CN113794812A - 基于图像信道选择和特征一致性的隐蔽通信方法 - Google Patents
基于图像信道选择和特征一致性的隐蔽通信方法 Download PDFInfo
- Publication number
- CN113794812A CN113794812A CN202110929277.2A CN202110929277A CN113794812A CN 113794812 A CN113794812 A CN 113794812A CN 202110929277 A CN202110929277 A CN 202110929277A CN 113794812 A CN113794812 A CN 113794812A
- Authority
- CN
- China
- Prior art keywords
- image
- depth
- hash
- secret information
- deep
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004891 communication Methods 0.000 title claims abstract description 34
- 238000013507 mapping Methods 0.000 claims abstract description 34
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 12
- 230000001174 ascending effect Effects 0.000 claims description 8
- 230000009286 beneficial effect Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000003064 k means clustering Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 2
- 230000002349 favourable effect Effects 0.000 abstract 1
- 238000012986 modification Methods 0.000 description 6
- 230000004048 modification Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 241000272814 Anser sp. Species 0.000 description 1
- 235000002566 Capsicum Nutrition 0.000 description 1
- 241000282575 Gorilla Species 0.000 description 1
- 239000006002 Pepper Substances 0.000 description 1
- 235000016761 Piper aduncum Nutrition 0.000 description 1
- 235000017804 Piper guineense Nutrition 0.000 description 1
- 244000203593 Piper nigrum Species 0.000 description 1
- 235000008184 Piper nigrum Nutrition 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 150000003839 salts Chemical class 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- 238000013519 translation 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Probability & Statistics with Applications (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像信道选择和特征一致性的隐蔽通信方法。本发明利用卷积神经网络提取图像的深度哈希作为候选图像选择和秘密信息映射两个过程的特征,有助于鲁棒性的提升。利用聚类算法选择候选图像,降低了候选图像的选择难度。设计了一个映射规则,将秘密信息和候选图像建立了联系。在发送端,根据映射规则可由秘密信息映射到深度哈希,带有该深度哈希的候选图像即为隐藏该秘密信息的含密图像,将该含密图像发送给接收者。在接收端,接收者收到该含密图像,首先利用卷积神经网络提取其深度哈希,然后依据映射规则将该深度哈希映射出秘密信息,即实现了隐蔽通信的目的。
