CN113077377A - 一种基于生成对抗网络的彩色图像隐写方法 - Google Patents

一种基于生成对抗网络的彩色图像隐写方法 Download PDF

Info

Publication number
CN113077377A
CN113077377A CN202110523597.8A CN202110523597A CN113077377A CN 113077377 A CN113077377 A CN 113077377A CN 202110523597 A CN202110523597 A CN 202110523597A CN 113077377 A CN113077377 A CN 113077377A
Authority
CN
China
Prior art keywords
image
network
convolution
feature map
inputting
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
CN202110523597.8A
Other languages
English (en)
Other versions
CN113077377B (zh
Inventor
李京兵
曾城
刘婧
黄梦醒
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.)
Hainan University
Original Assignee
Hainan 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 Hainan University filed Critical Hainan University
Priority to CN202110523597.8A priority Critical patent/CN113077377B/zh
Publication of CN113077377A publication Critical patent/CN113077377A/zh
Priority to PCT/CN2021/125637 priority patent/WO2022237078A1/zh
Application granted granted Critical
Publication of CN113077377B publication Critical patent/CN113077377B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • 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
    • G06N3/04—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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Molecular Biology (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Mathematical Physics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Bioethics (AREA)
  • Computer Hardware Design (AREA)
  • Computer Security & Cryptography (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Image Processing (AREA)
  • Image Analysis (AREA)

Abstract

本申请公开了一种基于生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析；通过训练集和验证集对模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练；利用测试集对模型进行性能测试。这样可以得到高质量的隐写图像和提取图像，同时隐写图像具有抗隐写分析能力。

