CN113076549B - 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 - Google Patents
一种基于新型U-Net结构生成器的对抗网络图像隐写方法 Download PDFInfo
- Publication number
- CN113076549B CN113076549B CN202110378889.7A CN202110378889A CN113076549B CN 113076549 B CN113076549 B CN 113076549B CN 202110378889 A CN202110378889 A CN 202110378889A CN 113076549 B CN113076549 B CN 113076549B
- Authority
- CN
- China
- Prior art keywords
- image
- embedding
- steganography
- constructing
- network
- 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
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
- G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
- G06N3/061—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using biological neurons, e.g. biological neurons connected to an integrated circuit
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Molecular Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Neurology (AREA)
- Bioethics (AREA)
- Microelectronics & Electronic Packaging (AREA)
- Computer Hardware Design (AREA)
- Computer Security & Cryptography (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于新型U‑Net结构生成器的对抗网络图像隐写方法,包括:利用卷积策略和反卷积策略构建大小对称的U型网络,利用shortcut连接策略将U型网络逐层连接作为生成器;构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器;输入载体图像,构建损失函数对生成器和判别器进行对抗训练,基于秘密信息嵌入模拟器进行秘密信息的嵌入,生成嵌入概率图像;根据率失真原理构建基于最小失真的隐写框架,基于嵌入概率图像对载体图像进行信息的嵌入和提取,完成对抗网络图像隐写。本发明降低了隐写算法嵌入的难度,提高了算法的实用性;具有更高的隐写安全性;避免了针对性的隐写分析;具有较强的可拓展性以及继续提高隐写安全性的可能性。
Description
技术领域
本发明涉及数字图像、隐写的技术领域,尤其涉及一种基于新型U-Net结构生成器的对抗网络图像隐写方法。
背景技术
近年来,随着大数据、人工智能等技术的发展,传统的图像隐写技术已经逐渐不能满足人们对于信息安全的强烈需求。随着卷积神经网络在隐写分析领域应用的不断成熟,如何将深度学习技术应用于隐写领域从而实现载体安全传输成了一个重要的研究课题。
生成对抗网络最早应用于图像的生成及修改,由于GAN技术生成的图像与自然图像仍存在较大差异,所以从根本上决定了基于GAN技术的图像生成隐写术难以广泛应用,因此研究者进一步深入探究如何将GAN技术和传统隐写领域知识深度融合,由于生成对抗网络本质上是生成模型和判别模型的博弈,因此通过两个网络的博弈学习生成嵌入代价可以避免使用手工设计失真函数的局限,利用学习到的嵌入代价进行图像修改嵌入秘密信息是一个折中的好方案。生成对抗网络主要包括生成器和判别器,其中生成器为隐写模型,判别器充当隐写分析模型,因此,两种模型相互博弈最终使用生成器生成隐写图像;因此如何设计一个好的生成器结构和判别器结构需要进一步探讨。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:隐写安全性低、算法实用性低且抗隐写分析能力差。
为解决上述技术问题,本发明提供如下技术方案:利用卷积策略和反卷积策略构建大小对称的U型网络,利用shortcut连接策略将所述U型网络逐层连接作为生成器;构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器;输入载体图像,构建损失函数对所述生成器和所述判别器进行对抗训练,基于所述秘密信息嵌入模拟器进行秘密信息的嵌入,生成嵌入概率图像;根据隐蔽通信中的率失真原理构建基于最小失真的隐写框架,基于所述嵌入概率图像对所述载体图像进行信息的嵌入和提取,完成对抗网络图像隐写。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:所述构建大小对称的U型网络过程包括,使用3×3或1×1大小的卷积核以2的步长对载体图像进行卷积操作;每一次卷积操作后紧跟Batch Normalization层以及LeakyRelu激活函数;卷积核的数量以2倍的速度递增,直到原始载体图像大小变为1×1或者2×2;对所述载体图像进行同样的反卷积操作直到图像大小恢复到所述原始载体图像相同的大小。