CN112465687A - 一种图像处理方法及装置 - Google Patents
一种图像处理方法及装置 Download PDFInfo
- Publication number
- CN112465687A CN112465687A CN202011290006.9A CN202011290006A CN112465687A CN 112465687 A CN112465687 A CN 112465687A CN 202011290006 A CN202011290006 A CN 202011290006A CN 112465687 A CN112465687 A CN 112465687A
- Authority
- CN
- China
- Prior art keywords
- image
- feature map
- secret
- layer
- steganographic
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 19
- 230000002441 reversible effect Effects 0.000 claims abstract description 116
- 238000000034 method Methods 0.000 claims abstract description 67
- 230000009466 transformation Effects 0.000 claims abstract description 45
- 238000013528 artificial neural network Methods 0.000 claims description 58
- 238000010586 diagram Methods 0.000 claims description 57
- 238000011084 recovery Methods 0.000 claims description 55
- 230000008569 process Effects 0.000 claims description 39
- 238000005070 sampling Methods 0.000 claims description 36
- 238000000605 extraction Methods 0.000 claims description 3
- 230000010365 information processing Effects 0.000 abstract 1
- 238000013527 convolutional neural network Methods 0.000 description 6
- 230000009471 action Effects 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000001228 spectrum Methods 0.000 description 3
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013341 scale-up 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
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
-
- 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
- G06T2201/0052—Embedding of the watermark in the frequency domain
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Image Processing (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本公开提供了一种图像处理方法及装置,涉及图像处理技术领域,该方法包括:获取载体图像和待隐藏秘密信息的秘密图像;将秘密图像和载体图像输入至小波变换层,通过小波变换层提取秘密图像的小波低频子带,得到第一秘密特征图,提取载体图像的小波高频子带,得到载体特征图;通过可逆层将第一秘密特征图嵌入至载体特征图,得到隐写特征图和辅助特征图;将隐写特征图和辅助特征图输入至小波逆变换层,通过小波逆变换层生成隐写特征图对应的隐写图像和生成辅助特征图对应的辅助图像。本公开能够提升隐写图像的图像质量和安全性,增加隐藏秘密信息的容量。
Description
技术领域
本公开涉及图像处理技术领域,尤其涉及一种图像处理方法及装置。
背景技术
图像隐藏是一种以视觉上无法察觉的方式,将秘密图像作为秘密信息隐藏到载体图像中,得到隐写图像,而后再通过某种技术方式恢复秘密图像的任务。目前,图像隐藏任务的一种主要实现方案是利用卷积神经网络(Convolutional Neural Network,CNN),基于CNN的方案使用两个不同的网络对载体图像和秘密图像分别进行隐藏和恢复。然而,该方案得到的隐写图像、恢复图像均存在明显的纹理伪影和颜色偏差问题,从而对于隐写图像将很容易被检测出,安全性较差。此外,与传统的隐写任务相比,图像隐藏所隐藏的信息数据量巨大,上述方案一般只能隐藏比特级的信息量,很难在载体图像中完全隐藏秘密图像这么大的容量。