Description

一种基于生成对抗网络的彩色图像隐写方法
技术领域
本发明涉及信号处理技术领域，特别是涉及一种基于生成对抗网络的彩色图像隐写方法。
背景技术
随着计算机技术的发展，信息的传递越来越方便，但是与此同时，信息的安全问题也面临着巨大的挑战。为了应对这些挑战，研究者提出了许多举措，比如数字水印，密码学和信息隐藏。信息隐藏一直是信息安全研究的重要领域，相比于其他领域，比如密码学是防止秘密消息被发现，而信息隐藏则需要隐藏信息传递的过程。相比于文字和音频，图像具有丰富的冗余信息，通常作为信息隐藏的载体，目前大多数信息隐藏研究都是以图像为载体，而秘密消息则可以是图像、文本或者音频等。图像隐写可以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。
卷积神经网络具有优越的特征提取和特征表示能力，在计算机视觉和自然语言处理等任务中得到了广泛的应用，并取得了显著的效果。因此许多学者试图利用深度学习强大的特征提取能力，将深度学习理论应用于图像隐写。图像隐写的评价指标主要包括不可感知性、安全性和隐写容量。不可感知性主要是隐写图像不能够被人眼所察觉出异样，安全性主要是指能够抵抗一定的抗隐写分析能力，隐写容量是在载体中能够嵌入足够的信息。但是，在传统的图像隐写方法中，嵌入的秘密信息越多，图像的不可感知性就会越差。
因此，如何平衡好图像的安全性与隐写容量，是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此，本发明的目的在于提供一种基于生成对抗网络的彩色图像隐写方法，可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。其具体方案如下：
一种基于生成对抗网络的彩色图像隐写方法，包括：
制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；
构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；
通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；
利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述对构建的所述图像隐写模型进行训练，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图；
将所述第一特征图输入到所述隐藏网络，得到所述隐写图像；
将所述隐写图像输入到所述提取网络，得到所述提取图像；
将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络的两个分支中，所述载体图像和所述秘密图像分别通过各分支的第一个卷积层，用ReLU激活函数激活，分别得到第一载体特征图和第一秘密特征图；
将所述第一载体特征图和所述第一秘密特征图分别通过各分支的第二个卷积层，用ReLU激活函数激活，分别得到第二载体特征图和第二秘密特征图；
将所述第二载体特征图和所述第二秘密特征图分别通过各分支的第三个卷积层，用ReLU激活函数激活，分别得到第三载体特征图和第三秘密特征图；
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。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述将所述第一特征图输入到所述隐藏网络，得到所述隐写图像，包括：
将所述第一特征图输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
将所述载体图像通过跳过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生成对抗网络的彩色图像隐写方法中，所述将所述隐写图像输入到所述提取网络，得到所述提取图像，包括：
将所述隐写图像输入到所述提取网络的第一个卷积层中进行卷积和使用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输入到所述提取网络的第二个卷积层中进行卷积和使用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输入到所述提取网络的第三个卷积层中进行卷积和使用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输入到所述提取网络的第四个卷积层中进行卷积和使用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输入到所述提取网络的第五个卷积层中进行卷积和使用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输入到所述提取网络的第六个卷积层中进行卷积和使用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生成对抗网络的彩色图像隐写方法中，所述将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果，包括：
将所述输入图像输入到所述隐写分析网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一输入特征图；
将所述第一输入特征图输入到所述隐写分析网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二输入特征图；
将所述第二输入特征图输入到所述隐写分析网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第三输入特征图；
将所述第三输入特征图输入到所述隐写分析网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第四输入特征图；