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:所述利用shortcut连接策略将所述U型网络逐层连接作为生成器过程包括,对每个反卷积层后使用dropout函数;对卷积操作和反卷积操作对应大小的载体图像使用shortcut结构进行连接;在所述shortcut结构后面使用Relu激活函数进行激活。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:所述构建隐写分析网络作为判别器过程包括,对隐写图像在底层采用高通滤波器进行过滤;用5×5或3×3大小的滤波器对所述隐写图像进行卷积操作;在所述卷积操作后使用Batch Normalization层以及tanh激活函数;在最后的线性分类模型种使用全连接层和Softmax进行2-D输出。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:所述构建秘密信息嵌入模拟器进行秘密信息的嵌入过程包括,利用最优嵌入仿真器得到修正图,定义所述修正图为一个阶梯函数:
其中,pi,j表示嵌入变化概率,ri,j表示一个由0、1组成的秘密信息,mi,j表示由±1和0组成的修改图。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:训练所述判别器的损失函数包括,
其中,z1和z2表示判别器的输出结果,z1’和z2’分别表示载体图像和隐写图像的真实标记结果。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:训练所述生成器的损失函数包括,
lG=-lD+(c-h*w*q)2
其中,h和w表示图像的高度和宽度,q表示嵌入率,c表示保证有效载荷的嵌入概率的容量。
作为本发明所述的基于新型U-Net结构生成器的对抗网络图像隐写方法的一种优选方案,其中:所述保证有效载荷的嵌入概率的容量c包括,
其中,pij表示对应于像素xij的输出嵌入概率,pij +1和pij -1分别表示+1和-1的修改概率,pij 0表示不修改所述像素。
本发明的有益效果:本发明设计的新型U-Net结构生成器可以有效的配合隐写分析判别器对失真代价进行有效的迭代,并且该生成器构建的交叉反馈机制可以充分利用多层卷积进行参数的调整,具有更高的隐写安全性;本发明实现了端到端的图像隐写全过程,将损失函数和嵌入模块进行统一,不仅降低了隐写算法嵌入的难度,并且提高了算法的实用性;本发明可以实现自适应秘密信息的嵌入,不需要预先定义失真函数,从而避免了针对性的隐写分析;本发明具有较强的可拓展性,神经网络随着神经元的个数以及神经网络的层数具有很大的变化性,具有继续提高隐写安全性的可能性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的新型U-Net结构生成器示意图;
图3为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的不含交叉反馈机制网络的U-Net结构生成器示意图;
图4为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的判别器结构示意图;
图5为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的载体图像示意图;
图6为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的不使用交叉反馈机制网络隐写图像示意图;
图7为本发明一个实施例提供的一种基于新型U-Net结构生成器的对抗网络图像隐写方法的使用交叉反馈机制网络隐写图像示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~4,为本发明的一个实施例,提供了一种基于新型U-Net结构生成器的对抗网络图像隐写方法,包括:
S1:利用卷积策略和反卷积策略构建大小对称的U型网络,利用shortcut(直连)连接策略将U型网络逐层连接作为生成器;需要说明的是,
构建大小对称的U型网络过程包括,
使用3×3或1×1大小的卷积核以2的步长对载体图像进行卷积操作;
每一次卷积操作后紧跟Batch Normalization(批归一化)层以及Leaky Relu激活函数;
卷积核的数量以2倍的速度递增,直到原始载体图像大小变为1×1或者2×2;
对载体图像进行同样的反卷积操作直到图像大小恢复到原始载体图像相同的大小。
利用shortcut连接策略将U型网络逐层连接作为生成器过程包括,
对每个反卷积层后使用dropout(随机抛弃)函数,这一步主要为减轻过拟合。;
对卷积操作和反卷积操作对应大小的载体图像使用shortcut结构进行连接,这一步为了反向梯度传播可以修改到前几层神经网络,从而构建交叉反馈机制;
在shortcut结构后面使用Relu激活函数进行激活。
具体的,生成器G网络结构如表1所示。生成器由Group(Group=12)个操作组组成,前6个操作组组成收缩路径,每组由卷积核大小为3×3,步长为2的卷积层(Convolution)、一个批处理归一化层(Batch Normalization,BN)、一个Leaky ReLU激活函数层共同构成的下采样操作,最终在Group7得到大小为128×4×4的特征图。随着网络层数加深,特征图数量增加,网络参数数量也相应增加,通过反卷积层减少信道的数量,剩余6个操作组组成扩张路径,每组由一个核大小为5×5,步长为2的反卷积层(Deconvolution)、批处理归一化层(Batch Normalization,BN)、ReLU激活函数层构成上采样操作,随着步长为2的反卷积操作,逐渐得到与输入图像相同大小的特征图。