目前的图片隐藏方法几乎不考虑安全性,隐写图像很容易就会被检测出。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公开提供了一种图像处理方法及装置。
本公开提供了一种图像处理方法,所述方法应用于配置有深度可逆神经网络的设备;其中,所述深度可逆神经网络包括小波变换层、可逆层和小波逆变换层;所述方法包括:获取载体图像和待隐藏秘密信息的秘密图像;将所述秘密图像和所述载体图像输入至所述小波变换层,通过所述小波变换层提取所述秘密图像的小波低频子带,得到第一秘密特征图,以及提取所述载体图像的小波高频子带,得到载体特征图;通过所述可逆层将所述第一秘密特征图嵌入至所述载体特征图,得到隐写特征图和辅助特征图;其中,所述隐写特征图中包含所述第一秘密特征图中的部分秘密信息,所述辅助特征图中包含所述第一秘密特征图中的剩余部分秘密信息;将所述隐写特征图和所述辅助特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述隐写特征图对应的隐写图像和生成所述辅助特征图对应的辅助图像。
进一步,所述方法还包括:对所述辅助图像进行采样,得到采样图像;将所述采样图像和所述隐写图像输入至所述深度可逆神经网络;通过所述深度可逆神经网络根据所述采样图像和所述隐写图像,生成所述秘密图像对应的恢复图像。
进一步,所述通过所述深度可逆神经网络根据所述采样图像和所述隐写图像,生成所述秘密图像对应的恢复图像,包括:将所述采样图像和所述隐写图像输入至所述小波变换层,通过所述小波变换层提取所述采样图像的采样特征图和所述隐写图像的隐写特征图;通过所述可逆层根据所述采样特征图对所述隐写特征图进行秘密信息的恢复,得到恢复特征图;将所述恢复特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述恢复特征图对应的恢复图像。
进一步,所述可逆层将所述第一秘密特征图嵌入至所述载体特征图,包括:所述可逆层通过隐藏算法将所述第一秘密特征图嵌入至所述载体特征图;其中,所述隐藏算法为:
其中,是第i个所述可逆层输入的载体特征图,是第i个所述可逆层输出的载体特征图,是第i个所述可逆层输入的第一秘密特征图,是第i个所述可逆层输出的第一秘密特征图,ρ(·)和η(·)均为变换函数,α是具有S形函数Sigmoid的常数因子。
进一步,所述可逆层根据所述采样特征图对所述隐写特征图进行秘密信息的恢复,包括:所述可逆层基于恢复算法并根据所述采样特征图对所述隐写特征图进行秘密信息的恢复;其中,所述解码算法为:
其中,是第i个所述可逆层输入的隐写特征图,是第i个所述可逆层输出的隐写特征图,是第i个所述可逆层输入的采样特征图,是第i个所述可逆层输出的采样特征图,ρ(·)和η(·)均为变换函数,α是具有S形函数Sigmoid的常数因子。
进一步,所述深度可逆神经网络还包括连接于所述小波变换层和所述可逆层之间的图像重缩放层;在所述通过所述小波变换层提取所述秘密图像的第一秘密特征图之后,所述方法还包括:通过所述图像重缩放层对所述第一秘密特征图进行成比例缩小,得到第二秘密特征图;将所述第二秘密特征图输入至所述可逆层,以通过所述可逆层将所述第二秘密特征图嵌入至所述载体特征图。
进一步,所述深度可逆神经网络的训练过程包括:基于预设的隐藏损失函数、恢复损失函数和低频小波损失函数对所述深度可逆神经网络进行训练,直至总损失函数值收敛至预设值时,训练结束;其中,所述总损失函数值为所述隐藏损失函数计算的损失值、所述恢复损失函数计算的损失值和所述低频小波损失函数计算的损失值的加权值;所述隐藏损失函数和所述恢复损失函数对应于所述可逆层,所述低频小波损失函数对应于所述小波变换层。
进一步,所述隐藏损失函数为:
其中,Lcon(θ)为所述隐藏损失函数,和分别为用于训练所述深度可逆神经网络的载体样本图像和秘密样本图像,为基于上述载体样本图像和所述秘密样本图像生成的隐写样本图像,lc为测量所述载体样本图像和所述隐写样本图像之间的差异,θ为所述深度可逆神经网络的网络参数,N是训练样本的数量;
所述恢复损失函数为:
其中,Lrev(θ)为所述恢复损失函数,为所述秘密样本图像对应的恢复样本图像,z′为采样样本图像,lR为测量所述秘密样本图像和所述恢复样本图像之间的差异,Ep(z)[·]为基于p(z)的均值运算操作,且p(z)表示对辅助图像的采样结果;
所述低频小波损失函数为:
其中,Lfreq(θ)为所述低频小波损失函数,为所述小波变换层提取的所述载体样本图像的特征图,为所述小波变换层提取的所述隐写样本图像的特征图,lF为测量所述载体样本图像的特征图与所述隐写样本图像的特征图之间的差异。
进一步,所述秘密图像的尺寸大小与所述载体图像的尺寸大小相同。
