CN113382126B - 一种基于注意力引导的图像可逆信息隐藏方法及系统 - Google Patents
一种基于注意力引导的图像可逆信息隐藏方法及系统 Download PDFInfo
- Publication number
- CN113382126B CN113382126B CN202110603213.3A CN202110603213A CN113382126B CN 113382126 B CN113382126 B CN 113382126B CN 202110603213 A CN202110603213 A CN 202110603213A CN 113382126 B CN113382126 B CN 113382126B
- Authority
- CN
- China
- Prior art keywords
- image
- point set
- hidden
- cross
- data
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000002441 reversible effect Effects 0.000 title claims abstract description 28
- 230000007246 mechanism Effects 0.000 claims description 21
- 230000004927 fusion Effects 0.000 claims description 16
- 230000008569 process Effects 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 9
- 238000005096 rolling process Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 4
- 230000004048 modification Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 4
- 238000002474 experimental method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N1/00—Scanning, transmission or reproduction of documents or the like, e.g. facsimile transmission; Details thereof
- H04N1/32—Circuits or arrangements for control or supervision between transmitter and receiver or between image input and image output device, e.g. between a still-image camera and its memory or between a still-image camera and a printer device
- H04N1/32101—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title
- H04N1/32144—Display, printing, storage or transmission of additional information, e.g. ID code, date and time or title embedded in the image data, i.e. enclosed or integrated in the image, e.g. watermark, super-imposed logo or stamp
- H04N1/32149—Methods relating to embedding, encoding, decoding, detection or retrieval operations
- H04N1/32267—Methods relating to embedding, encoding, decoding, detection or retrieval operations combined with processing of the image
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本公开公开的一种基于注意力引导的图像可逆信息隐藏方法及系统，包括：获取原始图像；将原始图像分为叉集图像和点集图像；通过叉集图像获取预测的点集图像；将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；通过点集数据隐藏图像获取预测的叉集图像；将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像。实现了对图像的准确可逆信息隐藏。
Description
技术领域
本发明涉及可逆信息隐藏技术领域，尤其涉及一种基于注意力引导的图像可逆信息隐藏方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
