CN115643348B - 基于可逆图像处理网络的可证安全自然隐写方法及装置 - Google Patents
基于可逆图像处理网络的可证安全自然隐写方法及装置 Download PDFInfo
- Publication number
- CN115643348B CN115643348B CN202211671090.8A CN202211671090A CN115643348B CN 115643348 B CN115643348 B CN 115643348B CN 202211671090 A CN202211671090 A CN 202211671090A CN 115643348 B CN115643348 B CN 115643348B
- Authority
- CN
- China
- Prior art keywords
- message
- image
- reversible
- loaded
- 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.)
- Active
Links
Images
Landscapes
- Editing Of Facsimile Originals (AREA)
Abstract
本发明提供了一种基于可逆图像处理网络的可证安全自然隐写方法及装置,可以应用于数字图像隐写技术领域。该方法包括:获取经加密的第一待载消息及辅助随机变量,第一待载消息服从0‑1均匀分布,辅助随机变量大于0小于1;将预设位数的第一待载消息进行预设进制的转换,得到第二待载消息,第二待载消息服从离散均匀分布;根据辅助随机变量、第二待载消息与预设位数,得到隐变量;利用可逆图像处理网络的逆过程将隐变量嵌入目标载体图像中,得到目标载密图像。
Description
技术领域
本发明涉及数字图像隐写技术领域,尤其涉及一种基于可逆图像处理网络的可证安全自然隐写方法、装置、设备、存储介质和程序产品。
背景技术
隐写术是保密通信的重要技术,与密码技术只要求消息无法被破解不同,隐写术进一步要求通信过程无法被察觉。自然隐写局限在针对图像ISO(InternationalOrganization for Standardization,国际标准化组织)感光度上,通过建模复杂的图像处理管道获取不同ISO的噪声分布,使隐写后的载密图像具有和载体图像类似的分布。
相关技术中,在高斯分布隐变量上嵌入消息的可证安全隐写方法均采用拒绝采样进行消息映射,存在随着嵌入率增大,具有指数增大的时间成本,难以应对隐写时容量的问题。
发明内容
鉴于上述问题,本发明提供了一种基于可逆图像处理网络的可证安全自然隐写方法、装置、设备、存储介质和程序产品。
根据本发明的第一个方面,提供了一种基于可逆图像处理网络的可证安全自然隐写方法,包括:
获取经加密的第一待载消息及辅助随机变量,上述第一待载消息服从0-1均匀分布,上述辅助随机变量大于0小于1;
将预设位数的上述第一待载消息进行预设进制的转换,得到第二待载消息,上述第二待载消息服从离散均匀分布;
根据上述辅助随机变量、上述第二待载消息与上述预设位数,得到隐变量,其中,上述隐变量服从正态分布;
利用上述可逆图像处理网络的逆过程将上述隐变量嵌入目标载体图像中,得到目标载密图像,其中,上述目标载体图像表征已去除服从正态分布的冗余信息的图像,上述逆过程表征按照上述可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
根据本发明的实施例,上述根据上述辅助随机变量、上述第二待载消息与上述预设位数,得到隐变量包括按照如下公式(一)计算:
其中,
z m 表征上述隐变量,
ppf表征累积分布函数的逆函数,
u表征上述辅助随机变量,
y表征上述第二待载消息,
k表征上述预设位数。
根据本发明的实施例,上述基于可逆图像处理网络的可证安全自然隐写方法还包括:
利用上述可逆图像处理网络的正过程,从上述目标载密图像中提取上述隐变量,其中,上述正过程表征按照上述可逆图像处理网络的网络结构的正向顺序对图像进行处理的过程;
根据上述隐变量与上述预设位数,得到上述第二待载消息;
根据上述预设进制,将上述第二待载消息转换成上述第一待载消息。
根据本发明的实施例,上述根据上述隐变量与上述预设位数,得到上述第二待载消息包括按照如下公式(二)计算:
其中,
y表征上述第二待载消息,
k表征上述预设位数,
cdf表征累积分布函数,
z m 表征上述隐变量,表征向下取整。
根据本发明的实施例,上述目标载密图像的存储格式为标签图像存储格式。
根据本发明的实施例,上述目标载体图像是经过上述可逆图像处理网络的正过程处理后得到的。
根据本发明的实施例,上述辅助随机变量从[0,1]的均匀分布中进行随机采样得到的。
根据本发明的实施例,上述可逆图像处理网络包括可逆去噪网络、可逆缩放网络与可逆灰度化网络。
本发明的第二方面提供了一种基于可逆图像处理网络的可证安全自然隐写装置,包括:获取模块、第二待载消息得到模块、隐变量得到模块和载密图像得到模块。其中,获取模块,用于获取经加密的第一待载消息及辅助随机变量,上述第一待载消息服从0-1均匀分布,上述辅助随机变量大于0小于1。第二待载消息得到模块,用于将预设位数的上述待载消息进行预设进制的转换,得到第二待载消息,上述第二待载消息服从离散均匀分布。隐变量得到模块,用于根据上述辅助随机变量、上述第二待载消息与上述预设位数,得到隐变量,其中,上述隐变量服从正态分布。载密图像得到模块,用于利用上述可逆图像处理网络的逆过程将上述隐变量嵌入目标载体图像中,得到目标载密图像,其中,上述目标载体图像表征已去除服从正态分布的冗余信息的图像,上述逆过程表征按照上述可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
本发明的第三方面提供了一种电子设备,包括:一个或多个处理器;存储器,用于存储一个或多个程序,其中,当所述一个或多个程序被所述一个或多个处理器执行时,使得一个或多个处理器执行上述方法。
本发明的第四方面还提供了一种计算机可读存储介质,其上存储有可执行指令,该指令被处理器执行时使处理器执行上述方法。
本发明的第五方面还提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述方法。
根据本发明提供的基于可逆图像处理网络的可证安全自然隐写方法、装置、设备、存储介质和程序产品,根据辅助随机变量、第二待载消息与预设位数,可以得到隐变量,能够实现高效的从均匀分布的第一待载消息中获得服从正态分布的隐变量,而隐变量与冗余信息均服从正态分布,使得目标载密图像与使用正态分布采样得到的载体图像具有相同的分布,且不可区分,能够实现可证安全的自然隐写,同时,使用经过加密后的第一待载消息,能够使得第一待载消息具有密码安全的随机性。
附图说明
通过以下参照附图对本发明实施例的描述,本发明的上述内容以及其他目的、特征和优点将更为清楚,在附图中:
图1示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写方法的应用场景图;
图2示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写方法的流程图;
图3示出了根据本发明实施例的现有基于可逆网络的图像处理方法的基本框架示意图;
图4示出了根据本发明实施例的消息映射与逆映射过程的示意图;
图5示出了根据本发明实施例的基于可逆图像处理方法的可证安全自然隐写框架示意图;
图6示出了根据本发明实施例的隐写后的图像与原图像处理方法处理后的图像视觉效果对比;
