CN112115490A - 一种基于gan的载体图像合成隐写方法 - Google Patents

一种基于gan的载体图像合成隐写方法 Download PDF

Info

Publication number
CN112115490A
CN112115490A CN202010820111.2A CN202010820111A CN112115490A CN 112115490 A CN112115490 A CN 112115490A CN 202010820111 A CN202010820111 A CN 202010820111A CN 112115490 A CN112115490 A CN 112115490A
Authority
CN
China
Prior art keywords
network
layer
key
image
vectors
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
CN202010820111.2A
Other languages
English (en)
Other versions
CN112115490B (zh
Inventor
王让定
王杰
严迪群
董理
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.)
Shenzhen Hongyue Information Technology Co ltd
Shi Jian
Xiang Yu
Original Assignee
Ningbo University
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 Ningbo University filed Critical Ningbo University
Priority to CN202010820111.2A priority Critical patent/CN112115490B/zh
Publication of CN112115490A publication Critical patent/CN112115490A/zh
Application granted granted Critical
Publication of CN112115490B publication Critical patent/CN112115490B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
    • G06F21/60—Protecting data
    • G06F21/602—Providing cryptographic facilities or services
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Molecular Biology (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于GAN的载体图像合成隐写方法，包括：将数据集中的每幅图像均裁剪成大小相同的图像，并组成真实图像数据集；构建生成网络G、判别网络D、取证网络F及提取网络E，并初始化生成网络G、判别网络D和提取网络E中的参数，取证网络F中的参数为预设值；使用批训练方式对初始化的生成网络G、判别网络D和提取网络E进行训练，得到训练完成的生成网络G、判别网络D和提取网络E；将待嵌入的秘密信息和预设的密钥输入到训练完成的生成网络G中，得到合成载体图像；将合成载体图像和上述预设的密钥输入到训练完成的提取网络E中，则提取出秘密信息。该方法中增强了算法的安全性，且提高了合成载体图像的自然度。

