CN116402668A - 图像处理方法及装置 - Google Patents
图像处理方法及装置 Download PDFInfo
- Publication number
- CN116402668A CN116402668A CN202310365041.XA CN202310365041A CN116402668A CN 116402668 A CN116402668 A CN 116402668A CN 202310365041 A CN202310365041 A CN 202310365041A CN 116402668 A CN116402668 A CN 116402668A
- Authority
- CN
- China
- Prior art keywords
- image
- affine transformation
- frequency
- carrier
- secret
- 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
- 238000003672 processing method Methods 0.000 title claims abstract description 27
- 230000009466 transformation Effects 0.000 claims abstract description 174
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims abstract description 172
- 238000006243 chemical reaction Methods 0.000 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 24
- 230000006835 compression Effects 0.000 claims abstract description 20
- 238000007906 compression Methods 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims description 21
- 238000011084 recovery Methods 0.000 claims description 21
- 238000000605 extraction Methods 0.000 claims description 12
- 230000010076 replication Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 13
- 238000010586 diagram Methods 0.000 description 8
- 239000004973 liquid crystal related substance Substances 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
Images
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
- G06T1/005—Robust watermarking, e.g. average attack or collusion attack resistant
- G06T1/0057—Compression invariant watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/14—Transformations for image registration, e.g. adjusting or mapping for alignment of images
- G06T3/147—Transformations for image registration, e.g. adjusting or mapping for alignment of images using affine transformations
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种图像处理方法，包括图像隐藏步骤：获取载体图像，并将所述载体图像转换到频率域，得到载体频率图像；获取秘密图像，并将所述秘密图像转换到频率域，得到秘密频率图像；将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像；对所述第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像；将n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像；对所述第二仿射变换图像进行通道压缩，得到第一压缩图像；对所述第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。相对于现有技术，能够有效地抵抗隐写分析，安全性高。
Description
技术领域
本发明涉及图像处理技术领域，尤其是涉及一种图像处理方法及装置。
背景技术
在互联网时代，大量数字图像、文本、音频、视频等多媒体信息被广泛传播，而当私密信息在互联网这个透明的平台上进行传输时，将面临被不法分子窃取和篡改的危险。为了实现秘密信息的隐秘通信，可以通过隐写技术将秘密信息嵌入到不容易被怀疑的多媒体载体中，如图像等。
