CN115908096A - 一种抗隐写分析彩色图像隐写方法、装置及电子设备 - Google Patents
一种抗隐写分析彩色图像隐写方法、装置及电子设备 Download PDFInfo
- Publication number
- CN115908096A CN115908096A CN202211518295.2A CN202211518295A CN115908096A CN 115908096 A CN115908096 A CN 115908096A CN 202211518295 A CN202211518295 A CN 202211518295A CN 115908096 A CN115908096 A CN 115908096A
- Authority
- CN
- China
- Prior art keywords
- image
- secret
- wavelet
- wavelet domain
- carrier
- 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
Images
Landscapes
- Image Processing (AREA)
Abstract
本发明涉及一种抗隐写分析彩色图像隐写方法、装置及电子设备。本发明所述的大容量嵌入的抗隐写分析彩色图像隐写方法通过离散小波变换对秘密图像和载体图像进行频率变换得到小波域上的秘密图像和载体图像;将小波域上的秘密图像信息和小波域上的载体图像信息进行卷积子操作,将组合后的小波域信号进行通道压缩,获得与载体图像的小波域相同大小的小波域信号,通过逆离散小波变换操作,将通道压缩后的小波域信号转化为未添加扰动的载密图像;使用随机梯度下降法生成统一扰动,并将扰动添加到载密图像上;将添加扰动后的载密图像输入至鉴别器进行对抗训练,解决了图像隐写中人眼明显可见的隐写痕迹以及图像隐写被第三方攻击者检测率高的问题。
Description
技术领域
本发明涉及图像隐写领域,特别是涉及一种抗隐写分析彩色图像隐写方法、装置、电子设备。
背景技术
当前信息技术快速发展,人们获取、存储、分析数据的能力不断增强,全球数据呈现爆发式增长、海量集聚的特点。数据的安全问题越来越受到行业的重视。在信息安全领域中,图像隐写术是将秘密信息通过某些算法将秘密信息嵌入到载体图像中并产生载密图像,并通过公共信道上进行传输,接收方通过解密算法得到载密图像中的秘密图像。该技术已经发展成熟并应用于金融、军事等多领域。
理想的图像隐写技术应该同时具备大的隐写容量和好的不可察觉性以及高的安全性。然而容量、不可察觉性、安全性三者具有较强的关联性,嵌入越大容量的秘密信息往往意味着视觉不可见性和安全性越低。当前,大部分图像隐写技术难以同时兼顾三种特性。近几年深度学习技术逐渐被应用于图像隐写技术中。当前基于深度学习的图像隐写技术在隐藏的信息容量过大时,隐写技术生成的图像依然会产生人眼可见的修改痕迹,如颜色失真、细节模糊。在实际应用中,明显的修改痕迹很有可能会引起第三方攻击者的怀疑,从而影响信息的秘密传递。
发明内容
基于此,本发明目的在于,提供一种抗隐写分析彩色图像隐写方法、装置及电子设备,其用于解决图像隐写中人眼明显可见的隐写痕迹问题以及图像隐写被第三方攻击者检测率高的问题,从而提升隐写技术的不可察觉性,保证传输数据的信息安全。
本发明是通过如下技术方案实现的:
一方面,本发明提供一种抗隐写分析彩色图像隐写方法,包括:
获取秘密图像和载体图像,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像;
将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;
将组合后的所述小波域信号进行通道压缩,获得与所述载体图像的小波域相同大小的小波域信号,通过逆离散小波变换操作,将通道压缩后的所述小波域信号转化为未添加扰动的载密图像;
使用随机梯度下降法生成统一扰动,并将扰动添加到所述载密图像上;
将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的所述载密图像。
进一步地,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像的具体步骤为:
选择小波基对所述秘密图像和所述载体图像的RGB通道的其中一个通道分别进行一级小波分解;
在未进行小波分解的通道重复上述步骤,直至所有通道全部完成小波分解。
进一步地,将组合后的所述小波域信号进行通道压缩,获得与载体图像小波域相同大小的小波域信号,经过逆离散小波变换操作转化为未添加扰动的载密图像的具体步骤包括:
将组合后的所述小波域信号的每个通道信息进行平均整合;
使用reshape函数对整合后的所述小波域信号进行通道压缩。
进一步地,所述对抗训练使用的损失函数包括空间域损失Loss1、频域损失Loss2。其中:
Loss1(C,C′,S,S′)=||C-C′||+||S-S′||
Loss(C,C′,S,S′)=Loss1(C,C′,S,S′)+βLoss2(C,C′,S,S′)
进一步地,将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;所述卷积子操作包括F、G和H变换,其中卷积子操作用于在小波域上将秘密图像嵌入到载体图像上。