将所述第四输入特征图输入到所述隐写分析网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第五输入特征图；
将所述第五输入特征图输入到所述隐写分析网络的第六个卷积层中进行卷积和使用ReLU函数进行激活，得到第六输入特征图；
将所述第六输入特征图输入到金字塔池化层，得到第一向量；
将所述第一向量输入到全连接层，使用Sigmoid函数激活，得到第二向量作为对所述输入图像的分析结果。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述预处理网络的卷积核均为3x3，步长均为1；所述预处理网络的各分支的第一个卷积层中卷积核个数为128、第二个卷积层中卷积核个数为64，第三个卷积层中卷积核个数为32；
所述隐藏网络的卷积核均为3x3，步长均为1；所述隐藏网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3；
所述提取网络的卷积核均为3x3，步长均为1；所述提取网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3；
所述隐写分析网络的卷积核均为1x1，步长均为2；所述隐写分析网络的第一个卷积层中卷积核个数为24、第二个卷积层中卷积核个数为48、第三个卷积层中卷积核个数为96、第四个卷积层中卷积核个数为128、第五个卷积层中卷积核个数为128、第六个卷积层中卷积核个数为128。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述对构建的所述图像隐写模型进行参数调优，包括：
对构建的所述图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器进行调优。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，所述对参数调优后的所述图像隐写模型进行性能测试，包括：
将所述测试集中的载体图像和秘密图像分别输入到参数调优后的所述图像隐写网络模型中，输出所述测试集对应的隐写图像和提取图像；
对输出的所述测试集对应的隐写图像和提取图像进行质量测试；
对输出的所述测试集对应的隐写图像进行安全性测试；
对参数调优后的所述图像隐写模型进行泛化能力测试。
优选地，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，对输出的所述测试集对应的隐写图像和提取图像进行质量测试，包括：
计算出输出的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，以及计算输出的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；
根据计算出PSNR值和SSIM值的大小，得到质量测试结果。
从上述技术方案可以看出，本发明所提供的一种基于生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；载体图像数据集中的载体图像和秘密图像数据集中的秘密图像大小相同；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析；通过训练集和验证集对构建的图像隐写模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练；利用测试集对参数调优后的图像隐写模型进行性能测试。
通过本发明提供的上述彩色图像隐写方法最终得到的图像隐写模型能够将彩色图像嵌入到相同尺寸的彩色图像中，通过对抗训练可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。
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生成对抗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模型的结构示意图；
图3为本发明实施例提供的图像隐写模型的具体结构示意图；
图4为本发明实施例提供的抗隐写分析ROC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生成对抗网络的彩色图像隐写方法，如图1所示，包括以下步骤：
S101、制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；载体图像数据集中的载体图像和秘密图像数据集中的秘密图像大小相同。
具体地，可以随机从ImageNet数据集中选取24000张图像，将图像的尺寸调整为相同大小(如256x256)，分为载体图像数据集和秘密图像数据集；然后将这两个数据集分别划分为三个不相交的部分，其中训练集共有20000张图像、验证集共有2000张图像和测试集共有2000张图像。
S102、构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理以提高隐藏网络的隐藏效率；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析。
需要说明的是，预处理网络有两个输入分支，一个输出；隐藏网络的输入是预处理网络的输出，输出是隐写图像；提取网络从隐写图像中提取秘密图像；隐写分析网络可判断输入图像是自然图像还是隐写图像。
S103、通过训练集和验证集对构建的图像隐写模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练。
需要说明的是，对模型进行整体参数调优，要使模型损失函数尽可能小。隐藏网络使用密集残差模块，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。同时隐藏网络和隐写分析网络的对抗训练可以提高隐写图像的质量和安全性。
S104、利用测试集对参数调优后的图像隐写模型进行性能测试。
