CN112597509A - 一种融合小波和自编码器的信息隐藏方法及系统 - Google Patents

一种融合小波和自编码器的信息隐藏方法及系统 Download PDF

Info

Publication number
CN112597509A
CN112597509A CN202011395544.4A CN202011395544A CN112597509A CN 112597509 A CN112597509 A CN 112597509A CN 202011395544 A CN202011395544 A CN 202011395544A CN 112597509 A CN112597509 A CN 112597509A
Authority
CN
China
Prior art keywords
data
frequency domain
image
secret
frequency
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
CN202011395544.4A
Other languages
English (en)
Other versions
CN112597509B (zh
Inventor
苏海
张淑青
余松森
韩美茵
方健炜
杨珊
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.)
South China Normal University
Original Assignee
South China Normal 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 South China Normal University filed Critical South China Normal University
Priority to CN202011395544.4A priority Critical patent/CN112597509B/zh
Publication of CN112597509A publication Critical patent/CN112597509A/zh
Application granted granted Critical
Publication of CN112597509B publication Critical patent/CN112597509B/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
    • 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
    • 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
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

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)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computer Security & Cryptography (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Editing Of Facsimile Originals (AREA)
  • Image Processing (AREA)
  • Compression Or Coding Systems Of Tv Signals (AREA)
  • Compression Of Band Width Or Redundancy In Fax (AREA)

Abstract

本发明涉及一种融合小波和自编码器的信息隐藏方法及系统，包括：通过二维离散小波变换将一载体图像从空域转换至频域，以生成所述载体图像的频域数据；通过二维离散小波变换将一秘密信息图像进行从空域转换至频域，并通过一预处理网络提取其图像特征，以生成所述秘密信息图像的特征数据；通过隐藏网络对所述载体图像的频域数据以及所述秘密信息图像的特征数据进行合并，并将其嵌入到所述载体图像的频域数据中，以生成载密图像数据；通过提取网络从所述载密图像数据中提取出所述秘密信息图像的复原数据。本发明能够高效的生成具有较高不可见性的载密图像并从所述载密图像中重构出较强鲁棒性的秘密信息图像，实现了快速有效的图像信息隐藏。