进一步地,将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作后,重复多次所述卷积子操作。
进一步地,将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的载密图像后,还包括:
计算所述秘密图像S’和所述载密图像C’的峰值信噪比;
计算所述秘密图像S’和所述载密图像C’的结构相似度;
计算所述秘密图像S’和所述载密图像C’的平均绝对误差;
根据所述秘密图像S’和所述载密图像C’的峰值信噪比、结构相似度和平均绝对误差对所述训练完成后的载密图像的质量进行评估。
另一方面,本发明提供一种抗隐写分析彩色图像隐写装置,包括:
小波变换模块:用于获取秘密图像和载体图像,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像;
可逆卷积模块:用于将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;
通道压缩模块:用于将组合后的所述小波域信号进行通道压缩,获得与所述载体图像的小波域相同大小的小波域信号,通过逆离散小波变换(IDWT)操作,将通道压缩后的所述小波域信号转化为未添加扰动的载密图像;
添加扰动模块:用于使用随机梯度下降法生成统一扰动,并将扰动添加到所述载密图像上;
训练模块:用于将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的所述载密图像。
另一方面,本发明还提供一种电子设备,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如上述任一所述的一种抗隐写分析彩色图像隐写方法的步骤。
另一方面,本发明还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如上述任一所述的一种抗隐写分析彩色图像隐写方法的步骤。
本发明所述的一种抗隐写分析彩色图像隐写方法,将秘密图像和载体图像变换到小波域进行隐写,在通道压缩过程中对图像信息进行平均整合,充分利用了利用可逆卷积技术的互逆性契合隐写术中隐藏和解密的过程,使得载密图像更接近原始的载体图像,具有更好的不可察觉性和安全性,解决了图像隐写中人眼明显可见的隐写痕迹问题以及图像隐写被第三方攻击者检测率高的问题。
为了更好地理解和实施,下面结合附图详细说明本发明。
附图说明
图1为本申请实施例提供的一种抗隐写分析彩色图像隐写方法的流程图;
图2为本申请实施例提供的可逆卷积模块中的卷积子操作的计算示意图;
图3为本申请实施例提供的一种抗隐写分析彩色图像隐写装置的结构框图;
图4为本申请实施例根据一示例性实施例示出的一种电子设备的结构框图。
附图标记:10:小波变换模块;20:可逆卷积模块;30:通道压缩模块;40:添加扰动模块;50:训练模块;910:处理器;920:存储器。
具体实施方式
为使本申请的目的、技术方案和优点更加清楚,下面将结合附图对本申请实施例方式作进一步地详细描述。
应当明确,所描述的实施例仅仅是本申请实施例一部分实施例,而不是全部的实施例。基于本申请实施例中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例,都属于本申请实施例保护的范围。
在本申请实施例使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本申请实施例。在本申请实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式,除非上下文清楚地表示其他含义。还应当理解,本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本申请相一致的所有实施方式。相反,它们仅是如所附权利要求书中所详述的、本申请的一些方面相一致的装置和方法的例子。在本申请的描述中,需要理解的是,术语“第一”、“第二”、“第三”等仅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,也不能理解为指示或暗示相对重要性。对于本领域的普通技术人员而言,可以根据具体情况理解上述术语在本申请中的具体含义。
此外,在本申请的描述中,除非另有说明,“多个”是指两个或两个以上。“和/或”,描述关联对象的关联关系,表示可以存在三种关系,例如,A和/或B,可以表示:单独存在A,同时存在A和B,单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
图像隐写技术是将含有秘密信息的秘密图像、用于隐藏信息的载体图像通过某些算法将两者结合成为含有秘密信息的载密图像,并通过公共信道上进行传输,接收方通过解密算法得到载密图像中的秘密图像。该技术已经发展成熟并应用于金融、军事等多领域。图像隐写技术通常关注隐写容量、不可察觉性和安全性,隐写容量影响传输信息的大小,不可察觉性是指载体图像和载密图像的相似性,安全性是指面对第三方攻击者能够防止被解密的能力。现有的技术中大部分图像隐写技术难以同时兼顾三种特性。近几年深度学习技术逐渐被应用于图像隐写技术中。当前基于深度学习的图像隐写技术在隐藏的信息容量过大时,隐写技术生成的图像依然会产生人眼可见的修改痕迹,如颜色失真、细节模糊。
