CN112529758A - 一种基于卷积神经网络的彩色图像隐写方法 - Google Patents
一种基于卷积神经网络的彩色图像隐写方法 Download PDFInfo
- Publication number
- CN112529758A CN112529758A CN202011505043.7A CN202011505043A CN112529758A CN 112529758 A CN112529758 A CN 112529758A CN 202011505043 A CN202011505043 A CN 202011505043A CN 112529758 A CN112529758 A CN 112529758A
- Authority
- CN
- China
- Prior art keywords
- image
- feature map
- steganography
- secret
- carrier
- 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
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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Image Processing (AREA)
Abstract
本申请公开了一种基于卷积神经网络的彩色图像隐写方法,该方法包括:制作包含载体图像和秘密图像的数据集;以载体图像和秘密图像为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;设置图像隐写网络模型的参数,并对图像隐写网络模型进行训练;运用训练好的图像隐写网络模型进行图像隐写。上述基于卷积神经网络的彩色图像隐写方法中,通过由隐藏网络和提取网络组成的图像隐写网络模型实现彩色图像的嵌入和提取,所产生的隐写图像具有较高的质量和安全性,隐写容量较高。
Description
技术领域
本发明涉及多媒体信号处理领域,特别是涉及一种基于卷积神经网络的彩色图像隐写方法。
背景技术
随着网络的快速发展,数字媒体成为了传递信息的重要载体,互联网上每天都产生数以亿计的各种数据,这给信息安全带来了新的挑战。在通信时用户希望秘密消息不被第三方获悉,传统的加密技术可以将秘密内容转换成密文来保护秘密内容的完整性和安全性。但这种无意义、乱码的密文容易引起监控者的注意和兴趣,从而被攻击和截获。秘密信息的传输过程很有可能被攻击者切断,使得秘密信息无法有效及时地传递给接收者,同时秘密信息还面临着随时被破译的风险。
图像隐写可看作是一种伪装的加密技术,但它不同于传统的加密技术,图像隐写将消息嵌入到图像中而不改变其感知特性,保证嵌入秘密信息的载体在视觉上看起来与原始图像非常相似,从而避免监控者的注意和怀疑,避免被监控者截获和攻击。
目前,传统的图像隐写是基于对载体图像的修改,根据隐写方式的不同分为两类:空域方法和变换域方法;其中,空域方法是采用不同的策略直接对图像的像素进行修改,实现图像的隐写,变换域方法主要是基于DCT域的JPEG为载体的隐写算法。传统的图像隐写算法存在隐藏信息的数量是有限的和需要人工分析、设计图像的统计特征,需要花费大量的时间和精力。
发明内容
有鉴于此,本发明的目的在于提供一种基于卷积神经网络的彩色图像隐写方法,可以实现彩色图像的嵌入和提取,所产生的隐写图像质量较高。其具体方案如下:
一种基于卷积神经网络的彩色图像隐写方法,包括:
制作包含载体图像和秘密图像的数据集;
以所述载体图像和所述秘密图像为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;
设置所述图像隐写网络模型的参数,并对所述图像隐写网络模型进行训练;
运用训练好的所述图像隐写网络模型进行图像隐写。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,在构建所述图像隐写网络模型的过程中,包括:
将所述载体图像和所述秘密图像分别输入到所述隐藏网络,通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中,得到所述隐写图像;
将所述隐写图像输入到所述提取网络,通过所述提取网络得到所述提取图像。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中,得到所述隐写图像,具体包括:
将所述载体图像和所述秘密图像分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第一载体特征图和与所述秘密图像对应的第一秘密特征图;
将所述第一载体特征图和所述第一秘密特征图分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第二载体特征图和与所述秘密图像对应的第二秘密特征图;
将所述第二载体特征图和所述第二秘密特征图分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第三载体特征图和与所述秘密图像对应的第三秘密特征图;
将所述第三载体特征图和所述第三秘密特征图进行合并,得到第一特征图;
将所述第一特征图进行卷积和使用ReLU函数进行激活,得到第二特征图;
将所述第一特征图通过跳过连接和所述第二特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第三特征图;