Description

一种融合小波和自编码器的信息隐藏方法及系统
技术领域
本发明涉及数字图像处理领域，特别是涉及一种融合小波和自编码器的信息隐藏方法及系统。
背景技术
在一种涉密信息传输方式中，发送者把需要传递的秘密信息通过信息隐藏算法嵌入到载体图像中，从而生成载密图像，再通过公开信道将其发送出去；接收者收到所述载密图像后，通过信息提取算法提取秘密信息。信息隐藏算法根据嵌入领域可分为空域算法和频域算法。
近年来，随着深度学习的兴起，研究者们纷纷提出结合神经网络的信息隐藏算法。如Jiren Zhu等在《HiDDeN:Hiding Data With Deep Networks》(European Conference onComputer Vision2018:657-672)中提出一个神经网络模型将信息嵌入图像中，并引入了对抗思想使得信息隐藏的安全性更高，但其嵌入信息容量较小。Baluja等在《Hiding Imagesin Plain Sight:Deep Steganography》(Neural Information Processing Systems2017:2066-2076)中构造了一个深度自编码器将秘密信息嵌入等尺寸的载体图像中，但其不可见性以及鲁棒性仍存在局限。
发明内容
基于此，本发明的目的在于，提供一种融合小波和自编码器的信息隐藏方法及系统，其实现了快速有效的图像信息隐藏，且具有较高的不可见性以及较强的鲁棒性。
一种融合小波和自编码器的信息隐藏方法，包括：
接收表征载体图像的第一数据；
通过二维离散小波变换将所述第一数据从空域转换至频域，得到第一频域数据；其中，所述第一频域数据包括低频分量和高频分量；
接收表征秘密信息的第二数据；
通过二维离散小波变换将所述第二数据从空域转换至频域，得到第二频域数据；通过预处理网络对所述第二频域数据进行特征提取，得到第二特征数据；其中，所述第二频域数据包括低频分量和高频分量；
通过隐藏网络对所述第一频域数据以及所述第二特征数据进行合并，并将合并结果嵌入到所述第一频域数据中，得到载密图像数据。
本发明所述的融合小波和自编码器的信息隐藏方法，能够高效的生成具有较高不可见性的载密图像并从所述载密图像中重构出较强鲁棒性的秘密信息图像。
进一步地，所述载体图像的频域数据的生成方法具体包括：
所述第一频域数据的生成方法具体包括：
通过二维离散小波变换将所述第一数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述第一频域数据；
所述第二频域数据的生成方法具体包括：
通过二维离散小波变换将所述第二数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到所述第二频域数据。
进一步地，所述预处理网络包括第一卷积组、第二卷积组、第一合并层以及第二合并层；
所述第一卷积组、所述第二卷积组均包括3个具有不同大小卷积核的卷积层；
所述第一合并层、所述第二合并层分别用于对所述第一卷积组、所述第二卷积组的所述3个卷积层的输出进行合并。
进一步地，所述预处理网络的所述3个卷积层的卷积核大小分别为3×3、4×4、5×5；所述3个卷积层的激活单元均采用ReLu函数，且卷积层步长均设置为1。
进一步地，所述隐藏网络包括第三合并层、第三卷积组以及第四合并层；
所述第三卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所述3个卷积层的激活单元均采用ReLu函数，卷积层步长均设置为1；
所述第四合并层用于对所述第三卷积组的所述3个卷积层的输出进行合并。
进一步地，所述提取网络包括第四卷积组以及第五合并层；
所述第四卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所述3个卷积层的激活单元均采用ReLu函数，卷积层步长均设置为1；
所述第五合并层用于对所述第四卷积组的所述3个卷积层的输出进行合并。
进一步地，使用均方误差作为网络训练的损失函数，并通过Adam优化器来更新网络权重；所述损失函数定义如下：
Figure BDA0002814945130000021
其中，Fcover为所述载体图像的频域数据，Fstego为所述载密图像数据，Fsecret为所述秘密信息图像的频域数据，述Frecovered为所述秘密信息图像的复原数据。
基于上述的融合小波和自编码器的信息隐藏方法，本发明还提供一种融合小波和自编码器的信息隐藏系统，包括：