本公开还提供了一种图像处理装置,所述装置应用于配置有深度可逆神经网络的设备;其中,所述深度可逆神经网络包括小波变换层、可逆层和小波逆变换层;所述装置包括:图像获取模块,用于获取载体图像和待隐藏秘密信息的秘密图像;特征图提取模块,用于将所述秘密图像和所述载体图像输入至所述小波变换层,通过所述小波变换层提取所述秘密图像的小波低频子带,得到第一秘密特征图,以及提取所述载体图像的小波高频子带,得到载体特征图;隐藏模块,用于通过所述可逆层将所述第一秘密特征图嵌入至所述载体特征图,得到隐写特征图和辅助特征图;其中,所述隐写特征图中包含所述第一秘密特征图中的部分秘密信息,所述辅助特征图中包含所述第一秘密特征图中的剩余部分秘密信息;图像生成模块,用于将所述隐写特征图和所述辅助特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述隐写特征图对应的隐写图像和生成所述辅助特征图对应的辅助图像。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的图像处理方法及装置,该方法应用于配置有深度可逆神经网络的设备,深度可逆神经网络包括小波变换层、可逆层和小波逆变换层;该方法通过小波变换层提取秘密图像的小波低频子带,得到第一秘密特征图,以及提取载体图像的小波高频子带,得到载体特征图;通过可逆层将第一秘密特征图嵌入至载体特征图,得到隐写特征图和辅助特征图;以及通过小波逆变换层生成隐写特征图对应的隐写图像和生成辅助特征图对应的辅助图像。本实施例通过小波变换层将秘密信息分布在不同频率域之间,并结合可逆层的隐藏过程和小波逆变换层的逆变过程,能够改善隐写图像纹理伪影和颜色偏差的问题,有效提升了图像质量和隐写图像的安全性。同时,本实施例将秘密信息分别隐藏在隐写图像和辅助图像中,增加了隐藏秘密信息的容量。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本公开实施例提供的图像处理方法流程图;
图2为本公开实施例提供的一种深度可逆神经网络的结构示意图;
图3为本公开实施例提供的深度可逆神经网络在隐藏过程的示意图;
图4为本公开实施例提供的深度可逆神经网络在恢复过程的示意图;
图5为本公开实施例提供的另一种深度可逆神经网络的结构示意图;
图6为本公开实施例图像处理装置的结构框图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下,本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图像隐藏任务中存在容量、安全性和不可见性三个主要挑战。为了克服这三个挑战,目前的一种可能方案为:将卷积神经网络(Convolutional Neural Network,CNN)用于为图像隐藏任务提供端到端(End-to-end)的解决方案。大多数基于CNN的方法都使用两个用于数据隐藏的网络,其中:使用一个隐藏网络(编码器)接收载体图像和秘密图像并输出编码后的隐写图像;然后使用一个恢复网络(解码器)接收到隐写图像后尝试恢复出秘密图像。然而,尽管进行了端到端的训练,编码器和解码器网络仍然是具有两组参数的两个独立的神经网络,它们仅通过训练时的损失函数在正向过程(隐藏)和反向过程(恢复)之间建立联系,这导致了这两个过程的关系连接非常松散,会造成明显的纹理伪影和颜色偏差问题。此外,目前的图片隐藏方法几乎不考虑安全性,隐写图像很容易就会被检测出。
基于此,为改善以上问题至少之一,本公开实施例提供了一种图像处理方法及装置。为便于理解,以下对本公开实施例进行详细介绍。
实施例一:
本实施例提供一种图像处理方法,该方法应用于配置有深度可逆神经网络的设备;参照图1,该深度可逆神经网络包括小波变换层、可逆层和小波逆变换层。其中,可逆层为多个,且可逆层可同时用于实现图像的隐藏过程和恢复过程。隐藏过程和恢复过程是可逆的两个过程,这两个过程均通过可逆层实现,表示可逆层可以相互协调这两个过程,以同时提高隐藏和恢复的性能。
参照图2所示的一种图像处理方法流程图,该方法包括如下步骤S202至步骤S208:
步骤S202,获取载体图像和待隐藏秘密信息的秘密图像。
秘密图像为写有需要隐藏的秘密信息的图像,通常该图像中待隐藏的秘密信息的数据量是巨大的;载体图像为隐藏秘密图像的图像。
步骤S204,将秘密图像和载体图像输入至小波变换层,通过小波变换层提取秘密图像的小波低频子带,得到第一秘密特征图,以及提取载体图像的小波高频子带,得到载体特征图。
在本实施例中,小波变换层可以采用哈尔变换(Harr Transform)内核执行DWT(Discrete Wavelet Transform,离散小波变换),以提取秘密图像和载体图像的频谱;哈尔变换内核具有简单性和有效性。图像的强度、亮度或灰度变化较小的位置,对应的频谱为低频,图像的强度、亮度或灰度变化较剧烈的位置,对应的频谱为高频。基于此,提取秘密图像的小波低频子带和载体图像的小波高频子带,将秘密图像中的秘密信息分布在不同频率域之间;接下来,将提取得到的第一秘密特征图和载体特征图输入可逆层。
步骤S206,通过可逆层将第一秘密特征图嵌入至载体特征图,得到隐写特征图和辅助特征图;其中,隐写特征图中包含第一秘密特征图中的部分秘密信息,辅助特征图中包含第一秘密特征图中的剩余部分秘密信息。
在实际应用中,很难将秘密图像中的秘密信息全部隐藏到载体图像中,也即很难将第一秘密特征图完全嵌入至载体特征图中,从而,本实施例可以采用辅助特征图来承载第一秘密特征图中未嵌入至载体特征图的剩余部分秘密信息。