图像隐写技术包括秘密图像隐藏和秘密图像恢复，其中，秘密图像隐藏是指将需要保密的秘密图像嵌入于一载体图像，生成隐藏有该秘密图像的载密图像的过程；秘密图像恢复是指从载密图像中恢复出其中所隐藏的秘密图像的过程。
然而，对应图像隐写技术相应地产生了隐写分析技术，隐写分析技术能够识别出载密图像中载有秘密信息，这对图像隐写技术的安全性带来挑战。虽然传统的图像隐写处理方法可以在一定程度上保证信息安全，但是，随着深度学习的发展，隐写分析技术逐渐向特征高维化、算法复杂化的方向发展，隐写分析技术对载密图像的识别率有了提高，尤其是容易识别出纹理复杂的载体图像所生成的载密图像，因此传统的图像隐写处理方法难以有效地抵抗隐写分析，安全性较低。
发明内容
本发明的目的在于克服现有技术的缺点与不足，提供一种图像处理，能够有效地抵抗隐写分析，安全性高。
本发明是通过以下技术方案实现的：一种图像处理方法，包括图像隐藏步骤：
获取载体图像，并将所述载体图像转换到频率域，得到载体频率图像；
获取秘密图像，并将所述秘密图像转换到频率域，得到秘密频率图像；
将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像；
对所述第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像；
将n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像；
对所述第二仿射变换图像进行通道压缩，得到第一压缩图像；
对所述第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。
进一步地，将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像后，还包括步骤：
对所述第一拼接图像进行深度特征提取，得到深度图像特征；
将所述深度图像特征和n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
相对于现有技术，本发明通过密集连接的方式将多次仿射变换的变换结果进行连接，以更多地保留纹理复杂的载体图像和秘密图像的图像特征，从而保证载体图像的质量，使其能够更好隐藏秘密图像，由此提高了载密图像的抗隐写分析能力，安全性高。同时，秘密图像的图像特征被更大化地保留，提高了恢复秘密图像的准确性。
进一步地，其特征在于，还包括图像恢复步骤：
获取所述载密图像，并将所述载密图像转换到频率域，得到载密频率图像；
获取辅助变量，并将所述辅助变量转换到频率域，得到辅助频率变量；
将所有所述载密频率图像和所述辅助频率变量进行拼接，得到第二拼接图像；
对所述第二拼接图像进行通道复制后，进行逆仿射变换，得到第一逆仿射变换图像；
对所述第一逆仿射变换图像进行通道压缩，得到第二压缩图像；
对所述第二压缩图像进行连续n次逆仿射变换，得到第二逆仿射变换图像；
对所述第二逆仿射变换图像中辅助变量对应的部分进行空间域的转换，得到秘密图像。
进一步地，其特征在于，所述仿射变换的可训练参数通过如下步骤进行训练：
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，得到低频损失；
通过所述低频损失对所述可训练参数进行调整。
进一步地，其特征在于，所述仿射变换、所述逆仿射变换中的可训练参数通过如下步骤进行训练：
计算载体图像样本与对应生成的载密图像之间的损失，得到隐藏损失；
计算秘密图像样本与对应恢复的秘密图像之间的损失，得到恢复损失；
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失；
将所述隐藏损失、所述恢复损失以及所述低频损失与不同损失系数相乘后相加，得到总损失；
通过所述总损失对所述仿射变换、所述逆仿射变换及所述深度特征提取中的可训练参数进行调整，直至所述总损失达到收敛。
基于同一发明构思，本发明还提供一种图像处理装置，包括隐写单元，所述隐写单元包括：
载体图像转换模块，用于获取所述载体图像，并将所述载体图像转换到频率域，得到载体频率图像；
秘密图像转换模块，用于获取所述秘密图像，并将所述秘密图像转换到频率域，得到秘密频率图像；
第一拼接模块，用于将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像；
第一仿射变换模块，用于对所述第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像；
第二仿射变换模块，用于将n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像；
第一压缩模块，用于对所述第二仿射变换图像进行通道压缩，得到第一压缩图像；
第一空间域转换模块，用于对所述第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。
进一步地，所述隐写单元还包括：
深度特征提取模块，用于对所述第一拼接图像进行深度特征提取，得到深度图像特征；
所述第二仿射变换模块替换为用于将所述深度图像特征和n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
进一步地，还包括恢复单元，所述恢复单元包括：
载密图像转换模块，用于获取所述载密图像，并将所述载密图像转换到频率域，得到载密频率图像；