载体图像频域数据生成模块，用于接收表征载体图像的第一数据，并且通过二维离散小波变换将所述第一数据从空域转换至频域，得到第一频域数据；其中，所述第一频域数据包括低频分量和高频分量；
秘密信息特征数据生成模块，用于接收表征秘密信息的第二数据，并且通过二维离散小波变换将所述第二数据从空域转换至频域，得到第二频域数据；通过预处理网络对所述第二频域数据进行特征提取，得到第二特征数据；其中，所述第二频域数据包括低频分量和高频分量；以及
载密图像生成模块，用于通过隐藏网络对所述第一频域数据以及所述第二特征数据进行合并，并将合并结果嵌入到所述第一频域数据中，得到载密图像数据。
进一步地，所述载体图像频域数据生成模块包括：
载体空频转换单元，用于通过二维离散小波变换将所述第一数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；以及
载体合并单元，用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述第一频域数据。
进一步地，所述秘密信息特征数据生成模块包括：
秘密空频转换单元，用于通过二维离散小波变换将所述第二数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
秘密合并单元，用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到所述第二频域数据；以及
秘密特征提取单元，用于通过所述预处理网络对所述第二频域数据进行特征提取，得到第二特征数据。
为了更好地理解和实施，下面结合附图详细说明本发明。
附图说明
图1为本发明一实施例的融合小波和自编码器的信息隐藏方法的流程图；
图2为本发明一实施例中对一图像从空域转换至频域的流程图；
图3为本发明一实施例的融合小波和自编码器的信息隐藏方法的部分生成结果图；
图4为本发明一实施例的融合小波和自编码器的信息隐藏系统的结构框图。
具体实施方式
请参阅图1，本发明提供的融合小波和自编码器的信息隐藏方法包括以下步骤：
S1：接收表征载体图像(标记为Icover)的数据，通过二维离散小波变换(2D-DWT)将所述数据从空域转换至频域，以生成载体图像的频域数据(标记为Fcover)。
在一实施例中采用本步骤对BOSS数据集中一图像从空域转换至频域，其流程如图2所示，具体包括三个子步骤：
S11：接收表征载体图像Icover的数据。
S12：使用二维离散小波变换将S11中的所述数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD。
其中，cA代表原图的近似小波系数，cH代表水平方向分解的细节小波系数，cV代表垂直方向分解的细节小波系数，cD代表对角方向分解的细节小波系数。
S13：将S12中的所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述载体图像的频域数据Fcover。
S2：接收表征秘密信息图像(标记为Isecret)的数据，通过二维离散小波变换将所述数据进行从空域转换至频域，并通过预处理网络提取其图像特征，以生成秘密信息图像的特征数据(标记为Fsecret_2)。
具体地，包括四个子步骤：
S21：接收表征秘密信息图像Isecret的数据。
S22：使用二维离散小波变换将S21中的所述数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD。
其中，cA代表原图的近似小波系数，cH代表水平方向分解的细节小波系数，cV代表垂直方向分解的细节小波系数，cD代表对角方向分解的细节小波系数。
S23：将S22中的所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到秘密信息图像的频域数据(标记为Fsecret)。
S24：通过预处理网络对所述秘密信息图像的频域数据Fsecret进行特征提取，得到秘密信息图像的特征数据Fsecret_2。
具体的，请参阅表1，所述预处理网络包括第一输入层、第一卷积组、第一合并层、第二卷积组以及第二合并层。其中，所述第一输入层用于接收数据输入；所述第一卷积组、所述第二卷积组均包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所有卷积层的激活单元均采用ReLu函数，卷积层步长设置为1；所述第一合并层、所述第二合并层分别对所述第一卷积组、所述第二卷积组的所述3个卷积层的输出进行合并。