Description
技术领域
本发明涉及隐蔽通信技术领域,特别是涉及基于图像信道选择和特征一致性的隐蔽通信方法。
背景技术
随着多媒体和互联网技术的发展,信息安全受到了越来越多的重视。为了保护秘密信息不被他人获取,隐蔽通信技术被提了出来并得到了快速的发展。由于图像这一数字媒体被广泛应用在互联网以及各种社交软件中,因此许多的研究者选择以图像为信道来隐藏秘密信息,进而实现隐蔽通信的目的。
现有的基于图像信道的隐蔽通信方法可以分为两类:基于图像信道修改的隐蔽通信方法和基于图像信道选择的隐蔽通信方法。在基于图像信道修改的隐蔽通信方法中,通常需要对图像信道进行调整以满足隐藏秘密信息的需求。典型的方法有基于最低有效位替换(Least significant bit,LSB)的方法、基于预测差值扩张(Prediction errorexpansion,PEE)的方法以及基于变换域(DCT、DWT等)的方法等。在这些隐蔽通信方法中,通过LSB、PEE、DCT或DWT等技术手段直接或间接修改图像信道,使图像信道适合于隐藏秘密信息。这些修改后的含密图像有可能被现有的一些隐写分析工具分析出该含密图像含有秘密信息,从而造成了一定的不安全性。
为了从根本上解决含密图像可能被隐写分析工具分析出携带秘密信息这一问题,一些学者提出了基于图像信道选择的隐蔽通信方法。在基于图像信道选择的隐蔽通信方法中,通过某种映射规则将秘密信息直接与图像信道建立了联系。在这种映射关系下,可以由图像直接表示秘密信息,而不需要对图像做任何修改。没有任何修改的图像信道从根本上避免了被隐写分析工具分析的可能。在这些基于图像信道选择的隐蔽通信方法中,一般的做法是直接选择图像隐藏秘密信息,在这些方法中,首先提取图像的某种特征,然后建立一个特征与秘密信息的映射规则,最后通过该映射规则实现了秘密信息和图像的关联。这样,就能根据秘密信息直接从图像数据库中选择合适的图像作为信道来隐藏该秘密信息。此类的方法较为简单,但是鲁棒性较差且有可能索引不出来合适的能够隐藏秘密信息的图像信道。另一种基于图像信道选择的隐蔽通信方法的做法是首先通过分类或检索等方法从图像数据库中选择出来一些候选图像,然后再用这些候选图像与秘密信息建立映射。此类的方法虽然在一定程度上提升了鲁棒性,但是在候选图像选择和秘密信息映射的两个过程中所用到的特征通常是不一致的,不一致的特征可能会产生语义鸿沟问题,进而影响整个方法的性能。
发明内容
为了解决现有技术的不足,本发明提供了一种基于图像信道选择和特征一致性的隐蔽通信方法。与传统的基于图像信道选择的隐蔽通信方法相比,本发明在候选图像选择和秘密信息映射的两个过程中用到的特征都是由卷积神经网络提取的深度哈希,一致的特征避免了语义上的鸿沟,能够有效的提高隐蔽通信的鲁棒性。同时,本发明利用聚类算法从原始图像数据集中预先选择候选图像用来下一步的隐藏秘密信息,极大的降低了索引图像信道的难度。另外,本发明设计了一个深度哈希和秘密信息片段的映射规则,实现了将高维深度哈希与低维秘密信息的映射。
本发明采用的技术方案如下:
一种基于图像信道选择和特征一致性的隐蔽通信方法,在候选图像选择和秘密信息映射这两个过程中均使用通过深度神经网络提取的一致的图像深度哈希,一致的哈希特征有助于提高隐蔽通信的鲁棒性;同时,利用聚类算法对所述图像深度哈希聚类得到K个候选图像信道,有助于降低检索图像信道的难度;最后,通过映射规则将K个候选图像、K个候选图像的深度哈希和K条秘密信息映射起来,实现隐蔽通信的目的,该方法包括以下步骤:
S1、获取原始图像数据集,利用卷积神经网络提取每幅图像的深度哈希;
S2、利用聚类算法对提取到的深度哈希进行聚类,得到聚类后的K个簇和K个类中心;
S3、对于每一个簇,查找与该簇的类中心距离最近的深度哈希,对于K个簇得到K个深度哈希,将携带K个深度哈希的K个图像作为下一步隐藏秘密信息的K个候选图像;
S4、将K个深度哈希按照哈希的十进制数值大小升序排列,同时将K条秘密信息按照十进制数值的大小升序排列,然后将排序后的K个深度哈希和K条秘密信息进行一一映射;
S5、发送者对于欲隐藏的秘密信息片段,通过构建的映射规则索引出相对应的候选图像作为隐藏该秘密信息的含密图像,发送给接收者;
S6、接收者收到含密图像后,首先由卷积神经网络提取其深度哈希,然后通过与发送者一致的映射规则映射得到秘密信息。
进一步地,步骤S1具体包括:
获取原始图像数据集后,利用卷积神经网络CNN-F提取每一幅图像的深度特征,提取到的每一幅图像的深度特征均为4096维,记为F={f1,f2,…,f4096}。
然后将该深度特征归一化,归一化公式为:
其中,fmin是{f1,f2,…,f4096}中的最小值,fmax是{f1,f2,…,f4096}中的最大值,ft为任意一维特征的数值;
