CN113393359B - 基于卷积神经网络的信息隐藏方法及装置 - Google Patents
基于卷积神经网络的信息隐藏方法及装置 Download PDFInfo
- Publication number
- CN113393359B CN113393359B CN202110539518.2A CN202110539518A CN113393359B CN 113393359 B CN113393359 B CN 113393359B CN 202110539518 A CN202110539518 A CN 202110539518A CN 113393359 B CN113393359 B CN 113393359B
- Authority
- CN
- China
- Prior art keywords
- layer
- network
- image
- secret
- input
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 title claims abstract description 27
- 230000004913 activation Effects 0.000 claims description 40
- 238000011156 evaluation Methods 0.000 claims description 29
- 238000012549 training Methods 0.000 claims description 14
- 238000000605 extraction Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (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)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于卷积神经网络的信息隐藏方法及装置,涉及图像信息隐藏领域。该方法能够在人眼无法感知的情况下将秘密信息有效嵌入图像中。实验结果证明该方法可以有效的将秘密信息嵌入到图像中,并且在网络中加了注意力模块,更不易被人察觉,也能够成功提取出秘密信息。
Description
技术领域
本发明涉及图像信息隐藏领域,提出了一种基于卷积神经网络的信息隐藏方法及装置。
背景技术
图像信息隐藏的目的是在图像中隐藏秘密信息。在典型的场景中,发送方将秘密信息隐藏在图像中,并将其发送给接收方,接收方接收到隐藏信息的图像能够恢复秘密信息。如果图像被截获,除了发送方和接收方,其他人都不能成功检测出秘密信息的存在。
图像隐写术是通过对像素值(空间域)或DCT系数(JPEG域)的轻微修改来隐藏图像中秘密信息的一门科学和艺术。目前,最安全的隐写方案是内容自适应方案,它倾向于将秘密数据嵌入到内容复杂、嵌入痕迹不易被发现的区域。空间领域的例子有HUGO,WOW和S-UNIWARD。
随着互联网技术的发展,人们对知识产权保护的意识越来越强,这对信息隐藏技术提出了更高的要求。图像信息隐藏的挑战是在图像中隐藏更多的秘密信息,同时保证图片看起来自然。最近,深度神经网络已经被证明可以完成这一要求。
发明内容
鉴于上述特点,本发明提出了一种基于卷积神经网络的信息隐藏方法。
本发明的技术方案步骤如下:
第一方面,本发明提供了一种基于卷积神经网络的信息隐藏方法,所述方法的具体步骤如下:
S1:利用数据集对卷积神经网络模型进行训练得到信息隐藏模型,使其能够实现秘密信息在原始图像中的嵌入和提取;
所述卷积神经网络模型包括编码网络、解码网络和评价网络;
编码网络第一层为卷积层,输入为原始图像,并且采用LeakyReLU函数作为激活函数;
编码网络第二层为卷积层,输入为第一层的输出特征和秘密信息,并且采用LeakyReLU函数作为激活函数;
编码网络第三层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第四层为卷积层,输入为第三层的输出特征,并且采用LeakyReLU函数作为激活函数;
编码网络第五层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第六层为卷积层,输入为第五层的输出特征,并且采用LeakyReLU函数作为激活函数,第六层输出为嵌入秘密信息后的含密图像;
解码网络第一层为卷积层,输入为含密图像,并且采用LeakyReLU函数作为激活函数;
解码网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
解码网络第四层为卷积层,输出为秘密信息;
评价网络第一层为卷积层,输入为原始图像和含密图像,并且采用LeakyReLU函数作为激活函数;
评价网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
评价网络第四层为卷积层,输出为一个用于判断输入图像是否是含密图像的分数;
S2:发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中,由编码网络输出含密图像;
S3:接收方从发送方处收到所述含密图像后,将所述待加密图像和所述含密图像输入所述信息隐藏模型中的评价网络中,若评价网络判断输入图像是含密图像,则将所述含密图像输入所述信息隐藏模型中的解码网络中,从中提取出秘密信息。
第二方面,本发明提供了一种基于卷积神经网络的信息隐藏装置,所述装置包括:
模型训练模块:用于利用数据集对卷积神经网络模型进行训练得到信息隐藏模型,使其能够实现秘密信息在原始图像中的嵌入和提取;
所述卷积神经网络模型包括编码网络、解码网络和评价网络;
编码网络第一层为卷积层,输入为原始图像,并且采用LeakyReLU函数作为激活函数;
编码网络第二层为卷积层,输入为第一层的输出特征和秘密信息,并且采用LeakyReLU函数作为激活函数;
编码网络第三层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第四层为卷积层,输入为第三层的输出特征,并且采用LeakyReLU函数作为激活函数;
编码网络第五层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第六层为卷积层,输入为第五层的输出特征,并且采用LeakyReLU函数作为激活函数,第六层输出为嵌入秘密信息后的含密图像;