Description

一种基于GAN的载体图像合成隐写方法
技术领域
本发明涉及图像隐写领域，特别涉及一种基于GAN的载体图像合成隐写方法。
背景技术
隐写是信息隐藏技术的重要分支，其目标是将秘密信息以一种难以感知的方法隐藏于数字载体中(例如，图像、音频和视频等)，并发送给接收者。现代的隐写方法主要分为三种基本体系结构：载体修改、载体选择以及载体合成。在上述三种基本体系结构中载体选择以及载体合成隐写方法相较于载体修改隐写术的发展较为滞后。其中载体合成隐写方法由于只能生成纹理、指纹等无语义等图像，导致使用的场景十分受限
近年来，在各种深度神经网络中，GAN受到广泛的关注与研究。在GAN框架下，两个神经网络通过进行对抗训练，从而趋近纳什平衡。GAN的对抗训练与生成特性已经在图像合成、风格转换、图像去噪等一系列回归任务中展现出了强大的性能。GAN具有图像合成的特性，这与载体图像生成隐写术相契合，因而出现了基于GAN的载体图像合成隐写术。在文献Hu D,Wang L,Jiang W,et al.A novel image steganography method via deepconvolutional generative adversarial networks[J].IEEE Access,2018,6:38303-38314中，研究者首次提出这样的想法，如图1所示，该方法具体分为三个步骤：
1)训练可以合成图像的GAN框架，该框架下包括了一个生成网络与一个判别网络。生成网络以噪声向量作为输入，输出合成图像；判别网络以合成图像与真实图像作为输入，对合成图像进行辨别。
2)设计一个提取网络，加入到GAN框架下，并单独训练提取网路。提取网络接收合成图像并输出原始的噪声向量。
3)应用阶段，隐写者将二进制的秘密信息映射为噪声向量，作为生成网络网络的输入，输出合成图像。接收者将合成图像输入到对应的提取网络中，提取噪声向量并重新映射会秘密信息。
相较于传统的载体图像生成隐写术，上述文献所提出的方法通过GAN来合成人脸、食物等具有语义的载体图像，扩展了适用场景。此外，隐写容量也有明显的提升。因此上述文献所提出的方法虽然在一定程度上缓解了“无法生成语义载体图像”这个问题，但是合成的载体图像的自然度仍然有待提高。其次，在该方法中并没有密钥的参与，因而当方法公开时无法保护秘密信息的安全性，即没有满足密码学中的柯克霍夫斯基原则。最后，合成的载体图像容易受到合成图像取证检测，从而暴露于检测者之下。因此需要进一步改进。
发明内容
本发明所要解决的技术问题是针对现有技术的现状，提供一种提高秘密信息保护的安全性的基于GAN的载体图像合成隐写方法。
本发明解决上述技术问题所采用的技术方案为：一种基于GAN的载体图像合成隐写方法，其特征在于：包括以下步骤：
步骤1、构建数据集，并将数据集中的每幅图像均裁剪成i*j大小的图像，之后将裁剪完成的数据集组成真实图像数据集；其中，i和j均为正整数；
步骤2、构建生成网络G、判别网络D、取证网络F及提取网络E，并初始化生成网络G、判别网络D和提取网络E中的参数，取证网络F中的参数为预设值；
步骤3、使用批训练方式对步骤2中初始化的生成网络G、判别网络D和提取网络E进行训练，得到训练完成的生成网络G、判别网络D和提取网络E；其具体步骤为：
步骤3-1、从步骤1的真实图像数据集中随机选取n幅真实图像，并将每幅真实图像中的每个像素进行归一化处理，使每幅真实图像中每个像素的像素值均归一化到[-1,+1]；其中，n为正整数；
步骤3-2、随机生成n个k*1的秘密信息向量，n个k*1的第一密钥向量和n个k*1的第二密钥向量；其中，n个k*1第一密钥向量和n个k*1的第二密钥向量均不相同；k为正整数；
步骤3-3、将n个k*1的秘密信息向量以及n个k*1的第一密钥向量输入到初始化的生成网络G中，生成n幅合成载体图像；
步骤3-4、将n幅合成载体图像与步骤3-1中选取的n幅真实图像输入到初始化的判别网络D中，并计算判别网络D中的损失函数LD，利用损失函数LD更新判别网络D中的参数；
步骤3-5、将n幅合成载体图像输入到步骤2中构建的取证网络F中，并计算取证网络F中的损失函数Lada；
步骤3-6、使用全连接层将n个k*1的第一密钥向量分别转换成n个与合成载体图像尺寸相同的第一特征向量，并将n幅第二合成载体图像和n个第一特征向量输入到初始化的提取网络E中，得到使用第一密钥向量对应提取出的第一秘密信息，并计算提取网络E中使用第一密钥向量提取第一秘密信息过程的损失函数LEq，利用损失函数LEq更新初始化的提取网络E中的参数；