在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，最终得到的图像隐写模型能够将彩色图像嵌入到相同尺寸的彩色图像中，通过对抗训练可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，如图2所示，步骤S103对构建的图像隐写模型进行训练，可以包括以下步骤：
步骤一、将载体图像C(0)和秘密图像S(0)分别输入到预处理网络，得到第一特征图I(1)；
步骤二、将第一特征图I(1)输入到隐藏网络，得到隐写图像C'(0)；
步骤三、将隐写图像C'(0)输入到提取网络，得到提取图像S'(0)；
步骤四、将载体图像C(0)和隐写图像C'(0)作为输入图像R(0)输入到隐写分析网络，得到输入图像R(0)的分析结果。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，如图3所示，步骤一中将载体图像C(0)和秘密图像S(0)分别输入到预处理网络，得到第一特征图I(1)，具体可以包括以下步骤：
将载体图像C(0)和秘密图像S(0)分别输入到预处理网络的两个分支中，载体图像C(0)和秘密图像S(0)分别通过各分支的第一个卷积层，用ReLU激活函数激活，分别得到第一载体特征图C(1)和第一秘密特征图S(1)；
将第一载体特征图C(1)和第一秘密特征图S(1)分别通过各分支的第二个卷积层，用ReLU激活函数激活，分别得到第二载体特征图C(2)和第二秘密特征图S(2)；
将第二载体特征图C(2)和第二秘密特征图S(2)分别通过各分支的第三个卷积层，用ReLU激活函数激活，分别得到第三载体特征图C(3)和第三秘密特征图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)。
进一步地，在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，预处理网络的卷积核均为3x3，步长均为1；如图3所示，预处理网络的各分支的第一个卷积层中卷积核个数为128、第二个卷积层中卷积核个数为64，第三个卷积层中卷积核个数为32。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，如图3所示，步骤二中将第一特征图I(1)输入到隐藏网络，得到隐写图像C'(0)，具体可以包括以下步骤：
将第一特征图I(1)输入到隐藏网络的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，并输入到隐藏网络的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，并输入到隐藏网络的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，并输入到隐藏网络的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I(2)、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，并输入到隐藏网络的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I(2)、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，并输入到隐藏网络的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)通过跳过连接和第七特征图I(7)相加，得到隐写图像C'(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生成对抗网络的彩色图像隐写方法中，隐藏网络的卷积核均为3x3，步长均为1；如图3所示，隐藏网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，如图3所示，步骤三中将隐写图像C'(0)输入到提取网络，得到提取图像S'(0)，具体可以包括以下步骤：
将隐写图像C'(0)输入到提取网络的第一个卷积层中进行卷积和使用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)输入到提取网络的第二个卷积层中进行卷积和使用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)输入到提取网络的第三个卷积层中进行卷积和使用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)输入到提取网络的第四个卷积层中进行卷积和使用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)输入到提取网络的第五个卷积层中进行卷积和使用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)输入到提取网络的第六个卷积层中进行卷积和使用Tanh函数进行激活，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生成对抗网络的彩色图像隐写方法中，提取网络的卷积核均为3x3，步长均为1；如图3所示，提取网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，如图3所示，步骤四中将载体图像C(0)和隐写图像C'(0)作为输入图像R(0)输入到隐写分析网络，得到输入图像R(0)的分析结果，具体可以包括以下步骤：
将输入图像R(0)输入到隐写分析网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一输入特征图R(1)；
将第一输入特征图R(1)输入到隐写分析网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二输入特征图R(2)；