最后,归一化的深度特征被转化为深度哈希H={h1,h2,…,h4096},转化公式为:
其中,ht为深度哈希H中任意一维的比特数值(0或1)。
进一步地,步骤S2具体包括:
计算深度哈希的十进制数值,按照数值对深度哈希升序排列。计算深度哈希十进制数值的公式为:
其中,V(H)为深度哈希H的十进制数值,ht为深度哈希H中任意1维的比特数值(0或1)。
然后,将该按照升序排列的深度哈希分为K个部分,每一部分含有numn个深度哈希。numn的计算公式为:
对于每一部分深度哈希而言,如果numn为奇数,则位于中间位置的深度哈希被选择作为初始类中心;如果numn为偶数,则位于中间位置的前一个深度哈希被选择作为初始类中心;
当聚类中心不在改变或者K-Means聚类算法的迭代次数达到了预先定义的最大迭代次数时,K-Means聚类算法终止,得到聚类后的K个簇和K个类中心。
进一步地,步骤S3具体包括:
聚类后的每一个簇有若干个深度哈希和一个类中心,计算每一个深度哈希到类中心的距离公式为:
d=||H-C||
其中,H为簇中的某一个深度哈希,C为簇的类中心,d为深度哈希到类中心的距离。根据此距离公式,可以得到该簇中距离类中心最近的深度哈希;然后从原始图像数据库中索引出含有该深度哈希的图像,选择一个图像信道作为下一步隐藏秘密信息的候选图像。
进一步地,步骤S4具体包括:
K个深度哈希的十进制数值的计算公式为:
其中,Hi为第i(1≤i≤K)个深度哈希,V(Hi)为深度哈希Hi的十进制数值,ht为深度哈希Hi中任意一维的比特数值(0或1);
每一个秘密信息片段的长度计算公式为:
其中,K为候选图像的数量,L为每一段秘密信息的长度。K个秘密信息片段的十进制数值的计算公式为:
其中,Si为第i(1≤i≤K)个秘密信息片段,V(Si)为秘密信息片段Si的十进制数值,st为秘密信息Si中任意一维的比特数值。
与现有技术相比,本发明具有如下有益效果:
1、与现有技术相比,本发明提出基于图像信道选择的隐蔽通信方法,利用图像深度哈希与秘密信息的映射规则来选择能够隐藏信息的图像信道,不对图像做任何修改,从根本上保证了含密图像不会被隐写分析工具分析出来,有效提升了隐蔽通信的安全性;
2、与现有技术相比,本发明提出基于特征一致性的隐蔽通信方法,将由卷积神经网络提取到的图像深度哈希应用在候选图像选择和秘密信息映射两个过程,避免了两个过程中的语义鸿沟,有效的提升了利用图像信道隐藏秘密信息的鲁棒性;
3、与现有技术相比,本发明提出利用无监督聚类方法对原始图像数据集聚类选择出候选图像,有效降低了候选图像选择的难度;同时利用聚类算法选出来的候选图像在特征域中的距离较大,有助于鲁棒性的提升。
附图说明
图1为本发明的实现流程图;
图2为秘密信息与候选图像及深度哈希映射规则图;
图3为经过处理算法攻击后的部分图像示意图,其中(a)为经过JPEG压缩后的图像;(b)为添加高斯噪声后的图像;(c)为添加椒盐噪声后的图像;(d)为添加散斑噪声后的图像;(e)为经过高斯滤波后的图像;(f)为经过中心剪切后的图像;(g)为经过周围剪切后的图像;(h)为经过旋转后的图像;(i)为经过平移后的图像;(j)经过尺度缩放后的图像;(k)为经过颜色直方图均衡化的图像;(l)为经过伽马校正后的图像。
具体实施方式
下面结合附图对本发明作进一步描述。此处所描述的具体实施例仅用于更加清楚地说明本发明,并不能以此限定本发明的保护范围。参见图1、图2和图3,本发明借助秘密信息S=‘0000000111111111000000’来阐述其隐藏与提取的具体实施方法。
在发送端,将秘密信息S=‘0000000111111111000000’隐藏在图像信道的具体步骤为:
S1、本实施例选取Caltech-256图像数据集中标签为“001.ak47”、“085.goat”、“086.goldengate-bridge”、“087.measuring”、“089.goose”、“090.gorilla”和“092.grapes”的总共903张图像作为本发明的原始图像数据集。对于此903张图像中的任一图像,利用卷积神经网络CNN-F提取其4096维深度特征,记为F={f1,f2,…,f4096},然后将该深度特征归一化,归一化公式为:
其中,fmin是{f1,f2,…,f4096}中的最小值,fmax是{f1,f2,…,f4096}中的最大值,ft为任意一维特征的数值。
最后,归一化的深度特征被转化为深度哈希H={h1,h2,…,h4096},转化公式为:
其中,ht为深度哈希H中任意一维的比特数值(0或1)。至此,903个深度哈希被提取出来;
S2、本实施例中设定K=256,即候选图像的数量为256。利用K-Means算法对得到的903个深度哈希聚类,聚成256个簇。聚类后的每一个簇有若干个深度哈希和一个类中心,计算每一个深度哈希到类中心的距离公式为:
d=||H-C||
其中,H为簇中的某一个深度哈希,C为簇的类中心,d为深度哈希到类中心的距离。根据此距离公式,可以得到该簇中距离类中心最近的深度哈希;然后从903张图像中索引出含有该深度哈希的图像,选择一个图像信道作为下一步隐藏秘密信息的候选图像。对于256个簇,可以得到256个候选图像;
S3、一张图像能够隐藏的比特容量计算公式为:
其中,K=256为候选图像的数量,L为一张图像能够隐藏的比特容量。由公式计算得到一张图像能够隐藏的比特容量为:L=8。
在秘密信息S后面补2个零,使秘密信息S能够被8整除,补零后的秘密信息为‘000000011111111100000000’,并将该秘密信息分为3段,分别为:‘00000001’、‘11111111’和‘00000000’。补的这2个零要被记录下来,后面和K值共同作为辅助信息发送给接收者;
S4、针对这3个秘密信息片段,分别由图2所示的映射规则从256张候选图像中索引出3个对应的候选图像作为隐藏该3个秘密信息片段的图像信道,隐藏秘密信息后的候选图像被称为含密图像。根据图2映射规则可知,秘密信息片段‘00000001’与标签为ID4的候选图像对应,因此由秘密信息片段‘00000001’可根据映射规则从候选图像中索引出标签为ID4的候选图像作为隐藏该秘密信息片段的信道。同理,可从候选图像中索引出标签为ID26和ID8的候选图像作为隐藏秘密信息片段‘11111111’和‘00000000’的信道;
S5、将补零记录和K值发送给接收者,用于保证在接收端能够正确的提取出秘密信息。同时,为了提高隐蔽通信的安全性,本发明利用经典的流加密算法对补零记录和K值加密,用来加密的密钥仅为发送方和接收方所有。加密后的补零记录和K值作为辅助信息有助于在接收端正确提取秘密信息,且不会被监听者获得真实信息;
S6、将标签为ID4、ID26和ID8的含密图像以及辅助信息依次发送给接收者。在传输过程中,含密图像可能会受到各种处理,比如剪切、旋转、平移、压缩等。一些处理后的图像如图3所示。如果含密图像受到处理,那么在接收端,接收者收到的含密图像为处理后的含密图像。在接收端,接收者收到3个携带秘密信息的含密图像和辅助信息后,提取出秘密信息S=‘0000000111111111000000’的具体步骤为:
S1、利用流加密技术从辅助信息提取出补零记录为2个补零和K值为256,进而得到一张图像隐藏的信息容量L为8比特,计算公式为:
S2、对于接收到的3个携带秘密信息的含密图像,分别用卷积神经网络CNN-F提取出其深度哈希,并计算这3个含密图像的深度哈希与256个候选图像的深度哈希的距离。距离计算公式为:
d=||Hsj-Hi||
其中,Hsj(j=1,2,3)为3个含密图像的深度哈希,Hi(1≤i≤256)为256个候选图像的深度哈希。通过此距离公式可查找出与3个含密图像距离最近的候选图像,进而判断出3个含密图像的标签为ID4、ID26和ID8;
S3、根据图2映射规则,由标签为ID4、ID26和ID8的含密图像索引出秘密信息片段分别为‘00000001’、‘11111111’和‘00000000’并连接起来得到‘000000011111111100000000’,根据补零记录去除末位2个0得到秘密信息S=‘0000000111111111000000’。
以上所述仅仅是本发明的优选实施方式,只用于对本发明的进一步说明,不能用于限定本发明的保护范围,本领域的技术人员根据上述发明的内容对本发明做出一些改进和变形,这些改进和变形均落入本发明的保护范围之内。
Claims (5)
1.一种基于图像信道选择和特征一致性的隐蔽通信方法,其特征在于:在候选图像选择和秘密信息映射这两个过程中均使用通过深度神经网络提取的一致的图像深度哈希,一致的哈希特征有助于提高隐蔽通信的鲁棒性;同时,利用聚类算法对所述图像深度哈希聚类得到K个候选图像信道,有助于降低检索图像信道的难度;最后,通过映射规则将K个候选图像、K个候选图像的深度哈希和K条秘密信息映射起来,实现隐蔽通信的目的,该方法包括以下步骤:
S1、获取原始图像数据集,利用卷积神经网络提取每幅图像的深度哈希;
S2、利用聚类算法对提取到的深度哈希进行聚类,得到聚类后的K个簇和K个类中心;
S3、对于每一个簇,查找与该簇的类中心距离最近的深度哈希,对于K个簇得到K个深度哈希,将携带K个深度哈希的K个图像作为下一步隐藏秘密信息的K个候选图像;
S4、将K个深度哈希按照哈希的十进制数值大小升序排列,同时将K条秘密信息按照十进制数值的大小升序排列,然后将排序后的K个深度哈希和K条秘密信息进行一一映射;
S5、发送者对于欲隐藏的秘密信息片段,通过构建的映射规则索引出相对应的候选图像作为隐藏该秘密信息的含密图像,发送给接收者;