步骤3-7、使用全连接层将n个k*1的第二密钥向量分别转换成n个与合成载体图像尺寸相同的第二特征向量，并将n幅合成载体图像和n个第二特征向量输入到初始化的提取网络E中，得到使用第二密钥向量对应提取出的第二秘密信息，并计算提取网络E中使用第二密钥向量提取第二秘密信息过程的损失函数
Figure BDA0002634154300000031
步骤3-8、计算生成网络G的总损失函数LG，并根据生成网络G的总损失函数LG更新初始化的生成网络G中的参数；总损失函数LG的计算公式为：
Figure BDA0002634154300000032
其中，Lg为生成网络G的损失函数之一，Lg＝Em,q[D(G(m,q))-G(m,q)]，G(m,q)为秘密信息向量m和第一密钥向量q输入到生成网络G中后输出的合成载体图像，D(G(m,q))为合成载体图像输入到判别网络D中后输出的图像，α，β是分别控制各损失函数平衡的预设超参数；
步骤3-9、任意从真实图像数据集中随机选取n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-8中相同的方法对更新后的生成网络G、判别网络D及提取网络E进行训练，最终得到训练完成的生成网络G、判别网络D及提取网络E；
步骤4、将待嵌入的秘密信息和预设的密钥输入到训练完成的生成网络G中，得到合成载体图像；
步骤5、将步骤4中得到的合成载体图像和步骤4中预设的密钥输入到训练完成的提取网络E中，则提取出秘密信息。
具体的，述步骤2中构建的生成网络G包括依次相连接的第一合成向量层、a个全连接层模块和b个反卷积模块，其中，每个全连接层模块包括依次相连接的全连接层、批标准化层和第一激活函数层，前b-1个反卷积层模块中均包括依次相连接的反卷积层、批标准化层和第二激活函数层，最后一个反卷积层包括依次相连接的反卷积层和第三激活函数层，a和b均为正整数。
优选的，第一激活函数层和第二激活函数层采用ReLU激活函数，第三激活函数层采用Tanh激活函数。
进一步的，所述步骤2中构建的提取网络E包括依次相连接的第二向量合成层、N个卷积模块和一个全连接层，其中，每个卷积模块包括依次相连接的卷积层和第四激活函数层，N为正整数。
优选的，所述第四激活函数层采用Tanh激活函数。
与现有技术相比，本发明的优点在于：该隐写方法中在生成网络中和提取网络中加入了密钥机制，使该方法即使在公开时秘密信息也不会被破解；且引入对抗攻击策略，对取证检测进行攻击；另外设计了神经网络结构。该方法中增强了算法的安全性，且提高了合成载体图像的自然度和秘密信息提取的准确性。
附图说明
图1为现有技术中基于GAN的载体图像合成隐写方法的框架图；
图2为本发明实施例中生成网络的结构图；
图3为本发明实施例中提取网络的结构图。
具体实施方式
以下结合附图实施例对本发明作进一步详细描述。
一种基于GAN的载体图像合成隐写方法，包括以下步骤：
步骤1、构建数据集，并将数据集中的每幅图像均裁剪成i*j大小的图像，之后将裁剪完成的数据集组成真实图像数据集；其中，i和j均为正整数；为了方便后续真实图像的处理，优选的，每幅真实图像的大小i和j的数值相等，当然，也可以不相等，本实施例中，i＝j＝64；
步骤2、构建生成网络G、判别网络D、取证网络F及提取网络E，并初始化生成网络G、判别网络D和提取网络E中的参数，取证网络F中的参数为预设值；该取证网络F中预设的参数是根据现有的常用参数而设定的；
步骤3、使用批训练方式对步骤2中初始化的生成网络G、判别网络D和提取网络E进行训练，得到训练完成的生成网络G、判别网络D和提取网络E；其具体步骤为：
步骤3-1、从步骤1的真实图像数据集中随机选取n幅真实图像，并将每幅真实图像中的每个像素进行归一化处理，使每幅真实图像中每个像素的像素值均归一化到[-1,+1]；其中，n为正整数；
步骤3-2、随机生成n个k*1的秘密信息向量，n个k*1的第一密钥向量和n个k*1的第二密钥向量；其中，n个k*1第一密钥向量和n个k*1的第二密钥向量均不相同；k为正整数；本实施例中，k＝100；
步骤3-3、将n个k*1的秘密信息向量以及n个k*1的第一密钥向量输入到初始化的生成网络G中，生成n幅合成载体图像；
步骤3-4、将n幅合成载体图像与步骤3-1中选取的n幅真实图像输入到初始化的判别网络D中，并计算判别网络D中的损失函数LD，利用损失函数LD更新判别网络D中的参数；