图7示出了根据本发明实施例的逆变换采样、拒绝采样和截断正态分布采样的时间成本对比;
图8示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写装置的结构框图;
图9示出了根据本发明实施例的适于实现基于可逆图像处理网络的可证安全自然隐写方法的电子设备的方框图。
具体实施方式
以下,将参照附图来描述本发明的实施例。但是应该理解,这些描述只是示例性的,而并非要限制本发明的范围。在下面的详细描述中,为便于解释,阐述了许多具体的细节以提供对本发明实施例的全面理解。然而,明显地,一个或多个实施例在没有这些具体细节的情况下也可以被实施。此外,在以下说明中,省略了对公知结构和技术的描述,以避免不必要地混淆本发明的概念。
在此使用的术语仅仅是为了描述具体实施例,而并非意在限制本发明。在此使用的术语“包括”、“包含”等表明了所述特征、步骤、操作和/或部件的存在,但是并不排除存在或添加一个或多个其他特征、步骤、操作或部件。
在此使用的所有术语(包括技术和科学术语)具有本领域技术人员通常所理解的含义,除非另外定义。应注意,这里使用的术语应解释为具有与本说明书的上下文相一致的含义,而不应以理想化或过于刻板的方式来解释。
在使用类似于“A、B和C等中至少一个”这样的表述的情况下,一般来说应该按照本领域技术人员通常理解该表述的含义来予以解释(例如,“具有A、B和C中至少一个的系统”应包括但不限于单独具有A、单独具有B、单独具有C、具有A和B、具有A和C、具有B和C、和/或具有A、B、C的系统等)。
在本发明的技术方案中,所涉及的数据(如包括但不限于用户个人信息)的收集、存储、使用、加工、传输、提供、公开和应用等处理,均符合相关法律法规的规定,采取了必要保密措施,且不违背公序良俗。
在实施本发明的过程中发现,随着深度学习技术的发展,生成模型已经广泛应用在图像处理领域,生成模型处理后图像也被运用在各种网络场景。若以生成模型产生的图像为载体,使嵌入消息后生成的图像与正常生成模型产生的图像保持相同的分布,则能够完成基于生成模型的自然隐写。但相关技术中,在高斯分布隐变量上嵌入消息的可证安全隐写方法均采用拒绝采样进行消息映射,这种方式随着嵌入率增大具有指数增大的时间成本,难以应对隐写时的容量需求。
为此,本发明的实施例提供了一种基于可逆图像处理网络的可证安全自然隐写方法,包括:获取经加密的第一待载消息及辅助随机变量,第一待载消息服从0-1均匀分布,辅助随机变量大于0小于1;将预设位数的第一待载消息进行预设进制的转换,得到第二待载消息,第二待载消息服从离散均匀分布;根据辅助随机变量、第二待载消息与预设位数,得到隐变量,其中,隐变量服从正态分布;利用可逆图像处理网络的逆过程将隐变量嵌入目标载体图像中,得到目标载密图像,其中,目标载体图像表征已去除服从正态分布的冗余信息的图像,逆过程表征按照可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
图1示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写方法的应用场景图
如图1所示,根据该实施例的应用场景100可以包括第一终端设备101、第二终端设备102、第三终端设备103、网络104和服务器105。网络104用以在第一终端设备101、第二终端设备102、第三终端设备103和服务器105之间提供通信链路的介质。网络104可以包括各种连接类型,例如有线、无线通信链路或者光纤电缆等等。
用户可以使用第一终端设备101、第二终端设备102、第三终端设备103中的至少一个通过网络104与服务器105交互,以接收或发送消息等。第一终端设备101、第二终端设备102、第三终端设备103上可以安装有各种通讯客户端应用,例如购物类应用、网页浏览器应用、搜索类应用、即时通信工具、邮箱客户端、社交平台软件等(仅为示例)。
第一终端设备101、第二终端设备102、第三终端设备103可以是具有显示屏并且支持网页浏览的各种电子设备,包括但不限于智能手机、平板电脑、膝上型便携计算机和台式计算机等等。
服务器105可以是提供各种服务的服务器,例如对用户利用第一终端设备101、第二终端设备102、第三终端设备103所浏览的网站提供支持的后台管理服务器(仅为示例)。后台管理服务器可以对接收到的用户请求等数据进行分析等处理,并将处理结果(例如根据用户请求获取或生成的网页、信息、或数据等)反馈给终端设备。
例如,可以通过服务器105获取经加密的第一待载消息及辅助随机变量,并将预设位数的第一待载消息进行预设进制的转换,得到第二待载消息,从而根据辅助随机变量、第二待载消息与预设位数,得到隐变量,最后利用可逆图像处理网络的逆过程将隐变量嵌入目标载体图像中,得到目标载密图像。
需要说明的是,本发明实施例所提供的基于可逆图像处理网络的可证安全自然隐写方法一般可以由服务器105执行。相应地,本发明实施例所提供的基于可逆图像处理网络的可证安全自然隐写装置一般可以设置于服务器105中。本发明实施例所提供的基于可逆图像处理网络的可证安全自然隐写方法也可以由不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群执行。相应地,本发明实施例所提供的基于可逆图像处理网络的可证安全自然隐写装置也可以设置于不同于服务器105且能够与第一终端设备101、第二终端设备102、第三终端设备103和/或服务器105通信的服务器或服务器集群中。
应该理解,图1中的终端设备、网络和服务器的数目仅仅是示意性的。根据实现需要,可以具有任意数目的终端设备、网络和服务器。
以下将基于图1描述的场景,通过图2~图7对根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写方法进行详细描述。
图2示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写方法的流程图。
如图2所示,该方法200包括操作S210~操作S240。
在操作S210,获取经加密的第一待载消息及辅助随机变量,第一待载消息服从0-1均匀分布,辅助随机变量大于0小于1。
根据本发明的实施例,第一待载消息可以表征由0,1组成的二进制比特串。
在操作S220,将预设位数的第一待载消息进行预设进制的转换,得到第二待载消息,第二待载消息服从离散均匀分布。
根据本发明的实施例,预设位数例如可以为2、3、4等,预设进制例如可以为十进制或八进制等,本发明的实施例不对预设位数及预设进制做限定,可以根据实际情况进行选择。
根据本发明的实施例,例如,以第一待载消息为11011000,预设位数为2为例,将第一待载消息从左到右,每两位数看作一个整体,即“‘11’‘01’‘10’‘00’”,并从二进制转化为十进制,得到第二待载消息,即3120。
在操作S230,根据辅助随机变量、第二待载消息与预设位数,得到隐变量,其中,隐变量服从正态分布。
根据本发明的实施例,第二待载消息中的每一个数都有对应的辅助随机变量。将辅助随机变量、第二待载消息与预设位数代入求隐变量的公式中,就能够得到与第二待载消息对应的隐变量。
根据本发明的实施例,可以利用累积分布函数的逆函数,根据辅助随机变量、第二待载消息与预设位数,得到隐变量。
根据本发明的实施例,在预设位数为2,第二待载消息为3,对应的辅助随机变量为0.5的情况下,代入求隐变量的公式中,能够得到隐变量1.15。
在操作S240,利用可逆图像处理网络的逆过程将隐变量嵌入目标载体图像中,得到目标载密图像。