表1:生成器网络结构表。
本发明方法的核心点在于对收缩路径和扩张路径中同大小的网络进行shortcut操作,从而构建交叉反馈机制使得损失函数的相关参数可以顺利前馈传递,从而使得各神经元充分配合从而生成安全性更好的隐写图像。
进一步的,判别器D充当隐写分析功能,其主要目的在于配合成生器使得损失函数可以正常迭代,理论上来讲,判别器更加高效时,生成器会获得更好的隐写图像,因此设计一个好的判别器对于整体隐写方法至关重要。为提高判别器的有效性,使所训练的参数更好地表达嵌入失真,在预处理层使用高通滤波器对权值初始化,初始化后的过滤层可以更好的捕捉秘密信息更改的数据,并且有利于网络收敛。判别器具体流程如图3所示,判别器具体每一轮训练中,隐写生成器通过调整参数抵抗判别器的隐写分析,判别器通过调整参数来判断生成器的结果,当生成器和判别器中的参数保持稳定或达到给定的最大迭代次数,最后的参数用于计算每个像素的嵌入失真。
S2:构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器;需要说明的是,
构建隐写分析网络作为判别器过程包括,
充分利用领域知识,对隐写图像在底层采用高通滤波器进行过滤;
用5×5或3×3大小的滤波器对隐写图像进行卷积操作;
在卷积操作后使用Batch Normalization层以及tanh激活函数;
在最后的线性分类模型中使用全连接层和Softmax(逻辑回归激活函数)进行2-D输出。
构建秘密信息嵌入模拟器进行秘密信息的嵌入过程包括,
利用最优嵌入仿真器得到修正图,定义修正图为一个阶梯函数:
其中,pi,j表示嵌入变化概率,ri,j表示一个由0、1组成的秘密信息,mi,j表示由±1和0组成的修改图。
S3:输入载体图像,构建损失函数对生成器和判别器进行对抗训练,基于秘密信息嵌入模拟器进行秘密信息的嵌入,生成嵌入概率图像;需要说明的是,
在这个框架中,有两种不同的损失函数,一个用于训练判别器,另一个用于训练生成器。其中,训练判别器的损失函数包括,
其中,z1和z2表示判别器的输出结果,z1’和z2’分别表示载体图像和隐写图像的真实标记结果。
训练生成器的损失函数由两部分组成,生成器除了对抗性训练外,还要考虑嵌入容量对其的影响,具体包括:
lG=-lD+(c-h*w*q)2
其中,h和w表示图像的高度和宽度,q表示嵌入率,c表示保证有效载荷的嵌入概率的容量
进一步的,保证有效载荷的嵌入概率的容量c具体定义包括,
其中,pij表示对应于像素xij的输出嵌入概率,pij +1和pij -1分别表示+1和-1的修改概率,pij 0表示不修改像素。
S4:根据隐蔽通信中的率失真原理构建基于最小失真的隐写框架,基于嵌入概率图像对载体图像进行信息的嵌入和提取,完成对抗网络图像隐写。
本发明的核心点在于引入交叉反馈机制使得生成器G作为隐写工具用于学习载体图像中每个像素的嵌入概率,进一步利用Tanh嵌入模拟器构建嵌入修改图,最终生成隐写图像。具体的,训练时首先将载体图像按照BatchSize(批处理大小)数量分批次送入该模型,将该批载体图像X生成嵌入概率p,将嵌入概率p转化为嵌入代价ρ并由损失函数进行梯度下降优化迭代训练,训练完成后得到最优嵌入概率图P,然后利用Tanh嵌入模拟器结合嵌入概率图和秘密信息生成嵌入修改图M,使用载体图像及其相应的修改图M生成隐写图像Y(Y=X+M)。
本发明设计了一种新型U-Net结构生成器,该生成器可以有效的配合隐写分析判别器对失真代价进行有效的迭代,并且该生成器构建的交叉反馈机制可以充分利用多层卷积进行参数的调整,具有更高的隐写安全性;本发明算法实现了端到端的图像隐写全过程,将损失函数和嵌入模块进行统一,不仅降低了隐写算法嵌入的难度,并且提高了算法的实用性;本发明可以实现自适应秘密信息的嵌入,不需要预先定义失真函数,从而避免了针对性的隐写分析;具有较强的可拓展性,神经网络随着神经元的个数以及神经网络的层数具有很大的变化性,具有继续提高隐写安全性的可能性。
实施例2
参照图5~7为本发明另一个实施例,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
实验平台:DELL W-2102工作站;CPU:intel i7-9700k;GPU:RTX2080;RAM:16GB;操作系统:Windows10;深度学习框架:Tensorflow1.13.1-gpu、CUDA10.0、CUDNN11.0。
实验采用数据集Place365-Standard。Place365-Standard包括来自365类场景的180万张图像。为了训练的可靠性,从图像集中随机挑选240类场景,每个场景随机选取250张图像共50000张图像,从中随机选取40000张作为训练集,10000张作为验证集。由于图像集均为512×512大小的彩色图像,使用MATLAB中的“rgb2gray”函数和“imresize”函数将图像转换为灰度.pgm格式图像,大小调整为256×256。
在每一轮训练中,生成器通过调整参数来抵抗判别器的隐写分析,判别器也通过调整参数来判断生成器的结果。选用学习率为10-4的Adam优化器对模型进行160000次迭代训练,每次迭代输入24幅载体图像(BatchSize=24),生成相应的隐写图像,当生成器和判别器中的参数保持稳定或达到给定的最大迭代次数时,最后的参数用于计算每个像素的嵌入失真,得到图像的失真值后,使用STC嵌入算法对其进行嵌入和提取操作。为了测试该算法的隐写安全性,本实例使用srm隐写分析器对其进行实验效果评价。