将第二输入特征图R(2)输入到隐写分析网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第三输入特征图R(3)；
将第三输入特征图R(3)输入到隐写分析网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第四输入特征图R(4)；
将第四输入特征图R(4)输入到隐写分析网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第五输入特征图R(5)；
将第五输入特征图R(5)输入到隐写分析网络的第六个卷积层中进行卷积和使用ReLU函数进行激活，得到第六输入特征图R(6)；
将第六输入特征图R(6)输入到金字塔池化层，得到第一向量R(7)；
将第一向量R(7)输入到全连接层，使用Sigmoid函数激活，得到第二向量R(8)作为对输入图像R(0)的分析结果，即对输入图像R(0)的评价分数。
进一步地，在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，隐写分析网络的卷积核均为1x1，步长均为2；如图3所示，隐写分析网络的第一个卷积层中卷积核个数为24、第二个卷积层中卷积核个数为48、第三个卷积层中卷积核个数为96、第四个卷积层中卷积核个数为128、第五个卷积层中卷积核个数为128、第六个卷积层中卷积核个数为128。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，在构建图像隐写模型的过程中，需要设置模型训练相关参数，即设置网络模型的学习率，设置网络模型中一批次处理图像的张数batch_size，设置迭代周期epoch，设置网络模型的优化器optimizer，以及设置网络的训练步骤，具体可以分两步训练：第一步训练隐写分析网络，第二步训练预处理网络、隐藏网络和提取网络。接下来，在对构建的图像隐写模型进行参数调优的过程中，可以包括：对构建的图像隐写网络模型的学习率、批次处理图像的张数batch_size、迭代周期epoch和优化器optimizer这些参数进行调优。
在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，步骤S104对参数调优后的图像隐写模型进行性能测试，具体可以包括：首先，将测试集中的载体图像和秘密图像分别输入到参数调优后的图像隐写网络模型中，输出测试集对应的隐写图像和提取图像；然后，对输出的测试集对应的隐写图像和提取图像进行质量测试；对输出的测试集对应的隐写图像进行安全性测试；对参数调优后的图像隐写模型进行泛化能力测试。这样所产生的隐写图像具有较高的质量和安全性，且模型具有较好的泛化能力。
进一步地，在具体实施时，在本发明实施例提供的上述基于生成对抗网络的彩色图像隐写方法中，上述步骤中对输出的测试集对应的隐写图像和提取图像进行质量测试，可以包括：计算出输出的测试集对应的隐写图像和测试集中的载体图像之间的PSNR(峰值信噪比)值和SSIM(结构相似性)值，以及计算输出的测试集对应的提取图像和测试集中的秘密图像之间的PSNR值和SSIM值；根据计算出PSNR值和SSIM值的大小，得到质量测试结果。
具体地，对ImageNet数据集的测试集进行测试，假设测试集共有2000张图像，其中可选取1000张图像作为载体图像，另外1000张图像为秘密图像。经测试后，质量测试结果为：载体图像与隐写图像的PSNR和SSIM分别为44.15和0.99，秘密图像和提取图像的PSNR和SSIM分别为40.03和0.98，说明参数调优后的图像隐写模型可以得到高质量的隐写图像和提取图像。
在执行上述步骤中对输出的测试集对应的隐写图像进行安全性测试的过程中，可以使用隐写分析工具StegExpose对图像就行隐写分析，结果如图4所示，图4中的一条直线表示随机预测，直线左上方的曲线表示对图像的隐写分析，可以发现曲线接近直线，说明StegExpose对隐写图像的隐写分析接近随机预测，说明隐写图像具有一定的抗隐写分析能力。
在执行上述步骤中对参数调优后的图像隐写模型进行泛化能力测试的过程中，可以从LFW，VOC2007和CoCo这三个数据集各选取2000张图像来验证图像隐写模型的泛化能力，如表一所示：
表一
Figure BDA0003064924650000121
由表一可知图像隐写模型具有较好的泛化能力。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其它实施例的不同之处，各个实施例之间相同或相似部分互相参见即可。
专业人员还可以进一步意识到，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生成对抗网络的彩色图像隐写方法，包括：制作载体图像数据集和秘密图像数据集，将载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；载体图像数据集中的载体图像和秘密图像数据集中的秘密图像大小相同；构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；预处理网络用于对载体图像和秘密图像进行预处理；隐藏网络用于将秘密图像隐藏到载体图像中，得到隐写图像；提取网络用于从隐写图像中得到提取图像；隐写分析网络用于对载体图像和隐写图像进行隐写分析；通过训练集和验证集对构建的图像隐写模型进行训练和参数调优；隐藏网络和隐写分析网络形成对抗训练；利用测试集对参数调优后的图像隐写模型进行性能测试。通过本发明提供的上述彩色图像隐写方法最终得到的图像隐写模型能够将彩色图像嵌入到相同尺寸的彩色图像中，通过对抗训练可以得到高质量的隐写图像和提取图像，同时隐写图像具有一定的抗隐写分析能力。
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生成对抗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 (10)