根据本发明的实施例,目标载体图像可以表征已去除服从正态分布的冗余信息的图像,逆过程可以表征按照可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
根据本发明的实施例,冗余信息可以表征从载体图像中得到目标载体图像的过程中丢弃的信息,该信息的分布与在可逆神经网络的正过程中产生的隐变量相同。
根据本发明的实施例,可以利用可逆图像处理网络的的正向过程对载体图像进行处理,得到目标载体图像与冗余信息。
根据本发明的实施例,根据辅助随机变量、第二待载消息与预设位数,就能够直接得到隐变量,能够实现高效的从均匀分布的第一待载消息中获得服从正态分布的隐变量,而隐变量与冗余信息均服从正态分布,使得目标载密图像与使用正态分布采样得到的载体图像具有相同的分布,且不可区分,能够实现可证安全的自然隐写,同时,使用经过加密后的第一待载消息,能够使得第一待载消息具有密码安全的随机性。
图3示出了根据本发明实施例的现有基于可逆网络的图像处理方法的基本框架示意图。
如图3所示,
x可以表示待处理的图像,例如,图像缩放中的高分辨率图像以及灰度化处理中的彩色图像;
w可以表示处理后的生成的图像,例如,对应的图像缩放中的低分辨率图像和灰度化处理中的灰度图像;
z可以表示一个隐变量,可以用于维持变换前后变量的总尺寸不变以保持可逆。
根据本发明的实施例,可逆神经网络(Invertible Neural Networks,INN)由多种可逆的网络层堆叠而成,主要包括哈尔(Haar)小波映射层和仿射耦合层,它们在不考虑计算误差时都是完全可逆的。其中,Haar小波映射层可以用于完成尺度变换和高低频分离,仿射耦合层可以作为主要可学习部分。在图像处理任务中,可以根据不同任务的需求可以设计不同的INN结构,但基本都满足图3所示的基本框架。
根据本发明的实施例,根据
x得到
w和
z,是可逆神经网络的正过程,根据
w和
z得到
x,是可逆神经网络的逆过程,其中,在可逆神经网络的逆过程都是从正态分布中采样新的隐变量,而不是保存正过程产生的隐变量。
根据本发明的实施例,根据辅助随机变量、第二待载消息与预设位数,得到隐变量包括按照如下公式(一)计算:
其中,
z m 可以表征隐变量,
ppf可以表征累积分布函数的逆函数,
u可以表征辅助随机变量,
y可以表征第二待载消息,
k可以表征预设位数。
根据本发明的实施例,预设位数可以表征嵌入位数。
根据本发明的实施例,设嵌入位数为
k,每
k比特第一待载消息可以看作一个整体,在第一待载消息经过加密的前提下,第二待载消息
y服从离散均匀分布,可以表示为如下公式(1)。
(1)
其中,可以表示正整数。
根据本发明的实施例,设标准正态分布的密度函数为其累积分布函数的逆函数即分位数函数为
ppf。在第二待载消息
y=
i的情况下,希望采样得到的隐变量
z m 满足条件分布。条件分布可以表示为如下公式(2)。
(2)
根据本发明的实施例,在嵌入位数
k为2的情况下,第二待载消息可以包括0,1,2,3这四种情况。在
y=
i=0的情况下,;在
y=
i=1的情况下,;在
y=
i=2的情况下,;在
y=
i=3的情况下,。相当于分成了4个不同区间,且区间不重合,其中,
ppf(0)对应负无穷,
ppf(0.5)对应0,
ppf(1)对应正无穷。
根据本发明的实施例,不同的第二待载消息对应不同的区间,即不同的第二待载消息对应不同的隐变量。因此,隐变量在满足正态分布的情况下,还需要满足上述条件分布,能够使得隐变量与第二待载消息联系起来。也就是,根据第二待载消息能够找到对应的隐变量,根据隐变量也就可以反推出来对应的第二待载消息。
根据本发明的实施例,以往的消息映射方法是使用拒绝采样方法。具体而言,假设隐变量中每个数嵌入
k比特消息,即嵌入位数为
k,可以通过正态分布的累计分布函数的逆函数(又称分位数函数)获得2 k 个等概率区间,即从正态分布中采样落在这些区间内的概率是相等的,从而,
k比特消息的每一种情况都能唯一地与一个区间对应。对每组嵌入的
k比特消息,重复地从正态分布中采样,直到采样得到的数落入消息对应的区间才接受这次采样。但是,拒绝采样有一个严重的缺点。随着嵌入位数的增大,划分的区间数会指数增长,从均匀分布中采样落入目标区间的概率为区间数的倒数,因此每次采样的期望时间将指数增长,这会限制隐写容量和隐写效率。事实上,拒绝采样通常用于难以获得目标分布的显式表达的情况。
根据本发明的实施例,一个随机变量的累积分布函数能够将其自身变换到标准均匀分布,因此,对标准均匀分布作形如目标累积分布函数的逆函数的变换即可获得目标分布,这就是逆变换采样。
根据本发明的实施例,本发明的目标分布是已知的,即正态分布,所以可以使用逆变换采样,构造均匀分布到正态分布的变换,从而通过从均匀分布中采样,获得服从公式(2)条件分布的采样结果。
根据本发明的实施例,设正态分布的累积分布函数为
cdf,其逆函数即分位数函数为
ppf,通过公式(2)能够计算得到目标累积分布函数。目标累积分布函数可以表示为如下公式(3)。
(3)
根据本发明的实施例,根据公式(3)可以证明目标累积分布函数为一个连续函数,令,因此,目标累积分布函数的逆函数可以表示为如下公式(4)。
(4)
根据本发明的实施例,在
u ~
Uniform(0,1)的情况下,根据公式(4)作变换可以得到隐变量。隐变量可以表示为如下公式(5)。
(5)
其中,得到的随机变量
z m ,即隐变量,服从公式(2)条件分布。
根据本发明的实施例,由公式(4)可知
i为
y的具体取值,因此,公式(5)还可以用公式(一)表示,公式(一)的
y就是指
y取不同的具体的值。
根据本发明的实施例,通过公式(5),能直接根据辅助随机变量、第二待载消息和预设位数计算得到对应的隐变量,能够实现高效的从均匀分布的第一待载消息中获得服从正态分布的隐变量。
根据本发明的实施例,上述基于可逆图像处理网络的可证安全自然隐写还包括:利用可逆图像处理网络的正过程,从目标载密图像中提取隐变量,其中,正过程表征按照可逆图像处理网络的网络结构的正向顺序对图像进行处理的过程;根据隐变量与预设位数,得到第二待载消息;根据预设进制,将第二待载消息转换成第一待载消息。
根据本发明的实施例,目标载密图像可以包括隐变量和目标载体图像,利用可逆图像处理网络的正过程,能够从目标载密图像中提取隐变量。
根据本发明的实施例,可以利用累积分布函数,根据隐变量与预设位数,得到第二待载消息。
根据本发明的实施例,可以将隐变量与预设位数代入求第二待载消息的公式中,得到对应的第二待载消息,并将得到的第二待载消息转换回二进制比特串,得到第一待载消息。
根据本发明的实施例,在预设位数为2,隐变量为1.15,-0.52,0.52,-1.96的情况下,代入求第二待载消息的公式中,能够得到对应的第二待载消息3,1,2,0,再将3,1,2,0分别从十进制转化为二进制,得到第一待载消息,即11011000。
根据本发明的实施例,由于第一待载消息是经过加密的,得到第一待载消息后需要解密即可恢复出消息,完成从隐变量恢复消息的逆映射。
根据本发明的实施例,利用可逆图像处理网络的正过程,能够从目标载密图像中提取隐变量,并根据隐变量与预设位数,能够得到第二待载消息,再根据预设进制,将第二待载消息转换成第一待载消息,能够实现将从目标载密图像中提取的隐变量转换为第一待载消息。
根据本发明的实施例,根据隐变量与预设位数,得到第二待载消息包括按照如下公式(二)计算:
其中,
y可以表征第二待载消息,
k可以表征预设位数,
cdf可以表征累积分布函数,
z m 可以表征隐变量,可以表征向下取整。