基于此本发明提供一种抗隐写分析彩色图像隐写方法、装置及电子设备,其用于解决图像隐写中人眼明显可见的隐写痕迹问题以及图像隐写被第三方攻击者检测率高的问题,从而提升隐写技术的不可察觉性,保证传输数据的信息安全。其包括:
S10:获取秘密图像和载体图像,通过离散小波(DWT)变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像。在另一个实例中具体地,选择Haar小波基对秘密图像和载体图像的RGB通道的其中一个通道分别进行一级小波分解,在未进行小波分解的通道重复上述步骤,直至所有通道全部完成小波分解。
小波变换是一种窗口大小固定但窗口形状可变的时频局部化分析方法,其高频部分的时间分辨率较高而频率分辨率较低,低频部分的时间分辨率较高而频率分辨率较低,因此对信号有良好的自适应性,小波变换分为连续小波变换和离散小波变换。本方案通过离散小波变换对载体图像和秘密图像进行频率变换。经过小波变换得到小波域的数据是四个不同频率的子带信号,这可与人眼视觉特性完美结合,离散小波变换分解后大部分能量集中在低频子带的少量系数上,而大量的高频子带系数值普遍偏小,且存在明显的相关性,有利于获得较高的编码效益。
S20:将小波域上的秘密图像信息和小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息。
具体地,所述卷积子操作包括F、G和H变换,其中卷积子操作用于在小波域上将秘密图像嵌入到载体图像上。
结合图2,在一个卷积模块中,包括F、G和H卷积子模块,将经过离散小波变换后的秘密图像数据和载体图像数据分别输入至卷积模块中,秘密图像数据通过F变换后与载体图像数据进行累加得到输出OP1,将累加后的数据进行H变换后与初始的秘密图像数据进行卷积操作,最后将累加后的数据经过G变换后与前一步卷积后的数据进行累加得到输出OP。输出OP1和输出OP2分别作为下一个卷积模块的输入,卷积子操作可以重复多次,用于更好的隐藏图像信息,在一个具体的实施例中,每次图像隐写需要经过8个卷积模块,即经过8次卷积子操作。可逆神经网络,无法一次将所有信息隐藏,通过多次卷积充分利用神经网络的深度学习能力,将图像的纹理信息逐步隐藏,使得隐写效果更好,例如前面2组只学会把纹理隐藏进去,再后2组学习隐藏颜色等等。
具体的,F、G、H变换将信息数据进行维度划分,经过离散小波变换的秘密图像数据和载体图像数据从RGB三通道数据变化为每个图像数据存在12个通道,因此组合信息数据维度为(24,128,128),组合信息数据用Xcon表示,F变换操作划分为18个通道频域数据,G变换操作划分为6个通道频域数据,H变换操作划分为6个通道频域数据。F变换操作:输入通道数为18的数据,输出通道数为6的数据;H变换输入通道数为6的数据,输出通道数为18的数据;G变换变换输入通道数为6的数据,输出通道数为18的数据。其中(24,128,128)表示输入的数据通道数为24,每通道的数据尺寸为128*128。
S30:将组合后的小波域信号进行通道压缩,获得与载体图像的小波域相同大小的小波域信号,通过逆离散小波变换(IDWT)操作,将通道压缩后的小波域信号转化为未添加扰动的载密图像。
将秘密图像和载体图像变换到经过离散小波变换后,每个图像的通道数由RGB三通道变为12通道,因此载体图像的原始通道数量为12,而经过卷积子操作后的组合信息数据为24通道,因此对信号进行通道压缩将组合信息数据压缩为与频域相同大小的频域数据。
S40:使用随机梯度下降法生成统一扰动,并将扰动添加到载密图像上。
随机梯度下降用于支持向量机、逻辑回归(LR)等凸损失函数下的线性分类器的学习,是从样本中随机抽出一组,训练后按梯度更新一次,然后再抽取一组,再更新一次,在样本量及其大的情况下,不用训练完所有的样本就可以获得一个损失值在可接受范围之内的模型,有效减小样本之间造成的参数更新抵消问题,通过随机梯度下降法将扰动添加到载密图像,能够欺骗第三方攻击者如:隐写分析者,以增强载密图像的抗隐写分析性,最后增强隐写的安全性。
S50:将添加扰动后的载密图像输入至鉴别器进行对抗训练,获得训练完成后的载密图像。
鉴别器用于区分真实图像和生成的图像,对于图像隐写技术,生成的载密图像应该与载体图像越接近越好,因此通过鉴别器来对载体图像和载密图像进行分辨,并通过定义损失函数来奖励或惩罚图像隐写网络,从而不断优化图像隐写网络。具体的,对抗训练使用的损失函数包括空间域损失Loss1、频域损失Loss2。其中:
Loss1(C,C′,S,S′)=||C-C′||+||S-S′||
Loss(C,C′,S,S′)=Loss1(C,C′,S,S′)+βLoss2(C,C′,S,S′)
在另一个实施例中,在获得训练完成后的载密图像后,还包括对训练结果进行质量评估,具体包括:
计算秘密图像S’和载密图像C’的峰值信噪比(PSNR);
计算秘密图像S’和载密图像C’的结构相似度(SSIM);
计算秘密图像S’和载密图像C’的平均绝对误差(MAE);
根据秘密图像S’和载密图像C’的峰值信噪比、结构相似度和平均绝对误差对训练完成后的载密图像的质量进行评估。
计算秘密图像S’和载密图像C’的PSNR的计算公式如下:
上式中MSES和MSEC分别表示秘密图像和载体图像三个通道的MSE平均值。MSEsR、MSEsG、MSEsB表示秘密图像和重建图像RGB通道的MSE值。MSEcR、MSEcG、MSEcB表示载体图像和载密图像RGB通道的MSE值。PSNR的值越大,代表图像失真程度越少。PSNR的取值范围在30-40dB时,生成图像的失真在可接收的范围内。PSNR大于40dB,生成图像的质量非常接近于原始图像。彩色载密图像的PSNR计算方式是计算三个颜色通道的PSNR值的均值。