其中，利用损失函数LD更新判别网络D中的参数采用的方法为现有的方法；该损失函数LD为交叉熵损失函数，计算公式为：
LD＝Er,m,q[|D(r)-r|-ht|D(G(m,q))-G(m,q)|]；
其中，Er,m,q[.]表示数学期望运算；r为真实图像，D(r)为真实图像r输入到判别网络D中后输出的图像；G(m,q)为秘密信息向量m和第一密钥向量q输入到生成网络G中后输出的合成载体图像，D(G(m,q))为合成载体图像输入到判别网络D中后输出的图像；ht为用于控制在第t个训练时间步的判别能力，即用于控制第t批训练样本的判别能力，ht+1＝ht+λ(γ|D(r)-r|-|D(G(m,q))-G(m,q)|)，λ为预设的学习率，γ是控制合成载体图像的预设超参数；
步骤3-5、将n幅合成载体图像输入到步骤2中构建的取证网络F中，并计算取证网络F中的损失函数Lada；
步骤3-5中的目的是为了对抗信道中潜在的取证检测，本方法中引入了对抗攻击思想，神经网络虽然有很强大的性能，但十分脆弱，对一些加入了特别扰动的数据十分敏感，因此一个攻击者可以通过加入特定的扰动于数据中，以此欺骗神经网络。据此，本防范中在总体框架中加入取证网络F作为白盒攻击(取证网络F的参数、结构已知)对象。取证网络F接收合成图像载体，并输出置信度。令Lada代表对抗攻击损失，它计算取证网络F的输出与真实图像标签(即0)的交叉熵，损失函数Lada的计算公式为：
Lada＝Ec[-log(1-F(c))]；
其中，Ec[.]表示数学期望运算；c为合成载体图像，c＝G(m,q)；F(c)为合成载体图像输入到取证网络F后对应的输出结果；
当Lada下降时，意味着合成图像载体被取证网络F识别为真实图像的可能性上升；
步骤3-6、使用全连接层将n个k*1的第一密钥向量分别转换成n个与合成载体图像尺寸相同的第一特征向量，并将n幅合成载体图像和n个第一特征向量输入到初始化的提取网络E中，得到使用第一密钥向量对应提取出的第一秘密信息，并计算提取网络E中使用第一密钥向量提取第一秘密信息过程的损失函数LEq，利用损失函数LEq更新初始化的提取网络E中的参数；损失函数LEq的计算公式为：
LEq＝-Em,q[mlog(E(G(m,q),q))+(1-m)log(1-E(G(m,q),q))]；
其中，Em,q[.]表示数学期望运算，E(G(m,q),q)为合成载体图像G(m,q)和第一密钥向量q输入到提取网络E中对应输出的第一秘密信息；该损失函数LEq为计算秘密信息向量m和提取的第一秘密信息之间的交叉熵函数；
步骤3-7、使用全连接层将n个k*1的第二密钥向量分别转换成n个与合成载体图像尺寸相同的第二特征向量，并将n幅合成载体图像和n个第二特征向量输入到初始化的提取网络E中，得到使用第二密钥向量对应提取出的第二秘密信息，并计算提取网络E中使用第二密钥向量提取第二秘密信息过程的损失函数
Figure BDA0002634154300000061
损失函数
Figure BDA0002634154300000062
的计算公式为：
Figure BDA0002634154300000063
其中，
Figure BDA0002634154300000064
表示数学期望运算，G(m,q)为秘密信息向量m和第一密钥向量q输入到生成网络G中后输出的合成载体图像，
Figure BDA0002634154300000065
为合成载体图像G(m,q)和第二密钥向量
Figure BDA0002634154300000066
输入到提取网络E中对应输出的第二秘密信息；该损失函数
Figure BDA0002634154300000067
为计算秘密信息向量m和提取的第二秘密信息之间的交叉熵函数；
步骤3-8、计算生成网络G的总损失函数LG，并根据生成网络G的总损失函数LG更新初始化的生成网络G中的参数；总损失函数LG的计算公式为：
Figure BDA0002634154300000068
其中，Lg为生成网络G的损失函数之一，Lg＝Em,q[D(G(m,q))-G(m,q)]，G(m,q)为秘密信息向量m和第一密钥向量q输入到生成网络G中后输出的合成载体图像，D(G(m,q))为合成载体图像输入到判别网络D中后输出的图像，α，β是分别控制各损失函数平衡的预设超参数；本实施例中，α＝0.1；β＝0.1；