根据本发明的实施例,公式(5)的映射过程是可逆的,根据公式(5)可以恢复隐变量中每个数对应的整数,即第二待载消息,可以表示为如下公式(6)。
(6)
其中,表示向下取整。
根据本发明的实施例,由于公式(6)中
i为
y的具体取值,因此,公式公式(6)还可以用公式(二)表示,此时,公式(二)的
y就是指
y取不同的具体的值。
将得到的整数,即第二待载消息,转换回二进制比特串后解密即可恢复出明文,完成从隐变量恢复消息的逆映射。
根据本发明的实施例,通过公式(6),直接根据隐变量和预设位数计算得到第二待载消息,能够实现根据从目标载密图像中提取的隐变量得到对应的第二待载消息。
图4示出了根据本发明实施例的消息映射与逆映射过程的示意图。
如图4所示,该图演示了在嵌入位数为2的情况下的消息映射与逆映射的过程。
根据本发明的实施例,
m和
m'分别可以表示原消息和恢复的消息,即第一待载消息,
y和
y'分别可以表示原消息对应的数组和恢复的数组,即第二待载消息,
z m 可以表示映射生成的隐变量,
u可以表示从[0,1]均匀分布采样得到的变量,即辅助随机变量。
根据本发明的实施例,将原消息11011000…根据嵌入位数,从二进制转换为十进制的原消息对应的数组3120…,再根据3对应的辅助随机变量0.5,代入求隐变量
z m 的公式(5)中,计算得到3对应的隐变量1.15;根据1对应的辅助随机变量0.2,代入求隐变量
z m 的公式(5)中,计算得到1对应的隐变量-0.52;根据2对应的辅助随机变量0.8,代入求隐变量的公式(5)中,计算得到2对应的隐变量0.52;根据0对应的辅助随机变量0.1,代入求隐变量
z m 的公式(5)中,计算得到0对应的隐变量-1.96;…;最后得到第二待载消息对应的隐变量1.15,-0.52,0.52,-1.96…,完成消息映射过程。
根据本发明的实施例,从目标载密图像中提取得到隐变量1.15,-0.52,0.52,-1.96…,将1.15代入求第二待载消息的公式(6)中,计算得到对应的第二待载消息3;将-0.52代入求第二待载消息的公式(6)中,计算得到对应的第二待载消息1;将0.52代入求第二待载消息的公式(6)中,计算得到对应的第二待载消息2;将-1.96代入求第二待载消息的公式(6)中,计算得到对应的第二待载消息0;…;得到第二待载消息3120…,最后将第二待载消息3120…根据嵌入位数,从十进制转换为二进制,得到恢复的消息11011000…,完成消息逆映射过程。
根据本发明的实施例,目标载密图像的存储格式为标签图像存储格式。
根据本发明的实施例,标签图像存储格式(Tag Image File Format,TIFF)可以支持多种色彩空间和存储精度。
根据本发明的实施例,目标载密图像的存储格式为标签图像存储格式,能够保证可逆性,同时,能够降低以PNG(Portable Network Graphics,便携式网络图像格式)格式存储时从浮点数量化到整数的信息损失。
根据本发明的实施例,目标载体图像是经过可逆图像处理网络的正过程处理后得到的。
根据本发明的实施例,将原始图像经过可逆图像处理网络的正过程处理,能够得到目标载体图像和冗余信息,以便得到的目标载体图像用于后续进行消息的嵌入。
根据本发明的实施例,辅助随机变量从[0,1]的均匀分布中进行随机采样得到的。
根据本发明的实施例,通过从[0,1]区间取的值形成的均匀分布中进行随机采样能够得到辅助随机变量,以便根据第二待载消息和辅助随机变量计算得到对应的隐变量。
根据本发明的实施例,可逆图像处理网络可以包括可逆去噪网络、可逆缩放网络与可逆灰度化网络。
根据本发明的实施例,对于可逆去噪,可逆去噪网络设计的目的是将噪声集中在隐变量中丢弃,再从正态分布中采样,生成干净图像;对于可逆缩放和可逆灰度化,可逆缩放网络与可逆灰度化网络可以保证只利用处理后的图像就能够恢复较高质量的原始图像。通过对损失函数的设计,这两类方法都做到了根据从正态分布中采样不同的隐变量,能够得到的图像恢复效果或去噪效果一致。
根据本发明的实施例,根据可逆去噪网络、可逆缩放网络与可逆灰度化网络,能够针对不同的原始图像进行处理。
图5示出了根据本发明实施例的基于可逆图像处理方法的可证安全自然隐写框架示意图。
根据本发明的实施例,将基于可逆神经网络图像处理方法的逆过程看做一个生成模型,同一张图像的生成完全由正态分布的隐变量决定。本发明设计了高效的消息映射方法将消息映射为正态分布,从而在恢复图像的过程中将消息嵌入,完成可证安全的自然隐写。
如图5所示,整个框架由两个关键模块组成,可以包括用于图像处理和完成消息嵌入提取的消息嵌入和提取模块,以及将消息映射为隐变量的消息映射模块,其中,INN可以表征可逆神经网络的正过程,INN-1可以表征可逆神经网络的逆过程。
根据本发明的实施例,消息嵌入和提取模块中,由于可逆神经网络的可逆性,消息的嵌入和提取都能由一个网络实现,因此,隐写的接收双方只需要共享同一个可逆图像处理网络以及消息加密使用的对称秘钥。
根据本发明的实施例,在可逆神经网络的逆向过程中嵌入消息,然后利用其正向过程提取消息。对于可逆缩放和可逆灰度化这种使用正向过程处理图像的,在恢复原始图像的过程嵌入消息,生成与正常恢复的图像不可区分的载密图像;而对于基于可逆网络的去噪这类方法,由于同时使用了可逆网络的正向过程和逆向过程处理图像,就在其中的逆向过程中嵌入消息,生成与正常去噪后的图像不可区分的载密图像。
根据本发明的实施例,嵌入时,发送方首先对消息
m进行加密,使用消息映射算法获得待嵌入的隐变量
z m 。然后将该隐变量代替正常使用可逆图像处理网络时随机采样的隐变量参与后续过程,得到生成图像
x m 。同时,为了保证可逆性,得到的图像需要以标签图像存储格式存储,标签图像存储格式可以支持多种色彩空间和存储精度,能够避免以PNG格式存储时从浮点数量化到整数的信息损失。
根据本发明的实施例,提取时,直接将载密图像通过共享的可逆网络的正过程恢复隐变量,再通过消息映射的逆过程和解密过程即可得到明文消息。
根据本发明的实施例,消息映射模块如图4所示左边消息映射过程。
根据本发明的实施例,图5中的Split(分裂)可以表征原始图像经过可逆神经网络的正过程处理得到
z是不需要的。Concatenate(连接)可以表征经过消息映射得到的隐变量
z m 在可逆神经网络的逆过程嵌入到目标载体图像
w中。
根据本发明的实施例,根据公式(1)和公式(2),得到的全概率公式可以表示为如下公式(7)。
(7)
根据本发明的实施例,在加密后的第一待载消息服从离散均匀分布的情况下,嵌入消息后的隐变量仍然服从正态分布,能够用于实现可证安全性。
根据本发明的实施例,根据可逆图像处理网络的可逆性,利用该网络构造了一个可逆映射
f,其逆过程将隐变量
z m 和中间图像
w映射到目标图像
x(如可逆去噪得到的干净图像、可逆缩放恢复的高分辨率图像和可逆灰度化恢复的彩色图像)。因此,对同一张中间图像
w,正常使用该网络时直接从正态分布中随机采样得到隐变量
z m ,生成目标图像
x=
f(
w,
z m )的所有可能取值完全由
z m 决定。
根据本发明的实施例,假设给定一张中间图像
w,使用正常采样得到的隐变量
z c 生成的载体图像为
x c ,而使用嵌入消息得到的隐变量
z s 生成的载密图像为
x s 。由公式(7)可知,消息映射得到的隐变量服从正态分布,与正常从正态分布中采样得到的隐变量是同分布的。因此,直接从正态分布中采样时一定存在
z c '=
z s ,它对应的载体图像为
x c ',即载密图像与某个可能的载体图像完全一致,这正是自然隐写的思想:使隐写后的载密图像与另一种情况下的载体图像不可区分。本发明更近一步地使载密图像与一种可能的载体图像完全一致,从而达到了可证明的安全性。