表1预处理网络模型结构
Figure BDA0002814945130000051
S3：通过隐藏网络对所述载体图像的频域数据Fcover以及所述秘密信息图像的特征数据Fsecret_2进行合并，并将合并结果嵌入到所述载体图像的频域数据中，以生成载密图像数据(标记为Fstego)。
具体的，请参阅表2，所述隐藏网络包括第二输入层、第三合并层、第三卷积组、第四合并层以及第一输出层。其中，所述第二输入层用于接收数据输入；所述第三卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所有卷积层的激活单元均采用ReLu函数，卷积层步长设置为1；所述第四合并层对所述第三卷积组的所述3个卷积层的输出进行合并；所述第一输出层用于对所述第四合并层的合并结果进行数据输出。
表2隐藏网络模型结构
Figure BDA0002814945130000052
S4：通过提取网络从所述载密图像数据Fstego中提取出所述秘密信息图像Isecret的复原数据(标记为Frecovered)。
具体的，请参阅表3，所述提取网络包括第三输入层、第四卷积组、第五合并层以及第二输出层。其中，所述第三输入层用于数据输入；所述第四卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所有卷积层的激活单元均采用ReLu函数，卷积层步长设置为1；所述第五合并层对所述第四卷积组的所述3个卷积层的输出进行合并；所述第二输出层用于对所述第五合并层的合并结果进行数据输出。
表3提取网络模型结构
Figure BDA0002814945130000061
本发明一实施例使用均方误差作为网络训练的损失函数，并通过Adam优化器来更新网络权重，设置学习率为0.001，批次大小为16，共进行了400个迭代的训练。其损失函数定义如下：
Figure BDA0002814945130000062
其中，编码器以减小载密图像Fstego与载体图像Fcover之间的均方误差为目标，使得载密图像与载体图像越像越好；而解码器以减小恢复的秘密信息图像Frecovered与原始秘密信息图像(标记为Fsecret)之间的均方误差为目标，使得秘密信息复原图像与原始秘密信息图像越像越好。其中，所述载密图像数据(标记为Istego)由所述载密图像数据Fstego经过二维离散小波逆变换计算得到；所述秘密信息复原图像(标记为Irecovered)为秘密信息图像的复原数据Frecovered经过二维离散小波逆变换计算得到。
为评价本实施例的融合小波和自编码器的信息隐藏方法的技术效果，采用结构相似性(Structural Similarity，SSIM)、峰值信噪比(Peak Signal-to-Noise Ratio，PSNR)作为图像不可见性和鲁棒性评价指标，对所述载密图像Istego及所述秘密信息复原图像Irecovered的质量进行评价；采用迭代训练时长来评价训练速度。其中，载密图像Istego的SSIM(标记为SSIM_stego)和PSNR(标记为PSNR_stego)值更高代表其不可见性更强，即无法用肉眼从载密图像Istego中发现秘密信息图像Irecovered；秘密信息复原图像Irecovered的SSIM(标记为SSIM_recovered)和PSNR(标记为PSNR_recovered)值更高代表其鲁棒性更强，即秘密信息图像Irecovered可从载密图像Istego中完美提取。
请参阅图3，其为本发明一实施例中所采用的载体图像Icover、秘密信息图像Isecret及其经过本发明的融合小波和自编码器的信息隐藏方法所生产的载密图像Istego、秘密信息复原图像Irecovered的部分图片。从图中初步可见，无法通过肉眼从载密图像Istego中发现秘密信息图像Irecovered。
进一步地，请参阅表4，以SSIM_stego、PSNR_stego、SSIM_recovered、PSNR_recovered以及每个迭代训练时间作为指标，将本实施例的融合小波和自编码器的信息隐藏方法与论文《Hiding Images in Plain Sight：Deep Steganography》中深度学习方法Google模型作对比。其中，Google的数据集为原始空域数据集，未经二维离散小波变换处理；Google-DWT与本实施例的融合小波和自编码器的信息隐藏方法均对数据集进行了二维离散小波变换处理。从表4可以明显看到，使用2D-DWT处理后的数据集，不仅在图像生成质量上有一定的提升，训练速度更是快了将近13倍。可见，本发明的融合小波和自编码器的信息隐藏方法能够高效的生成具有较高不可见性的载密图像并从所述载密图像中重构出较强鲁棒性的秘密信息图像，实现了快速有效的图像信息隐藏。