步骤S208,将隐写特征图和辅助特征图输入至小波逆变换层,通过小波逆变换层生成隐写特征图对应的隐写图像和生成辅助特征图对应的辅助图像。
在本实施例中,小波逆变换层也可以采用哈尔变换内核执行IWT(IntegerWavelet Transform,整数小波变换),生成隐写特征图对应的隐写图像和辅助特征图对应的辅助图像;其中,辅助图像可以理解为一种与大小写无关的、各向异性的高斯分布,可表示为z。
通常,隐写图像被要求要尽可能高保真,本实施例基于小波的完美重构特性,在执行DWT和IWT时可以帮助减少秘密图像中秘密信息的损失,从而提高隐写图像的图像隐藏性能和图像质量。
本公开实施例提供的图像处理方法,利用深度可逆神经网络,通过小波变换层提取秘密图像和载体图像的不同频率域的子带,将秘密信息分布在不同频率域之间,并结合可逆层的隐藏过程和小波逆变换层的逆变过程,能够改善隐写图像纹理伪影和颜色偏差的问题,有效提升了图像质量和隐写图像的安全性。同时,本实施例将秘密信息分别隐藏在隐写图像和辅助图像中,增加了隐藏秘密信息的容量。
为了更好地理解上述实施例,可参照图3,结合深度可逆神经网络对图像得隐藏过程展开详细描述。
如图3所示,秘密图像的尺寸大小与载体图像的尺寸大小相同,均为(B,C,H,W),其中,B表示图像批量大小,C表示通道数,H表示图像高度,W表示图像宽度。将载体图像和秘密图像输入至小波变换层,经过DWT得到的载体特征图(可表示为)和第一秘密特征图(可表示为)的尺寸大小均为(B,4C,H/2,W/2)。此后,将载体特征图和第一秘密特征图输入可逆层。
深度可逆神经网络包括多个结构相同的可逆层,以第i个可逆层为例,它是通过加法(Additive)和仿射(Affine)耦合层构建得到的。为便于描述,当用于实现图像的隐藏过程时,可以将可逆层称为隐藏块。对于第i个隐藏块,其输入的载体特征图表示为输入的第一秘密特征图表示为与之对应的,其输出的载体特征图为输出的第一秘密特征图为第i个隐藏块的输出是基于输入的堆叠而得到的。
在具体实现时,可逆层通过如下公式(1)和(2)所示的隐藏算法将第一秘密特征图嵌入至载体特征图:
以上提供的基于深度可逆神经网络实现的图像隐藏实施例,能够实现大容量、高安全性和不可见性的信息隐藏。
类似于上述图像隐藏过程的实施例,本实施例提供一种隐藏过程的逆过程,也即图像恢复过程的实施例。图像恢复方法可如下所示:
首先对辅助图像z进行采样,得到采样图像z'。本实施例从高斯分布的辅助图像z中随机采样,得到采样图像z',并使用采样图像z'从隐写图像中恢复原始的秘密图像。然后将采样图像和隐写图像输入至深度可逆神经网络,通过深度可逆神经网络根据采样图像和隐写图像,生成秘密图像对应的恢复图像。
结合图4,具体的实现方式可参照如下步骤1至步骤3:
步骤1,将采样图像z'和隐写图像输入至小波变换层,通过小波变换层提取采样图像的采样特征图和隐写图像的隐写特征图。
步骤2,通过可逆层根据采样特征图对隐写特征图进行秘密信息的恢复,得到恢复特征图。
为便于描述,当用于实现图像的恢复过程时,可以将可逆层称为恢复块。具体的,恢复块基于如下公式(3)和(4)所示的恢复算法,并根据采样特征图对隐写特征图进行秘密信息的恢复:
步骤3,将恢复特征图输入至小波逆变换层,通过小波逆变换层生成恢复特征图对应的恢复图像。
通过以上图像的隐藏过程和恢复过程可以看出,上述实施例提供的深度可逆神经网络中,通过架构相同的可逆层实现图像隐藏和图像恢复,也就是图像隐藏和图像恢复过程共享相同的网络参数,可逆层可以相互协调以上两个可逆的图像处理过程,以同时提高隐藏和恢复的性能。
在以上实施例中,小波变换层的输出被完全的输送到可逆层,然而实际上,隐藏在载体图像中的信息越少,网络的抗隐写分析能力就越高。基于此,如图5所示,本实施例还可以提供另一种深度可逆神经网络,该深度可逆神经网络在小波变换层和可逆层之间连接有图像重缩放层;具体包括相连接的小波变换层、图像重缩放层、可逆层和小波逆变换层。基于该深度可逆神经网络,以图像隐藏过程为例,图像处理方法还可以包括:
通过图像重缩放层对第一秘密特征图进行成比例缩小,得到第二秘密特征图;比如,第二秘密特征图为第一秘密特征图的四分之一,也即第二秘密特征图的尺寸大小为(B,C,H/2,W/2)。当然可以理解的是,当在图像恢复过程时,图像重缩放层用于对图像进行成比例放大。
接下来,将第二秘密特征图输入至可逆层,以通过可逆层将第二秘密特征图嵌入至载体特征图。后续图像处理过程可参照前述实施例,在此不再赘述。
本实施例通过在小波变换层后连接图像重缩放层,使图像重缩放层作用于第一秘密特征图,从而提高网络的抗隐写分析能力。进一步,在采用图像重缩放层的基础上,本实施例可以删除辅助图像z,其原因在于:图像重缩放层能够保持第一秘密特征图核心内容的同时减小第一秘密特征图的大小。在上述实施例中,通过设置图像重缩放层,只需要对大小为(B,C,H/2,W/2)的第二秘密特征图中的秘密信息进行隐藏,即相当于对大小为(B,C,H,W)的秘密图像中的秘密信息进行隐藏,从而可以提高网络抗隐写分析能力。
为了使深度可逆神经网络可以直接应用于图像隐藏和恢复的处理中,需要事先训练该网络,深度可逆神经网络的参数需要经过训练得到,对深度可逆神经网络进行训练的目的,是最终确定可满足要求的参数。本实施例给出了一种深度可逆神经网络的训练方法,参照如下所示:
基于预设的隐藏损失函数Lcon(θ)、恢复损失函数Lrev(θ)和低频小波损失函数Lfreq(θ)对深度可逆神经网络进行训练,直至总损失函数值Ltotal(θ)收敛至预设值时,训练结束。
其中,参照如下公式(5),总损失函数值为隐藏损失函数计算的损失值、恢复损失函数计算的损失值和低频小波损失函数计算的损失值的加权值:
Ltotal(θ)=λ1·Lcon+λ2·Lrev+λ3·Lfreq (5)
其中,上述低频小波损失函数Lfreq(θ)对应于小波变换层,上述隐藏损失函数Lcon(θ)和恢复损失函数Lrev(θ)均对应于可逆层,且隐藏损失函数Lcon(θ)对应于可逆层的图像隐藏过程,恢复损失函数Lrev(θ)对应于可逆层的图像恢复过程。λ1、λ2和λ3是权衡不同损失项的权重。θ为深度可逆神经网络的网络参数。
在训练过程中,本实施例首先通过最小化Lcon(θ)和Lrev(θ)对深度可逆神经网络进行预训练,即λ3设置为0。然后,添加Lfreq(θ)以端到端的方式训练深度可逆神经网络。
在图像隐藏过程中,旨在隐藏并生成一张隐写图像。隐写图像要求与载体图像保持视觉上的一致性。为了实现这一目标,隐藏损失函数Lcon(θ)可以为:
在反向图像恢复过程中,根据隐藏过程生成的隐写图像,网络能够使用来自辅助图像z的任何高斯采样样本图像z'生成恢复图像。同样的,恢复图像要求与原始的秘密图像保持视觉上的一致性。为了实现这一目标,恢复损失函数Lrev(θ)可以为:
其中,为秘密样本图像对应的恢复样本图像,z′为采样样本图像,lR为测量秘密样本图像和恢复样本图像之间的差异,lR可以是L1范数或L2范数,Ep(z)[·]为基于p(z)的均值运算操作,且p(z)表示对辅助图像z的采样结果。
为了进一步提高网络的抗隐写分析能力,本实施例提出了一种低频小波损失函数,基于该低频小波损失函数,能够保证隐藏在高频子带中的信息比低频子带中的信息更难被检测到。本实施例为了确保大部分信息隐藏在高频子带中,秘密图像的低频子带需要与隐写图像的低频子带相似。H(·)LL表示小波变换层后提取小波低频子带的操作,则低频小波损失函数Lfreq(θ)可以为:
其中,为小波变换层提取载体样本图像的小波低频子带后得到的特征图,为小波变换层提取隐写样本图像的小波低频子带后得到的特征图,lF为测量载体样本图像的特征图与隐写样本图像的特征图之间的差异,lF可以是L1范数或L2范数。
本公开实施例提供的训练方法,通过同时训练图像的隐藏过程和恢复过程,提高了深度可逆神经网络所生成图像的安全性和隐蔽性;尤其是采用低频小波损失函数来约束网络的训练过程,使大多数秘密信息隐藏在高频子带中,进一步降低隐写分析的可能性。
实施例二:
基于上述实施例所提供的图像处理方法,本实施例提供一种图像处理装置。该装置应用于配置有深度可逆神经网络的设备;其中,深度可逆神经网络包括小波变换层、可逆层和小波逆变换层。参照图6,该装置包括:
图像获取模块602,用于获取载体图像和待隐藏秘密信息的秘密图像;
特征图提取模块604,用于将秘密图像和载体图像输入至小波变换层,通过小波变换层提取秘密图像的小波低频子带,得到第一秘密特征图,以及提取载体图像的小波高频子带,得到载体特征图;
隐藏模块606,用于通过可逆层将第一秘密特征图嵌入至载体特征图,得到隐写特征图和辅助特征图;其中,隐写特征图中包含第一秘密特征图中的部分秘密信息,辅助特征图中包含第一秘密特征图中的剩余部分秘密信息;
图像生成模块608,用于将隐写特征图和辅助特征图输入至小波逆变换层,通过小波逆变换层生成隐写特征图对应的隐写图像和生成辅助特征图对应的辅助图像。
本公开实施例提供的图像处理装置,通过小波变换层将秘密信息分布在不同频率域之间,并结合可逆层的隐藏过程和小波逆变换层的逆变过程,能够改善隐写图像纹理伪影和颜色偏差的问题,有效提升了图像质量和隐写图像的安全性。同时,本实施例将秘密信息分别隐藏在隐写图像和辅助图像中,增加了隐藏秘密信息的容量。
在一种实施例中,上述装置还包括恢复模块(图中未示出),其用于:对辅助图像进行采样,得到采样图像;将采样图像和隐写图像输入至深度可逆神经网络;通过深度可逆神经网络根据采样图像和隐写图像,生成秘密图像对应的恢复图像。
在一种实施例中,上述恢复模块还用于:将采样图像和隐写图像输入至小波变换层,通过小波变换层提取采样图像的采样特征图和隐写图像的隐写特征图;通过可逆层根据采样特征图对隐写特征图进行秘密信息的恢复,得到恢复特征图;将恢复特征图输入至小波逆变换层,通过小波逆变换层生成恢复特征图对应的恢复图像。
在一种实施例中,上述深度可逆神经网络还包括连接于小波变换层和可逆层之间的图像重缩放层;上述装置还包括图像缩放模块(图中未示出),其用于:通过图像重缩放层对第一秘密特征图进行成比例缩小,得到第二秘密特征图;将第二秘密特征图输入至可逆层,以通过可逆层将第二秘密特征图嵌入至载体特征图。
在一种实施例中,上述装置还包括训练模块(图中未示出),其用于:基于预设的隐藏损失函数、恢复损失函数和低频小波损失函数对深度可逆神经网络进行训练,直至总损失函数值收敛至预设值时,训练结束;其中,总损失函数值为隐藏损失函数计算的损失值、恢复损失函数计算的损失值和低频小波损失函数计算的损失值的加权值;隐藏损失函数和恢复损失函数对应于可逆层,低频小波损失函数对应于小波变换层。