伴随着通信技术的飞速发展，可逆信息隐藏[RDH]技术已经成为人们生活中不可分割的一部分，但是嵌入容量和图像的视觉质量一直是可逆信息信息隐藏中一个充满活力的问题。可逆信息隐藏(RDH)技术以不丢失原始图像和信息而闻名。信息隐藏是一种将信息嵌入到多种媒体中，并对覆盖媒体稍加修改即可无错误地提取数据的技术。为了对覆盖介质进行保护，提出了一种可以无损地对覆盖介质结构进行探测的RDH算法。在过去的几十年里，RDH得到了越来越多的关注，被应用于许多领域，如军事通信、司法取证、超分辨率处理领域等。
如何保证数据嵌入后原始图像的低失真是当前RDH研究的一个主要问题，为了获得更好的视觉质量，在进行RDH时，着重于寻找新的嵌入方法来处理预测误差以减少嵌入失真，这些方法分为三类：差分扩展直方图移和预测误差扩展，为了获得更好的性能，人们提出了许多基于差分扩展的方法，通过扩展两个像素之间的差异嵌入数据；第二类是直方图移动的RDH方法，该方法的核心思想是利用图像直方图的峰值点和最小值点，通过修改灰度值来嵌入额外的数据；其他类型的方法集中在如何设计先进的预测来提高预测精度,预测(DP)包括差异值边缘方向预测(MEDP),梯度自适应预测(GAP),双线性插值预测(BIP),卷积神经网络预测(CNNP)和其他人通过使用多级预测器和自适应策略。
但发明人认为，进行可逆信息隐藏时，现有的方法均不能对图像进行准确预测，进而不能准确的进行可逆信息隐藏。
发明内容
本公开为了解决上述问题，提出了一种基于注意力引导的图像可逆信息隐藏方法及系统，实现了对图像进行准确的可逆信息隐藏。
为实现上述目的，本公开采用如下技术方案：
第一方面，提出了一种基于注意力引导的图像可逆信息隐藏方法，包括：
获取原始图像；
将原始图像分为叉集图像和点集图像；
通过叉集图像获取预测的点集图像；
将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
通过点集数据隐藏图像获取预测的叉集图像；
将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像，数据隐藏图像用于原始图像复原。
第二方面，提出了一种基于注意力引导的图像可逆信息隐藏系统，包括：
图像获取模块，用于获取原始图像；
图像划分模块，用于将原始图像分为叉集图像和点集图像；
点集图像预测模块，用于通过叉集图像获取预测的点集图像；
点集数据隐藏图像获取模块，用于将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
叉集图像预测模块，用于通过点集数据隐藏图像获取预测的叉集图像；
叉集数据隐藏图像获取模块，用于将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
数据隐藏图像获取模块，用于将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像，数据隐藏图像用于原始图像复原。
第三方面提出了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成一种基于注意力引导的图像可逆信息隐藏方法所述的步骤。
第四方面，提出了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成一种基于注意力引导的图像可逆信息隐藏方法所述的步骤。
与现有技术相比，本公开的有益效果为：
1、本公开在进行可逆信息隐藏时，将原始图像划分为叉集图像和点集图像，并分别对叉集图像和点集图像进行预测，基于原始的图像和预测的图像生成数据隐藏图像，保证图像准确进行可逆信息隐藏。
2、本公开在进行图像预测时，采用CNNPA网络进行预测，CNNPA网络包括四个并行的卷积块，输入图像分别输入四个并行的卷积块中，将其中三个卷积块的输出进行卷积融合，将卷积融合后特征与四个并行的卷积块的输出进行卷积融合后输入图像预测模块中进行图像预测，并在三个卷积块中的每一个卷积块后均添加通道注意力机制，在第二层卷积块之后添加通道注意力机制和位置注意力机制，提高了图像预测的准确性，进一步保证了对图像准确进行可逆信息隐藏。
本发明附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。
图1为本公开实施例1公开的方法流程图；
图2为本公开实施例1公开的隐藏图像复原流程图；
图3为本公开实施例1公开的原始图像的划分过程；
图4为本公开实施例1公开的CNNPA网络结构；
图5为本公开实施例1公开的卷积块结构图。
具体实施方式：
下面结合附图与实施例对本公开作进一步说明。
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在本公开中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”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，只是为了便于叙述本公开各部件或元件结构关系而确定的关系词，并非特指本公开中任一部件或元件，不能理解为对本公开的限制。
本公开中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本公开中的具体含义，不能理解为对本公开的限制。
实施例1
在该实施例中，公开了一种基于注意力引导的图像可逆信息隐藏方法，包括：
获取原始图像；
将原始图像分为叉集图像和点集图像；
通过叉集图像获取预测的点集图像；
将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
通过点集数据隐藏图像获取预测的叉集图像；
将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像。
进一步的，将叉集图像输入点集图像预测模型中获取预测的点集图像；
