CN112132735B - 一种规避预处理的载体选择方法 - Google Patents
一种规避预处理的载体选择方法 Download PDFInfo
- Publication number
- CN112132735B CN112132735B CN202011054316.0A CN202011054316A CN112132735B CN 112132735 B CN112132735 B CN 112132735B CN 202011054316 A CN202011054316 A CN 202011054316A CN 112132735 B CN112132735 B CN 112132735B
- Authority
- CN
- China
- Prior art keywords
- distortion
- image
- classifier
- preprocessing
- sub
- 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
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 37
- 238000004364 calculation method Methods 0.000 claims abstract description 12
- 230000004927 fusion Effects 0.000 claims abstract description 4
- 238000012549 training Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 8
- 238000012986 modification Methods 0.000 claims description 4
- 230000004048 modification Effects 0.000 claims description 4
- 230000001174 ascending effect Effects 0.000 claims description 3
- 239000000654 additive Substances 0.000 claims description 2
- 230000000996 additive effect Effects 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 description 3
- 238000001914 filtration Methods 0.000 description 3
- 230000010339 dilation Effects 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000000682 scanning probe acoustic microscopy 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration using histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/73—Deblurring; Sharpening
-
- 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
- G06T2201/0202—Image watermarking whereby the quality of watermarked images is measured; Measuring quality or performance of watermarking methods; Balancing between quality and robustness
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20024—Filtering details
-
- 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
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E30/00—Energy generation of nuclear origin
- Y02E30/30—Nuclear fission reactors
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种规避预处理的载体选择方法,包括括预处理失真计算阶段、嵌入失真计算阶段,以及失真融合及载体选择阶段,通过训练预分类器给出图像经过预处理的可能性,可能性越高表示预处理失真越大,对于嵌入失真,则利用当下的失真最小化框架计算。最后将两类失真融合,选择总失真最小的图像作为载体。本发明涉及的一种规避预处理的载体选择方法,通过规避预处理图像来避免选择预处理图像作为载体,提高了多载体隐写安全性。
Description
技术领域