本实施例所提供的装置,其实现原理及产生的技术效果和前述方法实施例相同,为简要描述,本实施例部分未提及之处,可参考前述实施例一中相应内容。
基于前述实施例,本实施例给出了一种电子设备,其包括:处理器和存储设备;其中,存储设备上存储有计算机程序,计算机程序在被处理器运行时执行图像处理方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
进一步,本实施例还提供了一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理设备运行时执行上述图像处理方法的步骤。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像处理方法,其特征在于,所述方法应用于配置有深度可逆神经网络的设备;其中,所述深度可逆神经网络包括小波变换层、可逆层和小波逆变换层;所述方法包括:
获取载体图像和待隐藏秘密信息的秘密图像;
将所述秘密图像和所述载体图像输入至所述小波变换层,通过所述小波变换层提取所述秘密图像的小波低频子带,得到第一秘密特征图,以及提取所述载体图像的小波高频子带,得到载体特征图;
通过所述可逆层将所述第一秘密特征图嵌入至所述载体特征图,得到隐写特征图和辅助特征图;其中,所述隐写特征图中包含所述第一秘密特征图中的部分秘密信息,所述辅助特征图中包含所述第一秘密特征图中的剩余部分秘密信息;
将所述隐写特征图和所述辅助特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述隐写特征图对应的隐写图像和生成所述辅助特征图对应的辅助图像。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
对所述辅助图像进行采样,得到采样图像;
将所述采样图像和所述隐写图像输入至所述深度可逆神经网络;
通过所述深度可逆神经网络根据所述采样图像和所述隐写图像,生成所述秘密图像对应的恢复图像。
3.根据权利要求2所述的方法,其特征在于,所述通过所述深度可逆神经网络根据所述采样图像和所述隐写图像,生成所述秘密图像对应的恢复图像,包括:
将所述采样图像和所述隐写图像输入至所述小波变换层,通过所述小波变换层提取所述采样图像的采样特征图和所述隐写图像的隐写特征图;
通过所述可逆层根据所述采样特征图对所述隐写特征图进行秘密信息的恢复,得到恢复特征图;
将所述恢复特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述恢复特征图对应的恢复图像。
6.根据权利要求1所述的方法,其特征在于,所述深度可逆神经网络还包括连接于所述小波变换层和所述可逆层之间的图像重缩放层;
在所述通过所述小波变换层提取所述秘密图像的第一秘密特征图之后,所述方法还包括:
通过所述图像重缩放层对所述第一秘密特征图进行成比例缩小,得到第二秘密特征图;
将所述第二秘密特征图输入至所述可逆层,以通过所述可逆层将所述第二秘密特征图嵌入至所述载体特征图。
7.根据权利要求3所述的方法,其特征在于,所述深度可逆神经网络的训练过程包括:
基于预设的隐藏损失函数、恢复损失函数和低频小波损失函数对所述深度可逆神经网络进行训练,直至总损失函数值收敛至预设值时,训练结束;
其中,所述总损失函数值为所述隐藏损失函数计算的损失值、所述恢复损失函数计算的损失值和所述低频小波损失函数计算的损失值的加权值;所述隐藏损失函数和所述恢复损失函数对应于所述可逆层,所述低频小波损失函数对应于所述小波变换层。
8.根据权利要求7所述的方法,其特征在于,所述隐藏损失函数为:
其中,Lcon(θ)为所述隐藏损失函数,和分别为用于训练所述深度可逆神经网络的载体样本图像和秘密样本图像,为基于上述载体样本图像和所述秘密样本图像生成的隐写样本图像,lc为测量所述载体样本图像和所述隐写样本图像之间的差异,θ为所述深度可逆神经网络的网络参数,N是训练样本的数量;
所述恢复损失函数为:
其中,Lrev(θ)为所述恢复损失函数,为所述秘密样本图像对应的恢复样本图像,z′为采样样本图像,lR为测量所述秘密样本图像和所述恢复样本图像之间的差异,Ep(z)[·]为基于p(z)的均值运算操作,且p(z)表示对辅助图像的采样结果;
所述低频小波损失函数为:
9.根据权利要求1所述的方法,其特征在于,所述秘密图像的尺寸大小与所述载体图像的尺寸大小相同。
10.一种图像处理装置,其特征在于,所述装置应用于配置有深度可逆神经网络的设备;其中,所述深度可逆神经网络包括小波变换层、可逆层和小波逆变换层;所述装置包括:
图像获取模块,用于获取载体图像和待隐藏秘密信息的秘密图像;
特征图提取模块,用于将所述秘密图像和所述载体图像输入至所述小波变换层,通过所述小波变换层提取所述秘密图像的小波低频子带,得到第一秘密特征图,以及提取所述载体图像的小波高频子带,得到载体特征图;
隐藏模块,用于通过所述可逆层将所述第一秘密特征图嵌入至所述载体特征图,得到隐写特征图和辅助特征图;其中,所述隐写特征图中包含所述第一秘密特征图中的部分秘密信息,所述辅助特征图中包含所述第一秘密特征图中的剩余部分秘密信息;