将点集数据隐藏图像输入叉集图像预测模型中获取预测的叉集图像。
进一步的，点集图像预测模型和叉集图像预测模型均采用CNNPA网络，CNNPA网络包括四个并行的卷积块，输入图像分别输入四个并行的卷积块中，将其中三个卷积块的输出进行卷积融合，将卷积融合后特征与四个并行的卷积块的输出进行卷积融合后输入图像预测模块中进行图像预测。
进一步的，在三个卷积块中的每一个卷积块后均添加通道注意力机制。
进一步的，四个并行的卷积块的卷积核大小均不相同。
进一步的，将三个卷积块的输出输入第二层卷积块中进行卷积融合，在第二层卷积块之后添加通道注意力机制和位置注意力机制。
进一步的，对数据隐藏图像进行复原的过程为：
将数据隐藏图像划分为叉集数据隐藏图像和点集数据隐藏图像；
通过点集数据隐藏图像获取预测的叉集数据隐藏图像；
将叉集数据隐藏图像和预测的叉集数据隐藏图像进行隐藏数据反转，获取叉集图像，并提取隐藏信息；
根据恢复的叉集图像获取预测的点集数据隐藏图像；
将点集数据隐藏图像和预测的点集数据隐藏图像进行隐藏数据反转，获取点集图像，并提取隐藏信息；
将叉集图像和点集图像进行融合获得原始图像。
对本实施例公开的一种基于注意力引导的图像可逆信息隐藏方法进行详细说明，如图1所示。
S1：获取原始图像I。
S2：对原始图像I进行划分获得叉集图像IC和点集图像ID。
如图3所示，，将原始图像I被分为两个子集图像：叉集图像IC和点集图像ID。对于叉集图像IC，应为将分配属于点集的位置的像素值转到0，针对点集图像ID将分配属于叉集的位置的像素值转到0。这样的分区模式要确保这两个子集的图像是独立的，但都是相关的。
S3：通过叉集图像获取预测的点集图像。
具体为：将叉集图像IC输入训练好的点集图像预测模型中获取预测的点集图像
其中，点集图像预测模型采用CNNPA网络。
S4：将点集图像ID和预测的点集图像
进行隐藏数据W1反转，生成点集数据隐藏图像IDW。
S5：通过点集数据隐藏图像IDW获取预测的叉集图像
具体为：将点集数据隐藏图像IDW输入训练好的叉集图像预测模型中获取预测的叉集图像
其中，叉集图像预测模型同样采用CNNPA网络。
S6：将叉集图像IC和预测的叉集图像
进行隐藏数据W2反转，生成叉集数据隐藏图像ICW。
S7：将点集数据隐藏图像IDW和叉集数据隐藏图像ICW进行融合，并获取数据隐藏图像IW，数据隐藏图像IW中嵌入了整个信息W(W＝W1+W2)。
对点集图像预测模型和叉集图像预测模型使用的CNNPA网络进行详细说明。
结合使用叉集图像获得预测的点集图像，对CNNPA网络进行说明，CNNPA网络包括特征提取步骤(对于使用多接受域)和图像预测步骤(用于使用全局最优化功能)。
如图4所示，CNNPA网络包括四个并行的卷积块，叉集图像分别输入四个并行的卷积块中进行特征提取，将其中三个卷积块的输出输入第二层卷积块中进行卷积融合，将第二层卷积块的输出与四个并行的卷积块的输出输入第三层卷积块中进行卷积融合，第三层卷积块的输出的叉集图像提取特征用于输入图像预测模块中进行图像预测。
四个并行的卷积块中输出用于融合的三个卷积块中的每一个卷积块后均添加通道注意力机制，该通道注意力机制位于三个卷积块与第二层卷积块之间。
四个并行的卷积块中剩余的一个卷积块与第三层卷积块之间添加中间卷积块。
在第二层卷积块之后添加通道注意力机制和位置注意力机制，通道注意力机制和位置注意力机制位于第二层卷积块和第三层卷积块之间。
卷积块的卷积核大小是K×K，其中K是大于0，但小于图像大小的奇数，四个并行的卷积块的卷积核大小均不相同。
其中，四个并行的卷积块中输出用于融合的三个卷积块的卷积核分别为：K＝3，K＝5，K＝7；另一个卷积块的卷积核的大小为K＝1，中间卷积块的卷积核的大小为K＝3。
第二层卷积块的卷积核大小为：K＝5；第三层卷积块的卷积核大小为：K＝5。
卷积块的结构如图5所示，包括两个卷积层和位于两个卷积层中间的一个泄漏纠正线性激活单元(LeakyReLU)。
对于特征提取，当叉集图像用于预测点集图像时，K×K内核表示使用周围的
叉集像素以预测中心点集像素。随着K的增加，更多周围叉集像素被用来预测中心点设置像素的情况，可以表述为：
其中
是预测的点集图像，IC是叉集图像，W是卷积核的权重，b是偏差。
在图4中的图像预测步骤中，将不同的卷积块添加在一起并输入到核大小为K＝3的两个卷积块中提取特征。该像素中间预测的点集图像
的值为微调了五个预测的点集像素。通过连接不同核大小的卷积块同时进行特征提取步骤和微调在图像预测步骤中串联的卷积块，提出的CNNPA可以充分利用全局优化CNNPA的特点，以更好地预测点集图像。
考虑到所提预测器的轻量化和计算有效率，将特征提取中的核大小分别设置为1×1、3×3、5×5和7×7。所提出的CNNPA中的通道数设置为32。
当CNNPA网络用作叉集图像预测模型时，输入为点集数据隐藏图像IDW获取预测的叉集图像
利用ImageNet随机选取1000幅图像进行CNNPA的训练。在训练中，所有图像都被转换成大小为512×512的8位灰度图像，假设输入是叉集合图像IC。目标是点集合图像ID,所提出的CNNPA的输出是预测的点集合图像
基于逆向问题，使用Adam优化器来最小化以下损失函数:
其中P为训练数据个数，λ为权重衰减，W为网络中所有权重。为了有效抑制过拟合，加速网络收敛，将λ设置为10-3。
当CNNPA网络用作叉集图像预测模型时，输入为点集数据隐藏图像IDW获取预测的叉集图像
结构与用作点集图像预测模型的CNNPA网络结构相同。