步骤3-9、任意从真实图像数据集中随机选取n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-8中相同的方法对更新后的生成网络G、判别网络D及提取网络E进行训练，最终得到训练完成的生成网络G、判别网络D及提取网络E；
步骤4、将待嵌入的秘密信息和预设的密钥输入到训练完成的生成网络G中，得到合成载体图像；
步骤5、将步骤4中得到的合成载体图像和步骤4中预设的密钥输入到训练完成的提取网络E中，则提取出秘密信息。
其中，步骤2中构建的生成网络G包括依次相连接的第一合成向量层、a个全连接层模块和b个反卷积模块，其中，每个全连接层模块包括依次相连接的全连接层、批标准化层和第一激活函数层，前b-1个反卷积层模块中均包括依次相连接的反卷积层、批标准化层和第二激活函数层，最后一个反卷积层包括依次相连接的反卷积层和第三激活函数层，a和b均为正整数，且b大于1；步骤2中构建的提取网络E包括依次相连接的第二向量合成层、N个卷积模块和一个全连接层，其中，每个卷积模块包括依次相连接的卷积层和第四激活函数层，N为正整数。上述的第一合成向量层和第二合成向量层使用Concat操作。
如图2～3所示，本实施例中，生成网络G包括依次相连接的第一合成向量层、2个全连接层模块和3个反卷积模块，另外，第一激活函数层和第二激活函数层采用ReLU激活函数，第三激活函数层采用Tanh激活函数；提取网络E包括依次相连接的第二向量合成层、4个卷积模块和一个全连接层，第四激活函数层采用Tanh激活函数，第一合成向量层和第二合成向量层使用Concat操作，判别网络D直接使用现有的BEGAN判别网络结构，取证网络F可以根据实际攻击的目标来进行选取，取证网络F使用了文献：Ye J，Ni J，Yi Y.Deep learninghierarchical representations for image steganalysis[J].IEEE Transactions onInformation Forensics and Security，2017，12(11)：2545-2557中的结构。另外，该方法利用梯度下降法进行损失的优化，优化器使用Adam，数据集的训练次数为300。
生成网络G的具体过程为：该网络的输入数据分别是尺寸为100×1的秘密信息向量与100×1的密钥向量，对输入的数据进行Concat操作，得到100×2的特征向量。接着，连接到两个全连接层模块，各由一个全连接层(Fully-Connected Layer)，一个批标准化层(Batch Norm)和ReLU激活函数层构成。接着连接到三个反卷积模块，前两个反卷积模块由一个反卷积层(ConvTranspose Layer)，一个批标准化层(Batch Norm)和ReLU激活函数，卷积核的大小为4，通道数位为64，步长为2。最后一个反卷积模块仅包含一个反卷积层与Tanh激活函数，通道数为3，各模块处理后的数据大小已在图中所标注，最后的输出为3×64×64的合成载体图像。
提取网络E的具体过程为：该网络的输入数据是尺寸为3×64×64的合成载体图像与输入到生成网络G中相同的100×1密钥向量，首先使用全连接层将密钥向量转变为1×64×64的特征向量，再与合成载体图像进行Concat操作得到4×64×64的特征向量，之后，提取网络由四个卷积模块与一个全连接层堆叠而成，各卷积模块分别包含卷积层(Convolution Layer)和ReLU激活函数，卷积核的大小为4，通道数位分别为64，128，256和512，步长为2,最后全连接层输出100×1的秘密信息向量。
在网络在训练过程中，如果只使用第一密钥向量输入到提取网络E中进行解密，会使生成网络G忽略该密钥提供的信息，导致密钥机制失效，因此，在训练时加入与第一密钥向量不同的第二密钥向量，同样使用交叉熵函数计算但取负值，作为使用第二密钥向量提取的损失函数，上述第二密钥向量提取的损失函数只用于更新生成网络G中的参数，第一密钥向量提取的损失函数可同时用于更新生成网络G提取网络E中的参数；
判别网络D的作用是与生成网络G进行对抗训练。具体来说，判别网络D对于一个给定的图像进行评估，判断该图像是由生成网络G合成抑或是属于真实图像，而生成网络G则尽可能地欺骗判别网络D。通过这样的对抗训练，判别网络D可以不断提高判别能力而生成网络G也被鼓励生成更高更自然的载体图像。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (5)