图像生成模块,用于将所述隐写特征图和所述辅助特征图输入至所述小波逆变换层,通过所述小波逆变换层生成所述隐写特征图对应的隐写图像和生成所述辅助特征图对应的辅助图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290006.9A CN112465687B (zh) | 2020-11-17 | 2020-11-17 | 一种图像隐藏方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011290006.9A CN112465687B (zh) | 2020-11-17 | 2020-11-17 | 一种图像隐藏方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112465687A true CN112465687A (zh) | 2021-03-09 |
CN112465687B CN112465687B (zh) | 2022-06-17 |
Family
ID=74837955
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011290006.9A Active CN112465687B (zh) | 2020-11-17 | 2020-11-17 | 一种图像隐藏方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465687B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338945A (zh) * | 2022-01-04 | 2022-04-12 | 华南师范大学 | 一种基于频域分量选择的彩色图像隐写方法及装置 |
CN115022649A (zh) * | 2022-05-17 | 2022-09-06 | 薇链信息技术有限公司 | 基于可逆神经网络的高嵌入量且可上色的图像隐写及恢复方法 |
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 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
CN110533570A (zh) * | 2019-08-27 | 2019-12-03 | 南京工程学院 | 一种基于深度学习的通用隐写方法 |
CN111598762A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 一种生成式鲁棒图像隐写方法 |
-
2020
- 2020-11-17 CN CN202011290006.9A patent/CN112465687B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492416A (zh) * | 2019-01-07 | 2019-03-19 | 南京信息工程大学 | 一种基于安全区域的大数据图像保护方法和系统 |
CN110533570A (zh) * | 2019-08-27 | 2019-12-03 | 南京工程学院 | 一种基于深度学习的通用隐写方法 |
CN111598762A (zh) * | 2020-04-21 | 2020-08-28 | 中山大学 | 一种生成式鲁棒图像隐写方法 |
Non-Patent Citations (2)
Title |
---|
K.S. SEETHALAKSHMI等: "Security enhancement in image steganography using neural networks and visual cryptography", 《2016 INTERNATIONAL CONFERENCE ON COMPUTATION SYSTEM AND INFORMATION TECHNOLOGY FOR SUSTAINABLE SOLUTIONS (CSITSS)》 * |
张军: "基于相关性的图像隐写术", 《计算机工程》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114338945A (zh) * | 2022-01-04 | 2022-04-12 | 华南师范大学 | 一种基于频域分量选择的彩色图像隐写方法及装置 |
CN115022649A (zh) * | 2022-05-17 | 2022-09-06 | 薇链信息技术有限公司 | 基于可逆神经网络的高嵌入量且可上色的图像隐写及恢复方法 |
CN115022649B (zh) * | 2022-05-17 | 2024-08-13 | 薇链信息技术有限公司 | 基于可逆神经网络的高嵌入量且可上色的图像隐写及恢复方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN112465687B (zh) | 2022-06-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112465687B (zh) | 一种图像隐藏方法及装置 | |