对ImageNet中随机抽取100幅大小为512x512的灰度图像进行广泛的实验，利用整个图像的像素来嵌入秘密数据，算法在MATLAB和PYTHON 3.7中编程，通过与包括MEDP，BIP，DP,GAP和CNNPA在内的几个经典预测因子的比较来评估本实施例所提出的CNNPA网络的性能。由于均方误差(MSE)能够很好的反应预测图像与目标图像的差异，因此，为了公平比较，采用了该均方误差(MSE)来对本实施例提出的CNNPA网络的性能进行评估，在100幅图像中独立的对五种不同的预测方法，预测误差的平均绝对值，均方误差(MSE)和方差。将上述预测因子和相同的方案结合在一起，通过计算相同嵌入率下的数据隐藏图像的峰值信噪比(PSNR)的值，去衡量这些预测因子的性能，评估结果如表1所示：
表1五种不同预测器的100幅图像的预测误差的平均绝对值，均方误差和方差。
| Predictor | CNNPA | MEDP | BIP | DP | GAP |
| Mean | 4.98 | 7.35 | 6.24 | 5.02 | 9.73 |
| MSE | 161.5 | 235.3 | 154.9 | 232.5 | 230.6 |
| Variance | 99.7 | 161.2 | 101.5 | 195.8 | 166.4 |
可知，本实施例提出的CNNPA网络的预测性能最优。
本实施例通过分割将原始图像的灰度图像分为两组，并用一组来预测图像，另一组用于数据嵌入，并提出CNNPA预测器用于图像预测，CNNPA预测器是一个轻量级和计算效率高的网络，具有多接收场和全局优化的能力。这个CNNPA预测器可以通过使用1000个随机从图像网中选择的图像来快速和良好地训练。并通过实验验证了CNNPA预测器的预测性能，实验结果表明基于CNNPA的预测器可以充分利用更多的周围像素来提高预测性能。此外，本实施例的实验表明与经典线性预测器相比，在扩展嵌入和直方图移位技术的CNNPA预测器可以提供更好的嵌入性能。基于CNNPA的RDH方法不仅包含了K＝3，K＝5，K＝7的三种并行卷积运算，而且还结合了底层的图像特征将这三个并行卷积融合之后成为第四个支路。再次，将原始图像进行卷积运算，形成一个K＝1和K＝3的二次卷积运算作为第五个支路。最后，对这五个支路进行结合，最后再进行K＝3的卷积运算。此外，还将通道注意力机制加在每一个支路之后，用来提高预测的精度，增加数据嵌入容量。还在K＝3，K＝5，K＝7的三种并行卷积运算之后经过K＝3的卷积层之后进入通道注意力机制和位置注意力机制，形成一个双重注意力机制。换句话说，由于CNNPA的多接受域和全局优化能力，和注意力机制不仅能告诉我们重点关注在哪里，而且还要提高关注点的表示，通过注意力机制来增加表现力，关注重要特征并抑制不必要的特征，通过这些表现利用更多相邻的像素进行预测，提高了图像预测的准确性，在此基础上实现了对图像的准确的可逆信息隐藏。
本实施例获取的数据隐藏图像在IW进行复原时，过程如图2所示，包括：
将数据隐藏图像IW划分为叉集数据隐藏图像ICW和点集数据隐藏图像IDW；
通过点集数据隐藏图像IDW获取预测的叉集数据隐藏图像；
将叉集数据隐藏图像ICW和预测的叉集数据隐藏图像进行隐藏数据反转，获取恢复的叉集图像IC，并提取隐藏信息W2；
根据恢复的叉集图像IC获取预测的点集数据隐藏图像；
将点集数据隐藏图像IDW和预测的点集数据隐藏图像进行隐藏数据反转，获取恢复的点集图像ID，并提取隐藏信息W1；
将叉集图像IC和点集图像ID进行融合获得恢复的原始图像I，同时结合W1和W2恢复信息位W。
其中通过点集数据隐藏图像IDW获取预测的叉集数据隐藏图像，根据恢复的叉集图像IC获取预测的点集数据隐藏图像时均采用本实施例提出的CNNPA网络。
实施例2
在该实施例中，公开了一种基于注意力引导的图像可逆信息隐藏系统，包括：
图像获取模块，用于获取原始图像；
图像划分模块，用于将原始图像分为叉集图像和点集图像；
点集图像预测模块，用于通过叉集图像获取预测的点集图像；
点集数据隐藏图像获取模块，用于将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
叉集图像预测模块，用于通过点集数据隐藏图像获取预测的叉集图像；
叉集数据隐藏图像获取模块，用于将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
数据隐藏图像获取模块，用于将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像，数据隐藏图像用于原始图像复原。
实施例3
在该实施例中，公开了一种电子设备，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成实施例1公开的一种基于注意力引导的图像可逆信息隐藏方法所述的步骤。
实施例4
在该实施例中，公开了一种计算机可读存储介质，用于存储计算机指令，所述计算机指令被处理器执行时，完成实施例1公开的一种基于注意力引导的图像可逆信息隐藏方法所述的步骤。
以上仅为本申请的优选实施例而已，并不用于限制本申请，对于本领域的技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本申请的保护范围之内。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (8)
1.一种基于注意力引导的图像可逆信息隐藏方法，其特征在于，包括：
获取原始图像；
将原始图像分为叉集图像和点集图像；
通过叉集图像获取预测的点集图像；
将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
通过点集数据隐藏图像获取预测的叉集图像；