将所述第一特征图和所述第二特征图分别通过跳过连接和所述第三特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第四特征图;
将所述第一特征图、所述第二特征图和所述第三特征图分别通过跳过连接和所述第四特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第五特征图;
将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图分别通过跳过连接和所述第五特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第六特征图;
将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图分别通过跳过连接和所述第六特征图进行合并,并进行卷积和使用Tanh函数进行激活,得到第七特征图;
将载体图像通过跳线连接和所述第七特征图相加,得到所述隐写图像。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,通过所述提取网络得到所述提取图像,具体包括:
将所述隐写图像进行卷积和使用ReLU函数进行激活,得到第一隐写特征图;
将所述第一隐写特征图进行卷积和使用ReLU函数进行激活,得到第二隐写特征图;
将所述第二隐写特征图进行卷积和使用ReLU函数进行激活,得到第三隐写特征图;
将所述第三隐写特征图进行卷积和使用ReLU函数进行激活,得到第四隐写特征图;
将所述第四隐写特征图进行卷积和使用ReLU函数进行激活,得到第五隐写特征图;
将所述第五隐写特征图进行卷积和使用Tanh函数进行激活,得到所述提取图像。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,设置所述图像隐写网络模型的参数,包括:
设置所述图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,制作包含载体图像和秘密图像的数据集,具体包括:
随机从ImageNet数据集中选取多张图片;
将选取的所有图片的尺寸均调整为相同的尺寸,制作成包含载体图像和秘密图像的数据集。
优选地,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,还包括:
将所述数据集分成训练集和测试集;
将所述测试集中的载体图像和秘密图像分别输入所述图像隐写网络模型中,得到所述测试集对应的隐写图像和提取图像;
计算出所述测试集对应的隐写图像和所述测试集中的载体图像之间的PSNR值和SSIM值,以及所述测试集对应的提取图像和所述测试集中的秘密图像之间的PSNR值和SSIM值,以对所述图像隐写网络模型的性能进行测试。
从上述技术方案可以看出,本发明所提供的一种基于卷积神经网络的彩色图像隐写方法,包括:制作包含载体图像和秘密图像的数据集;以载体图像和秘密图像为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;设置图像隐写网络模型的参数,并对图像隐写网络模型进行训练;运用训练好的图像隐写网络模型进行图像隐写。
本发明提供的上述基于卷积神经网络的彩色图像隐写方法中,通过由隐藏网络和提取网络组成的图像隐写网络模型实现彩色图像的嵌入和提取,所产生的隐写图像具有较高的质量和安全性,隐写容量较高。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的基于卷积神经网络的彩色图像隐写方法的流程图;
图2为本发明实施例提供的图像隐写网络模型的结构示意图;
图3为本发明实施例提供的隐藏网络的结构示意图;
图4为本发明实施例提供的提取网络的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明提供一种基于卷积神经网络的彩色图像隐写方法,如图1所示,包括以下步骤:
S101、制作包含载体图像和秘密图像的数据集;
S102、以载体图像和秘密图像为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;隐藏网络的作用是将秘密图像嵌入到载体图像中,提取网络的作用是从隐写图像中提取秘密图像;
S103、设置图像隐写网络模型的参数,并对图像隐写网络模型进行训练;
S104、运用训练好的图像隐写网络模型进行图像隐写。
在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,首先制作包含载体图像和秘密图像的数据集;然后构建由隐藏网络和提取网络组成的图像隐写网络模型;之后设置图像隐写网络模型的参数,并对图像隐写网络模型进行训练;最后运用训练好的图像隐写网络模型进行图像隐写。这样通过由隐藏网络和提取网络组成的图像隐写网络模型实现彩色图像的嵌入和提取,所产生的隐写图像具有较高的质量和安全性,隐写容量较高。
在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,步骤S101制作包含载体图像和秘密图像的数据集,具体可以包括:随机从ImageNet数据集中选取多张图片(如10000张图片);将选取的所有图片的尺寸均调整为相同的尺寸(如256x256),制作成包含载体图像和秘密图像的数据集。这样可以将秘密图像隐藏到相同大小的载体图像中。需要说明的是,隐藏网络使用跳过连接,可以将图像的低级特征传输到每个后续层,这有助于隐藏秘密图像的细节。
