CN113542767A - 一种信息隐藏图像处理模型构建方法、装置、终端及介质 - Google Patents
一种信息隐藏图像处理模型构建方法、装置、终端及介质 Download PDFInfo
- Publication number
- CN113542767A CN113542767A CN202110796003.0A CN202110796003A CN113542767A CN 113542767 A CN113542767 A CN 113542767A CN 202110796003 A CN202110796003 A CN 202110796003A CN 113542767 A CN113542767 A CN 113542767A
- Authority
- CN
- China
- Prior art keywords
- image
- secret
- loss
- carrier
- 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.)
- Granted
Links
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/46—Embedding additional information in the video signal during the compression process
- H04N19/467—Embedding additional information in the video signal during the compression process characterised by the embedded information being invisible, e.g. 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/65—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using error resilience
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)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本申请公开了一种信息隐藏图像处理模型构建方法、装置、终端及介质。基于本申请提供的方法通过图像转换处理前的载体图像损失和图像转换处理后的秘密图像损失,基于载体图像损失和秘密图像损失对编码器网络和解码器网络进行优化,加强了编码、图像转换以及解码三者间的耦合,提高了可逆信息隐藏技术的编码与解码鲁棒性,进而提高了从经过图像转换处理的载密图像中提取出秘密信息的成功率和准确率。
Description
技术领域
本申请涉及图像处理技术领域,尤其涉及一种信息隐藏图像处理模型构建方法、装置、终端及介质。
背景技术
随着卷积神经网络的蓬勃发展,各种图像处理的处理技术都在深度学习的孕育下不断创新。其中,信息隐藏和图像转换在图像处理的多个领域得到广泛的应用。
信息隐藏又称为图像隐写,通过将载有秘密信息的秘密图像隐藏入与它尺寸相同的载体图像中,从而得到视觉效果与载体图像基本相似但又包含了秘密图像的载密图像。
图像转换是通过将特定图像的风格特征迁移到目标内容图中,使之在保持原内容信息的同时具有与目标图像一样的风格特征。
当前基于深度学习的可逆信息隐藏技术的编码部分与解码部分鲁棒性很差,图像转换过程中容易导致嵌入的秘密信息的破坏,使得载密图像经过图像转换难以从中再次解码到秘密信息,从而限制了图像转换技术和信息隐藏技术的结合。
发明内容
本申请提供了一种信息隐藏图像处理模型构建方法、装置、终端及介质,用于解决现有基于深度学习的可逆信息隐藏技术的编码与解码鲁棒性差的技术问题。
本申请第一方面提供了一种信息隐藏图像处理模型构建方法,包括:
获取载体图像和秘密图像;
通过编码器网络,对所述载体图像和所述秘密图像进行信息隐藏编码处理,得到第一载密图像;
对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果,确定载体图像损失;
通过图像转换网络,对所述第一载密图像进行图像转换处理,得到第二载密图像;
通过解码器网络,对所述第二载密图像进行隐藏信息解码处理,得到解密图像;
对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失;
以图像总损失为优化目标,通过优化算法,对所述编码器网络和所述解码器网络进行优化,得到优化后的编码器网络和解码器网络,其中,所述图像总损失为根据所述载体图像损失和所述秘密图像损失计算得到的;
利用所述优化后的编码器网络、所述优化后的解码器网络以及所述图像转换网络,构建信息隐藏图像处理模型。
优选地,所述对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果确定载体图像损失具体包括:
通过欧氏距离比较方式,对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的欧氏距离,确定载体图像损失。