解码网络第一层为卷积层,输入为含密图像,并且采用LeakyReLU函数作为激活函数;
解码网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
解码网络第四层为卷积层,输出为秘密信息;
评价网络第一层为卷积层,输入为原始图像和含密图像,并且采用LeakyReLU函数作为激活函数;
评价网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
评价网络第四层为卷积层,输出为一个用于判断输入图像是否是含密图像的分数;
加密模块:用于供发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中,由编码网络输出含密图像;
解密模块:用于供接收方从发送方处收到所述含密图像后,将所述待加密图像和所述含密图像输入所述信息隐藏模型中的评价网络中,若评价网络判断输入图像是含密图像,则将所述含密图像输入所述信息隐藏模型中的解码网络中,从中提取出秘密信息。
相对于现有技术而言,本发明的有益效果:
本发明通过GAN网络对图像进行秘密信息的嵌入和提取,并且在网络中添加注意力机制模块,减小含密图像失真度。该方法能够在人眼无法感知的情况下将秘密信息有效嵌入图像中,并且使得含密图像更不易被人眼察觉。
附图说明
图1为网络模型结构图;
图2为信息嵌入提取流程图;
图3为部分嵌入结果图;
图4为部分提取结果图。
具体实施方式
下面结合附图和具体实施例,对本发明的具体实施方案作进一步详细描述。
如图1所示,在本发明的一个较佳实施例中,提供了一种基于卷积神经网络的信息隐藏方法,其具体步骤如下:
步骤1:加载用于进行模型训练的数据集。
本实施例中,数据集为div2k数据集,为了模型训练需要,将其划分为训练集、验证集和测试集,所有图像样本实现裁剪为360*360*3的数据形式。
步骤2:搭建用于在原始图像中嵌入和提取秘密信息的卷积神经网络模型。
如图2所示,该卷积神经网络模型包括编码网络、解码网络和评价网络三部分,各部分均由相应的网络层连接组成,具体如下:
(2.1)编码网络第一层为卷积层,输入为原始图像,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.2)编码网络第二层为卷积层,输入为第一层的输出特征和秘密信息,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.3)编码网络第三层为SKNet注意力网络,输入为第二层的输出特征。
(2.4)编码网络第四层为卷积层,输入为第三层的输出特征,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.5)编码网络第五层为SKNet注意力网络,输入为第二层的输出特征。
(2.6)编码网络第六层为卷积层,输入为第五层的输出特征,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数,第六层输出的就是嵌入秘密信息的含密图像。
(2.7)解码网络第一层为卷积层,输入为嵌入秘密信息的含密图像,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.8)解码网络第二、三层为卷积层,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.9)解码网络第四层为卷积层,卷积核大小为3*3,输出为秘密信息。
(2.10)评价网络第一层为卷积层,输入为原始图像和含密图像,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.11)评价网络第二、三层为卷积层,卷积核大小为3*3,并且采用LeakyReLU函数作为激活函数。
(2.12)评价网络第四层为卷积层,卷积核大小为3*3,输出为一个分数,可以根据分数判断输入图像是否是含密图像。
本实施例在训练过程中,将训练集和测试集放入模型中,batchsize设置为1,epoch设置为10进行训练,得到训练好的卷积神经网络模型记为信息隐藏模型,该模型可以用于进行信息隐藏,实现在原始图像中嵌入和提取秘密信息的功能。
步骤3:当发送方需要进行加密时,可将待加密图像以及待嵌入秘密信息输入前述的信息隐藏模型中的编码网络中,由编码网络输出含密图像。发送方可将该含密图像发送给接收方。
步骤4:接收方从发送方处收到含密图像后,可以将待加密图像和含密图像输入前述信息隐藏模型中的评价网络中,由评价网络根据输出的分数判断输入图像是否是含密图像,若评价网络判断输入图像是含密图像,则将含密图像输入前述信息隐藏模型中的解码网络中,从中提取出秘密信息。
在本实施例中,以前述div2k数据集中的测试集为例,用训练好的信息隐藏模型对测试集中的图像嵌入秘密信息。如图3所示,为部分嵌入结果示意图,从结果中可见该方法嵌入秘密信息后的含密图像,不易被人眼察觉,具有较好地保真度。如图4所示,为部分提取结果示意图,从结果中可见该方法也能够从含密图像中准确提取出嵌入秘密信息。
为了评价本发明的信息隐藏效果,将测试集中提取出的秘密信息与原秘密信息进行对比,判断是否成功提取秘密信息。同时为了进一步对比在本发明基础上不引入注意力机制的信息隐藏方法,同步设置了一个对照试验。以PSNR和SSIM作为评价指标,两者的结果如下:
表1部分指标对比图
PSNR | SSIM | |
无注意力方法 | 39.68 | 0.91 |
本方法 | 42.94 | 0.95 |
由此可见,本发明的信息隐藏方法,通过在卷积神经网络中添加注意力机制模块,可以有效的将秘密信息嵌入到图像中,并且在网络中加了注意力模块,更不易被人察觉,也能够成功提取出秘密信息。
以上所述的实施例只是本发明的一种较佳的方案,然其并非用以限制本发明。有关技术领域的普通技术人员,在不脱离本发明的精神和范围的情况下,还可以做出各种变化和变型。因此凡采取等同替换或等效变换的方式所获得的技术方案,均落在本发明的保护范围内。
Claims (10)
1.一种基于卷积神经网络的信息隐藏方法,其特征在于,所述方法的具体步骤如下:
S1:利用数据集对卷积神经网络模型进行训练得到信息隐藏模型,使其能够实现秘密信息在原始图像中的嵌入和提取;
所述卷积神经网络模型包括编码网络、解码网络和评价网络;
编码网络第一层为卷积层,输入为原始图像,并且采用LeakyReLU函数作为激活函数;
编码网络第二层为卷积层,输入为第一层的输出特征和秘密信息,并且采用LeakyReLU函数作为激活函数;