1.一种基于生成对抗网络的彩色图像隐写方法，其特征在于，包括：
制作载体图像数据集和秘密图像数据集，将所述载体图像数据集和秘密图像数据集分别分为训练集、验证集和测试集；所述载体图像数据集中的载体图像和所述秘密图像数据集中的秘密图像大小相同；
构建由预处理网络、隐藏网络、提取网络和隐写分析网络组成的图像隐写模型；所述预处理网络用于对所述载体图像和所述秘密图像进行预处理；所述隐藏网络用于将所述秘密图像隐藏到所述载体图像中，得到隐写图像；所述提取网络用于从所述隐写图像中得到提取图像；所述隐写分析网络用于对所述载体图像和所述隐写图像进行隐写分析；
通过所述训练集和所述验证集对构建的所述图像隐写模型进行训练和参数调优；所述隐藏网络和所述隐写分析网络形成对抗训练；
利用所述测试集对参数调优后的所述图像隐写模型进行性能测试。
2.根据权利要求1所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述对构建的所述图像隐写模型进行训练，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图；
将所述第一特征图输入到所述隐藏网络，得到所述隐写图像；
将所述隐写图像输入到所述提取网络，得到所述提取图像；
将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果。
3.根据权利要求2所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述载体图像和所述秘密图像分别输入到所述预处理网络，得到第一特征图，包括：
将所述载体图像和所述秘密图像分别输入到所述预处理网络的两个分支中，所述载体图像和所述秘密图像分别通过各分支的第一个卷积层，用ReLU激活函数激活，分别得到第一载体特征图和第一秘密特征图；
将所述第一载体特征图和所述第一秘密特征图分别通过各分支的第二个卷积层，用ReLU激活函数激活，分别得到第二载体特征图和第二秘密特征图；
将所述第二载体特征图和所述第二秘密特征图分别通过各分支的第三个卷积层，用ReLU激活函数激活，分别得到第三载体特征图和第三秘密特征图；
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。
4.根据权利要求3所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述第一特征图输入到所述隐藏网络，得到所述隐写图像，包括：
将所述第一特征图输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
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，并输入到所述隐藏网络的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；
将所述载体图像通过跳过连接和所述第七特征图相加，得到所述隐写图像。
5.根据权利要求4所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述隐写图像输入到所述提取网络，得到所述提取图像，包括：
将所述隐写图像输入到所述提取网络的第一个卷积层中进行卷积和使用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输入到所述提取网络的第二个卷积层中进行卷积和使用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输入到所述提取网络的第三个卷积层中进行卷积和使用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输入到所述提取网络的第四个卷积层中进行卷积和使用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输入到所述提取网络的第五个卷积层中进行卷积和使用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输入到所述提取网络的第六个卷积层中进行卷积和使用Tanh函数进行激活，得到所述提取图像。
6.根据权利要求5所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述将所述载体图像和所述隐写图像作为输入图像输入到所述隐写分析网络，得到所述输入图像的分析结果，包括：
将所述输入图像输入到所述隐写分析网络的第一个卷积层中进行卷积和使用ReLU函数进行激活，得到第一输入特征图；
将所述第一输入特征图输入到所述隐写分析网络的第二个卷积层中进行卷积和使用ReLU函数进行激活，得到第二输入特征图；
将所述第二输入特征图输入到所述隐写分析网络的第三个卷积层中进行卷积和使用ReLU函数进行激活，得到第三输入特征图；
将所述第三输入特征图输入到所述隐写分析网络的第四个卷积层中进行卷积和使用ReLU函数进行激活，得到第四输入特征图；
将所述第四输入特征图输入到所述隐写分析网络的第五个卷积层中进行卷积和使用ReLU函数进行激活，得到第五输入特征图；
将所述第五输入特征图输入到所述隐写分析网络的第六个卷积层中进行卷积和使用ReLU函数进行激活，得到第六输入特征图；
将所述第六输入特征图输入到金字塔池化层，得到第一向量；
将所述第一向量输入到全连接层，使用Sigmoid函数激活，得到第二向量作为对所述输入图像的分析结果。
7.根据权利要求6所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述预处理网络的卷积核均为3x3，步长均为1；所述预处理网络的各分支的第一个卷积层中卷积核个数为128、第二个卷积层中卷积核个数为64，第三个卷积层中卷积核个数为32；
所述隐藏网络的卷积核均为3x3，步长均为1；所述隐藏网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3；
所述提取网络的卷积核均为3x3，步长均为1；所述提取网络的第一个卷积层中卷积核个数为32、第二个卷积层中卷积核个数为64、第三个卷积层中卷积核个数为128、第四个卷积层中卷积核个数为64、第五个卷积层中卷积核个数为32、第六个卷积层中卷积核个数为3；
所述隐写分析网络的卷积核均为1x1，步长均为2；所述隐写分析网络的第一个卷积层中卷积核个数为24、第二个卷积层中卷积核个数为48、第三个卷积层中卷积核个数为96、第四个卷积层中卷积核个数为128、第五个卷积层中卷积核个数为128、第六个卷积层中卷积核个数为128。
8.根据权利要求1所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述对构建的所述图像隐写模型进行参数调优，包括：
对构建的所述图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器进行调优。
9.根据权利要求1所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，所述对参数调优后的所述图像隐写模型进行性能测试，包括：
将所述测试集中的载体图像和秘密图像分别输入到参数调优后的所述图像隐写网络模型中，输出所述测试集对应的隐写图像和提取图像；
对输出的所述测试集对应的隐写图像和提取图像进行质量测试；
对输出的所述测试集对应的隐写图像进行安全性测试；
对参数调优后的所述图像隐写模型进行泛化能力测试。
10.根据权利要求9所述的基于生成对抗网络的彩色图像隐写方法，其特征在于，对输出的所述测试集对应的隐写图像和提取图像进行质量测试，包括：
计算出输出的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，以及计算输出的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；
根据计算出PSNR值和SSIM值的大小，得到质量测试结果。
CN202110523597.8A 2021-05-13 2021-05-13 一种基于生成对抗网络的彩色图像隐写方法 Active CN113077377B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202110523597.8A CN113077377B (zh) 2021-05-13 2021-05-13 一种基于生成对抗网络的彩色图像隐写方法
PCT/CN2021/125637 WO2022237078A1 (zh) 2021-05-13 2021-10-22 一种基于生成对抗网络的彩色图像隐写方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110523597.8A CN113077377B (zh) 2021-05-13 2021-05-13 一种基于生成对抗网络的彩色图像隐写方法