根据本发明的实施例,在隐写的接收方和拥有可逆网络的一方均能够从该网络逆向过程生成的任意图像中提取得到隐变量,并进一步提取出离散均匀分布的比特串的情况下,只有接收方拥有比特串消息的解密秘钥,从而根据能否解密出合理的消息分辨载体图像和载密图像。因此,本发明的安全性也依赖于使用的加密算法的安全性,即加密后的消息具有密码安全的随机性。
根据本发明的实施例,在实验中,使用了三种较为成熟的基于可逆网络的图像处理方法进行隐写,分别为可逆网络去噪、可逆缩放和可逆灰度化。为了评估隐写后图像质量相较于原图像处理方法的图像质量,分别在原方法使用的测试集为智能手机相机图像降噪数据集(Smartphone Image Denoising Dataset,SIDD)、2K分辨率高质量图像数据集(DIVerse 2K resolution high quality images,Div2K)和柯达24(Kodak24)的情况下,测试了视觉质量和定量指标峰值信噪比(Peak Signal to Noise Ratio,PSNR)和结构相似度(Structural Similarity,SSIM)。
图6示出了根据本发明实施例的隐写后的图像与原图像处理方法处理后的图像视觉效果对比。
如图6所示,(a)可以表示可逆去噪的隐写后的图像与原图像处理方法处理后的图像视觉效果对比,第一张为带噪声(Noisy)的图像,第二张(GT1)为不带噪声的图像,第三张(Cover1)为经过正常去噪处理得到的图像(载体图像),第四张(Stego1)为嵌入消息后处理得到的图像(载密图像),其中,正常去噪处理可以表征使用可逆图像处理网络时直接从正态分布中随机采样得到的隐变量,得到去噪后的图像。(b)可以表征可逆缩放的隐写后的图像与原图像处理方法处理后的图像视觉效果对比,第一张(GT2)为缩放前的图像,第二张图像(GT3)为第一张图像的局部放大图像,第三张(Cover2)为经过正常处理得到的图像,第四张(Stego2)为嵌入消息后处理得到的图像。(c)可以表征可逆灰度化的隐写后的图像与原图像处理方法处理后的图像视觉效果对比,第一张(GT4)为灰度化前的图像,第二张(Cover3)为经过正常处理得到的图像,第三张(Stego3)为嵌入消息后处理得到的图像。
如表1所示,给出了载密图像和载体图像的PSNR和SSIM对比。
表1
根据本发明的实施例,根据图6和表1的实验结果表明,对于可逆去噪网络,嵌入消息生成的去噪图像与正常去噪的图像视觉效果无法区分;对于可逆缩放网络和可逆灰度化网络,在恢复过程中嵌入消息,可以看到隐写后的恢复效果与正常恢复效果基本一致。这与理论分析中的结论一致,载密图像与载体图像相当于不同隐变量生成的图像,理论上无论是视觉还是定量指标都相当。
根据本发明的实施例,对隐写方法而言,隐写容量和安全性是最重要的两个方面。本发明提出的隐写框架的隐写容量可以由使用可逆图像处理网络的隐变量的大小和嵌入位数决定。设嵌入位数为
k,可逆去噪网络和可逆缩放网络的正向过程都是将图像的宽和高减少到初始尺寸的1/4,因此,隐变量的大小为初始图像像素值的15/16,即隐写容量都为0.9375
k比特每像素(bit per pixel,bpp)。而可逆灰度化的正向过程则是将RGB(RGBcolor mode,RGB(红绿蓝)色彩模式)三通道的彩色图像转换为一通道灰度图,因此隐变量的大小为初始图像像素值的2/3,即隐写容量为2
k/3bpp。
根据本发明的实施例,使用TIFF格式存储载密图像避免了浮点数到整数的取整误差,但由于可逆网络自身使用浮点数计算会引入部分误差,本发明的方法实际上不能完全准确地提取消息,并且随着嵌入位数越多,隐变量中不同消息对应的区间越窄,误差导致的提取错误率就越高。
如表2所示,给出了本发明在不同嵌入位数下的消息提取准确率。根据表2可以看到,对于可逆去噪网络和可逆缩放网络,即使每个隐变量嵌入6比特消息,隐写容量高达0.9375×6=5.625bpp,仍然能获得接近99%的消息提取准确率,但在实际应用中,可以使用纠错码,能够在保持较大隐写容量的同时完成准确提取。另一方面,可以观察到利用可逆灰度化网络进行隐写的消息提取准确率明显低于前两者,即使在相同嵌入位数下可逆灰度化隐写的嵌入容量远小于前两者,可以认为这是因为可逆灰度化网络对正向过程输出的隐变量和灰度图解耦更彻底导致的。因此,相应地,彩色图像中存在的微小计算误差会导致消息提取时获得的隐变量具有较大差距,进而影响消息提取。因此,在实际使用本发明提出的隐写框架时,选择合适的图像处理网络十分重要。
表2
根据本发明的实施例,尽管理论上证明,本发明提出的隐写方案具有可证明安全性,但还是使用深度学习隐写分析器SRNet(Rteganalysis Residual Network,隐写分析残差网络)和Zhu-Net(空域隐写分析网络)进行了实验验证。
如表3所示,给出了深度学习隐写分析器对不同方法的检测准确率。
根据本发明的实施例,在10000张彩色的Bossbase图像上使用了可逆缩放网络,产生了10000张由可逆缩放网络下采样并恢复的图像,作为载体图像。对这些载体图像使用HILL(HIgh-pass,Low-pass,and Low-pass,隐写算法)在0.2bpp嵌入率下隐写生成载密图像,由于HILL只针对灰度图像,对彩色图像的每个通道都使用了HILL进行隐写。在这10000对载体-载密对上训练深度学习隐写分析器,表3中的第一行结果表明深度学习隐写分析器能够有效区分在使用的图像载体上进行的自适应隐写。并且,因为可逆缩放网络恢复的高分辨率图像会不可避免地丢失部分复杂区域的信息,而HILL需要在复杂区域嵌入消息才能获得安全性,所以这种分两步完成的隐写方式安全性很低,两种隐写分析网络都能以超过90%的准确率检测。
根据本发明的实施例,测试这两种深度学习隐写分析方法能否检测使用本发明隐写的图像。由于可逆缩放和可逆灰度化测试用的数据集太小,无法用于隐写分析网络的训练,在10000张彩色BossBase图像上运用可逆缩放和可逆灰度化,再分别使用正常采样得到的隐变量和消息映射得到的隐变量进行恢复,得到各自的载体图像和载密图像。而对于可逆网络去噪,则直接在SIDD验证集上分别使用正常采样得到的隐变量和消息映射得到的隐变量参与去噪,得到载体图像和载密图像。
根据本发明的实施例,分别使用SRNet和Zhu-Net在三种方法上训练后,测试的结果如表3所示。多次调整网络参数进行了训练,结果网络计算的交叉熵损失都保持在0.6931附近不下降,验证时的准确率保持50%附近,即相当于随机猜测。这表明网络无法从载体图像和载密图像中学习到任何能够区分它们的特征。
表3
图7示出了根据本发明实施例的逆变换采样、拒绝采样和截断正态分布采样的时间成本对比。
根据本发明的实施例,为了验证本发明提出的逆变换采样方法确实能大幅改进现有可证安全隐写方法使用的拒绝采样的效率,固定隐变量长度为10000个数,测试在不同嵌入位数下不同采样方法消耗的时间。
如图7所示,拒绝采样所需要的时间随嵌入位数增大指数上升,而直接由截断正态分布采样和由均匀分布采样映射消耗的时间都基本不变。这与理论推导一致,证明了提出的逆映射采样能够大幅提高消息映射的效率,进而提高隐写算法的效率。截断正态分布可以利用截断正态分布直接采样获得目标结果,能够看出阶段正态分布采样和逆映射采样这两种采样方法的时间成本都与嵌入位数无关,且没有拒绝采样的失败概率,因此能够大幅提高采样效率。同时,实验结果表明使用逆变换采样的效率更高,因此最终采用逆变换采样的方法完成消息映射。