在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,如图2所示,步骤S102在构建图像隐写网络模型的过程中,包括:首先,将载体图像C(0)和秘密图像S(0)分别输入到隐藏网络,通过隐藏网络将秘密图像S(0)嵌入到载体图像C(0)中,得到隐写图像C’(0),即隐藏网络有两个输入分支,一个输出;然后,将隐写图像C’(0)输入到提取网络,通过提取网络得到提取图像S’(0)。
进一步地,在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,如图3所示,隐藏网络的卷积核大小都是3x3,图中的数字是卷积核的个数;上述步骤通过隐藏网络将秘密图像S(0)嵌入到载体图像C(0)中,得到隐写图像C’(0),具体可以包括:
将载体图像C(0)和秘密图像S(0)分别通过卷积层后,用ReLU激活函数激活,分别得到与载体图像C(0)对应的第一载体特征图C(1)和与秘密图像S(0)对应的第一秘密特征图S(1);
将第一载体特征图C(1)和第一秘密特征图S(1)分别通过卷积层后,用ReLU激活函数激活,分别得到与载体图像C(0)对应的第二载体特征图C(2)和与秘密图像S(0)对应的第二秘密特征图S(2);
将第二载体特征图C(2)和第二秘密特征图S(2)分别通过卷积层后,用ReLU激活函数激活,分别得到与载体图像C(0)对应的第三载体特征图C(3)和与秘密图像S(0)对应的第三秘密特征图S(3);
将第三载体特征图C(3)和第三秘密特征图S(3)进行合并,得到第一特征图I(1);
将第一特征图I(1)输入到第一个卷积层中进行卷积和使用ReLU函数进行激活,得到第二特征图I(2);
将第一特征图I(1)通过跳过连接和第二特征图I(2)进行合并,并输入到第二个卷积层中进行卷积和使用ReLU函数进行激活,得到第三特征图I(3);
将第一特征图I(1)和第二特征图I(2)分别通过跳过连接和第三特征图I(3)进行合并,并输入到第三个卷积层中进行卷积和使用ReLU函数进行激活,得到第四特征图I(4);
将第一特征图I(1)、第二特征图I(2)和第三特征图I(3)分别通过跳过连接和第四特征图I(4)进行合并,并输入到第四个卷积层中进行卷积和使用ReLU函数进行激活,得到第五特征图I(5);
将第一特征图I(1)、第二特征图、第三特征图I(3)和第四特征图I(4)分别通过跳过连接和第五特征图I(5)进行合并,并输入到第五个卷积层中进行卷积和使用ReLU函数进行激活,得到第六特征图I(6);
将第一特征图I(1)、第二特征图、第三特征图I(3)、第四特征图I(4)和第五特征图I(5)分别通过跳过连接和第六特征图I(6)进行合并,并输入到第六个卷积层中进行卷积和使用Tanh函数进行激活,得到第七特征图I(7);
将载体图像C(0)通过跳线连接和第七特征图I(7)相加,得到隐写图像C’(0),即得到含有秘密图像的图像。
更进一步地,在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,如图4所示,提取网络的卷积核大小都是3x3,图中的数字是卷积核的个数;上述步骤通过提取网络得到提取图像S’(0),具体可以包括:
将隐写图像C’(0)进行卷积和使用ReLU函数进行激活,得到第一隐写特征图D(1);
将第一隐写特征图D(1)进行卷积和使用ReLU函数进行激活,得到第二隐写特征图D(2);
将第二隐写特征图D(2)进行卷积和使用ReLU函数进行激活,得到第三隐写特征图D(3);
将第三隐写特征图D(3)进行卷积和使用ReLU函数进行激活,得到第四隐写特征图D(4);
将第四隐写特征图D(4)进行卷积和使用ReLU函数进行激活,得到第五隐写特征图D(5);
将第五隐写特征图D(5)进行卷积和使用Tanh函数进行激活,得到提取图像S’(0)。
在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,步骤S103设置图像隐写网络模型的参数,可以包括:设置图像隐写网络模型的学习率;设置图像隐写网络模型中一批次处理图像的张数为batch_size;设置迭代周期为epoch;设置图像隐写网络模型的优化器optimizer。在实际应用中,对构建的隐写网络进行训练,对网络进行整体参数调优,可以使模型损失函数尽可能小。
在具体实施时,在本发明实施例提供的上述基于卷积神经网络的彩色图像隐写方法中,还可以包括:
在制作数据集时,将数据集分成两个不相交的部分,即训练集和测试集(如训练集8000张图片,测试集2000张图片);训练集中的载体图像C(0)和秘密图像S(0)在步骤S102中应用到;
将测试集中的载体图像C(0)和秘密图像S(0)分别输入图像隐写网络模型中,得到测试集对应的隐写图像和提取图像;
计算出测试集对应的隐写图像和测试集中的载体图像C(0)之间的PSNR值和SSIM值,以及测试集对应的提取图像和测试集中的秘密图像S(0)之间的峰值信噪比(PSNR)值和结构相似性(SSIM)值,以对图像隐写网络模型的性能进行测试。
需要说明的是,本发明可以用峰值信噪比(PSNR)表示的图片的失真程度,当PSNR值越大,图片的失真度越小。
峰值信噪比(PSNR)的公式如下:
其中,图像每点的像素值为I(i,j),图像的平均像素值为I'(i,j),为方便运算,通常数字图像用像素方阵表示,即M=N。
结构相似性(SSIM)通过比较原始图像的亮度,对比度和结构相似性来评估处理后的图像质量,计算公式如下所示:
经测试,在本发明中,载体图像与隐写图像之间的PSNR值和SSIM值分别为43.57dB和0.987,秘密图像与提取图像之间的PSNR值和SSIM值分别为38.14dB和0.967,可以看出通过隐写网络生成的隐写图像具有较高质量,通过提取网络提取的秘密图像也取得了良好的效果。
专业人员可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本文中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种基于卷积神经网络的彩色图像隐写方法,包括:制作包含载体图像C(0)和秘密图像S(0)的数据集;以载体图像C(0)和秘密图像S(0)为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;设置图像隐写网络模型的参数,并对图像隐写网络模型进行训练;运用训练好的图像隐写网络模型进行图像隐写。该方法通过由隐藏网络和提取网络组成的图像隐写网络模型实现彩色图像的嵌入和提取,所产生的隐写图像具有较高的质量和安全性,隐写容量较高。
最后,还需要说明的是,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。
以上对本发明所提供的基于卷积神经网络的彩色图像隐写方法进行了详细介绍,本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处,综上所述,本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于卷积神经网络的彩色图像隐写方法,其特征在于,包括:
制作包含载体图像和秘密图像的数据集;
以所述载体图像和所述秘密图像为输入,以隐写图像和提取图像为输出,构建由隐藏网络和提取网络组成的图像隐写网络模型;
设置所述图像隐写网络模型的参数,并对所述图像隐写网络模型进行训练;
运用训练好的所述图像隐写网络模型进行图像隐写。
2.根据权利要求1所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,在构建所述图像隐写网络模型的过程中,包括:
将所述载体图像和所述秘密图像分别输入到所述隐藏网络,通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中,得到所述隐写图像;
将所述隐写图像输入到所述提取网络,通过所述提取网络得到所述提取图像。
3.根据权利要求2所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,通过所述隐藏网络将所述秘密图像嵌入到所述载体图像中,得到所述隐写图像,具体包括:
将所述载体图像和所述秘密图像分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第一载体特征图和与所述秘密图像对应的第一秘密特征图;
将所述第一载体特征图和所述第一秘密特征图分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第二载体特征图和与所述秘密图像对应的第二秘密特征图;
将所述第二载体特征图和所述第二秘密特征图分别通过卷积层后,用ReLU激活函数激活,分别得到与所述载体图像对应的第三载体特征图和与所述秘密图像对应的第三秘密特征图;
将所述第三载体特征图和所述第三秘密特征图进行合并,得到第一特征图;
将所述第一特征图进行卷积和使用ReLU函数进行激活,得到第二特征图;
将所述第一特征图通过跳过连接和所述第二特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第三特征图;
将所述第一特征图和所述第二特征图分别通过跳过连接和所述第三特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第四特征图;
将所述第一特征图、所述第二特征图和所述第三特征图分别通过跳过连接和所述第四特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第五特征图;
将所述第一特征图、所述第二特征图、所述第三特征图和所述第四特征图分别通过跳过连接和所述第五特征图进行合并,并进行卷积和使用ReLU函数进行激活,得到第六特征图;
将所述第一特征图、所述第二特征图、所述第三特征图、所述第四特征图和所述第五特征图分别通过跳过连接和所述第六特征图进行合并,并进行卷积和使用Tanh函数进行激活,得到第七特征图;
将载体图像通过跳线连接和所述第七特征图相加,得到所述隐写图像。
4.根据权利要求3所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,通过所述提取网络得到所述提取图像,具体包括:
将所述隐写图像进行卷积和使用ReLU函数进行激活,得到第一隐写特征图;
将所述第一隐写特征图进行卷积和使用ReLU函数进行激活,得到第二隐写特征图;
将所述第二隐写特征图进行卷积和使用ReLU函数进行激活,得到第三隐写特征图;
将所述第三隐写特征图进行卷积和使用ReLU函数进行激活,得到第四隐写特征图;
将所述第四隐写特征图进行卷积和使用ReLU函数进行激活,得到第五隐写特征图;
将所述第五隐写特征图进行卷积和使用Tanh函数进行激活,得到所述提取图像。
5.根据权利要求1所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,设置所述图像隐写网络模型的参数,包括:
设置所述图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器。
6.根据权利要求5所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,制作包含载体图像和秘密图像的数据集,具体包括:
随机从ImageNet数据集中选取多张图片;
将选取的所有图片的尺寸均调整为相同的尺寸,制作成包含载体图像和秘密图像的数据集。
7.根据权利要求6所述的基于卷积神经网络的彩色图像隐写方法,其特征在于,还包括:
将所述数据集分成训练集和测试集;
将所述测试集中的载体图像和秘密图像分别输入所述图像隐写网络模型中,得到所述测试集对应的隐写图像和提取图像;
计算出所述测试集对应的隐写图像和所述测试集中的载体图像之间的PSNR值和SSIM值,以及所述测试集对应的提取图像和所述测试集中的秘密图像之间的PSNR值和SSIM值,以对所述图像隐写网络模型的性能进行测试。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505043.7A CN112529758B (zh) | 2020-12-18 | 2020-12-18 | 一种基于卷积神经网络的彩色图像隐写方法 |
PCT/CN2021/125640 WO2022127374A1 (zh) | 2020-12-18 | 2021-10-22 | 一种基于卷积神经网络的彩色图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011505043.7A CN112529758B (zh) | 2020-12-18 | 2020-12-18 | 一种基于卷积神经网络的彩色图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112529758A true CN112529758A (zh) | 2021-03-19 |
CN112529758B CN112529758B (zh) | 2022-08-09 |
Family
ID=75001515
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011505043.7A Active CN112529758B (zh) | 2020-12-18 | 2020-12-18 | 一种基于卷积神经网络的彩色图像隐写方法 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN112529758B (zh) |
WO (1) | WO2022127374A1 (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112734622A (zh) * | 2021-03-30 | 2021-04-30 | 深圳大学 | 一种基于Tucker分解的图像隐写分析方法及终端 |
CN112926607A (zh) * | 2021-04-28 | 2021-06-08 | 河南大学 | 基于卷积神经网络的双支网络图像隐写框架及方法 |
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 |
CN113095991A (zh) * | 2021-04-15 | 2021-07-09 | 电子科技大学 | 一种基于深度学习的高动态范围图像隐写和恢复方法 |
CN113298689A (zh) * | 2021-06-22 | 2021-08-24 | 河南师范大学 | 一种大容量图像隐写方法 |
CN113393359A (zh) * | 2021-05-18 | 2021-09-14 | 杭州电子科技大学 | 基于卷积神经网络的信息隐藏方法及装置 |
CN113592693A (zh) * | 2021-07-12 | 2021-11-02 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
WO2022127374A1 (zh) * | 2020-12-18 | 2022-06-23 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110311042A1 (en) * | 2008-10-23 | 2011-12-22 | University Of Ulster | Encryption method |
CN108961137A (zh) * | 2018-07-12 | 2018-12-07 | 中山大学 | 一种基于卷积神经网络的图像隐写分析方法及系统 |
WO2019034589A1 (en) * | 2017-08-15 | 2019-02-21 | Norwegian University Of Science And Technology | BIOMETRIC CRYPTOGRAPHIC SYSTEM |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
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 |
CN111292221A (zh) * | 2020-02-25 | 2020-06-16 | 南京信息工程大学 | 一种安全鲁棒的大容量图像隐写方法 |