编码网络第三层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第四层为卷积层,输入为第三层的输出特征,并且采用LeakyReLU函数作为激活函数;
编码网络第五层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第六层为卷积层,输入为第五层的输出特征,并且采用LeakyReLU函数作为激活函数,第六层输出为嵌入秘密信息后的含密图像;
解码网络第一层为卷积层,输入为含密图像,并且采用LeakyReLU函数作为激活函数;
解码网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
解码网络第四层为卷积层,输出为秘密信息;
评价网络第一层为卷积层,输入为原始图像和含密图像,并且采用LeakyReLU函数作为激活函数;
评价网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
评价网络第四层为卷积层,输出为一个用于判断输入图像是否是含密图像的分数;
S2:发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中,由编码网络输出含密图像;
S3:接收方从发送方处收到所述含密图像后,将所述待加密图像和所述含密图像输入所述信息隐藏模型中的评价网络中,若评价网络判断输入图像是含密图像,则将所述含密图像输入所述信息隐藏模型中的解码网络中,从中提取出秘密信息。
2.如权利要求1所述的基于卷积神经网络的信息隐藏方法,其特征在于,所述卷积神经网络模型中,每一层卷积层的卷积核大小均为3*3。
3.如权利要求1所述的基于卷积神经网络的信息隐藏方法,其特征在于,所述数据集为div2k数据集。
4.如权利要求1所述的基于卷积神经网络的信息隐藏方法,其特征在于,所述数据集中的样本图片预先裁剪为360*360*3的数据形式。
5.如权利要求1所述的基于卷积神经网络的信息隐藏方法,其特征在于,利用数据集对卷积神经网络模型进行训练时,batchsize设置为1,epoch设置为10。
6.一种基于卷积神经网络的信息隐藏装置,其特征在于,所述装置包括:
模型训练模块:用于利用数据集对卷积神经网络模型进行训练得到信息隐藏模型,使其能够实现秘密信息在原始图像中的嵌入和提取;
所述卷积神经网络模型包括编码网络、解码网络和评价网络;
编码网络第一层为卷积层,输入为原始图像,并且采用LeakyReLU函数作为激活函数;
编码网络第二层为卷积层,输入为第一层的输出特征和秘密信息,并且采用LeakyReLU函数作为激活函数;
编码网络第三层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第四层为卷积层,输入为第三层的输出特征,并且采用LeakyReLU函数作为激活函数;
编码网络第五层为SKNet注意力网络,输入为第二层的输出特征;
编码网络第六层为卷积层,输入为第五层的输出特征,并且采用LeakyReLU函数作为激活函数,第六层输出为嵌入秘密信息后的含密图像;
解码网络第一层为卷积层,输入为含密图像,并且采用LeakyReLU函数作为激活函数;
解码网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
解码网络第四层为卷积层,输出为秘密信息;
评价网络第一层为卷积层,输入为原始图像和含密图像,并且采用LeakyReLU函数作为激活函数;
评价网络第二、三层为卷积层,卷积核大小均为3*3,并且均采用LeakyReLU函数作为激活函数;
评价网络第四层为卷积层,输出为一个用于判断输入图像是否是含密图像的分数;
加密模块:用于供发送方将待加密图像以及待嵌入秘密信息输入所述信息隐藏模型中的编码网络中,由编码网络输出含密图像;
解密模块:用于供接收方从发送方处收到所述含密图像后,将所述待加密图像和所述含密图像输入所述信息隐藏模型中的评价网络中,若评价网络判断输入图像是含密图像,则将所述含密图像输入所述信息隐藏模型中的解码网络中,从中提取出秘密信息。
7.如权利要求6所述的基于卷积神经网络的信息隐藏装置,其特征在于,所述卷积神经网络模型中,每一层卷积层的卷积核大小均为3*3。
8.如权利要求6所述的基于卷积神经网络的信息隐藏装置,其特征在于,所述数据集为div2k数据集。
9.如权利要求6所述的基于卷积神经网络的信息隐藏装置,其特征在于,所述数据集中的样本图片预先裁剪为360*360*3的数据形式。
10.如权利要求6所述的基于卷积神经网络的信息隐藏装置,其特征在于,利用数据集对卷积神经网络模型进行训练时,batchsize设置为1,epoch设置为10。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539518.2A CN113393359B (zh) | 2021-05-18 | 2021-05-18 | 基于卷积神经网络的信息隐藏方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110539518.2A CN113393359B (zh) | 2021-05-18 | 2021-05-18 | 基于卷积神经网络的信息隐藏方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113393359A CN113393359A (zh) | 2021-09-14 |
CN113393359B true CN113393359B (zh) | 2023-12-08 |
Family
ID=77617202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110539518.2A Active CN113393359B (zh) | 2021-05-18 | 2021-05-18 | 基于卷积神经网络的信息隐藏方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113393359B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114157773B (zh) * | 2021-12-01 | 2024-02-09 | 杭州电子科技大学 | 基于卷积神经网络和频域注意力的图像隐写方法 |
CN114338093B (zh) * | 2021-12-09 | 2023-10-20 | 上海大学 | 一种通过胶囊网络进行多信道秘密信息传输的方法 |