Publications (2)

Publication Number Publication Date
CN113077377A true CN113077377A (zh) 2021-07-06
CN113077377B CN113077377B (zh) 2022-06-10

Family

ID=76616717

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110523597.8A Active CN113077377B (zh) 2021-05-13 2021-05-13 一种基于生成对抗网络的彩色图像隐写方法

Country Status (2)

Country Link
CN (1) CN113077377B (zh)
WO (1) WO2022237078A1 (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
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
CN113965659A (zh) * 2021-10-18 2022-01-21 上海交通大学 基于网络对网络的训练hevc视频隐写分析方法、系统
CN113989092A (zh) * 2021-10-21 2022-01-28 河北师范大学 基于分层对抗性学习的图像隐写方法
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
CN114827379A (zh) * 2022-04-27 2022-07-29 四川大学 一种基于生成式网络的载体图像增强方法
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
CN117292696A (zh) * 2023-10-08 2023-12-26 合肥工业大学 端到端音频隐写方法、系统、存储介质及电子设备

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346125A (zh) * 2018-03-15 2018-07-31 中山大学 一种基于生成对抗网络的空域图像隐写方法及系统
CN109587372A (zh) * 2018-12-11 2019-04-05 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
CN110084734A (zh) * 2019-04-25 2019-08-02 南京信息工程大学 一种基于物体局部生成对抗网络的大数据权属保护方法
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
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
CN112115490A (zh) * 2020-08-14 2020-12-22 宁波大学 一种基于gan的载体图像合成隐写方法
WO2021047482A1 (en) * 2019-09-11 2021-03-18 Alibaba Group Holding Limited Method and system for performing steganographic technique
CN112529758A (zh) * 2020-12-18 2021-03-19 海南大学 一种基于卷积神经网络的彩色图像隐写方法

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2016165082A1 (zh) * 2015-04-15 2016-10-20 中国科学院自动化研究所 基于深度学习的图像隐写检测方法
CN109934761B (zh) * 2019-01-31 2022-11-29 中山大学 基于卷积神经网络的jpeg图像隐写分析方法
CN113077377B (zh) * 2021-05-13 2022-06-10 海南大学 一种基于生成对抗网络的彩色图像隐写方法