采用不带交叉反馈机制的U-Net网络生成器的方法与本发明方法进行对比实验,对比实验其余参数均相同。在0.1到0.5不同嵌入率下,本实施例对比了使用交叉反馈机制的U-Net结构生成器和普通的U-Net结构生成器在SRM隐写分析特征检测下的安全性;实验结果由表2所示。
表2:SRM对不同隐写方案的检测错误率表。
本发明方法对比使用普通的U-Net结构生成器隐写算法在SRM的检测错误率分别提高了2.49%、2.74%、3.06%、3.57%、4.53%,性能提升显而易见,这说明本发明方法具有很强的抗隐写分析能力。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (7)
1.一种基于新型U-Net结构生成器的对抗网络图像隐写方法,其特性在于,包括:
利用卷积策略和反卷积策略构建大小对称的U型网络,利用shortcut连接策略将所述U型网络逐层连接作为生成器;利用shortcut连接策略将U型网络逐层连接作为生成器过程包括,
对每个反卷积层后使用dropout(随机抛弃)函数;
对卷积操作和反卷积操作对应大小的载体图像使用shortcut结构进行连接;
在shortcut结构后面使用Relu激活函数进行激活;构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器;构建隐写分析网络作为判别器及构建秘密信息嵌入模拟器;
输入载体图像,构建损失函数对所述生成器和所述判别器进行对抗训练,基于所述秘密信息嵌入模拟器进行秘密信息的嵌入,生成嵌入概率图像;
根据隐蔽通信中的率失真原理构建基于最小失真的隐写框架,基于所述嵌入概率图像对所述载体图像进行信息的嵌入和提取,完成对抗网络图像隐写。
2.如权利要求1所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:所述构建大小对称的U型网络过程包括,
使用3×3或1×1大小的卷积核以2的步长对载体图像进行卷积操作;
每一次卷积操作后紧跟Batch Normalization层以及Leaky Relu激活函数;
卷积核的数量以2倍的速度递增,直到原始载体图像大小变为1×1或者2×2;
对所述载体图像进行同样的反卷积操作直到图像大小恢复到所述原始载体图像相同的大小。
3.如权利要求2所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:所述构建隐写分析网络作为判别器过程包括,
对隐写图像在底层采用高通滤波器进行过滤;
用5×5或3×3大小的滤波器对所述隐写图像进行卷积操作;
在所述卷积操作后使用Batch Normalization层以及tanh激活函数;
在最后的线性分类模型种使用全连接层和Softmax进行2-D输出。
4.如权利要求3所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:所述构建秘密信息嵌入模拟器进行秘密信息的嵌入过程包括,
利用最优嵌入仿真器得到修正图,定义所述修正图为一个阶梯函数:
其中,pi,j表示嵌入变化概率,ri,j表示一个由0、1组成的秘密信息,mi,j表示由±1和0组成的修改图。
5.如权利要求4所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:训练所述判别器的损失函数包括,
其中,z1和z2表示判别器的输出结果,z1’和z2’分别表示载体图像和隐写图像的真实标记结果。
6.如权利要求5所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:训练所述生成器的损失函数包括,
lG=-lD+(c-h*w*q)2
其中,h和w表示图像的高度和宽度,q表示嵌入率,c表示保证有效载荷的嵌入概率的容量。
7.如权利要求6所述的基于新型U-Net结构生成器的对抗网络图像隐写方法,其特征在于:所述保证有效载荷的嵌入概率的容量c包括,
其中,pij表示对应于像素xij的输出嵌入概率,pij +1和pij -1分别表示+1和-1的修改概率,pij 0表示不修改所述像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378889.7A CN113076549B (zh) | 2021-04-08 | 2021-04-08 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110378889.7A CN113076549B (zh) | 2021-04-08 | 2021-04-08 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076549A CN113076549A (zh) | 2021-07-06 |
CN113076549B true CN113076549B (zh) | 2023-05-12 |
Family
ID=76615545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110378889.7A Active CN113076549B (zh) | 2021-04-08 | 2021-04-08 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076549B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113989092B (zh) * | 2021-10-21 | 2024-03-26 | 河北师范大学 | 基于分层对抗性学习的图像隐写方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