本发明涉及秘密数据技术领域,具体是指一种规避预处理的载体选择方法。
背景技术
隐写是一种通过公开信道传递秘密信息的技术。数字图像由于应用广泛成为了隐写中最常用的载体。为实现隐写,通常通过轻微修改载体内容来嵌入秘密信息。目前隐写主要通过最小化图像失真来保证安全性。另一方面,隐写分析旨在通过分析在公共信道上传送的图像来揭示秘密信息的存在性。目前隐写分析主要基于有监督学习,通过提取图像特征来训练隐写分析分类器,再用于判决可疑图像。近期基于深度学习的隐写分析将特征提取与分类过程融为一体,取得了较高的检测准确率。
当隐写者拥有大量可用图像时,可选择最合适的载体图像用于隐写。大多数载体选择方法经验性地选择图像。如先寻找可修改的DCT系数,再选择可修改系数数量多的图像作为载体。也有学者考虑图像内容,选择纹理复杂度高的图像作为载体。上述方法效果均不尽如人意。有学者提出了一种衡量图像负载能力的通用方法。首先将图像建模成高斯混合模型,之后计算图像的Fisher信息矩阵,将其映射为实数后用于评价图像负载能力。但此模型同样不能精确地描述自然图像。也有学者证明了图像隐写失真的一阶导数单调递增。之后又推导出了选择的图像的隐写失真的一阶导数应该相等。再根据这两个结论选出最优的载体图像并产生对应的含密图像。
现实场景下,隐写者持有的图像可能已经过某种预处理,如用来改善图像质量的对比度增强、图像去噪等操作。经过处理图像的统计特性与原始图像已然不同。具体来说,用于改善图像质量的操作通常增强图像内容而抑制纹理细节,而纹理复杂区域有利于掩盖隐写修改痕迹。纹理细节被削弱后修改痕迹会很容易被隐写分析检测到,并且含密图像中除嵌入失真外还包含了预处理失真。因此经过预处理的图像不适合作为载体。然而现有的载体选择方法仅关注于嵌入失真而忽略了预处理失真。
本发明提出了一种同时考虑嵌入失真与预处理失真的载体选择方法。其中预处理失真通过图像经过预处理的可能性来度量,可能性越高表示预处理失真越大。而嵌入失真则利用当下的失真最小化框架来计算。最后融合两类失真,选择总失真最小的图像作为载体。
发明内容
基础上述技术问题,本发明提供一种规避预处理的载体选择方法,对于预处理失真,通过训练预分类器给出图像经过预处理的可能性,可能性越高表示预处理失真越大。对于嵌入失真,则利用当下的失真最小化框架计算。最后将两类失真融合,选择总失真最小的图像作为载体。
本发明提供的技术方案为:
一种规避预处理的载体选择方法,包括预处理失真计算阶段、嵌入失真计算阶段,以及失真融合及载体选择阶段,对n幅备选图像{X1,X2,...,Xn},具体步骤如下:
1)首先训练一个图像处理分类器用于判定一幅给定的图像是否经过预处理,设隐写者持有r幅原始图像{I1,I2,...,Ir},对{I1,I2,...,Ir}分别执行w种图像处理操作,得到r×w幅图像{I′1,I′2,...,I′rw},之后分别提取{I1,I2,...,Ir}与{I′1,I′2,...,I′rw}的特征,用于训练图像处理分类器,再结合集成分类器得到最终的图像处理分类器,集成分类器包含多个FLD子分类器,每个子分类器均可独立作出判决,因此得到的图像处理分类器中也包含多个子分类器,每个子分类器均对给定图像是否经过处理进行判定,设图像处理分类器中子分类器数量为S,有Li个子分类器认为一幅给定的图像Xi经过处理,i∈{1,2,…,n},Li∈{1,2,…,S},则Xi的预处理失真可表示为认为Xi经过处理的子分类器比例,即经过处理的概率,如式(1)所示:
至此预处理失真计算完毕;
2)对一幅包含t个元素的图像Xi={xi(1),xi(2),…,xi(t)},采用现有的STC编码框架为xi(j)分配加一或减一的代价分别为ρ+(j)与ρ-(j),j∈{1,2,…,t},则在m比特嵌入量下含密图像的理论最小加性失真di为:
其中
分别为对xi(j)进行加一或减一的概率,参数λ>0用于使修改概率的三元信息熵与嵌入量m相等,如式(4)所示:
3)采用乘法连接预处理失真与嵌入失真,此外,由式(2)可知,预处理失真的取值范围为0到1之间,当预处理失真为零时,代表预处理失真不存在,但此时嵌入失真仍然存在,为避免预处理失真为零总失真也为零,Xi的总失真Di如式(5)所示:
4)将所有备选图像的失真{D1,D2,...,Dn}按升序排列,设排序后为{Df(1),Df(2),...,Df(n)},则选择对应于最小失真Df(1)的图像Xf(1)作为载体,若需选择k幅图像(1≤k≤n),则选择对应于k个最小失真{Df(1),Df(2),...,Df(k)}的图像{Xf(1),Xf(2),...,Xf(k)},至此,载体选择完毕。
采用以上结构后,本发明具有如下优点:
本发明通过规避预处理图像来避免选择预处理图像作为载体,提高了多载体隐写安全性。预处理失真通过图像经过预处理的可能性来度量,可能性越高表示预处理失真越大。而嵌入失真则利用当下的失真最小化框架来计算,最后融合两类失真,选择总失真最小的图像作为载体。
附图说明
图1是本发明专利名称的流程示意图。
具体实施方式
下面结合附图对本发明做进一步的详细说明。