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108346125A (zh) * 2018-03-15 2018-07-31 中山大学 一种基于生成对抗网络的空域图像隐写方法及系统
CN109587372A (zh) * 2018-12-11 2019-04-05 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
CN110084734A (zh) * 2019-04-25 2019-08-02 南京信息工程大学 一种基于物体局部生成对抗网络的大数据权属保护方法
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
WO2021047482A1 (en) * 2019-09-11 2021-03-18 Alibaba Group Holding Limited Method and system for performing steganographic technique
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
CN112115490A (zh) * 2020-08-14 2020-12-22 宁波大学 一种基于gan的载体图像合成隐写方法
CN112529758A (zh) * 2020-12-18 2021-03-19 海南大学 一种基于卷积神经网络的彩色图像隐写方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CHENG ZENG 等: "Color Image Steganography Scheme Based on Convolutional Neural Network", 《ICAIS 2021: ADVANCES IN ARTIFICIAL INTELLIGENCE AND SECURITY》 *
CHENG ZENG 等: "Color Image Steganography Scheme Based on Convolutional Neural Network", 《ICAIS 2021: ADVANCES IN ARTIFICIAL INTELLIGENCE AND SECURITY》, 29 June 2021 (2021-06-29), pages 265 - 277 *
RU ZHANG 等: "Invisible steganography via generative adversarial networks", 《MULTIMEDIA TOOLS AND APPLICATIONS》 *
RU ZHANG 等: "Invisible steganography via generative adversarial networks", 《MULTIMEDIA TOOLS AND APPLICATIONS》, 4 December 2018 (2018-12-04), pages 1 - 17 *
戈辉: "基于生成对抗网络的图像信息隐藏技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 *
戈辉: "基于生成对抗网络的图像信息隐藏技术研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, no. 02, 15 February 2021 (2021-02-15), pages 138 - 110 *

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
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
CN113965659A (zh) * 2021-10-18 2022-01-21 上海交通大学 基于网络对网络的训练hevc视频隐写分析方法、系统
CN113989092A (zh) * 2021-10-21 2022-01-28 河北师范大学 基于分层对抗性学习的图像隐写方法
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
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
CN114827379A (zh) * 2022-04-27 2022-07-29 四川大学 一种基于生成式网络的载体图像增强方法
CN117292696A (zh) * 2023-10-08 2023-12-26 合肥工业大学 端到端音频隐写方法、系统、存储介质及电子设备
CN117292696B (zh) * 2023-10-08 2024-03-12 合肥工业大学 端到端音频隐写方法、系统、存储介质及电子设备

Also Published As

Publication number Publication date
CN113077377B (zh) 2022-06-10
WO2022237078A1 (zh) 2022-11-17

Similar Documents

Publication Publication Date Title
CN113077377B (zh) 一种基于生成对抗网络的彩色图像隐写方法
Wazirali et al. An optimized steganography hiding capacity and imperceptibly using genetic algorithms
CN111598761B (zh) 一种基于图像降噪的抗打印拍摄图像数字水印方法
CN108961137A (zh) 一种基于卷积神经网络的图像隐写分析方法及系统
Wei et al. Generative steganography network
Yang et al. Towards automatic embedding cost learning for JPEG steganography
CN115131188A (zh) 一种基于生成对抗网络的鲁棒图像水印方法
Wang et al. HidingGAN: High capacity information hiding with generative adversarial network
Yuan et al. GAN-based image steganography for enhancing security via adversarial attack and pixel-wise deep fusion
Khoo et al. Deepfake attribution: On the source identification of artificially generated images
CN115809953A (zh) 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统
Liao et al. GIFMarking: The robust watermarking for animated GIF based deep learning
Hamamoto et al. Image watermarking technique using embedder and extractor neural networks
CN116152061A (zh) 一种基于模糊核估计的超分辨率重建方法
Liu et al. TBFormer: Two-Branch Transformer for Image Forgery Localization
Jamali et al. Robust watermarking using diffusion of logo into auto-encoder feature maps
CN113298689A (zh) 一种大容量图像隐写方法
Liu et al. Hiding Functions within Functions: Steganography by Implicit Neural Representations
Ma et al. Enhancing the security of image steganography via multiple adversarial networks and channel attention modules
CN112785478B (zh) 基于生成嵌入概率图的隐藏信息检测方法和系统
CN113326531B (zh) 一种鲁棒的高效分布式人脸图像隐写方法
CN114493971A (zh) 媒体数据转换模型训练、数字水印嵌入方法和装置
Yao et al. High invisibility image steganography with wavelet transform and generative adversarial network
Hu et al. A semi fragile watermarking algorithm based on compressed sensing applied for audio tampering detection and recovery
Zhang et al. A CNN based visual audio steganography model

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