1.一种基于GAN的载体图像合成隐写方法，其特征在于：包括以下步骤：
步骤1、构建数据集，并将数据集中的每幅图像均裁剪成i*j大小的图像，之后将裁剪完成的数据集组成真实图像数据集；其中，i和j均为正整数；
步骤2、构建生成网络G、判别网络D、取证网络F及提取网络E，并初始化生成网络G、判别网络D和提取网络E中的参数，取证网络F中的参数为预设值；
步骤3、使用批训练方式对步骤2中初始化的生成网络G、判别网络D和提取网络E进行训练，得到训练完成的生成网络G、判别网络D和提取网络E；其具体步骤为：
步骤3-1、从步骤1的真实图像数据集中随机选取n幅真实图像，并将每幅真实图像中的每个像素进行归一化处理，使每幅真实图像中每个像素的像素值均归一化到[-1,+1]；其中，n为正整数；
步骤3-2、随机生成n个k*1的秘密信息向量，n个k*1的第一密钥向量和n个k*1的第二密钥向量；其中，n个k*1第一密钥向量和n个k*1的第二密钥向量均不相同；k为正整数；
步骤3-3、将n个k*1的秘密信息向量以及n个k*1的第一密钥向量输入到初始化的生成网络G中，生成n幅合成载体图像；
步骤3-4、将n幅合成载体图像与步骤3-1中选取的n幅真实图像输入到初始化的判别网络D中，并计算判别网络D中的损失函数LD，利用损失函数LD更新判别网络D中的参数；
步骤3-5、将n幅合成载体图像输入到步骤2中构建的取证网络F中，并计算取证网络F中的损失函数Lada；
步骤3-6、使用全连接层将n个k*1的第一密钥向量分别转换成n个与合成载体图像尺寸相同的第一特征向量，并将n幅合成载体图像和n个第一特征向量输入到初始化的提取网络E中，得到使用第一密钥向量对应提取出的第一秘密信息，并计算提取网络E中使用第一密钥向量提取第一秘密信息过程的损失函数LEq，利用损失函数LEq更新初始化的提取网络E中的参数；
步骤3-7、使用全连接层将n个k*1的第二密钥向量分别转换成n个与合成载体图像尺寸相同的第二特征向量，并将n幅合成载体图像和n个第二特征向量输入到初始化的提取网络E中，得到使用第二密钥向量对应提取出的第二秘密信息，并计算提取网络E中使用第二密钥向量提取第二秘密信息过程的损失函数LEq；
步骤3-8、计算生成网络G的总损失函数LG，并根据生成网络G的总损失函数LG更新初始化的生成网络G中的参数；总损失函数LG的计算公式为：
LG＝Lg+α(LEq+LEq)+βLada；
其中，Lg为生成网络G的损失函数之一，Lg＝Em,q[D(G(m,q))-G(m,q)]，G(m,q)为秘密信息向量m和第一密钥向量q输入到生成网络G中后输出的合成载体图像，D(G(m,q))为合成载体图像输入到判别网络D中后输出的图像，α，β是分别控制各损失函数平衡的预设超参数；
步骤3-9、任意从真实图像数据集中随机选取n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-8中相同的方法对更新后的生成网络G、判别网络D及提取网络E进行训练，最终得到训练完成的生成网络G、判别网络D及提取网络E；
步骤4、将待嵌入的秘密信息和预设的密钥输入到训练完成的生成网络G中，得到合成载体图像；
步骤5、将步骤4中得到的合成载体图像和步骤4中预设的密钥输入到训练完成的提取网络E中，则提取出秘密信息。
2.根据权利要求1所述的基于GAN的载体图像合成隐写方法，其特征在于：所述步骤2中构建的生成网络G包括依次相连接的第一合成向量层、a个全连接层模块和b个反卷积模块，其中，每个全连接层模块包括依次相连接的全连接层、批标准化层和第一激活函数层，前b-1个反卷积层模块中均包括依次相连接的反卷积层、批标准化层和第二激活函数层，最后一个反卷积层包括依次相连接的反卷积层和第三激活函数层，a和b均为正整数。
3.根据权利要求2所述的基于GAN的载体图像合成隐写方法，其特征在于：第一激活函数层和第二激活函数层采用ReLU激活函数，第三激活函数层采用Tanh激活函数。
4.根据权利要求1所述的基于GAN的载体图像合成隐写方法，其特征在于：所述步骤2中构建的提取网络E包括依次相连接的第二向量合成层、N个卷积模块和一个全连接层，其中，每个卷积模块包括依次相连接的卷积层和第四激活函数层，N为正整数。
5.根据权利要求4所述的基于GAN的载体图像合成隐写方法，其特征在于：所述第四激活函数层采用Tanh激活函数。
CN202010820111.2A 2020-08-14 2020-08-14 一种基于gan的载体图像合成隐写方法 Active CN112115490B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010820111.2A CN112115490B (zh) 2020-08-14 2020-08-14 一种基于gan的载体图像合成隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010820111.2A CN112115490B (zh) 2020-08-14 2020-08-14 一种基于gan的载体图像合成隐写方法