表4生成图像质量与训练时间对比
Google Google-DWT 本申请
SSIM_stego 0.6660832 0.93618536 0.95661104
PSNR_stego 29.226168 35.602287 37.700546
SSIM_recovered 0.74341846 0.9225679 0.9222621
PSNR_recovered 30.16526 33.693092 33.67563
每个迭代训练时间 43m51s 11m45s 3m8s
基于上述的融合小波和自编码器的信息隐藏方法，本发明还提供一种融合小波和自编码器的信息隐藏系统。请参阅图4，所述融合小波和自编码器的信息隐藏系统包括载体图像频域数据生成模块10、秘密信息特征数据生成模块20、载密图像生成模块30以及秘密信息提取模块40。
所述载体图像频域数据生成模块10用于通过二维离散小波变换(2D-DWT)将载体图像(标记为Icover)从空域转换至频域，以生成载体图像的频域数据(标记为Fcover)。
具体地，所述载体图像频域数据生成模块10包括载体空频转换单元以及载体合并单元。其中，所述载体空频转换单元用于通过二维离散小波变换将载体图像Icover从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；所述载体合并单元用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述载体图像的频域数据Fcover。
所述秘密信息特征数据生成模块20用于通过二维离散小波变换将秘密信息图像(标记为Isecret)进行从空域转换至频域，并通过预处理网络提取其图像特征，以生成秘密信息图像的特征数据(标记为Fsecret_2)。
所述预处理网络等同于上述的融合小波和自编码器的信息隐藏方法所述的预处理网络，其模型结构如表1所示，在此不作赘述。
具体地，所述秘密信息特征数据生成模块20包括秘密空频转换单元、秘密合并单元以及秘密特征提取单元。其中，所述秘密空频转换单元用于通过二维离散小波变换将秘密信息图像Isecret从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；所述秘密合并单元用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到秘密信息图像的频域数据(标记为Fsecret)；所述秘密特征提取单元用于通过所述预处理网络对所述秘密信息图像的频域数据Fsecret进行特征提取，得到秘密信息图像的特征数据Fsecret_2。
所述载密图像生成模块30用于通过隐藏网络对所述载体图像的频域数据Fcover以及所述秘密信息图像的特征数据Fsecret_2进行合并，并将合并结果嵌入到所述载体图像的频域数据中，以生成载密图像数据(标记为Fstego)。
具体地，所述隐藏网络等同于上述的融合小波和自编码器的信息隐藏方法所述的隐藏网络，其模型结构如表2所示，在此不作赘述。
所述秘密信息提取模块40用于通过提取网络从所述载密图像数据Fstego中提取出所述秘密信息图像Isecret的复原数据(标记为Frecovered)。
具体地，所述提取网络等同于上述的融合小波和自编码器的信息隐藏方法所述的提取网络，其模型结构如表3所述，在此不作赘述。
对于系统实施例而言，由于其基本对应于方法实施例，所以相关之处参见方法实施例的部分说明即可。以上所描述的系统实施例仅仅是示意性的，其中所述作为分离部件说明的组件可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本公开方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。上述设备中各个组件的功能和作用的实现过程具体详见上述融合小波和自编码器的信息隐藏方法中对应步骤的实现过程，在此不再赘述。
本发明的融合小波和自编码器的信息隐藏系统能够高效的生成具有较高不可见性的载密图像并从所述载密图像中重构出较强鲁棒性的秘密信息图像，实现了快速有效的图像信息隐藏。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