基于上述基于可逆图像处理网络的可证安全自然隐写方法,本发明还提供了一种基于可逆图像处理网络的可证安全自然隐写装置。以下将结合图8对该装置进行详细描述。
图8示出了根据本发明实施例的基于可逆图像处理网络的可证安全自然隐写装置的结构框图。
如图8所示,该实施例的基于可逆图像处理网络的可证安全自然隐写装置800包括获取模块810、第二待载消息得到模块820、隐变量得到模块830和载密图像得到模块840。
获取模块810用于获取经加密的第一待载消息及辅助随机变量,第一待载消息服从0-1均匀分布,辅助随机变量大于0小于1。在一实施例中,获取模块810可以用于执行前文描述的操作S210,在此不再赘述。
第二待载消息得到模块820用于将预设位数的待载消息进行预设进制的转换,得到第二待载消息,第二待载消息服从离散均匀分布。在一实施例中,第二待载消息得到模块820可以用于执行前文描述的操作S220,在此不再赘述。
隐变量得到模块830用于根据辅助随机变量、第二待载消息与预设位数,得到隐变量,其中,隐变量服从正态分布。在一实施例中,隐变量得到模块830可以用于执行前文描述的操作S230,在此不再赘述。
载密图像得到模块840用于利用可逆图像处理网络的逆过程将隐变量嵌入目标载体图像中,得到目标载密图像,其中,目标载体图像表征已去除服从正态分布的冗余信息的图像,逆过程表征按照可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。在一实施例中,载密图像得到模块840可以用于执行前文描述的操作S240,在此不再赘述。
根据本发明的实施例,隐变量得到模块830包括第一计算单元。
第一计算单元,用于按照如下公式(一)计算:
其中,
z m 表征隐变量,
ppf表征累积分布函数的逆函数,
u表征辅助随机变量,
y表征第二待载消息,
k表征预设位数。
根据本发明的实施例,上述基于可逆图像处理网络的可证安全自然隐写装置800还包括提取模块、获得模块和转换模块。
提取模块,用于利用可逆图像处理网络的正过程,从目标载密图像中提取隐变量,其中,正过程表征按照可逆图像处理网络的网络结构的正向顺序对图像进行处理的过程。
获得模块,用于根据隐变量与预设位数,得到第二待载消息。
转换模块,用于根据预设进制,将第二待载消息转换成第一待载消息。
根据本发明的实施例,第二待载消息得到模块820包括第二计算单元。
第二计算单元,用于按照如下公式(二)计算:
其中,
y表征第二待载消息,
k表征预设位数,
cdf表征累积分布函数,
z m 表征隐变量,表征向下取整。
根据本发明的实施例,目标载密图像的存储格式为标签图像存储格式。
根据本发明的实施例,目标载体图像是经过可逆图像处理网络的正过程处理后得到的。
根据本发明的实施例,辅助随机变量从[0,1]的均匀分布中进行随机采样得到的。
根据本发明的实施例,可逆图像处理网络包括可逆去噪网络、可逆缩放网络与可逆灰度化网络。
根据本发明的实施例,获取模块810、第二待载消息得到模块820、隐变量得到模块830和载密图像得到模块840中的任意多个模块可以合并在一个模块中实现,或者其中的任意一个模块可以被拆分成多个模块。或者,这些模块中的一个或多个模块的至少部分功能可以与其他模块的至少部分功能相结合,并在一个模块中实现。根据本发明的实施例,获取模块810、第二待载消息得到模块820、隐变量得到模块830和载密图像得到模块840中的至少一个可以至少被部分地实现为硬件电路,例如现场可编程门阵列(FPGA)、可编程逻辑阵列(PLA)、片上系统、基板上的系统、封装上的系统、专用集成电路(ASIC),或可以通过对电路进行集成或封装的任何其他的合理方式等硬件或固件来实现,或以软件、硬件以及固件三种实现方式中任意一种或以其中任意几种的适当组合来实现。或者,获取模块810、第二待载消息得到模块820、隐变量得到模块830和载密图像得到模块840中的至少一个可以至少被部分地实现为计算机程序模块,当该计算机程序模块被运行时,可以执行相应的功能。
图9示出了根据本发明实施例的适于实现基于可逆图像处理网络的可证安全自然隐写方法的电子设备的方框图。
如图9所示,根据本发明实施例的电子设备900包括处理器901,其可以根据存储在只读存储器(ROM)902中的程序或者从存储部分908加载到随机访问存储器(RAM)903中的程序而执行各种适当的动作和处理。处理器901例如可以包括通用微处理器(例如CPU)、指令集处理器和/或相关芯片组和/或专用微处理器(例如,专用集成电路(ASIC))等等。处理器901还可以包括用于缓存用途的板载存储器。处理器901可以包括用于执行根据本发明实施例的方法流程的不同动作的单一处理单元或者是多个处理单元。
在RAM 903中,存储有电子设备900操作所需的各种程序和数据。处理器 901、ROM902以及RAM 903通过总线904彼此相连。处理器901通过执行ROM 902和/或RAM 903中的程序来执行根据本发明实施例的方法流程的各种操作。需要注意,所述程序也可以存储在除ROM 902和RAM 903以外的一个或多个存储器中。处理器901也可以通过执行存储在所述一个或多个存储器中的程序来执行根据本发明实施例的方法流程的各种操作。
根据本发明的实施例,电子设备900还可以包括输入/输出(I/O)接口905,输入/输出(I/O)接口905也连接至总线904。电子设备900还可以包括连接至I/O接口905的以下部件中的一项或多项:包括键盘、鼠标等的输入部分906;包括诸如阴极射线管(CRT)、液晶显示器(LCD)等以及扬声器等的输出部分907;包括硬盘等的存储部分908;以及包括诸如LAN卡、调制解调器等的网络接口卡的通信部分909。通信部分909经由诸如因特网的网络执行通信处理。驱动器910也根据需要连接至I/O接口905。可拆卸介质911,诸如磁盘、光盘、磁光盘、半导体存储器等等,根据需要安装在驱动器910上,以便于从其上读出的计算机程序根据需要被安装入存储部分908。
本发明还提供了一种计算机可读存储介质,该计算机可读存储介质可以是上述实施例中描述的设备/装置/系统中所包含的;也可以是单独存在,而未装配入该设备/装置/系统中。上述计算机可读存储介质承载有一个或者多个程序,当上述一个或者多个程序被执行时,实现根据本发明实施例的方法。
根据本发明的实施例,计算机可读存储介质可以是非易失性的计算机可读存储介质,例如可以包括但不限于:便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本发明中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。例如,根据本发明的实施例,计算机可读存储介质可以包括上文描述的ROM 902和/或RAM 903和/或ROM 902和RAM 903以外的一个或多个存储器。
本发明的实施例还包括一种计算机程序产品,其包括计算机程序,该计算机程序包含用于执行流程图所示的方法的程序代码。当计算机程序产品在计算机系统中运行时,该程序代码用于使计算机系统实现本发明实施例所提供的基于可逆图像处理网络的可证安全自然隐写方法。
在该计算机程序被处理器901执行时执行本发明实施例的系统/装置中限定的上述功能。根据本发明的实施例,上文描述的系统、装置、模块、单元等可以通过计算机程序模块来实现。
在一种实施例中,该计算机程序可以依托于光存储器件、磁存储器件等有形存储介质。在另一种实施例中,该计算机程序也可以在网络介质上以信号的形式进行传输、分发,并通过通信部分909被下载和安装,和/或从可拆卸介质911被安装。该计算机程序包含的程序代码可以用任何适当的网络介质传输,包括但不限于:无线、有线等等,或者上述的任意合适的组合。