结合附图1,一种规避预处理的载体选择方法,包括预处理失真计算阶段、嵌入失真计算阶段,以及失真融合及载体选择阶段。本示例中采用BOSSbass ver.1.01图像库来构造隐写者的备选图像集,包括10000幅的大小为512×512的灰度图像。将所有图像随机分为10个子集,每个子集1000幅图像。再任选7个子集作分别执行7种图像处理操作:直方图均衡、锐化、膨胀、腐蚀、维纳滤波、中值滤波、均值滤波。其余3个子集不作修改。处理后将所有10000幅作为备选图像{X1,X2,...,X10000}。则备选图像中有70%经过预处理。此外,将UCID图像库中的1338幅图像用于训练图像处理分类器(r=1338)。具体步骤如下:
1)将UCID图像库中的1338幅图像均分别执行直方图均衡、锐化、膨胀,以及腐蚀4种图像处理操作(w=4),再分别提取处理后5352幅图像与原始1338幅图像的SPAM特征来训练图像处理分类器。对备选图像集中的10000幅图像{X1,X2,...,X10000}分别采用式(1)计算预处理失真
3)采用式(5)融合预处理失真与嵌入失真,得到总失真Di。
4)将所有备选图像的失真{D1,D2,...,D10000}按升序排列,设排序后为{Df(1),Df(2),...,Df(10000)}。则选择对应于最小失真Df(1)的图像Xf(1)作为载体。若需选择k幅图像(1≤k≤n),则选择对应于k个最小失真{Df(1),Df(2),...,Df(k)}的图像{Xf(1),Xf(2),...,Xf(k)}。
以上对本发明及其实施方式进行了描述,这种描述没有限制性,附图中所示的也只是本发明的实施方式之一,实际的结构并不局限于此。总而言之如果本领域的普通技术人员受其启示,在不脱离本发明创造宗旨的情况下,不经创造性的设计出与该技术方案相似的结构方式及实施例,均应属于本发明的保护范围。
Claims (1)
1.一种规避预处理的载体选择方法,其特征在于,包括预处理失真计算阶段、嵌入失真计算阶段,以及失真融合及载体选择阶段,对n幅备选图像{X1,X2,...,Xn},具体步骤如下:
1)首先训练一个图像处理分类器用于判定一幅给定的图像是否经过预处理,设隐写者持有r幅原始图像{I1,I2,...,Ir},对{I1,I2,...,Ir}分别执行w种图像处理操作,得到r×w幅图像{I′1,I′2,...,I′rw},之后分别提取{I1,I2,...,Ir}与{I′1,I′2,...,I′rw}的特征,用于训练图像处理分类器,再结合集成分类器得到最终的图像处理分类器,集成分类器包含多个FLD子分类器,每个子分类器均可独立作出判决,因此得到的图像处理分类器中也包含多个子分类器,每个子分类器均对给定图像是否经过处理进行判定,设图像处理分类器中子分类器数量为S,有Li个子分类器认为一幅给定的图像Xi经过处理,i∈{1,2,…,n},Li∈{1,2,…,S},则Xi的预处理失真可表示为认为Xi经过处理的子分类器比例,即经过处理的概率,如式(1)所示:
2)对一幅包含t个元素的图像Xi={xi(1),xi(2),…,xi(t)},采用现有的STC编码框架为xi(j)分配加一或减一的代价分别为ρ+(j)与ρ-(j),j∈{1,2,…,t},则在m比特嵌入量下含密图像的理论最小加性失真di为:
其中
分别为对xi(j)进行加一或减一的概率,参数λ>0用于使修改概率的三元信息熵与嵌入量m相等,如式(4)所示:
3)采用乘法连接预处理失真与嵌入失真,此外,由式(2)可知,预处理失真的取值范围为0到1之间,当预处理失真为零时,代表预处理失真不存在,但此时嵌入失真仍然存在,为避免预处理失真为零总失真也为零,Xi的总失真Di如式(5)所示:
4)将所有备选图像的失真{D1,D2,...,Dn}按升序排列,设排序后为{Df(1),Df(2),...,Df(n)},则选择对应于最小失真Df(1)的图像Xf(1)作为载体,若需选择k幅图像(1≤k≤n),则选择对应于k个最小失真{Df(1),Df(2),...,Df(k)}的图像{Xf(1),Xf(2),...,Xf(k)},至此,载体选择完毕。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054316.0A CN112132735B (zh) | 2020-09-30 | 2020-09-30 | 一种规避预处理的载体选择方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011054316.0A CN112132735B (zh) | 2020-09-30 | 2020-09-30 | 一种规避预处理的载体选择方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132735A CN112132735A (zh) | 2020-12-25 |
CN112132735B true CN112132735B (zh) | 2023-05-26 |
Family
ID=73844760
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011054316.0A Active CN112132735B (zh) | 2020-09-30 | 2020-09-30 | 一种规避预处理的载体选择方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132735B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