辅助变量转换模块，用于获取辅助变量，并将所述辅助变量转换到频率域，得到辅助频率变量；
第二拼接模块，用于将所有所述载密频率图像和所述辅助频率变量进行拼接，得到第二拼接图像；
第一逆仿射变换模块，用于对所述第二拼接图像进行通道复制后，进行逆仿射变换，得到第一逆仿射变换图像；
第二压缩模块，用于对所述第一逆仿射变换图像进行通道压缩，得到第二压缩图像；
第二逆仿射变换模块，用于对所述第二压缩图像进行连续n次逆仿射变换，得到第二逆仿射变换图像；
第二空间域转换模块，用于对所述第二逆仿射变换图像中辅助变量对应的部分进行空间域的转换，得到秘密图像。
进一步地，所述第一仿射变换模块、所述第二仿射变换模块中的可训练参数通过如下步骤进行训练：
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，得到低频损失；
通过所述低频损失对所述可训练参数进行调整。
进一步地，所述第一仿射变换模块、所述第二仿射变换模块、所述第一逆仿射变换模块、所述第二逆仿射变换模块中的可训练参数通过如下步骤进行训练：
计算载体图像样本与对应生成的载密图像之间的损失，得到隐藏损失；
计算秘密图像样本与对应恢复的秘密图像之间的损失，得到恢复损失；
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失；
将所述隐藏损失、所述恢复损失以及所述低频损失与不同损失系数相乘后相加，得到总损失；
通过所述总损失对所述第一仿射变换模块、所述第二仿射变换模块、所述第一逆仿射变换模块、所述第二逆仿射变换模块、以及所述深度特征提取模块中的可训练参数进行调整，直至所述总损失达到收敛。
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为根据一示例性实施例示出的一种图像处理方法的应用环境示意图；
图2为实施例1的图像处理方法中图像隐写步骤的流程示意图；
图3为实施例1的图像处理装置的隐写单元10的结构示意图；
图4为实施例2的图像处理方法中图像隐写步骤的流程示意图；
图5为实施例2的图像处理装置的隐写单元10结构示意图；
图6为基于图像处理方法中图像恢复步骤的流程示意图；
图7为图像处理装置的图像恢复单元20的结构示意图；
图8为基于图像处理方法的训练方法的流程示意图；
图9为基于图像处理装置的训练装置的结构示意图。
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。
本发明针对现有纹理复杂的载体图像的图像隐写处理方法的抗隐写分析能力弱的问题进行研究，认为由于在将秘密图像嵌入载体图像时，需要根据载体图像的图像特征生成载密图像，而纹理复杂载体图像的图像特征量较大，使得在进行隐藏处理时将丢失部分特征，载体图像的特征丢失后其图像质量下降，而质量差的图像难以将秘密图像完全隐藏，导致载密图像容易被隐写分析所发觉，甚至载密图像上将出现伪影和颜色失真。
进一步，对于纹理复杂的秘密图像，由于在隐藏处理时丢失了部分特征，导致在图像恢复时难以完整恢复出秘密图像。
对于上述研究所发现的问题，本发明提出一种能够保留载体图像和秘密图像的图像特征的图像处理方法，该图像处理方法包括图像隐写步骤和图像恢复步骤，图像隐写步骤为将秘密图像隐藏于载体图像中，生成载密图像；图像恢复步骤为从载密图像中恢复出秘密图像。同时基于该图像处理方法，提出一种对图像隐写步骤和图像恢复步骤中涉及的可训练参数的优化训练方法。具体通过以下三个部分进行说明。
请参阅图1，其为根据一示例性实施例示出的一种图像处理方法的应用环境示意图，包括数据发送端A和数据接收端B，数据发送端A和数据接收端B可以是计算机、手机、平板电脑、PDA(Personal Digital Assistant，个人数字助理)、电子书阅读器、多媒体播放器等，还可以是专用服务器。数据发送端A和数据接收端B之间可以通过无线局域网、公用网络等网络互联方式进行相互数据传输。数据发送端A通过本发明的图像处理方法将秘密图像隐藏于载体图像当中，得到载密图像后，将该载密图像传输至数据接收端B。数据接收端B在接收到该载密图像后，通过本发明的图像处理方法将从载密图像中恢复出秘密图像。
(一)图像隐写部分
实施例1
请同时参阅图2和图3，其中图2为实施例1的图像处理方法中图像隐写步骤的流程示意图；图3为实施例1的图像处理装置的隐写单元10的结构示意图。该图像隐写装置的隐写单元10用于执行图像隐写步骤：获取载体图像和秘密图像，将秘密图像隐藏于载体图像中，得到载密图像。具体的，该隐写单元10包括载体图像转换模块11a、秘密图像转换模块11b、第一拼接模块12、第一仿射变换模块13、第二仿射变换模块14、第一压缩模块15和第一空间域转换模块16。
载体图像转换模块11a用于执行步骤S11a：获取载体图像，并将载体图像转换到频率域，得到多个不同频率的载体频率图像。
其中，载体图像是一种空间域上的数据，为了便于后续数据的处理，将载体图像转换到频率域，得到载体图像的频谱图，即载体频率图像。按照频率不同，载体频率图像可分为多个不同频率的载体频率图像。获取多个不同频率的载体频率图像，能够便于将秘密图像隐藏于载体图像的高频分量中，以提高秘密图像的隐蔽性。
在具体实施中，可选用哈尔离散小波变换、双树复小波变换等空间域-频率域转换方法将载体图像转换到频率域。示例性地，采用哈尔离散小波变换将载体图像转换到频率域，得到四个不同频率的载体频率图像，分别为低频载体频率图像LL、第一高频载体频率图像LH、第二高频载体频率图像HL和第三高频载体频率图像HH。对于维度为(B,C,W,H)的载体图像，经过哈尔离散小波变换所得到载体频率图像的维度将为(B,C,W/2,H/2)，其中B表示批次，C表示通道数，W表示图像宽度，H表示图像高度。