SSIM的取值范围是[0,1]。SSIM为1。计算载体图像和载密图像的SSIM的公式如下:
计算秘密图像和重构秘密图像的SSIM的公式如下:
公式中,C、C’分别代表原始图像和生成图像,S、S’分别代表秘密图像和重构秘密图像。μs代表秘密图像均值,μs′代表重建秘密图像的均值,μc代表载体图像的均值,μc′代表载密图像的均值,σcc′代表C和C’的协方差,σss′代表S和S’的协方差。
本申请实施例公开的一种抗隐写分析彩色图像隐写方法,通过在将秘密图像和载体图像输入至图像隐写网络,并从空域变换到频域,选用Harr小波基将对应的频域信号进行小波分解,实现将秘密图像和载体图像变换到小波域,再将小波域上的秘密图像和载体图像信息输入至可逆卷积模块,可逆卷积模块用于将秘密图像嵌入至载体图像中,通过多个卷积子操作逐步将秘密图像的信息隐藏至载体图像。然后经过通道压缩将组合信息数据的通道数进行压缩,得到与载体图像尺寸一致的图像数据,并在压缩过程中,利用通道的相关性,将通道数据进行平均整合,得到添加扰动后的载密图像,将添加扰动后的载密图像进行对抗训练,最后得到载密图像。本发明充分利用可逆卷积技术的互逆性契合隐写术中隐藏和解密的过程,使得载密图像更接近原始的载体图像,具有更好的不可察觉性和安全性,解决了图像隐写中人眼明显可见的隐写痕迹问题以及图像隐写被第三方攻击者检测率高的问题。
本发明还提供一种抗隐写分析彩色图像隐写装置,包括:
小波变换模块10:用于获取秘密图像和载体图像,通过离散小波变换对秘密图像和载体图像进行频率变换得到小波域上的秘密图像和载体图像;
可逆卷积模块20:用于将小波域上的秘密图像信息和小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;
通道压缩模块30:用于将组合后的小波域信号进行通道压缩,获得与载体图像的小波域相同大小的小波域信号,通过逆离散小波变换(IDWT)操作,将通道压缩后的小波域信号转化为未添加扰动的载密图像;
添加扰动模块40:用于使用随机梯度下降法生成统一扰动,并将扰动添加到载密图像上;
训练模块50:用于将添加扰动后的载密图像输入至鉴别器进行对抗训练,获得训练完成后的载密图像。
如图4所示,图4是本申请实施例根据一示例性实施例示出的一种电子设备的结构框图。
所述电子设备包括处理器910和存储器920。该主控芯片中处理器910的数量可以是一个或者多个,图4中以一个处理器910为例。该主控芯片中存储器920的数量可以是一个或者多个,图4中以一个存储器920为例。
存储器920作为一种计算机可读存储介质,可用于存储软件程序、计算机可执行程序以及模块,如本申请实施例任意实施例所述的一种抗隐写分析彩色图像隐写方法程序,以及本申请实施例任意实施例所述的一种抗隐写分析彩色图像隐写方法对应的程序指令/模块。存储器920可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序;存储数据区可存储根据设备的使用所创建的数据等。此外,存储器920可以包括高速随机存取存储器,还可以包括非易失性存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实例中,存储器920可进一步包括相对于处理器910远程设置的存储器,这些远程存储器可以通过网络连接至设备。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
处理器910通过运行存储在存储器920中的软件程序、指令以及模块,从而执行设备的各种功能应用以及数据处理,即实现上述任一实施例所记载的一种抗隐写分析彩色图像隐写方法。
本申请实施例还提供了一种计算机可读存储介质,其上储存有计算机程序,该计算机程序被处理器执行时实现上述任意一个实施例所述的一种抗隐写分析彩色图像隐写方法。
本发明可采用在一个或多个其中包含有程序代码的存储介质(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。计算机可读储存介质包括永久性和非永久性、可移动和非可移动媒体,可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其它数据。计算机的存储介质的例子包括但不限于:相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其它类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其它内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其它光学存储、磁盒式磁带,磁带磁磁盘存储或其它磁性存储设备或任何其它非传输介质,可用于存储可以被计算设备访问的信息。
以上所述实施例仅表达了本发明的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,则本发明也意图包含这些改动和变形。
Claims (10)
1.一种抗隐写分析彩色图像隐写方法,其特征在于,包括:
获取秘密图像和载体图像,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像;
将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;
将组合后的所述小波域信号进行通道压缩,获得与所述载体图像的小波域相同大小的小波域信号,通过逆离散小波变换操作,将通道压缩后的所述小波域信号转化为未添加扰动的载密图像;
使用随机梯度下降法生成统一扰动,并将扰动添加到所述载密图像上;
将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的所述载密图像。
2.根据权利要求1所述的一种抗隐写分析彩色图像隐写方法,其特征在于,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像的具体步骤为:
选择小波基对所述秘密图像和所述载体图像的RGB通道的其中一个通道分别进行一级小波分解;
在未进行小波分解的通道重复上述步骤,直至所有通道全部完成小波分解。
3.根据权利要求2所述的一种抗隐写分析彩色图像隐写方法,其特征在于,将组合后的所述小波域信号进行通道压缩,获得与载体图像小波域相同大小的小波域信号,经过逆离散小波变换操作转化为未添加扰动的载密图像的具体步骤包括:
将组合后的所述小波域信号的每个通道信息进行平均整合;
使用reshape函数对整合后的所述小波域信号进行通道压缩。
5.根据权利要求3所述的一种抗隐写分析彩色图像隐写方法,其特征在于:将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;所述卷积子操作包括F、G和H变换,其中卷积子操作用于在小波域上将秘密图像嵌入到载体图像上。
6.根据权利要求4所述的一种抗隐写分析彩色图像隐写方法,其特征在于:将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作后,重复多次所述卷积子操作。
7.根据权利要求1所述的一种抗隐写分析彩色图像隐写方法,其特征在于,将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的载密图像后,还包括:
计算所述秘密图像S’和所述载密图像C’的峰值信噪比;
计算所述秘密图像S’和所述载密图像C’的结构相似度;
计算所述秘密图像S’和所述载密图像C’的平均绝对误差;
根据所述秘密图像S’和所述载密图像C’的峰值信噪比、结构相似度和平均绝对误差对所述训练完成后的载密图像的质量进行评估。
8.一种抗隐写分析彩色图像隐写装置,其特征在于,包括:
小波变换模块:用于获取秘密图像和载体图像,通过离散小波变换对所述秘密图像和所述载体图像进行频率变换得到小波域上的所述秘密图像和所述载体图像;
可逆卷积模块:用于将所述小波域上的秘密图像信息和所述小波域上的载体图像信息进行卷积子操作,得到组合后的小波域信息;
通道压缩模块:用于将组合后的所述小波域信号进行通道压缩,获得与所述载体图像的小波域相同大小的小波域信号,通过逆离散小波变换(IDWT)操作,将通道压缩后的所述小波域信号转化为未添加扰动的载密图像;
添加扰动模块:用于使用随机梯度下降法生成统一扰动,并将扰动添加到所述载密图像上;
训练模块:用于将添加扰动后的所述载密图像输入至鉴别器进行对抗训练,获得训练完成后的所述载密图像。
9.一种电子设备,其特征在于,包括:
至少一个存储器以及至少一个处理器;
所述存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述至少一个处理器执行,使得所述至少一个处理器实现如权利要求1至7任一项所述的一种抗隐写分析彩色图像隐写方法的步骤。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的一种抗隐写分析彩色图像隐写方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518295.2A CN115908096A (zh) | 2022-11-30 | 2022-11-30 | 一种抗隐写分析彩色图像隐写方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211518295.2A CN115908096A (zh) | 2022-11-30 | 2022-11-30 | 一种抗隐写分析彩色图像隐写方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115908096A true CN115908096A (zh) | 2023-04-04 |
Family
ID=86493458
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211518295.2A Pending CN115908096A (zh) | 2022-11-30 | 2022-11-30 | 一种抗隐写分析彩色图像隐写方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115908096A (zh) |
-
2022