优选地,所述对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失具体包括:
通过欧氏距离比较方式,对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的欧氏距离,确定秘密图像损失。
优选地,所述图像总损失计算过程具体包括:
计算所述载体图像损失和所述秘密图像损失的加权和,以所述加权和作为所述图像总损失。
优选地,所述图像总损失计算过程具体包括:
计算所述载体图像损失和所述秘密图像损失的和值,以所述和值作为所述图像总损失。
优选地,还包括:
对所述载体图像和/或所述秘密图像进行图像尺寸预处理,使得预处理后的所述载体图像和所述秘密图像尺寸一致。
优选地,所述优化算法具体为Adam优化算法。
本申请第二方面提供了一种信息隐藏图像处理模型构建装置,包括:
图像获取单元,用于获取载体图像和秘密图像;
编码处理单元,用于通过编码器网络,对所述载体图像和所述秘密图像进行信息隐藏编码处理,得到第一载密图像;
载体图像损失确定单元,用于对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果,确定载体图像损失;
图像转换单元,用于通过图像转换网络,对所述第一载密图像进行图像转换处理,得到第二载密图像;
解码处理单元,用于通过解码器网络,对所述第二载密图像进行隐藏信息解码处理,得到解密图像;
秘密图像损失确定单元,用于对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失;
优化处理单元,用于以图像总损失为优化目标,通过优化算法,对所述编码器网络和所述解码器网络进行优化,得到优化后的编码器网络和解码器网络,其中,所述图像总损失为根据所述载体图像损失和所述秘密图像损失计算得到的;
模型构建单元,用于利用所述优化后的编码器网络、所述优化后的解码器网络以及所述图像转换网络,构建信息隐藏图像处理模型。
本申请第三方面提供了一种信息隐藏图像处理模型构建终端,包括:存储器和处理器;
所述存储器用于存储程序代码,所述程序代码与如本申请第一方面提供的信息隐藏图像处理模型构建方法相对应;
所述处理器用于执行所述程序代码。
本申请第四方面提供了一种计算机可读存储介质,所述计算机可读存储介质中保存有与如本申请第一方面提供的信息隐藏图像处理模型构建方法相对应的程序代码。
从以上技术方案可以看出,本申请具有以下优点:
基于本申请提供的方法通过图像转换处理前的载体图像损失和图像转换处理后的秘密图像损失,基于载体图像损失和秘密图像损失对编码器网络和解码器网络进行优化,加强了编码、图像转换以及解码三者间的耦合,提高了可逆信息隐藏技术的编码与解码鲁棒性,进而提高了从经过图像转换处理的载密图像中提取出秘密信息的成功率和准确率。
附图说明
为了更清楚地说明本申请实施例或现有技术中的技术方案,下面将对实施例或现有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申请的一些实施例,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。
图1为本申请提供的一种信息隐藏图像处理模型构建方法的第一个实施例的流程示意图。
图2为本申请提供的一种信息隐藏图像处理模型构建方法的第二个实施例的流程示意图。
图3为本申请提供的一种信息隐藏图像处理模型构建装置的一个实施例的结构示意图。
图4为编码器网络、图像转网络和解码器网络的技术总框架示意图。
图5为本申请提供的信息隐藏图像处理模型构建方法的算法逻辑流程图。
图6为编码器网络和解码器网络的逻辑框图。
具体实施方式
本申请实施例提供了一种信息隐藏图像处理模型构建方法、装置、终端及介质,用于解决现有基于深度学习的可逆信息隐藏技术的编码与解码鲁棒性差的技术问题。
为使得本申请的发明目的、特征、优点能够更加的明显和易懂,下面将结合本申请实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本申请一部分实施例,而非全部的实施例。基于本申请中的实施例,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它实施例,都属于本申请保护的范围。
请参阅图1,本申请第一个实施例提供了一种信息隐藏图像处理模型构建方法,包括:
步骤101、获取载体图像和秘密图像。
步骤102、通过编码器网络,对载体图像和秘密图像进行信息隐藏编码处理,得到第一载密图像。
需要说明的是,首先,获取载体图像和秘密图像,通过编码器网络,基于获取到的载体图像和秘密图像进行信息隐藏编码处理,得到第一载密图像。
步骤103、对第一载密图像与载体图像进行比较,以根据第一载密图像与载体图像的比较结果,确定载体图像损失。
然后基于步骤102得到的第一载密图像与原始的载体图像进行比较,通过比较得到第一载密图像与载体图像的比较结果,以便根据该比较结果,确定载体图像损失。
步骤104、通过图像转换网络,对第一载密图像进行图像转换处理,得到第二载密图像。
基于步骤102获得的第一载密图像,利用图像转换网络对其进行图像转换的处理,从而得到图像转换后的载密图像,即本申请的第二载密图像。
步骤105、通过解码器网络,对第二载密图像进行隐藏信息解码处理,得到解密图像。