将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
将叉集图像输入点集图像预测模型中获取预测的点集图像；
将点集数据隐藏图像输入叉集图像预测模型中获取预测的叉集图像；
点集图像预测模型和叉集图像预测模型均采用CNNPA网络，CNNPA网络包括四个并行的卷积块，输入图像分别输入四个并行的卷积块中，将其中三个卷积块的输出进行卷积融合，将卷积融合后特征与四个并行的卷积块的输出进行卷积融合后输入图像预测模块中进行图像预测；
将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像。
2.如权利要求1所述的一种基于注意力引导的图像可逆信息隐藏方法，其特征在于，在三个卷积块中的每一个卷积块后均添加通道注意力机制。
3.如权利要求1所述的一种基于注意力引导的图像可逆信息隐藏方法，其特征在于，四个并行的卷积块的卷积核大小均不相同。
4.如权利要求1所述的一种基于注意力引导的图像可逆信息隐藏方法，其特征在于，将三个卷积块的输出输入第二层卷积块中进行卷积融合，在第二层卷积块之后添加通道注意力机制和位置注意力机制。
5.如权利要求1所述的一种基于注意力引导的图像可逆信息隐藏方法，其特征在于，对数据隐藏图像进行复原的过程为：
将数据隐藏图像划分为叉集数据隐藏图像和点集数据隐藏图像；
通过点集数据隐藏图像获取预测的叉集数据隐藏图像；
将叉集数据隐藏图像和预测的叉集数据隐藏图像进行隐藏数据反转，获取叉集图像，并提取隐藏信息；
根据恢复的叉集图像获取预测的点集数据隐藏图像；
将点集数据隐藏图像和预测的点集数据隐藏图像进行隐藏数据反转，获取点集图像，并提取隐藏信息；
将叉集图像和点集图像进行融合获得原始图像。
6.一种基于注意力引导的图像可逆信息隐藏系统，其特征在于，包括：
图像获取模块，用于获取原始图像；
图像划分模块，用于将原始图像分为叉集图像和点集图像；
点集图像预测模块，用于通过将叉集图像输入点集图像预测模型中获取预测的点集图像；
点集数据隐藏图像获取模块，用于将点集图像和预测的点集图像进行隐藏数据反转，生成点集数据隐藏图像；
叉集图像预测模块，用于通过将点集数据隐藏图像输入叉集图像预测模型中获取预测的叉集图像；
点集图像预测模型和叉集图像预测模型均采用CNNPA网络，CNNPA网络包括四个并行的卷积块，输入图像分别输入四个并行的卷积块中，将其中三个卷积块的输出进行卷积融合，将卷积融合后特征与四个并行的卷积块的输出进行卷积融合后输入图像预测模块中进行图像预测；
叉集数据隐藏图像获取模块，用于将叉集图像和预测的叉集图像进行隐藏数据反转，生成叉集数据隐藏图像；
数据隐藏图像获取模块，用于将点集数据隐藏图像和叉集数据隐藏图像进行融合，获取数据隐藏图像，数据隐藏图像用于原始图像复原。
7.一种电子设备，其特征在于，包括存储器和处理器以及存储在存储器上并在处理器上运行的计算机指令，所述计算机指令被处理器运行时，完成权利要求1-5任一项所述的一种基于注意力引导的图像可逆信息隐藏方法的步骤。
8.一种计算机可读存储介质，其特征在于，用于存储计算机指令，所述计算机指令被处理器执行时，完成权利要求1-5任一项所述的一种基于注意力引导的图像可逆信息隐藏方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603213.3A CN113382126B (zh) | 2021-05-31 | 2021-05-31 | 一种基于注意力引导的图像可逆信息隐藏方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110603213.3A CN113382126B (zh) | 2021-05-31 | 2021-05-31 | 一种基于注意力引导的图像可逆信息隐藏方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113382126A CN113382126A (zh) | 2021-09-10 |
| CN113382126B true CN113382126B (zh) | 2022-10-11 |
Family
ID=77575082
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110603213.3A Expired - Fee Related CN113382126B (zh) | 2021-05-31 | 2021-05-31 | 一种基于注意力引导的图像可逆信息隐藏方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113382126B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117557807B (zh) * | 2024-01-11 | 2024-04-02 | 齐鲁工业大学(山东省科学院) | 基于加权滤波增强的卷积神经网络图像预测方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022197A (zh) * | 2017-11-21 | 2018-05-11 | 安徽大学 | 一种基于多纹理度划分的医学图像可逆信息隐藏方法 |
| CN112634120A (zh) * | 2020-12-30 | 2021-04-09 | 暨南大学 | 基于cnn预测的图像可逆水印方法 |