JP2007000687A (ja) * | 2005-06-21 | 2007-01-11 | Shimadzu Corp | 生体試料中のペプチド分析方法及び装置 |
CN103345767A (zh) * | 2013-07-02 | 2013-10-09 | 中国科学技术大学 | 一种高安全性的jpeg图像隐写方法 |
CN109584139A (zh) * | 2019-01-25 | 2019-04-05 | 中国科学技术大学 | 适用于批自适应隐写的安全嵌入方法 |
-
2020
- 2020-09-30 CN CN202011054316.0A patent/CN112132735B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6094483A (en) * | 1997-08-06 | 2000-07-25 | Research Foundation Of State University Of New York | Secure encryption and hiding of data and messages in images |
JP2007000687A (ja) * | 2005-06-21 | 2007-01-11 | Shimadzu Corp | 生体試料中のペプチド分析方法及び装置 |
CN103345767A (zh) * | 2013-07-02 | 2013-10-09 | 中国科学技术大学 | 一种高安全性的jpeg图像隐写方法 |
CN109584139A (zh) * | 2019-01-25 | 2019-04-05 | 中国科学技术大学 | 适用于批自适应隐写的安全嵌入方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112132735A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109587372B (zh) | 一种基于生成对抗网络的不可见图像隐写术 | |
CN111179229B (zh) | 一种基于深度学习的工业ct缺陷检测方法 | |
CN111401372B (zh) | 一种扫描文档图文信息提取与鉴别的方法 | |
CN109657595B (zh) | 基于堆叠沙漏网络的关键特征区域匹配人脸识别方法 | |
CN107341463B (zh) | 一种结合图像质量分析与度量学习的人脸特征识别方法 | |
CN111598761A (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
CN112150450B (zh) | 一种基于双通道U-Net模型的图像篡改检测方法及装置 | |
CN114842267A (zh) | 基于标签噪声域自适应的图像分类方法及系统 | |
CN111986180B (zh) | 基于多相关帧注意力机制的人脸伪造视频检测方法 | |
CN108280480B (zh) | 一种基于残差共生概率的隐写图像载体安全性评价方法 | |
CN111696046A (zh) | 一种基于生成式对抗网络的水印去除方法和装置 | |
CN106650670A (zh) | 活体人脸视频的检测方法及装置 | |
Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
CN111126366A (zh) | 一种活体人脸的判别方法、装置、设备及存储介质 | |
CN114842524B (zh) | 一种基于不规则显著性像素簇的人脸鉴伪方法 | |
CN112651319B (zh) | 一种视频检测方法、装置、电子设备及存储介质 | |
WO2021128851A1 (zh) | 基于数字切片的图片分类方法、装置和计算机设备 | |
CN116012835A (zh) | 一种基于文本分割的两阶段场景文本擦除方法 | |
CN116152173A (zh) | 一种图像篡改检测定位方法及装置 | |
CN115082922A (zh) | 基于深度学习的水表数字图片处理方法及系统 | |
CN110289004A (zh) | 一种基于深度学习的人工合成声纹检测系统及方法 | |
CN114332559A (zh) | 一种基于自适应跨模态融合机制和深度注意力网络的rgb-d显著性目标检测方法 | |
CN112132735B (zh) | 一种规避预处理的载体选择方法 | |
CN113609944A (zh) | 一种静默活体检测方法 | |
Wu et al. | De-Mark GAN: Removing dense watermark with generative adversarial network |
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 |