CN112487365A (zh) * | 2019-09-11 | 2021-03-12 | 阿里巴巴集团控股有限公司 | 信息隐写方法及信息检测方法及装置 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107689026B (zh) * | 2017-08-24 | 2020-05-15 | 中国科学技术大学 | 基于最优编码的可逆隐写方法 |
CN108961137B (zh) * | 2018-07-12 | 2023-05-23 | 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 |
CN112561766B (zh) * | 2019-09-10 | 2024-03-05 | 阿里巴巴集团控股有限公司 | 图像隐写及提取方法、装置及电子设备 |
CN111327785B (zh) * | 2020-01-15 | 2022-04-15 | 郑州埃文计算机科技有限公司 | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 |
CN111681154B (zh) * | 2020-06-09 | 2022-06-21 | 湖南大学 | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 |
CN111951149B (zh) * | 2020-08-14 | 2023-10-31 | 中国人民武装警察部队工程大学 | 一种基于神经网络的图像信息隐写方法 |
CN112115490B (zh) * | 2020-08-14 | 2023-09-26 | 石坚 | 一种基于gan的载体图像合成隐写方法 |
-
2021
- 2021-04-08 CN CN202110378889.7A patent/CN113076549B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110334805A (zh) * | 2019-05-05 | 2019-10-15 | 中山大学 | 一种基于生成对抗网络的jpeg域图像隐写方法和系统 |
CN112487365A (zh) * | 2019-09-11 | 2021-03-12 | 阿里巴巴集团控股有限公司 | 信息隐写方法及信息检测方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN113076549A (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110599409B (zh) | 基于多尺度卷积组与并行的卷积神经网络图像去噪方法 | |
CN108985317B (zh) | 一种基于可分离卷积和注意力机制的图像分类方法 | |
CN108665005B (zh) | 一种利用dcgan提高基于cnn图像识别性能的方法 | |
CN111598761B (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
CN111798369B (zh) | 一种基于循环条件生成对抗网络的人脸衰老图像合成方法 | |
CN109377452B (zh) | 基于vae和生成式对抗网络的人脸图像修复方法 | |
CN113076549B (zh) | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 | |
CN111612711B (zh) | 一种基于生成对抗网络改进的图片去模糊方法 | |
CN108346125A (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
CN108921764B (zh) | 一种基于生成对抗网络的图像隐写方法及系统 | |
CN106447626A (zh) | 一种基于深度学习的模糊核尺寸估计方法与系统 | |
CN108765512B (zh) | 一种基于多层级特征的对抗图像生成方法 | |
CN110378208B (zh) | 一种基于深度残差网络的行为识别方法 | |
CN111861906B (zh) | 一种路面裂缝图像虚拟增广模型建立及图像虚拟增广方法 | |
CN110706303B (zh) | 基于GANs的人脸图像生成方法 | |
CN111833277B (zh) | 一种具有非配对多尺度混合编解码结构的海上图像去雾方法 | |
CN111681188B (zh) | 基于结合图像像素先验和图像梯度先验的图像去模糊方法 | |
CN112215054A (zh) | 一种用于水声信号去噪的深度生成对抗方法 | |
CN111882476B (zh) | 基于深度强化学习的自动学习嵌入代价的图像隐写方法 | |
CN114581560A (zh) | 基于注意力机制的多尺度神经网络红外图像彩色化方法 | |
CN113706404A (zh) | 一种基于自注意力机制的俯角人脸图像校正方法及系统 | |
CN112634168A (zh) | 一种结合边缘信息的图像修复方法 | |
CN112784831A (zh) | 融合多层特征增强注意力机制的文字识别方法 | |
CN111667007A (zh) | 一种基于对抗生成网络的人脸铅笔画图像生成方法 | |
CN116977455A (zh) | 基于深度双向学习的人脸素描图像生成系统及方法 |
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 |