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 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109587372B (zh) * | 2018-12-11 | 2020-06-16 | 北京邮电大学 | 一种基于生成对抗网络的不可见图像隐写术 |
CN112529758B (zh) * | 2020-12-18 | 2022-08-09 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
-
2020
- 2020-12-18 CN CN202011505043.7A patent/CN112529758B/zh active Active
-
2021
- 2021-10-22 WO PCT/CN2021/125640 patent/WO2022127374A1/zh active Application Filing
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20110311042A1 (en) * | 2008-10-23 | 2011-12-22 | University Of Ulster | Encryption method |
WO2019034589A1 (en) * | 2017-08-15 | 2019-02-21 | Norwegian University Of Science And Technology | BIOMETRIC CRYPTOGRAPHIC SYSTEM |
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 |
CN108961137A (zh) * | 2018-07-12 | 2018-12-07 | 中山大学 | 一种基于卷积神经网络的图像隐写分析方法及系统 |
CN109934761A (zh) * | 2019-01-31 | 2019-06-25 | 中山大学 | 基于卷积神经网络的jpeg图像隐写分析方法 |
CN111292221A (zh) * | 2020-02-25 | 2020-06-16 | 南京信息工程大学 | 一种安全鲁棒的大容量图像隐写方法 |
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 |
---|
刘晶晶等: "基于卷积神经网络的图像隐写术分析方法", 《计算机与数字工程》 * |
王向阳等: "一种基于多尺度特征的彩色图像数字水印算法", 《中国科学(F辑:信息科学)》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2022127374A1 (zh) * | 2020-12-18 | 2022-06-23 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
CN112734622B (zh) * | 2021-03-30 | 2021-07-20 | 深圳大学 | 一种基于Tucker分解的图像隐写分析方法及终端 |
CN112734622A (zh) * | 2021-03-30 | 2021-04-30 | 深圳大学 | 一种基于Tucker分解的图像隐写分析方法及终端 |
CN113095991A (zh) * | 2021-04-15 | 2021-07-09 | 电子科技大学 | 一种基于深度学习的高动态范围图像隐写和恢复方法 |
CN112926607A (zh) * | 2021-04-28 | 2021-06-08 | 河南大学 | 基于卷积神经网络的双支网络图像隐写框架及方法 |
CN112926607B (zh) * | 2021-04-28 | 2023-02-17 | 河南大学 | 基于卷积神经网络的双支网络图像隐写框架及方法 |
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 |
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 |
CN113393359A (zh) * | 2021-05-18 | 2021-09-14 | 杭州电子科技大学 | 基于卷积神经网络的信息隐藏方法及装置 |
CN113393359B (zh) * | 2021-05-18 | 2023-12-08 | 杭州电子科技大学 | 基于卷积神经网络的信息隐藏方法及装置 |
CN113298689A (zh) * | 2021-06-22 | 2021-08-24 | 河南师范大学 | 一种大容量图像隐写方法 |
CN113592693A (zh) * | 2021-07-12 | 2021-11-02 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
WO2023283914A1 (zh) * | 2021-07-12 | 2023-01-19 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
CN113592693B (zh) * | 2021-07-12 | 2023-05-12 | 南京信息工程大学 | 基于Y-Net的数字水印方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112529758B (zh) | 2022-08-09 |