在这样的实施例中,该计算机程序可以通过通信部分909从网络上被下载和安装,和/或从可拆卸介质911被安装。在该计算机程序被处理器901执行时,执行本发明实施例的系统中限定的上述功能。根据本发明的实施例,上文描述的系统、设备、装置、模块、单元等可以通过计算机程序模块来实现。
根据本发明的实施例,可以以一种或多种程序设计语言的任意组合来编写用于执行本发明实施例提供的计算机程序的程序代码,具体地,可以利用高级过程和/或面向对象的编程语言、和/或汇编/机器语言来实施这些计算程序。程序设计语言包括但不限于诸如Java,C++,python,“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算设备上执行、部分地在用户设备上执行、部分在远程计算设备上执行、或者完全在远程计算设备或服务器上执行。在涉及远程计算设备的情形中,远程计算设备可以通过任意种类的网络,包括局域网(LAN)或广域网(WAN),连接到用户计算设备,或者,可以连接到外部计算设备(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图,图示了按照本发明各种实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分,上述模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个接连地表示的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图或流程图中的每个方框、以及框图或流程图中的方框的组合,可以用执行规定的功能或操作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本领域技术人员可以理解,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合或/或结合,即使这样的组合或结合没有明确记载于本发明中。特别地,在不脱离本发明精神和教导的情况下,本发明的各个实施例和/或权利要求中记载的特征可以进行多种组合和/或结合。所有这些组合和/或结合均落入本发明的范围。
以上对本发明的实施例进行了描述。但是,这些实施例仅仅是为了说明的目的,而并非为了限制本发明的范围。尽管在以上分别描述了各实施例,但是这并不意味着各个实施例中的措施不能有利地结合使用。本发明的范围由所附权利要求及其等同物限定。不脱离本发明的范围,本领域技术人员可以做出多种替代和修改,这些替代和修改都应落在本发明的围之内。
Claims (9)
1.一种基于可逆图像处理网络的可证安全自然隐写方法,其特征在于,所述方法包括:
获取经加密的第一待载消息及辅助随机变量,所述第一待载消息服从0-1均匀分布,所述辅助随机变量大于0小于1;
将预设位数的所述第一待载消息进行预设进制的转换,得到第二待载消息,所述第二待载消息服从离散均匀分布;
根据所述辅助随机变量、所述第二待载消息与所述预设位数,得到隐变量,其中,所述隐变量服从正态分布;
所述根据所述辅助随机变量、所述第二待载消息与所述预设位数,得到隐变量包括按照如下公式(一)计算:
,
其中,zm表征所述隐变量,ppf表征累积分布函数的逆函数,u表征所述辅助随机变量,y表征所述第二待载消息,k表征所述预设位数;
利用所述可逆图像处理网络的逆过程将所述隐变量嵌入目标载体图像中,得到目标载密图像,其中,所述目标载体图像表征已去除服从正态分布的冗余信息的图像,所述逆过程表征按照所述可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
2.根据权利要求1所述的方法,其特征在于,所述方法还包括:
利用所述可逆图像处理网络的正过程,从所述目标载密图像中提取所述隐变量,其中,所述正过程表征按照所述可逆图像处理网络的网络结构的正向顺序对图像进行处理的过程;
根据所述隐变量与所述预设位数,得到所述第二待载消息;
根据所述预设进制,将所述第二待载消息转换成所述第一待载消息。
3.根据权利要求2所述的方法,其特征在于,所述根据所述隐变量与所述预设位数,得到所述第二待载消息包括按照如下公式(二)计算:
,
其中,y表征所述第二待载消息,k表征所述预设位数,cdf表征累积分布函数,zm表征所述隐变量, 表征向下取整。
4.根据权利要求1所述的方法,其特征在于,所述目标载密图像的存储格式为标签图像存储格式。
5.根据权利要求1所述的方法,其特征在于,所述目标载体图像是经过所述可逆图像处理网络的正过程处理后得到的。
6.根据权利要求1所述的方法,其特征在于,所述辅助随机变量从[0,1]的均匀分布中进行随机采样得到的。
7.根据权利要求1所述的方法,其特征在于,所述可逆图像处理网络包括可逆去噪网络、可逆缩放网络与可逆灰度化网络。
8.一种基于可逆图像处理网络的可证安全自然隐写装置,其特征在于,所述装置包括:
获取模块,用于获取经加密的第一待载消息及辅助随机变量,所述第一待载消息服从0-1均匀分布,所述辅助随机变量大于0小于1;
第二待载消息得到模块,用于将预设位数的所述待载消息进行预设进制的转换,得到第二待载消息,所述第二待载消息服从离散均匀分布;
隐变量得到模块,用于根据所述辅助随机变量、所述第二待载消息与所述预设位数,得到隐变量,其中,所述隐变量服从正态分布,所述根据所述辅助随机变量、所述第二待载消息与所述预设位数,得到隐变量包括按照如下公式(一)计算:
,
其中,zm表征所述隐变量,ppf表征累积分布函数的逆函数,u表征所述辅助随机变量,y表征所述第二待载消息,k表征所述预设位数;
载密图像得到模块,用于利用所述可逆图像处理网络的逆过程将所述隐变量嵌入目标载体图像中,得到目标载密图像,其中,所述目标载体图像表征已去除服从正态分布的冗余信息的图像,所述逆过程表征按照所述可逆图像处理网络的网络结构的逆向顺序对图像进行处理的过程。
9.一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个指令,
其中,当所述一个或多个指令被所述一个或多个处理器执行时,使得所述一个或多个处理器实现权利要求1至7中任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671090.8A CN115643348B (zh) | 2022-12-26 | 2022-12-26 | 基于可逆图像处理网络的可证安全自然隐写方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211671090.8A CN115643348B (zh) | 2022-12-26 | 2022-12-26 | 基于可逆图像处理网络的可证安全自然隐写方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115643348A CN115643348A (zh) | 2023-01-24 |
CN115643348B true CN115643348B (zh) | 2023-04-21 |
Family
ID=84949905