S6、接收者收到含密图像后,首先由卷积神经网络提取其深度哈希,然后通过与发送者一致的映射规则映射得到秘密信息。
3.根据权利要求1所述的基于图像信道选择和特征一致性的隐蔽通信方法,其特征在于:步骤S2具体包括:
计算深度哈希的十进制数值,按照数值对深度哈希升序排列,计算深度哈希十进制数值的公式为:
其中,V(H)为深度哈希H的十进制数值,ht为深度哈希H中任意1维的比特数值。
然后,将该按照升序排列的深度哈希分为K个部分,每一部分含有numn个深度哈希,numn的计算公式为:
对于每一部分深度哈希而言,如果numn为奇数,则位于中间位置的深度哈希被选择作为初始类中心;如果numn为偶数,则位于中间位置的前一个深度哈希被选择作为初始类中心;
当聚类中心不在改变或者K-Means聚类算法的迭代次数达到了预先定义的最大迭代次数时,K-Means聚类算法终止,得到聚类后的K个簇和K个类中心。
4.根据权利要求1所述的基于图像信道选择和特征一致性的隐蔽通信方法,其特征在于:步骤S3具体包括:
聚类后的每一个簇有若干个深度哈希和一个类中心,计算每一个深度哈希到类中心的距离公式为:
d=||H-C||
其中,H为簇中的某一个深度哈希,C为簇的类中心,d为深度哈希到类中心的距离。根据此距离公式,可以得到该簇中距离类中心最近的深度哈希;然后从原始图像数据库中索引出含有该深度哈希的图像,选择一个图像信道作为下一步隐藏秘密信息的候选图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929277.2A CN113794812A (zh) | 2021-08-13 | 2021-08-13 | 基于图像信道选择和特征一致性的隐蔽通信方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110929277.2A CN113794812A (zh) | 2021-08-13 | 2021-08-13 | 基于图像信道选择和特征一致性的隐蔽通信方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113794812A true CN113794812A (zh) | 2021-12-14 |
Family
ID=79181787
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110929277.2A Pending CN113794812A (zh) | 2021-08-13 | 2021-08-13 | 基于图像信道选择和特征一致性的隐蔽通信方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113794812A (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
CN109711422A (zh) * | 2017-10-26 | 2019-05-03 | 北京邮电大学 | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 |
CN112615974A (zh) * | 2020-12-14 | 2021-04-06 | 中国科学院信息工程研究所 | 一种基于深度判别器的无载体隐蔽通信方法及系统 |
-
2021
- 2021-08-13 CN CN202110929277.2A patent/CN113794812A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180276528A1 (en) * | 2015-12-03 | 2018-09-27 | Sun Yat-Sen University | Image Retrieval Method Based on Variable-Length Deep Hash Learning |
CN109711422A (zh) * | 2017-10-26 | 2019-05-03 | 北京邮电大学 | 图像数据处理、模型的建立方法、装置、计算机设备和存储介质 |
CN112615974A (zh) * | 2020-12-14 | 2021-04-06 | 中国科学院信息工程研究所 | 一种基于深度判别器的无载体隐蔽通信方法及系统 |
Non-Patent Citations (1)
Title |
---|