Family Cites Families (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US9639912B2 (en) * | 2014-12-30 | 2017-05-02 | University Of Macau | Method for reversible image data hiding |
| CN108184122B (zh) * | 2018-01-11 | 2020-11-13 | 马睿和 | 基于多元线性回归的图像可逆信息隐藏方法和装置 |
-
2021
- 2021-05-31 CN CN202110603213.3A patent/CN113382126B/zh not_active Expired - Fee Related
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108022197A (zh) * | 2017-11-21 | 2018-05-11 | 安徽大学 | 一种基于多纹理度划分的医学图像可逆信息隐藏方法 |
| CN112634120A (zh) * | 2020-12-30 | 2021-04-09 | 暨南大学 | 基于cnn预测的图像可逆水印方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113382126A (zh) | 2021-09-10 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
| CN111768342B (zh) | 基于注意力机制和多级反馈监督的人脸超分辨方法 | |
| Qi et al. | Optimal reversible data hiding scheme based on multiple histograms modification | |
| CN110136062B (zh) | 一种联合语义分割的超分辨率重建方法 | |
| Kumar et al. | Enhanced pairwise IPVO-based reversible data hiding scheme using rhombus context | |
| CN112164011B (zh) | 基于自适应残差与递归交叉注意力的运动图像去模糊方法 | |
| CN112184585B (zh) | 一种基于语义边缘融合的图像补全方法及系统 | |
| CN111898136A (zh) | 一种基于预测误差值排序的高保真可逆信息隐藏方法和装置 | |
| CN112991227B (zh) | 基于U-net++网络的弱光图像增强方法和装置 | |
| CN113450290B (zh) | 基于图像修补技术的低照度图像增强方法及系统 | |
| Lu et al. | Reversible data hiding using local edge sensing prediction methods and adaptive thresholds | |
| CN114399419B (zh) | 基于预测误差扩展的可逆图像水印算法 | |
| Rivadeneira et al. | Thermal image super-resolution challenge-pbvs 2021 | |
| He et al. | SRDRL: A blind super-resolution framework with degradation reconstruction loss | |
| Zheng et al. | T-net: Deep stacked scale-iteration network for image dehazing | |
| CN105427230A (zh) | 可逆数据隐藏方法 | |
| CN113382126B (zh) | 一种基于注意力引导的图像可逆信息隐藏方法及系统 | |
| Kumar et al. | High-fidelity reversible data hiding using block extension strategy | |
| CN114998099A (zh) | 一种基于图像预训练策略的图像超分辨率方法 | |
| Lee et al. | Overlapping pixel value ordering predictor for high-capacity reversible data hiding | |
| CN115293968A (zh) | 一种超轻量高效的单图像超分辨率方法 | |
| Qi et al. | Reversible data hiding based on prediction-error value ordering and multiple-embedding | |
| Liu et al. | Facial image inpainting using multi-level generative network | |
| Aminy et al. | A Reversible Data Hiding Approach in Medical Images Using Difference Expansion | |
| Hu et al. | Multi-Scale Selective Feedback Network with Dual Loss for Real Image Denoising. |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221011 |