
可选地,上述的更新子单元,具体可以用于在初始代价图中确定出与每个修改单元相对应的初始代价单元,以获得多个初始代价单元;以及,以预设更新强度对每个初始代价单元的代价进行更新以获得多个目标代价图;其中,初始代价单元用于对测试原图的像素进行加一操作,或者,初始代价单元用于对测试原图的像素进行减一操作。
可选地,图9所示的图像的空域隐写增强装置还可以包括以下未图示的单元:
计算单元,用于在确定单元905从多个候选载密图像中确定出测试原图对应的目标载密图像之后,根据目标载密图像的图像大小以及预设的嵌入率,计算获得目标载密图像中秘密信息的嵌入长度。
提取单元,用于对目标载密图像的样本值进行提取,以获得提取信息。
还原单元,用于根据提取信息以及秘密信息的嵌入长度,还原秘密信息。可选地,上述的确定单元905,具体可以用于分别计算多个候选载密图像中每一个候选载密图像的残差与测试原图的残差之间的曼哈顿距离;以及,将曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
本实施例提供一种图像的空域隐写增强装置,通过根据已训练成的隐写分析网络的损失函数对测试原图进行求导,以获得测试原图的梯度图,以及对测试原图进行初始化隐写以获得测试原图的初始代价图,然后根据梯度图、多个预设参数和预设更新强度,对初始代价图的代价进行更新,再按照更新后的多个代价图再对测试原图进行隐写,获得多个候选载密图像进行选择,从而能够根据梯度图对初始代价图进行更新优化,加入用于对抗隐写分析网络的对抗噪声进而提升安全性能,并且根据更新优化后的代价图进行隐写,可以进一步避开纹理复杂度低的位置进行隐写,进一步减少隐写后的图像质量损失。
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)
1.一种图像的空域隐写增强方法,其特征在于,包括以下步骤:
S1:根据隐写分析网络的损失函数对测试原图进行求导,以获得所述测试原图对应的梯度图;其中,所述隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成;
S2:对所述测试原图进行初始化隐写,以获得所述测试原图的初始代价图;
S3:根据所述梯度图、多个预设参数和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图;每一个所述目标代价图对应一个所述预设参数;
S4:按照所述多个目标代价图对所述测试原图进行隐写,以获得多个候选载密图像;所述候选载密图像与所述目标代价图一一对应;
S5:从所述多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
2.根据权利要求1所述的一种图像的空域隐写增强方法,其特征在于,步骤S3包括以下步骤:
S3.1:根据多个预设参数确定所述梯度图中梯度绝对值较大的第一部分单元,以及,根据所述多个预设参数确定所述初始代价图中代价值较小的第二部分单元;
S3.2:将对应于相同的预设参数的所述第一部分单元和所述第二部分单元的交集作为修改单元,以获得多个修改单元,每一个所述修改单元对应一个所述预设参数;
S3.3:根据所述多个修改单元和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图,所述目标代价图与所述修改单元一一对应。
3.根据权利要求2所述的一种图像的空域隐写增强方法,其特征在于,步骤S3.3包括以下步骤:
S3.3.1:在所述初始代价图中确定出与每个所述修改单元相对应的初始代价单元,以获得多个初始代价单元;
S3.3.2:以预设更新强度对每个所述初始代价单元的代价进行更新以获得多个目标代价图;其中,所述初始代价单元用于对所述测试原图的像素进行加一操作,或者,所述初始代价单元用于对所述测试原图的像素进行减一操作。
4.根据权利要求1至3任一项所述的一种图像的空域隐写增强方法,其特征在于,步骤S5之后,还包括以下步骤:
S6:根据所述目标载密图像的图像大小以及预设的嵌入率,计算获得所述目标载密图像中秘密信息的嵌入长度;
S7:对所述目标载密图像的样本值进行提取,以获得提取信息;
S8:根据所述提取信息以及所述秘密信息的嵌入长度,还原所述秘密信息。
5.根据权利要求1至3任一项所述的一种图像的空域隐写增强方法,其特征在于,步骤S5包括以下步骤:
S5.1:分别计算所述多个候选载密图像中每一个所述候选载密图像的残差与所述测试原图的残差之间的曼哈顿距离;
S5.2:将所述曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
6.一种图像的空域隐写增强装置,其特征在于,包括:
梯度获取单元,用于根据隐写分析网络的损失函数对测试原图进行求导,以获得所述测试原图对应的梯度图;其中,所述隐写分析网络根据训练原图集及其经过初始化隐写后得到的载密训练图像集训练而成;
初始化隐写单元,用于对所述测试原图进行初始化隐写,以获得所述测试原图的初始代价图;
代价更新单元,用于根据所述梯度图、多个预设参数和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图;
隐写单元,用于按照所述多个目标代价图对所述测试原图进行隐写,以获得多个候选载密图像;所述候选载密图像与所述目标代价图一一对应;
确定单元,用于从所述多个候选载密图像中确定出一个候选载密图像作为目标载密图像。
7.根据权利要求6所述的一种图像的空域隐写增强装置,其特征在于,所述代价更新单元包括:
确定子单元,用于根据多个预设参数确定所述梯度图中梯度绝对值较大的第一部分单元;以及,根据所述多个预设参数确定所述初始代价图中代价值较小的第二部分单元;以及,将对应于相同的预设参数的所述第一部分单元和所述第二部分单元的交集作为修改单元,以获得多个修改单元,每一个所述修改单元对应一个所述预设参数;
更新子单元,用于根据所述多个修改单元和预设更新强度,对所述初始代价图的代价进行更新以获得多个目标代价图,所述目标代价图与所述修改单元一一对应。
8.根据权利要求7所述的一种图像的空域隐写增强装置,其特征在于:
所述更新子单元,具体用于在所述初始代价图中确定出与每个所述修改单元相对应的初始代价单元,以获得多个初始代价单元;以及,以预设更新强度对每个所述初始代价单元的代价进行更新以获得多个目标代价图;其中,所述初始代价单元用于对所述测试原图的像素进行加一操作,或者,所述初始代价单元用于对所述测试原图的像素进行减一操作。
9.根据权利要求6至8任一项所述的一种图像的空域隐写增强装置,其特征在于,还包括:
计算单元,用于在所述确定单元从所述多个候选载密图像中确定出所述测试原图对应的目标载密图像之后,根据所述目标载密图像的图像大小以及预设的嵌入率,计算获得所述目标载密图像中秘密信息的嵌入长度;
提取单元,用于对所述目标载密图像的样本值进行提取,以获得提取信息;
还原单元,用于根据所述提取信息以及所述秘密信息的嵌入长度,还原所述秘密信息。
10.根据权利要求6至8任一项所述的一种图像的空域隐写增强装置,其特征在于:
所述确定单元,具体用于分别计算所述多个候选载密图像中每一个所述候选载密图像的残差与所述测试原图的残差之间的曼哈顿距离;以及,将所述曼哈顿距离最小的相应候选载密图像确定为目标载密图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913128.2A CN112037113B (zh) | 2020-09-03 | 2020-09-03 | 一种图像的空域隐写增强方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010913128.2A CN112037113B (zh) | 2020-09-03 | 2020-09-03 | 一种图像的空域隐写增强方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112037113A true CN112037113A (zh) | 2020-12-04 |
CN112037113B CN112037113B (zh) | 2023-08-25 |
Family
ID=73591859
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010913128.2A Active CN112037113B (zh) | 2020-09-03 | 2020-09-03 | 一种图像的空域隐写增强方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112037113B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131658A (zh) * | 2020-01-19 | 2020-05-08 | 中国科学技术大学 | 图像隐写方法、装置、电子设备及介质 |
-
2020
- 2020-09-03 CN CN202010913128.2A patent/CN112037113B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111131658A (zh) * | 2020-01-19 | 2020-05-08 | 中国科学技术大学 | 图像隐写方法、装置、电子设备及介质 |
Non-Patent Citations (3)
Title |
---|
HUAXIAO MO 等: ""Enhancing JPEG Steganography using Iterative Adversarial Examples"", pages 1 - 6, Retrieved from the Internet <URL:https://arxiv.org/abs/1909.07556> * |
WEIXUAN TANG,: ""CNN-Based Adversarial Embedding for Image Steganography"", IEEE TRANSACTIONS ON INFORMATION FORENSICS AND SECURITY, vol. 14, no. 8, pages 2074 - 2085 * |
翟黎明;嘉炬;任魏翔;徐一波;王丽娜;: "深度学习在图像隐写术与隐写分析领域中的研究进展", 信息安全学报, no. 06 * |
Also Published As
Publication number | Publication date |
---|---|
CN112037113B (zh) | 2023-08-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhang et al. | SteganoGAN: High capacity image steganography with GANs | |
CN109587372B (zh) | 一种基于生成对抗网络的不可见图像隐写术 | |
CN109214973B (zh) | 针对隐写分析神经网络的对抗安全载体生成方法 | |
Tan et al. | Channel attention image steganography with generative adversarial networks | |
Sedighi et al. | Content-adaptive steganography by minimizing statistical detectability | |
CN108764270B (zh) | 一种利用卷积神经网络集成的信息隐藏检测方法 | |
CN111028308B (zh) | 一种图像中信息的隐写及读取方法 | |
Fridrich et al. | Maximum likelihood estimation of length of secret message embedded using±k steganography in spatial domain | |
CN111598762A (zh) | 一种生成式鲁棒图像隐写方法 | |
KR100977712B1 (ko) | 구조적 멀티패턴 워터마크 생성 장치 및 방법과 이를이용한 워터마크 삽입 장치 및 방법과 워터마크 검출 장치및 방법 | |
CN114257697A (zh) | 一种高容量通用图像信息隐藏方法 | |
CN116978105A (zh) | 一种ai换脸图像异常检测方法 | |
CN111951373B (zh) | 一种人脸图像的处理方法和设备 | |
Mungmode et al. | A modified high frequency adaptive security approach using steganography for region selection based on threshold value | |
CN112037113A (zh) | 一种图像的空域隐写增强方法及装置 | |
Gui et al. | Improved payload location for LSB matching steganography | |
Liu et al. | Optimization-based image watermarking algorithm using a maximum-likelihood decoding scheme in the complex wavelet domain | |
CN114390154B (zh) | 基于信道匹配网络选择嵌入通道的鲁棒隐写方法及系统 | |
ST et al. | Enhanced LSB Steganography with people detection as stego key generator | |
Dhawan et al. | High‐quality steganography scheme using hybrid edge detector and Vernam algorithm based on hybrid fuzzy neural network | |
CN114387167A (zh) | 一种抗内插缩放攻击的鲁棒图像隐写方法 | |
Mungmode et al. | An Enhanced Edge Adaptive Steganography Approach using Threshold Value for Region Selection | |
Singh et al. | Data hiding in videos using background subtraction | |
CN113326531A (zh) | 一种鲁棒的高效分布式人脸图像隐写方法 | |
CN108805786B (zh) | 基于最低有效位匹配隐写分析方法及装置 |
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 |