Claims (10)

1.一种融合小波和自编码器的信息隐藏方法，其特征在于，包括：
接收表征载体图像的第一数据；
通过二维离散小波变换将所述第一数据从空域转换至频域，得到第一频域数据；其中，所述第一频域数据包括低频分量和高频分量；
接收表征秘密信息的第二数据；
通过二维离散小波变换将所述第二数据从空域转换至频域，得到第二频域数据；通过预处理网络对所述第二频域数据进行特征提取，得到第二特征数据；其中，所述第二频域数据包括低频分量和高频分量；
通过隐藏网络对所述第一频域数据以及所述第二特征数据进行合并，并将合并结果嵌入到所述第一频域数据中，得到载密图像数据。
2.根据权利要求1所述的融合小波和自编码器的信息隐藏方法，其特征在于：所述第一频域数据的生成方法具体包括：
通过二维离散小波变换将所述第一数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述第一频域数据；
所述第二频域数据的生成方法具体包括：
通过二维离散小波变换将所述第二数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到所述第二频域数据。
3.根据权利要求2所述的融合小波和自编码器的信息隐藏方法，其特征在于：
所述预处理网络包括第一卷积组、第二卷积组、第一合并层以及第二合并层；
所述第一卷积组、所述第二卷积组均包括3个具有不同大小卷积核的卷积层；
所述第一合并层、所述第二合并层分别用于对所述第一卷积组、所述第二卷积组的所述3个卷积层的输出进行合并。
4.根据权利要求3所述的融合小波和自编码器的信息隐藏方法，其特征在于：
所述预处理网络的所述3个卷积层的卷积核大小分别为3×3、4×4、5×5；所述3个卷积层的激活单元均采用ReLu函数，且卷积层步长均设置为1。
5.根据权利要求4所述的融合小波和自编码器的信息隐藏方法，其特征在于：
所述隐藏网络包括第三合并层、第三卷积组以及第四合并层；
所述第三卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所述3个卷积层的激活单元均采用ReLu函数，卷积层步长均设置为1；
所述第四合并层用于对所述第三卷积组的所述3个卷积层的输出进行合并。
6.根据权利要求5所述的融合小波和自编码器的信息隐藏方法，其特征在于：
所述提取网络包括第四卷积组以及第五合并层；
所述第四卷积组包括3个具有不同大小卷积核的卷积层，所述3个卷积层的卷积核大小分别为3×3、4×4、5×5，所述3个卷积层的激活单元均采用ReLu函数，卷积层步长均设置为1；
所述第五合并层用于对所述第四卷积组的所述3个卷积层的输出进行合并。
7.根据权利要求1至6任一权利要求所述的融合小波和自编码器的信息隐藏方法，其特征在于：使用均方误差作为网络训练的损失函数，并通过Adam优化器来更新网络权重；所述损失函数定义如下：
Figure FDA0002814945120000021
其中，Fcover为所述载体图像的频域数据，Fstego为所述载密图像数据，Fsecret为所述秘密信息图像的频域数据，述Frecovered为所述秘密信息图像的复原数据。
8.一种融合小波和自编码器的信息隐藏系统，其特征在于，包括：
载体图像频域数据生成模块，用于接收表征载体图像的第一数据，并且通过二维离散小波变换将所述第一数据从空域转换至频域，得到第一频域数据；其中，所述第一频域数据包括低频分量和高频分量；
秘密信息特征数据生成模块，用于接收表征秘密信息的第二数据，并且通过二维离散小波变换将所述第二数据从空域转换至频域，得到第二频域数据；通过预处理网络对所述第二频域数据进行特征提取，得到第二特征数据；其中，所述第二频域数据包括低频分量和高频分量；以及
载密图像生成模块，用于通过隐藏网络对所述第一频域数据以及所述第二特征数据进行合并，并将合并结果嵌入到所述第一频域数据中，得到载密图像数据。
9.根据权利要求8所述的融合小波和自编码器的信息隐藏系统，其特征在于：
所述载体图像频域数据生成模块包括：
载体空频转换单元，用于通过二维离散小波变换将所述第一数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；以及
载体合并单元，用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一组四通道数据，得到所述第一频域数据。
10.根据权利要求9所述的融合小波和自编码器的信息隐藏系统，其特征在于：
所述秘密信息特征数据生成模块包括：
秘密空频转换单元，用于通过二维离散小波变换将所述第二数据从空域转换至频域，得到一个低频分量cA和三个高频分量cH、cV、cD；
秘密合并单元，用于将所述低频分量cA以及所述三个高频分量cH、cV、cD合并为一个四通道数据，得到所述第二频域数据；以及
秘密特征提取单元，用于通过所述预处理网络对所述第二频域数据进行特征提取，得到第二特征数据。
CN202011395544.4A 2020-12-03 2020-12-03 一种融合小波和自编码器的信息隐藏方法及系统 Active CN112597509B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011395544.4A CN112597509B (zh) 2020-12-03 2020-12-03 一种融合小波和自编码器的信息隐藏方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011395544.4A CN112597509B (zh) 2020-12-03 2020-12-03 一种融合小波和自编码器的信息隐藏方法及系统