秘密图像转换模块11b用于执行步骤S11b：获取秘密图像，并将秘密图像转换到频率域，得到多个不同频率的秘密频率图像。
其中，秘密图像是一种空间域上的数据，将秘密图像转换到频率域，得到秘密图像的频谱图，即秘密频率图像。按照频率不同，秘密频率图像可分为多个不同频率的秘密频率图像。
在具体实施中，可选用哈尔离散小波变换、双树复小波变换等空间域-频率域转换方法将秘密图像转换到频率域。
第一拼接模块12用于执行步骤S12：将所有载体频率图像与秘密频率图像进行拼接，得到第一拼接图像。
其中，载体频率图像和秘密频率图像在通道方向上进行拼接，得到的第一拼接图像的通道数是所有载体频率图像和秘密频率图像通道数之和。如将四个维度为(B,C,W/2,H/2)的载体频率图像和四个维度同为(B,C,W/2,H/2)的秘密频率图像在通道方向上进行拼接，得到的第一拼接图像的维度为(B,8C,W/2,H/2)。
第一仿射变换模块13用于执行步骤S13：对第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像。
其中，第k次仿射变换的变换表达式为：
其中，
为第k个第一仿射变换图像中对应载体图像的部分；/>
为第k个第一仿射变换图像中对应秘密图像的部分；α是sigmoid函数；⊙表示哈达码积；δ(·)，φ(·)，ρ(·)和θ(·)是任意函数。
第二仿射变换模块14用于执行步骤S14：将n个第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
其中，将n个第一仿射变换图像进行通道上的拼接，拼接将得到维度为(B,n*C,W/2,H/2)的拼接图像，对该拼接图像进行仿射变换，得到维度同为(B,n*C,W/2,H/2)的第二仿射变换图像。
第一压缩模块15用于执行步骤S15：对第二仿射变换图像进行通道压缩，得到第一压缩图像。
其中，对第二仿射变换图像在通道方向上压缩至与第一拼接图像相同的维度，以便空间域后续转换后能够得到与载体图像维度相同的载密图像，以使载密图像与载体图像在视觉上相同。
第一空间域转换模块16用于执行步骤S16：对第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。
其中，根据第一拼接图像中载体频率图像与秘密频率图像的拼接顺序，可将载体频率图像对应的部分从第一压缩图像中分割出来。对该分割出来的图像数据进行空间域的转换，所得到的即为载密图像。而第一压缩图像中秘密频率图像对应的部分将无任何有效信息，可以丢弃。具体实施中，可以通过逆哈尔离散小波变换将第一压缩图像转换至空间域，得到载密图像。
实施例2
请同时参阅图4和图5，其中图4为实施例2的图像处理方法中图像隐写步骤的流程示意图；图5为实施例2的图像处理装置的隐写单元10结构示意图。实施例2的图像处理装置与实施例1的图像处理装置的不同之处仅在于以下两点：
1、实施例2的图像隐写单元10还包括深度特征提取模块17；
2、实施例2的第二仿射变换模块14’与实施例1的第二仿射变换模块14的输入数据不同。
具体的，深度特征提取模块17用于执行步骤S17：对第一拼接图像进行深度特征提取，得到深度图像特征。
其中，深度特征提取是通过深度神经网络模型来挖掘第一拼接图像中具有深度的抽象的特征，即深度图像特征。深度图像特征包含了秘密图像和载体图像的关键细节信息，通过在载密图像中添加秘密图像及载体图像的深度图像特征，使得在恢复秘密图像及载体图像时，能够依据其关键细节信息进行更准确的还原。即使载密图像受到攻击，也能够根据深度图像特征准确地还原秘密图像及载体图像。
进一步，可通过深度神经网络中的编码-解码网络模型对第一拼接图像进行深度特征提取。编码-解码网络模型包括编码器和解码器，通过编码器对第一拼接图像进行编码，从第一拼接图像中提取出深度特征向量；通过解码器对编码器输出的深度特征向量进行解码，转换为目标形式的深度图像特征。
在具体实施中，编码-解码网络模型可选用为U-net模型，U-net模型中的编码器包括若干下采样的卷积层和若干池化层，解码器包括若干上采样的卷积层和若干拼接层，编码器中每一卷积层所提取的特征将与解码器中对应的卷积层所输出的特征进行连接后，共同进入解码器的下一卷积层中进行上采样，由此U-net模型可以提取到更为细粒度的深度图像特征。为了使深度图像特征的大小与第一拼接图像的大小一致，对U-net模型中的卷积层的卷积核大小设置为3×3,填充(padding)设置为1,激活函数设置为LeakyReLu。
第二仿射变换模块14’用于执行步骤S14’：将深度图像特征和n个第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
其中，将深度图像特征和n个第一仿射变换图像在通道方向上进行拼接，得到携带深度图像特征的第二仿射变换图像。
(二)图像恢复部分
请同时参阅图6和图7，其中，图6为基于图像处理方法中图像恢复步骤的流程示意图；图7为图像处理装置的图像恢复单元20的结构示意图。该图像处理装置的图像恢复单元20用于执行图像恢复步骤：获取载密图像，从载密图像中恢复出秘密图像。具体的，该图像恢复单元20包括载密图像转换模块21a、辅助变量转换模块21b、第二拼接模块22、第一逆仿射变换模块23、第二压缩模块24、第二逆仿射变换模块25和第二空间域转换模块26。