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211671090.8A Active CN115643348B (zh) | 2022-12-26 | 2022-12-26 | 基于可逆图像处理网络的可证安全自然隐写方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115643348B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES390261A1 (es) * | 1971-04-16 | 1973-07-01 | Mier Allende S L | Perfeccionamientos en los mastiles para captar ondas elec- tromagneticas. |
CN108830092A (zh) * | 2018-05-29 | 2018-11-16 | 成都大象分形智能科技有限公司 | 涉及数据随机加密的神经网络模型加密保护系统及方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8763435B2 (en) * | 2009-09-02 | 2014-07-01 | Camlock Systems Limited | Locking device |
US9228696B2 (en) * | 2011-03-18 | 2016-01-05 | GCX Corporation | Variable height arm structures, systems, and methods |
CN114969785A (zh) * | 2022-05-27 | 2022-08-30 | 哈尔滨工业大学(深圳) | 一种基于可逆神经网络的无载体图像隐写方法 |
-
2022
- 2022-12-26 CN CN202211671090.8A patent/CN115643348B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
ES390261A1 (es) * | 1971-04-16 | 1973-07-01 | Mier Allende S L | Perfeccionamientos en los mastiles para captar ondas elec- tromagneticas. |
CN108830092A (zh) * | 2018-05-29 | 2018-11-16 | 成都大象分形智能科技有限公司 | 涉及数据随机加密的神经网络模型加密保护系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115643348A (zh) | 2023-01-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Dhawan et al. | Analysis of various data security techniques of steganography: A survey | |
Yin et al. | Reversible data hiding in encrypted images based on pixel prediction and multi-MSB planes rearrangement | |
CN112561766B (zh) | 图像隐写及提取方法、装置及电子设备 | |
WO2022105779A1 (zh) | 图像处理方法、模型训练方法、装置、介质及设备 | |
CN113378143B (zh) | 基于半张量压缩感知的加密域可逆信息隐藏与认证方法 | |
Zheng et al. | A new reversible watermarking scheme using the content-adaptive block size for prediction | |
Bhautmage et al. | Advanced video steganography algorithm | |
CN115358911B (zh) | 屏幕水印的生成方法、装置、设备和计算机可读存储介质 | |
Wu et al. | An image authentication and recovery system based on discrete wavelet transform and convolutional neural networks | |
Jana et al. | A new DCT based robust image watermarking scheme using cellular automata | |
Yang et al. | Reversible data hiding in JPEG images based on coefficient-first selection | |
CN112699400B (zh) | 一种图像信息安全处理方法及装置 | |
CN110069907A (zh) | 基于数字水印的大数据溯源方法及系统 | |
CN115643348B (zh) | 基于可逆图像处理网络的可证安全自然隐写方法及装置 | |
CN112966230A (zh) | 信息隐写及提取方法、装置及设备 | |
Sultan | Deep learning approach and cover image transportation: a multi-security adaptive image steganography scheme | |
Markandey et al. | An image encryption mechanism for data security in clouds | |
Taj et al. | Reversible watermarking method with low distortion for the secure transmission of medical images | |
CN116095245B (zh) | 秘密信息分享方法、系统、终端及存储介质 | |
US11423506B2 (en) | Video frame to frame difference watermarking with drm metadata | |
Soveiri et al. | Adaptive reversible data hiding scheme based on prediction error histogram shifting to achieve high embedding capacity and keep image visual quality | |
Qin et al. | Reversible data hiding in encrypted images based on adaptive prediction and labeling | |
Wang et al. | Covert Communication through Robust Fragment Hiding in a Large Number of Images | |
CN116934484A (zh) | 房产交易信息处理方法、装置、设备和存储介质 | |
Pramanik | A new method for locating data hiding in image steganography |
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 |