Citations (4)
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 |
WO2018212811A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Hiding information and images via deep learning |
CN112183109A (zh) * | 2020-09-22 | 2021-01-05 | 甘肃农业大学 | 基于mass的诗句生成信息隐写方法 |
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 |
-
2021
- 2021-05-18 CN CN202110539518.2A patent/CN113393359B/zh active Active
Patent Citations (4)
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 |
WO2018212811A1 (en) * | 2017-05-19 | 2018-11-22 | Google Llc | Hiding information and images via deep learning |
CN112183109A (zh) * | 2020-09-22 | 2021-01-05 | 甘肃农业大学 | 基于mass的诗句生成信息隐写方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN113393359A (zh) | 2021-09-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Stamm et al. | Anti-forensics of digital image compression | |
WO2022127374A1 (zh) | 一种基于卷积神经网络的彩色图像隐写方法 | |
Lu et al. | Secure robust JPEG steganography based on autoencoder with adaptive BCH encoding | |
Al-Frajat et al. | Hiding data in video file: An overview | |
Mat Kiah et al. | A review of audio based steganography and digital watermarking | |
CN113393359B (zh) | 基于卷积神经网络的信息隐藏方法及装置 | |
CN111640444A (zh) | 基于cnn的自适应音频隐写方法和秘密信息提取方法 | |
CN107908969B (zh) | 一种基于空域特性的jpeg图像自适应隐写方法 | |
Zamani et al. | Genetic substitution-based audio steganography for high capacity applications | |
Chen et al. | High-capacity robust image steganography via adversarial network | |
Dhar et al. | Advances in audio watermarking based on singular value decomposition | |
Lu et al. | A robust fractal color image watermarking algorithm | |
Liao et al. | Content‐adaptive steganalysis for color images | |
Boujerfaoui et al. | Image watermarking between conventional and learning-based techniques: a literature review | |
Narula et al. | Comparative analysis of DWT and DWT-SVD watermarking techniques in RGB images | |
Jayanthi et al. | Performance analysis for geometrical attack on digital image watermarking | |
Rahim et al. | Exploiting de-noising convolutional neural networks DnCNNs for an efficient watermarking scheme: a case for information retrieval | |
Zeki et al. | Steganographic software: analysis and implementation | |
Ying et al. | Learning to immunize images for tamper localization and self-recovery | |
Banik et al. | Review on steganography in digital media | |
Verma | Review of steganography techniques | |
Lenarczyk et al. | Parallel blind digital image watermarking in spatial and frequency domains | |
Zeng et al. | Towards Secure and Robust Steganography for Black-box Generated Images | |
CN114630130A (zh) | 一种基于深度学习的换脸视频溯源方法及系统 | |
Kaur et al. | Review on Different Video Watermarking Techniques |
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 |