载密图像转换模块21a用于执行步骤S21a：获取载密图像，并将载密图像转换到频率域，得到多个不同频率的载密频率图像。
其中，载密图像是一种空间域上的数据，为了便于后续数据的处理，将载密图像转换到频率域，得到载密图像的频谱图，即载密频率图像。按照频率不同，载密频率图像可分为多个不同频率的载密频率图像。
辅助变量转换模块21b用于执行步骤S21b：获取辅助变量，并将辅助变量转换到频率域，得到多个不同频率的辅助频率变量。
其中，辅助频率变量用于作为将要恢复的秘密图像的容器，辅助变量可以是一个常量，也可以是从标准正态分布中采样得到的矩阵变量，其维度与将要恢复的秘密图像相同。将辅助变量转换到频率域，得到辅助变量的频谱图，即辅助频率变量。按照频率不同，辅助频率变量可分为多个不同频率的辅助频率变量。
第二拼接模块22用于执行步骤S22：将所有载密频率图像和辅助频率变量进行拼接，得到第二拼接图像。
其中，将所有载密频率图像和辅助频率变量在通道方向上进行拼接，得到通道数为所有载密频率图像和辅助频率变量的通道数之和的第二拼接图像。
第一逆仿射变换模块23用于执行步骤S23：对第二拼接图像进行通道复制后，进行逆仿射变换，得到第一逆仿射变换图像。
其中，对第二拼接图像进行通道复制，使第二拼接图像的通道数与第二仿射图像相同，即维度为(B,n*C,W/2,H/2)。随后对该通道复制后的第二拼接图像进行逆仿射变换，得到与第二仿射图像维度相同的第一逆仿射变换图像。
第二压缩模块24用于执行步骤S24：对第一逆仿射变换图像进行通道压缩，得到第二压缩图像。
其中，对第一逆仿射变换图像进行通道压缩，使第一逆仿射变换图像的通道数与第一拼接图像相同。
第二逆仿射变换模块25用于执行步骤25：对第二压缩图像进行连续n次逆仿射变换，得到第二逆仿射变换图像。
其中，第k次逆仿射变换的变换表达式为：
其中，
为第k个第二逆仿射变换图像中对应辅助变量的部分；/>
为第k个第二逆仿射变换图像中对应载密图像的部分；α是sigmoid函数；⊙表示哈达码积；δ(·)，φ(·)，ρ(·)和θ(·)是任意函数。
第二空间域转换模块26用于执行步骤S26：对第二逆仿射变换图像中辅助变量对应的部分进行空间域的转换，得到秘密图像。
其中，第二逆仿射变换图像中辅助变量对应的部分即为频率域上的秘密图像，第二逆仿射变换图像中载密图像对应的部分即为频率域上的载体图像。根据第二拼接图像中载密频率图像与辅助频率变量的拼接顺序，可将频率域上的秘密图像和频率域上的载体图像从第二逆仿射变换图像中分割出来。对频率域上的秘密图像进行空间域的转换，可还原得到秘密图像；对频率域上的载体图像进行空间域的转换，可还原得到载体图像。具体实施中，可通过逆哈尔离散小波变换对频率域上的秘密图像进行空间域的转换，可通过逆哈尔离散小波变换对频率域上的载体图像进行空间域的转换。
(三)训练部分
请参阅图8和图9，图8为基于上述图像处理方法的训练方法的流程示意图；图9为基于上述图像处理装置的训练装置的结构示意图。该训练装置用于对图像处理装置中的第一仿射变换模块13、第二仿射变换模块14、第一逆仿射变换模块23、第二逆仿射变换模块25、以及深度特征提取模块17中的可训练参数进行优化训练。具体的，该训练装置包括隐藏损失计算模块31、恢复损失计算模块32和低频损失计算模块33、损失汇总模块34和参数调整模块35。
隐藏损失计算模块31用于执行步骤S31：计算载体图像样本与对应生成的载密图像之间的损失，得到隐藏损失Lemb。
其中，选用L1范数或L2范数计算载体图像样本与对应生成的载密图像之间的损失，隐藏损失Lemb的表达式为：
其中，lw为L1范数或L2范数；
为训练样本中第n个载体图像样本；/>
为第n个载体图像样本与秘密图像样本生成的载密图像。
恢复损失计算模块32用于执行步骤S32：计算秘密图像样本与对应恢复的秘密图像之间的损失，得到恢复损失Lext。
其中，选用L1范数或L2范数计算秘密图像样本与对应恢复的秘密图像之间的损失，恢复损失Lext的表达式为：
其中，
为标准正态分布；/>
为L1范数或L2范数；/>
为训练样本中第n个载密图像样本；/>
为从第n个载密图像样本中恢复的秘密图像。
低频损失计算模块33用于执行步骤S33：计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，得到低频损失Lfreq。
其中，低频载体频率图像为载体图像的对应低频率的载体频率图像，低频载密频率图像为载密图像的对应低频率的载密频率图像。通过低频损失Lfreq参与图像处理装置相关参数的调整，能够使载密图像与载体图像的低频部分的数据近乎相同，从而使秘密图像隐藏于载体图像的高频部分，以提高秘密图像在载密图像中的隐蔽性。
选用L1范数或L2范数计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，低频损失Lfreq的表达式为：
其中，
为L1范数或L2范数；/>
为训练样本中第n个载体图像样本的低频载体频率图像；/>
为第n个载体图像样本生成的载密图像的低频载密频率图像。
损失汇总模块34用于执行步骤S34：对隐藏损失Lemb、恢复损失Lext和低频损失Lfreq进行汇总，得到总损失Ltotal。
其中，通过将隐藏损失Lemb、恢复损失Lext以及低频损失Lfreq与不同损失系数相乘后相加，来对隐藏损失Lemb、恢复损失Lext和低频损失Lfreq进行汇总，总损失Ltotal的表达式为：
Ltotal＝λembLemb+λextLext+λfreqLfreq