Publications (2)

Publication Number Publication Date
CN112115490A true CN112115490A (zh) 2020-12-22
CN112115490B CN112115490B (zh) 2023-09-26

Family

ID=73805601

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010820111.2A Active CN112115490B (zh) 2020-08-14 2020-08-14 一种基于gan的载体图像合成隐写方法

Country Status (1)

Country Link
CN (1) CN112115490B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613435A (zh) * 2020-12-28 2021-04-06 杭州魔点科技有限公司 人脸图像生成方法、装置、设备及介质
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
CN113076549A (zh) * 2021-04-08 2021-07-06 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
CN113538202A (zh) * 2021-08-05 2021-10-22 齐鲁工业大学 一种基于生成式隐写对抗的图像隐写方法及系统
CN114338093A (zh) * 2021-12-09 2022-04-12 上海大学 一种通过胶囊网络进行多信道秘密信息传输的方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9367763B1 (en) * 2015-01-12 2016-06-14 Xerox Corporation Privacy-preserving text to image matching
CN107563155A (zh) * 2017-08-08 2018-01-09 中国科学院信息工程研究所 一种基于生成对抗网络的安全隐写方法和装置
WO2018142216A1 (en) * 2017-01-31 2018-08-09 Agency For Science, Technology And Research Method and apparatus for generating a cover image for steganography
CN109818739A (zh) * 2019-01-24 2019-05-28 中国人民武装警察部队工程大学 一种基于对抗网络的生成式图像隐写方法
CN110457910A (zh) * 2018-05-07 2019-11-15 中国人民武装警察部队工程大学 一种基于图像合成的生成式信息隐藏方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9367763B1 (en) * 2015-01-12 2016-06-14 Xerox Corporation Privacy-preserving text to image matching
WO2018142216A1 (en) * 2017-01-31 2018-08-09 Agency For Science, Technology And Research Method and apparatus for generating a cover image for steganography
CN107563155A (zh) * 2017-08-08 2018-01-09 中国科学院信息工程研究所 一种基于生成对抗网络的安全隐写方法和装置
CN110457910A (zh) * 2018-05-07 2019-11-15 中国人民武装警察部队工程大学 一种基于图像合成的生成式信息隐藏方法
CN109818739A (zh) * 2019-01-24 2019-05-28 中国人民武装警察部队工程大学 一种基于对抗网络的生成式图像隐写方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JAMIE HAYES等: "Generating Steganographic Images via Adversarial Training" *
ZHUO ZHANG等: "A generative method for steganography by cover synthesis with auxiliary semantics" *
王耀杰等: "基于GAN的生成式图像隐写方案" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112613435A (zh) * 2020-12-28 2021-04-06 杭州魔点科技有限公司 人脸图像生成方法、装置、设备及介质
CN113076549A (zh) * 2021-04-08 2021-07-06 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
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
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
CN113538202A (zh) * 2021-08-05 2021-10-22 齐鲁工业大学 一种基于生成式隐写对抗的图像隐写方法及系统
CN114338093A (zh) * 2021-12-09 2022-04-12 上海大学 一种通过胶囊网络进行多信道秘密信息传输的方法
CN114338093B (zh) * 2021-12-09 2023-10-20 上海大学 一种通过胶囊网络进行多信道秘密信息传输的方法