Publications (2)

Publication Number Publication Date
CN112597509A true CN112597509A (zh) 2021-04-02
CN112597509B CN112597509B (zh) 2023-08-01

Family

ID=75187790

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011395544.4A Active CN112597509B (zh) 2020-12-03 2020-12-03 一种融合小波和自编码器的信息隐藏方法及系统

Country Status (1)

Country Link
CN (1) CN112597509B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816077A (zh) * 2019-01-16 2019-05-28 王诗会 一种二维码信息的隐藏方法、装置、电子设备及存储介质
CN113542767A (zh) * 2021-07-14 2021-10-22 广东工业大学 一种信息隐藏图像处理模型构建方法、装置、终端及介质
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

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984428A (zh) * 2012-11-12 2013-03-20 天津理工大学 基于小波变换的湿纸密写方法
CN103279914A (zh) * 2013-05-27 2013-09-04 深圳大学 一种基于蛙跳优化的图像压缩感知隐写方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102984428A (zh) * 2012-11-12 2013-03-20 天津理工大学 基于小波变换的湿纸密写方法
CN103279914A (zh) * 2013-05-27 2013-09-04 深圳大学 一种基于蛙跳优化的图像压缩感知隐写方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
ATIQUE UR REHMAN等: "END-TO-END TRAINED CNN ENCODER-DECODER NETWORKS FOR IMAGE STEGANOGRAPHY", pages 1 - 5, Retrieved from the Internet <URL:arXiv> *
钟亮,王小铭: "一种基于对象关系的数字图像隐藏方法", 计算机工程与应用, no. 32, pages 94 - 96 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109816077A (zh) * 2019-01-16 2019-05-28 王诗会 一种二维码信息的隐藏方法、装置、电子设备及存储介质
CN113542767A (zh) * 2021-07-14 2021-10-22 广东工业大学 一种信息隐藏图像处理模型构建方法、装置、终端及介质
CN113542767B (zh) * 2021-07-14 2022-06-10 广东工业大学 一种信息隐藏图像处理模型构建方法、装置、终端及介质
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

Also Published As

Publication number Publication date
CN112597509B (zh) 2023-08-01

Similar Documents

Publication Publication Date Title
CN112597509B (zh) 一种融合小波和自编码器的信息隐藏方法及系统
Ali et al. Differential evolution algorithm for the selection of optimal scaling factors in image watermarking
Gulve et al. An image steganography method hiding secret data into coefficients of integer wavelet transform using pixel value differencing approach
CN111640444A (zh) 基于cnn的自适应音频隐写方法和秘密信息提取方法
Ishtiaq et al. Adaptive watermark strength selection using particle swarm optimization
Malonia et al. Digital image watermarking using discrete wavelet transform and arithmetic progression technique
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
CN111028850B (zh) 一种音频水印的嵌入方法和提取方法
Lu et al. Wavelet-based CNN for robust and high-capacity image watermarking
Jagadeesh et al. Robust digital image watermarking scheme in discrete wavelet transform domain using support vector machines
Hamamoto et al. Image watermarking technique using embedder and extractor neural networks
CN114926336A (zh) 视频超分辨率重建方法、装置、计算机设备及存储介质
Heidari et al. A hybrid DCT-SVD based image watermarking algorithm
CN113628090A (zh) 抗干扰消息隐写与提取方法、系统、计算机设备、终端
CN116342362B (zh) 深度学习增强数字水印不可感知性方法
Rosiyadi et al. A comparison between the hybrid using genetic algorithm and the pure hybrid watermarking scheme
Prajwalasimha et al. Digital Image Watermarking based on Successive Division
Singh et al. Image Steganography Technique based on Singular Value Decomposition and Discrete Wavelet Transform
Ejaz et al. Adaptive image data hiding using transformation and error replacement
Klington et al. Cost-Effective watermarking scheme for authentication of digital fundus images in healthcare data management
Meenakshi et al. A hybridized robust watermarking scheme based on fast Walsh-Hadamard transform and singular value decomposition using genetic algorithm
Varghese et al. An efficient DCT-SVD based algorithm for digital image watermarking
CN111681152B (zh) 一种针对印刷图片的抗打印扫描数字水印方法
Hamsathvani Image hiding in video sequence based on MSE
KR101428028B1 (ko) 데이터 은닉 장치 및 방법, 데이터 복원 장치 및 방법

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