其中，λemb为隐藏损失Lemb的损失系数；λext为恢复损失Lext的损失系数；λfreq为低频损失Lfreq的损失系数。
参数调整模块35用于执行步骤S35：通过总损失Ltotal对图像处理装置中第一仿射变换模块13、第二仿射变换模块14、第一逆仿射变换模块23、第二逆仿射变换模块25、以及深度特征提取模块17中的可训练参数进行调整，直至总损失Ltotal达到收敛。
其中，若总损失Ltotal未能达到收敛，则调整图像处理装置中的可训练参数，并返回执行步骤S31-S34；若总损失Ltotal达到收敛，则结束训练。
相对于现有技术，本发明通过密集连接的方式将多次仿射变换的变换结果进行连接，以更多地保留纹理复杂的载体图像和秘密图像的图像特征，从而保证载体图像的质量，使其能够更好隐藏秘密图像，由此提高了载密图像的抗隐写分析能力，安全性高。同时，秘密图像的图像特征被更大化地保留，提高了恢复秘密图像的准确性。
进一步，本发明在载密图像中添加载体图像和载密图像的深度图像特征，使得秘密图像更多的深层细粒度信息隐藏到载体图像中，从而能够恢复出高质量的秘密图像，且鲁棒性强。
此外，本发明通过低频损失训练仿射变换参数，使得秘密图像能够隐藏于载体图像的高频分量中，由此得到的载密图像隐蔽性更强，更难于被隐写分析发觉。
基于同一发明构思，本申请还提供一种电子设备，可以是服务器、台式计算设备或移动计算设备(例如，膝上型计算设备、手持计算设备、平板电脑、上网本等)等终端设备。该设备包括一个或多个处理器和存储器，其中处理器用于执行程序实现方法实施例的图像处理方法；存储器用于存储可由所述处理器执行的计算机程序。
基于同一发明构思，本申请还提供一种计算机可读存储介质，与前述图像处理方法的实施例相对应，所述计算机可读存储介质其上存储有计算机程序，该程序被处理器执行时实现上述任一实施例所记载的图像处理方法的步骤。
本申请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。计算机可用存储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、程序的模块或其他数据。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)、其他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)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带，磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质，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)
1.一种图像处理方法，其特征在于，包括图像隐藏步骤：
获取载体图像，并将所述载体图像转换到频率域，得到载体频率图像；
获取秘密图像，并将所述秘密图像转换到频率域，得到秘密频率图像；
将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像；
对所述第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像；
将n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像；
对所述第二仿射变换图像进行通道压缩，得到第一压缩图像；
对所述第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。
2.根据权利要求1所述的方法，其特征在于，将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像后，还包括步骤：
对所述第一拼接图像进行深度特征提取，得到深度图像特征；
将所述深度图像特征和n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
3.根据权利要求1或2所述的方法，其特征在于，还包括图像恢复步骤：
获取所述载密图像，并将所述载密图像转换到频率域，得到载密频率图像；
获取辅助变量，并将所述辅助变量转换到频率域，得到辅助频率变量；
将所有所述载密频率图像和所述辅助频率变量进行拼接，得到第二拼接图像；
对所述第二拼接图像进行通道复制后，进行逆仿射变换，得到第一逆仿射变换图像；
对所述第一逆仿射变换图像进行通道压缩，得到第二压缩图像；
对所述第二压缩图像进行连续n次逆仿射变换，得到第二逆仿射变换图像；
对所述第二逆仿射变换图像中辅助变量对应的部分进行空间域的转换，得到秘密图像。
4.根据权利要求1或2所述的方法，其特征在于，所述仿射变换的可训练参数通过如下步骤进行训练：
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，得到低频损失；
通过所述低频损失对所述可训练参数进行调整。
5.根据权利要求3所述的方法，其特征在于，所述仿射变换、所述逆仿射变换中的可训练参数通过如下步骤进行训练：
计算载体图像样本与对应生成的载密图像之间的损失，得到隐藏损失；
计算秘密图像样本与对应恢复的秘密图像之间的损失，得到恢复损失；
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失；
将所述隐藏损失、所述恢复损失以及所述低频损失与不同损失系数相乘后相加，得到总损失；