- 2022-11-30 CN CN202211518295.2A patent/CN115908096A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alhayani et al. | Manufacturing intelligent Corvus corone module for a secured two way image transmission under WSN | |
Zhang et al. | Dual DCT-DWT-SVD digital watermarking algorithm based on particle swarm optimization | |
CN108830796B (zh) | 基于谱空结合和梯度域损失的高光谱图像超分辨重构方法 | |
Oh et al. | Blind deep S3D image quality evaluation via local to global feature aggregation | |
CN105208374B (zh) | 一种基于深度学习的无参考图像质量客观评价方法 | |
Song et al. | A robust region-adaptive dual image watermarking technique | |
CN105335924A (zh) | 基于差分进化的小波域彩色图像水印加密算法 | |
Araghi et al. | A survey on digital image watermarking techniques in spatial and transform domains | |
CN102521825B (zh) | 一种基于零水印的立体图像质量客观评价方法 | |
CN112132737B (zh) | 一种无参考生成的图像鲁棒隐写方法 | |
He et al. | A visual residual perception optimized network for blind image quality assessment | |
Zhu et al. | Generative high-capacity image hiding based on residual CNN in wavelet domain | |
CN107590785A (zh) | 一种基于sobel算子的布里渊散射谱图像识别方法 | |
Awasthi et al. | Hessenberg decomposition-based medical image watermarking with its performance comparison by particle swarm and JAYA optimization algorithms for different wavelets and its authentication using AES | |
Rahim et al. | Exploiting de-noising convolutional neural networks DnCNNs for an efficient watermarking scheme: a case for information retrieval | |
Khandelwal et al. | W-VDSR: Wavelet-based secure image transmission using machine learning VDSR neural network | |
CN102722857A (zh) | 一种基于视觉注意机制的数字图像水印方法 | |
CN102142130B (zh) | 基于小波域增强型图像掩膜的水印嵌入方法及装置 | |
Chaudhary et al. | Spectral Graph Wavelet Based Image Steganography Using SVD and Arnold Transform. | |
Sejpal et al. | A novel multiple objective optimized color watermarking scheme based on LWT-SVD domain using nature based Bat Algorithm and Firefly algorithm | |
CN115908096A (zh) | 一种抗隐写分析彩色图像隐写方法、装置及电子设备 | |
Bhatnagar et al. | Distributed multiresolution discrete Fourier transform and its application to watermarking | |
Tsai et al. | A visible wavelet watermarking technique based on exploiting the contrast sensitivity function and noise reduction of human vision system | |
Hamsathvani | Image hiding in video sequence based on MSE | |
CN103218815B (zh) | 利用自然场景统计计算图像显著图的方法 |
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 |