LIMING ZOU: "A novel coverless information hiding method based on the average pixel value of the sub-images", MULTIMEDIA TOOLS AND APPLICATIONS * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yang et al. | Effective electrocardiogram steganography based on coefficient alignment | |
Sharma et al. | An enhanced Huffman-PSO based image optimization algorithm for image steganography | |
Sheisi et al. | Steganography: Dct coefficient replacement method and compare with JSteg algorithm | |
Pan et al. | A video coverless information hiding algorithm based on semantic segmentation | |
Benedict | Improved file security system using multiple image steganography | |
CN104778689B (zh) | 一种基于均值二次图像和局部保持投影的图像摘要方法 | |
US20150254343A1 (en) | Video dna (vdna) method and system for multi-dimensional content matching | |
Lu et al. | Steganalysis of content-adaptive steganography based on massive datasets pre-classification and feature selection | |
Meenakshi et al. | A hybrid matrix factorization technique to free the watermarking scheme from false positive and negative problems | |
Li et al. | Coverless Video Steganography Based on Frame Sequence Perceptual Distance Mapping. | |
Wani et al. | Deep learning based image steganography: A review | |
Zhang et al. | High-capacity image steganography based on discrete Hadamard transform | |
CN113794812A (zh) | 基于图像信道选择和特征一致性的隐蔽通信方法 | |
CN111325807B (zh) | 一种基于jpeg图像的加密与特征提取方法 | |
Kanzariya et al. | Coverless information hiding: a review | |
Kumar et al. | Image steganography using index based chaotic mapping | |
Liu et al. | To deliver more information in coverless information hiding | |
CN114362988B (zh) | 网络流量的识别方法及装置 | |
CN115481415A (zh) | 基于纵向联邦学习的通信成本优化方法、系统、设备及介质 | |
Sethy et al. | A security enhanced approach for video Steganography using K-Means clustering and direct mapping | |
CN112434180B (zh) | 基于dct系数值替换和注意力网络的密文jpeg图像检索方法 | |
CN112231508B (zh) | 一种基于内容的加密jpeg图像检索方法 | |
Hu et al. | Image Steganography based on Style Transfer | |
CN114722932A (zh) | 一种商用密码算法识别方法、系统、介质、设备及终端 | |
Hasso | Steganography in video files |
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 |