Also Published As

Publication number Publication date
CN112115490B (zh) 2023-09-26

Similar Documents

Publication Publication Date Title
CN110084734B (zh) 一种基于物体局部生成对抗网络的大数据权属保护方法
CN112115490B (zh) 一种基于gan的载体图像合成隐写方法
Liu et al. Recent advances of image steganography with generative adversarial networks
CN111654368B (zh) 一种基于深度学习生成对抗网络的密钥生成方法
CN113538202B (zh) 一种基于生成式隐写对抗的图像隐写方法及系统
Meng et al. A survey of image information hiding algorithms based on deep learning
CN113076957A (zh) 一种基于跨模态特征融合的rgb-d图像显著性目标检测方法
Muralidharan et al. The infinite race between steganography and steganalysis in images
Li et al. Embedding probability guided network for image steganalysis
Li et al. AdvSGAN: Adversarial image Steganography with adversarial networks
Kumar et al. Steganography techniques using convolutional neural networks
Melman et al. Comparative study of metaheuristic optimization algorithms for image steganography based on discrete Fourier transform domain
Wei et al. Universal deep network for steganalysis of color image based on channel representation
Zhang et al. A local perturbation generation method for GAN-generated face anti-forensics
Yu et al. A multi-task learning CNN for image steganalysis
Huang et al. Steganography embedding cost learning with generative multi-adversarial network
CN112560034B (zh) 基于反馈式深度对抗网络的恶意代码样本合成方法及装置
Su et al. Boosting image steganalysis under universal deep learning architecture incorporating ensemble classification strategy
CN114900586B (zh) 一种基于dcgan的信息隐写方法及装置
CN114267089B (zh) 一种伪造图像的识别方法、装置及设备
Bellafqira et al. Diction: Dynamic robust white box watermarking scheme
Liu et al. Image Steganalysis via Diverse Filters and Squeeze-and-Excitation Convolutional Neural Network. Mathematics, 2021, 9, 189
CN113947512A (zh) 一种大容量可控无载体图像隐写方法
Yang et al. Multi-level attention network for image steganalysis
Hemalatha et al. An efficient steganalysis of medical images by using deep learning based discrete scalable alex net convolutionary neural networks classifier

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
TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20230823

Address after: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant after: Shenzhen Hongyue Information Technology Co.,Ltd.

Address before: 315211, Fenghua Road, Jiangbei District, Zhejiang, Ningbo 818

Applicant before: Ningbo University

Effective date of registration: 20230823

Address after: Room 303, Unit 1, Building 8, Shengshi Jiangnan, No. 6 Aijian North Road, Daoli District, Harbin City, Heilongjiang Province, 150000

Applicant after: Shi Jian

Applicant after: Xiang Yu

Address before: 518000 1104, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Applicant before: Shenzhen Hongyue Information Technology Co.,Ltd.

GR01 Patent grant
GR01 Patent grant