通过所述总损失对所述仿射变换、所述逆仿射变换及所述深度特征提取中的可训练参数进行调整，直至所述总损失达到收敛。
6.一种图像处理装置，其特征在于，包括隐写单元，所述隐写单元包括：
载体图像转换模块，用于获取所述载体图像，并将所述载体图像转换到频率域，得到载体频率图像；
秘密图像转换模块，用于获取所述秘密图像，并将所述秘密图像转换到频率域，得到秘密频率图像；
第一拼接模块，用于将所述载体频率图像与所述秘密频率图像进行拼接，得到第一拼接图像；
第一仿射变换模块，用于对所述第一拼接图像进行连续n次仿射变换，对应每次仿射变换得到n个第一仿射变换图像；
第二仿射变换模块，用于将n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像；
第一压缩模块，用于对所述第二仿射变换图像进行通道压缩，得到第一压缩图像；
第一空间域转换模块，用于对所述第一压缩图像中载体频率图像对应的部分进行空间域的转换，得到载密图像。
7.根据权利要求6所述的装置，其特征在于，所述隐写单元还包括：
深度特征提取模块，用于对所述第一拼接图像进行深度特征提取，得到深度图像特征；
所述第二仿射变换模块替换为用于将所述深度图像特征和n个所述第一仿射变换图像拼接后进行仿射变换，得到第二仿射变换图像。
8.根据权利要求6或7所述的装置，其特征在于，还包括恢复单元，所述恢复单元包括：
载密图像转换模块，用于获取所述载密图像，并将所述载密图像转换到频率域，得到载密频率图像；
辅助变量转换模块，用于获取辅助变量，并将所述辅助变量转换到频率域，得到辅助频率变量；
第二拼接模块，用于将所有所述载密频率图像和所述辅助频率变量进行拼接，得到第二拼接图像；
第一逆仿射变换模块，用于对所述第二拼接图像进行通道复制后，进行逆仿射变换，得到第一逆仿射变换图像；
第二压缩模块，用于对所述第一逆仿射变换图像进行通道压缩，得到第二压缩图像；
第二逆仿射变换模块，用于对所述第二压缩图像进行连续n次逆仿射变换，得到第二逆仿射变换图像；
第二空间域转换模块，用于对所述第二逆仿射变换图像中辅助变量对应的部分进行空间域的转换，得到秘密图像。
9.根据权利要求6或7所述的装置，其特征在于，所述第一仿射变换模块、所述第二仿射变换模块中的可训练参数通过如下步骤进行训练：
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失，得到低频损失；
通过所述低频损失对所述可训练参数进行调整。
10.根据权利要求8所述的装置，其特征在于，所述第一仿射变换模块、所述第二仿射变换模块、所述第一逆仿射变换模块、所述第二逆仿射变换模块中的可训练参数通过如下步骤进行训练：
计算载体图像样本与对应生成的载密图像之间的损失，得到隐藏损失；
计算秘密图像样本与对应恢复的秘密图像之间的损失，得到恢复损失；
计算载体图像样本的低频载体频率图像与对应生成的载密图像的低频载密频率图像之间的损失；
将所述隐藏损失、所述恢复损失以及所述低频损失与不同损失系数相乘后相加，得到总损失；
通过所述总损失对所述第一仿射变换模块、所述第二仿射变换模块、所述第一逆仿射变换模块、所述第二逆仿射变换模块、以及所述深度特征提取模块中的可训练参数进行调整，直至所述总损失达到收敛。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365041.XA CN116402668A (zh) | 2023-04-06 | 2023-04-06 | 图像处理方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310365041.XA CN116402668A (zh) | 2023-04-06 | 2023-04-06 | 图像处理方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116402668A true CN116402668A (zh) | 2023-07-07 |
Family
ID=87017450
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310365041.XA Pending CN116402668A (zh) | 2023-04-06 | 2023-04-06 | 图像处理方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116402668A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313142A (zh) * | 2023-09-13 | 2023-12-29 | 哈尔滨工业大学重庆研究院 | 一种基于图像隐写的视频人脸隐私保护方法 |
-
2023
- 2023-04-06 CN CN202310365041.XA patent/CN116402668A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117313142A (zh) * | 2023-09-13 | 2023-12-29 | 哈尔滨工业大学重庆研究院 | 一种基于图像隐写的视频人脸隐私保护方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zimba et al. | DWT-PCA (EVD) based copy-move image forgery detection | |