步骤106、对解密图像与秘密图像进行比较,以根据解密图像与秘密图像的比较结果,确定秘密图像损失。
基于步骤104得到的第二载密图像,通过解码器网络对其进行隐藏信息解码处理,从而得到相应的解密图像。
然后利用该解密图像与原始的秘密图像进行比较,以便根据得到的比较结果,确定解密图像与秘密图像之间的秘密图像损失。
步骤107、以图像总损失为优化目标,通过优化算法,对编码器网络和解码器网络进行优化,得到优化后的编码器网络和解码器网络。
其中,图像总损失为根据载体图像损失和秘密图像损失计算得到的。
步骤108、利用优化后的编码器网络、优化后的解码器网络以及图像转换网络,构建信息隐藏图像处理模型。
基于步骤103获得的载体图像损失和步骤106获得的秘密图像损失,计算出相应的图像总损失,然后以图像总损失为优化目标,通过优化算法,对编码器网络和解码器网络进行训练优化,再利用优化后的编码器网络和解码器网络构建出相应的信息隐藏图像处理模型,以便利用该模型的编码器网络和解码器网络,对待处理的载体图像和秘密图像进行信息隐藏编解码处理。
本申请实施例提供的方法基于载体图像损失和秘密图像损失对编码器网络和解码器网络进行优化,加强了编码、图像转换以及解码三者间的耦合,提高了可逆信息隐藏技术的编码与解码鲁棒性,进而提高了从经过图像转换处理的载密图像中提取出秘密信息的成功率和准确率。
以上为本申请提供的一种信息隐藏图像处理模型构建方法的第一个实施例的详细说明,下面为本申请在第一个实施例的基础上所提供的一种信息隐藏图像处理模型构建方法的第二个实施例的详细说明。
请参阅图2,本申请第二个实施例提供的一种信息隐藏图像处理模型构建方法,包括:
在第一个实施例的基础上,更具体地,在本实施例中,实施例一中的步骤103可以进一步细化为:
步骤103、通过欧氏距离比较方式,对第一载密图像与载体图像进行比较,以根据第一载密图像与载体图像的欧氏距离,确定载体图像损失。
更具体地,实施例一当中的步骤106可以进一步细化为:
步骤106、通过欧氏距离比较方式,对解密图像与秘密图像进行比较,以根据解密图像与秘密图像的欧氏距离,确定秘密图像损失。
更具体地,图像总损失计算过程具体包括:
计算载体图像损失和秘密图像损失的加权和,以加权和作为图像总损失。
更具体地,图像总损失计算过程具体包括:
计算载体图像损失和秘密图像损失的和值,以和值作为图像总损失。
更具体地,还包括:
步骤100、对载体图像和/或秘密图像进行图像尺寸预处理,使得预处理后的载体图像和秘密图像尺寸一致。
更具体地,优化算法具体为Adam优化算法。
本申请目的在于搭建总网络模型,即信息隐藏图像处理模型,该网络模型主要由编码器网络、图像转网络和解码器网络构成,技术总框架流程如图4所示;
如图5所示,分别构造一个将秘密图像嵌入载体图像的编码器网络和将秘密图像从载密图像中解码出来的解码器网络;
其中,编码器网络Hnet和解码器网络Rnet分别由若干个卷积层构成,具体如图6所示;
将载体图像和秘密图像集依次输入编码器网络,获得载密图像;然后根据载体图像和载密图像计算载体图像损失:此过程具体包括:
(1)将秘密图像S与载体图像C都处理成统一的大小,优选为224×224;
(2)将秘密图像S和载体图像C输入到编码器网络Hnet中,前向传播,得到视觉效果与载体图像C基本相似的载密图像Stego;
(3)载体图像损失为载体图像C和载密图像Stego的欧式距离,计算公式如下:
其中,C表示载体图像,Stego表示第一载密图像,l(C,Stego)为载体图像损失;
将获得的载密图像输入图像转换模型中,得到载密图像的图像转换效果图;
上述图像转换网络为当前任意图像转换技术对应的模型网络;
将载密图像Stego输入到上述图像转换模型中,获得载密图像Stego的图像转换效果图Stego',即第二载密图像;
将载密图像的图像转换效果图Stego'输入解码器网络Rnet中,得到解密图像S',再由原秘密图像S和解密图像S'计算秘密图像损失l(S,S'),秘密图像损失为原秘密图像S和解密图像S'的欧式距离,计算公式如下:
将上述载密图像损失l(C,Stego)和秘密图像损失l(S,S')的加权和作为模型的图像总损失ltotal,总损失计算公式如下:
ltotal=αl(C,Stego)+βl(S,S') (3)
其中,α和β为常数,分别代表封面损失l(C,Stego)和秘密损失l(S,S')的权重,此外除了加权后外,也可以采用载密图像损失与秘密图像损失之和作为图像总损失;
然后的基于图像总损失进行优化训练,通过从数据集中随机选取53228张图像,把其中26614张作为载体图像数据集,剩余图像作为秘密图像数据集;
利用载体图像数据集和秘密图像数据集的图像,重复训练优化编码器网络Hnet和解码器网络Rnet,训练中,学习率可以设置为1×103,迭代次数为100次,使用adam优化算法优化网络;
经过100次迭代训练后,当模型的总损失收敛并且为最小值,编码器网络Hnet编码得到的载密图像Stego与载体图像C在视觉上基本无差别,而且经过解码器网络Rnet获取解密图像S'与初始的秘密图像S相似度高。
通过替换不同的图像转换网络,可以实现将信息隐藏技术与任意图像转换技术结合,提高了技术的灵活度和应用性。
以上为本申请提供的一种信息隐藏图像处理模型构建方法的第二个实施例的详细说明,下面为本申请提供的一种信息隐藏图像处理模型构建装置的一个实施例的详细说明。