WO2022127374A1 (zh) | 2022-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112529758B (zh) | 一种基于卷积神经网络的彩色图像隐写方法 | |
CN108961137B (zh) | 一种基于卷积神经网络的图像隐写分析方法及系统 | |
Goljan et al. | New blind steganalysis and its implications | |
Rocha et al. | Vision of the unseen: Current trends and challenges in digital image and video forensics | |
Shen et al. | A DWT-SVD based adaptive color multi-watermarking scheme for copyright protection using AMEF and PSO-GWO | |
CN113077377B (zh) | 一种基于生成对抗网络的彩色图像隐写方法 | |
Li et al. | Anti-compression JPEG steganography over repetitive compression networks | |
CN113989096B (zh) | 基于深度学习和注意力网络的鲁棒图像水印方法及系统 | |
CN109447885B (zh) | 一种基于dct系数差值的鲁棒图像隐写方法 | |
CN112016112B (zh) | 一种采用傅里叶变换与微分变换复合进行图像加密的方法 | |
Thakkar et al. | Performance comparison of recent optimization algorithm Jaya with particle swarm optimization for digital image watermarking in complex wavelet domain | |
Mhala et al. | Contrast enhancement of progressive visual secret sharing (pvss) scheme for gray-scale and color images using super-resolution | |
CN115345768A (zh) | 基于神经网络的鲁棒水印攻击方法及系统 | |
Hamamoto et al. | Image watermarking technique using embedder and extractor neural networks | |
Yuan et al. | Fast and robust image watermarking method in the spatial domain | |
CN115170378A (zh) | 一种基于深度学习的视频数字水印嵌入与提取方法及系统 | |
Rabie et al. | Visual fidelity without sacrificing capacity: an adaptive laplacian pyramid approach to information hiding | |
Rahim et al. | Exploiting de-noising convolutional neural networks DnCNNs for an efficient watermarking scheme: a case for information retrieval | |
Ramanjaneyulu et al. | An oblivious and robust multiple image watermarking scheme using genetic algorithm | |
Ouyang et al. | A semi-fragile reversible watermarking method based on qdft and tamper ranking | |
Nilchi et al. | A new robust digital image watermarking technique based on the Discrete Cosine Transform and Neural Network | |
CN115526758A (zh) | 基于深度学习的Hadamard变换抗屏摄水印方法 | |
Amsaveni et al. | Use of firefly optimization algorithm for fractional fourier transform based reversible data hiding | |
Brar et al. | Double layer image security system using encryption and steganography | |
Halboos et al. | Improve steganography system using agents software based on statistical and classification technique |
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 |