| Arham et al. | Multiple layer data hiding scheme based on difference expansion of quad | |
| Wang et al. | A robust blind color image watermarking in quaternion Fourier transform domain | |
| Peng et al. | Adaptive reversible data hiding scheme based on integer transform | |
| Rajani et al. | An optimized blind watermarking scheme based on principal component analysis in redundant discrete wavelet domain | |
| Wang et al. | Robust image watermarking approach using polar harmonic transforms based geometric correction | |
| Li et al. | Dither modulation of significant amplitude difference for wavelet based robust watermarking | |
| WO2020228520A1 (zh) | 图像变换方法、装置、存储介质及计算机设备 | |
| CN112561766B (zh) | 图像隐写及提取方法、装置及电子设备 | |
| Ahmad et al. | An improved Quad and RDE-based medical data hiding method | |
| Malonia et al. | Digital image watermarking using discrete wavelet transform and arithmetic progression technique | |
| Alzahrani | [Retracted] Enhanced Invisibility and Robustness of Digital Image Watermarking Based on DWT‐SVD | |
| Singh et al. | Comprehensive review of watermarking techniques in deep-learning environments | |
| CN116402668A (zh) | 图像处理方法及装置 | |
| Rajani et al. | An optimized hybrid algorithm for blind watermarking scheme using singular value decomposition in RDWT-DCT domain | |
| Zhou et al. | Geometric correction code‐based robust image watermarking | |
| Zhu et al. | Generative high-capacity image hiding based on residual CNN in wavelet domain | |
| Zhang et al. | Adaptive reversible image watermarking algorithm based on IWT and level set | |
| Liao et al. | GIFMarking: The robust watermarking for animated GIF based deep learning | |
| Ouyang et al. | A semi-fragile watermarking tamper localization method based on QDFT and multi-view fusion | |
| Lin et al. | [Retracted] An Improved Image Steganography Framework Based on Y Channel Information for Neural Style Transfer | |
| Zhang et al. | Robust multi-watermarking algorithm for medical images based on GoogLeNet and Henon map | |
| Zhang et al. | Feature compensation network based on non-uniform quantization of channels for digital image global manipulation forensics | |
| CN112465687B (zh) | 一种图像隐藏方法及装置 | |
| Cao et al. | Universal screen-shooting robust image watermarking with channel-attention in DCT domain |
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 |