请参阅图3,本申请第三个实施例提供了一种信息隐藏图像处理模型构建装置,包括:
图像获取单元201,用于获取载体图像和秘密图像;
编码处理单元202,用于通过编码器网络,对载体图像和秘密图像进行信息隐藏编码处理,得到第一载密图像;
载体图像损失确定单元203,用于对第一载密图像与载体图像进行比较,以根据第一载密图像与载体图像的比较结果,确定载体图像损失;
图像转换单元204,用于通过图像转换网络,对第一载密图像进行图像转换处理,得到第二载密图像;
解码处理单元205,用于通过解码器网络,对第二载密图像进行隐藏信息解码处理,得到解密图像;
秘密图像损失确定单元206,用于对解密图像与秘密图像进行比较,以根据解密图像与秘密图像的比较结果,确定秘密图像损失;
优化处理单元207,用于以图像总损失为优化目标,通过优化算法,对编码器网络和解码器网络进行优化,得到优化后的编码器网络和解码器网络,其中,图像总损失为根据载体图像损失和秘密图像损失计算得到的;
模型构建单元208,用于利用优化后的编码器网络、优化后的解码器网络以及图像转换网络,构建信息隐藏图像处理模型。
另外,本申请第四个实施例提供了一种信息隐藏图像处理模型构建终端,包括:存储器和处理器;
存储器用于存储程序代码,程序代码与如本申请第一个实施例或第二个实施例提供的信息隐藏图像处理模型构建方法相对应;
处理器用于执行程序代码。
本申请第五个实施例提供了一种计算机可读存储介质,计算机可读存储介质中保存有与如本申请第一个实施例或第二个实施例提供的信息隐藏图像处理模型构建方法相对应的程序代码。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的终端,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的终端,装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
本申请的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例,例如能够以除了在这里图示或描述的那些以外的顺序实施。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
所述作为分离部件说明的单元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单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围。
Claims (10)
1.一种信息隐藏图像处理模型构建方法,其特征在于,包括:
获取载体图像和秘密图像;
通过编码器网络,对所述载体图像和所述秘密图像进行信息隐藏编码处理,得到第一载密图像;
对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果,确定载体图像损失;
通过图像转换网络,对所述第一载密图像进行图像转换处理,得到第二载密图像;
通过解码器网络,对所述第二载密图像进行隐藏信息解码处理,得到解密图像;
对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失;
以图像总损失为优化目标,通过优化算法,对所述编码器网络和所述解码器网络进行优化,得到优化后的编码器网络和解码器网络,其中,所述图像总损失为根据所述载体图像损失和所述秘密图像损失计算得到的;
利用所述优化后的编码器网络、所述优化后的解码器网络以及所述图像转换网络,构建信息隐藏图像处理模型。
2.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,所述对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果确定载体图像损失具体包括:
通过欧氏距离比较方式,对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的欧氏距离,确定载体图像损失。
3.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,所述对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失具体包括:
通过欧氏距离比较方式,对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的欧氏距离,确定秘密图像损失。
4.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,所述图像总损失计算过程具体包括:
计算所述载体图像损失和所述秘密图像损失的加权和,以所述加权和作为所述图像总损失。
5.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,所述图像总损失计算过程具体包括:
计算所述载体图像损失和所述秘密图像损失的和值,以所述和值作为所述图像总损失。
6.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,还包括:
对所述载体图像和/或所述秘密图像进行图像尺寸预处理,使得预处理后的所述载体图像和所述秘密图像尺寸一致。
7.根据权利要求1所述的一种信息隐藏图像处理模型构建方法,其特征在于,所述优化算法具体为Adam优化算法。
8.一种信息隐藏图像处理模型构建装置,其特征在于,包括:
图像获取单元,用于获取载体图像和秘密图像;
编码处理单元,用于通过编码器网络,对所述载体图像和所述秘密图像进行信息隐藏编码处理,得到第一载密图像;
载体图像损失确定单元,用于对所述第一载密图像与所述载体图像进行比较,以根据所述第一载密图像与所述载体图像的比较结果,确定载体图像损失;
图像转换单元,用于通过图像转换网络,对所述第一载密图像进行图像转换处理,得到第二载密图像;
解码处理单元,用于通过解码器网络,对所述第二载密图像进行隐藏信息解码处理,得到解密图像;
秘密图像损失确定单元,用于对所述解密图像与所述秘密图像进行比较,以根据所述解密图像与所述秘密图像的比较结果,确定秘密图像损失;
优化处理单元,用于以图像总损失为优化目标,通过优化算法,对所述编码器网络和所述解码器网络进行优化,得到优化后的编码器网络和解码器网络,其中,所述图像总损失为根据所述载体图像损失和所述秘密图像损失计算得到的;
模型构建单元,用于利用所述优化后的编码器网络、所述优化后的解码器网络以及所述图像转换网络,构建信息隐藏图像处理模型。
9.一种信息隐藏图像处理模型构建终端,其特征在于,包括:存储器和处理器;
所述存储器用于存储程序代码,所述程序代码与如权利要求1至7任意一项所述的信息隐藏图像处理模型构建方法相对应;
所述处理器用于执行所述程序代码。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中保存有与如权利要求1至7任意一项所述的信息隐藏图像处理模型构建方法相对应的程序代码。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796003.0A CN113542767B (zh) | 2021-07-14 | 2021-07-14 | 一种信息隐藏图像处理模型构建方法、装置、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110796003.0A CN113542767B (zh) | 2021-07-14 | 2021-07-14 | 一种信息隐藏图像处理模型构建方法、装置、终端及介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113542767A true CN113542767A (zh) | 2021-10-22 |
CN113542767B CN113542767B (zh) | 2022-06-10 |
Family
ID=78127987
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110796003.0A Active CN113542767B (zh) | 2021-07-14 | 2021-07-14 | 一种信息隐藏图像处理模型构建方法、装置、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113542767B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019237045A1 (en) * | 2018-06-08 | 2019-12-12 | Digimarc Corporation | Generating signal bearing art using stipple, voronoi and delaunay methods and reading same |
CN111711821A (zh) * | 2020-06-15 | 2020-09-25 | 南京工程学院 | 基于深度学习的信息隐藏方法 |
WO2020256718A1 (en) * | 2019-06-19 | 2020-12-24 | Google Llc | Improved image watermarking |
CN112183150A (zh) * | 2020-10-16 | 2021-01-05 | 上海了物网络科技有限公司 | 图像二维码及其制备方法、解析装置和解析方法 |
CN112597509A (zh) * | 2020-12-03 | 2021-04-02 | 华南师范大学 | 一种融合小波和自编码器的信息隐藏方法及系统 |
-
2021
- 2021-07-14 CN CN202110796003.0A patent/CN113542767B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019237045A1 (en) * | 2018-06-08 | 2019-12-12 | Digimarc Corporation | Generating signal bearing art using stipple, voronoi and delaunay methods and reading same |