Kandi et al. | Exploring the learning capabilities of convolutional neural networks for robust image watermarking | |
Rajani et al. | An optimized blind watermarking scheme based on principal component analysis in redundant discrete wavelet domain | |
Li et al. | Dither modulation of significant amplitude difference for wavelet based robust watermarking | |
Khan et al. | Reduced time complexity for detection of copy-move forgery using discrete wavelet transform | |
Malik et al. | Recovery based high capacity reversible data hiding scheme using even-odd embedding | |
Assini et al. | A robust hybrid watermarking technique for securing medical image | |
US20070140524A1 (en) | Image Watermarking Based on Sequency and Wavelet Transforms | |
CN110148100A (zh) | 一种图像变换方法、装置、存储介质及计算机设备 | |
Zhang et al. | Digital watermarking based on joint DWT–DCT and OMP reconstruction | |
Bhatnagar et al. | A new logo watermarking based on redundant fractional wavelet transform | |
Ramakrishnan et al. | Svd based robust digital watermarking for still images using wavelet transform | |
Zhu et al. | Generative high-capacity image hiding based on residual CNN in wavelet domain | |
Shoaib et al. | Authenticating using secret key in digital video watermarking using 3-level DWT | |
Zhou et al. | Geometric correction code‐based robust image watermarking | |
Chopra et al. | Analysis of frequency domain watermarking techniques in presence of geometric and simple attacks | |
Wang et al. | A color image watermarking approach based on synchronization correction | |
Takore et al. | Efficient gray image watermarking algorithm based on DWT-SVD using genetic algorithm | |
Ramanjaneyulu et al. | An oblivious and robust multiple image watermarking scheme using genetic algorithm | |
Sharma et al. | A daubechies DWT based image steganography using smoothing operation. | |
Luo et al. | COVER: a secure blind image watermarking scheme | |
CN116402668A (zh) | 图像处理方法及装置 | |
Malik et al. | A high capacity data hiding scheme using modified AMBTC compression technique. | |
Pilania | Stable high capacity video steganography in wavelet domain | |
CN108711130B (zh) | 基于压缩感知噪声重构的图像水印系统与方法 |
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 |