WO2020256718A1 (en) * | 2019-06-19 | 2020-12-24 | Google Llc | Improved image watermarking |
CN111711821A (zh) * | 2020-06-15 | 2020-09-25 | 南京工程学院 | 基于深度学习的信息隐藏方法 |
CN112183150A (zh) * | 2020-10-16 | 2021-01-05 | 上海了物网络科技有限公司 | 图像二维码及其制备方法、解析装置和解析方法 |
CN112597509A (zh) * | 2020-12-03 | 2021-04-02 | 华南师范大学 | 一种融合小波和自编码器的信息隐藏方法及系统 |
Non-Patent Citations (3)
Title |
---|
HANMIN YE 等: "Research on Information Hiding Method Based on Encrypted Image", 《2019 4TH INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION PROCESSING (ICIIP 2019)》, 17 November 2019 (2019-11-17) * |
HSIANG-CHEH HUANG 等: "Content-Adaptive Multi-Level Data Embedding for Lossless Data Hiding", 《2011 SEVENTH INTERNATIONAL CONFERENCE ON INTELLIGENT INFORMATION HIDING AND MULTIMEDIA SIGNAL PROCESSING》, 16 October 2011 (2011-10-16) * |
姜波: "HEVC视频信息隐藏技术研究", 《中国优秀硕士学位论文》, 15 April 2019 (2019-04-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN113542767B (zh) | 2022-06-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110378334B (zh) | 一种基于二维特征注意力机制的自然场景文本识别方法 | |
CN110781433B (zh) | 数据类型的确定方法和装置、存储介质及电子装置 | |
CN111783875A (zh) | 基于聚类分析的异常用户检测方法、装置、设备及介质 | |
CN108171663B (zh) | 基于特征图最近邻替换的卷积神经网络的图像填充系统 | |
CN112418292B (zh) | 一种图像质量评价的方法、装置、计算机设备及存储介质 | |
CN112257437B (zh) | 语音识别纠错方法、装置、电子设备和存储介质 | |
CN113283238B (zh) | 文本数据处理的方法和装置、电子设备和存储介质 | |
CN111260220B (zh) | 群控设备识别方法、装置、电子设备和存储介质 | |
CN115222630A (zh) | 图像生成方法、图像去噪模型的训练方法和设备 | |
CN109147868A (zh) | 蛋白质功能预测方法、装置、设备及存储介质 | |
JP2023062150A (ja) | 文字認識モデルトレーニング、文字認識方法、装置、機器及び媒体 | |
Wei et al. | A robust image watermarking approach using cycle variational autoencoder | |
CN115830723A (zh) | 一种训练集图像的相关方法和相关装置 | |
CN113542767B (zh) | 一种信息隐藏图像处理模型构建方法、装置、终端及介质 | |
CN113903420A (zh) | 一种语义标签确定模型的构建方法、病历解析方法 | |
CN110659641A (zh) | 一种文字识别的方法、装置及电子设备 | |
CN111368552A (zh) | 一种面向特定领域的网络用户群组划分方法及装置 | |
CN114390154B (zh) | 基于信道匹配网络选择嵌入通道的鲁棒隐写方法及系统 | |
CN115545035A (zh) | 一种文本实体识别模型及其构建方法、装置及应用 | |
CN115564970A (zh) | 一种网络攻击追踪溯源方法、系统及可存储介质 | |
CN112989815A (zh) | 基于信息交互的文本相似度识别方法、装置、设备及介质 | |
CN112950501A (zh) | 基于噪声场的图像降噪方法、装置、设备及存储介质 | |
CN114817937A (zh) | 键盘加密方法、设备、存储介质及计算机程序产品 | |
CN111870958A (zh) | 一种道具推荐方法、装置、电子设备和存储介质 | |
CN111008276A (zh) | 一种完整实体关系抽取方法及装置 |
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 |