CN116743936A - 一种基于残差网络的密文域多方可逆信息隐藏方法 - Google Patents
一种基于残差网络的密文域多方可逆信息隐藏方法 Download PDFInfo
- Publication number
- CN116743936A CN116743936A CN202310702616.2A CN202310702616A CN116743936A CN 116743936 A CN116743936 A CN 116743936A CN 202310702616 A CN202310702616 A CN 202310702616A CN 116743936 A CN116743936 A CN 116743936A
- Authority
- CN
- China
- Prior art keywords
- image
- secret
- length
- input
- prediction error
- 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 21
- 230000006835 compression Effects 0.000 claims abstract description 7
- 238000007906 compression Methods 0.000 claims abstract description 7
- 239000000284 extract Substances 0.000 claims abstract description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 claims description 51
- 238000000605 extraction Methods 0.000 claims description 20
- 230000000717 retained effect Effects 0.000 claims description 13
- 230000000739 chaotic effect Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000004913 activation Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012545 processing Methods 0.000 claims description 3
- 238000011084 recovery Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 2
- 238000006467 substitution reaction Methods 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000002441 reversible effect Effects 0.000 description 7
- 238000003062 neural network model Methods 0.000 description 5
- 238000013528 artificial neural network Methods 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013075 data extraction Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/774—Generating sets of training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F21/00—Security arrangements for protecting computers, components thereof, programs or data against unauthorised activity
- G06F21/60—Protecting data
- G06F21/602—Providing cryptographic facilities or services
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L9/00—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols
- H04L9/001—Cryptographic mechanisms or cryptographic arrangements for secret or secure communications; Network security protocols using chaotic signals
-
- 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
- H04N1/44—Secrecy systems
- H04N1/448—Rendering the image unintelligible, e.g. scrambling
- H04N1/4486—Rendering the image unintelligible, e.g. scrambling using digital data encryption
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
- Y02D30/00—Reducing energy consumption in communication networks
- Y02D30/50—Reducing energy consumption in communication networks in wire-line communication networks, e.g. low power modes or reduced link rate
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Mathematical Physics (AREA)
- Computer Security & Cryptography (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Computer Hardware Design (AREA)
- Bioethics (AREA)
- Computer Networks & Wireless Communication (AREA)
- Image Processing (AREA)
Abstract
本发明公开一种基于残差网络的密文域多方可逆信息隐藏方法，利用基于残差网络的智能预测器对像素值进行高效准确预测，从而提高嵌入容量。同时，采用伴随图像加密的图像压缩方法，既能腾出嵌入空间，又能保护图像信息。本发明还改进了哈夫曼编码，以优化辅助信息的压缩效率。此外，本发明提出了一种基于秘密共享策略的图像拆分策略，实现加密图像的多方共享，并且具有对部分图像丢失的容错性。在接收端，本发明可以无损地提取秘密信息并恢复原始图像。本发明具有高精度预测、高嵌入容量、高效率和可逆性的优点。
Description
技术领域
本发明涉及多媒体信息安全技术领域，具体为一种基于残差网络的密文域多方可逆信息隐藏方法。
背景技术
可逆信息隐藏是一种将秘密信息嵌入到载体中，同时又能够完全恢复载体原始内容的技术。在过去的几十年中，学者们已经开发了许多基于不同原理的可逆信息隐藏算法，例如基于直方图修改、基于差值扩展和基于矩阵编码等。随着深度学习技术的发展，越来越多的学者开始探索将神经网络模型应用于可逆信息隐藏中。一些早期的研究工作主要探索了使用神经网络模型来增强可逆信息隐藏算法的隐蔽性和容量。例如，一些研究者利用神经网络来对秘密信息进行编码和解码，从而实现更加隐蔽的信息隐藏。其他学者则提出了基于神经网络的图像隐写算法，通过将秘密信息嵌入到图像的频域中，进一步提高了信息隐藏的容量和鲁棒性。
近年来，随着神经网络技术的不断发展和深入应用，越来越多的研究工作开始探索将神经网络模型与可逆信息隐藏算法结合起来，以实现更高效、更安全的信息隐藏。例如，一些学者提出了基于生成对抗网络(GAN)的可逆信息隐藏算法，通过将秘密信息嵌入到GAN的生成器中，实现了更加高效的信息隐藏和提取。其他研究者则利用自编码器等神经网络模型来实现更加灵活、高效的信息隐藏和提取。
总的来说，神经网络模型在可逆信息隐藏领域的应用是一个较为新颖的研究方向，目前仍在不断发展和探索中。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
一种基于残差网络的密文域多方可逆信息隐藏方法，
该基于残差网络的密文域多方可逆信息隐藏方法包括如下步骤：
S1：预处理数据集：
S1.1：将一张大小为H×W的原始载体图像C，分成不重叠的3×3的块，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1),其中，i∈[1,H],j∈[1,W]；
S1.2：接着将C拆分成三份图像C1,C2,C3，C1中包含所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)，其他位置的像素值置0；C2中包含所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)，其他位置的像素值置0；C3中包含所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)，其他位置的像素值置0；
S2：设计智能预测器：
提供一种用于像素预测的残差网络，包括输入层、特征提取层、预测层、输出层，所述残差网络还包括多个残差块，每个残差块包括两个或三个卷积层和一个跳跃连接，其中，包含两个卷积层的残差块中第一个卷积层用于进一步提取特征，第二个卷积层用于将特征映射到目标输出的空间维度上，填充为2，步长为1，卷积核大小为3×3，包含三个卷积层的残差块相较于包含两层的残差块只在跳跃连接上多部署了一个卷积核大小为1×1的逐点卷积层，用来调整输入的特征维度，填充为0，步长为1，卷积核大小为3×3；
S2.1：提取输入图像的特征表示：在输入层之后部署特征提取模块，特征提取模块包括5个卷积层，每个卷积层包括多个卷积核，卷积核大小设置为3×3，特征提取模块中第一层1通道输入，8通道输出，步长设置为1，填充为1，接着连接批量归一化层和LeakyReLU激活函数，然后连接两个包含两个卷积层的残差块；
S2.2：部署预测模块：在特征提取模块后连接预测模块，预测模块中设置7个残差组块，每个残差组块由一个包含三个卷积层的残差块和一个包含两个卷积层的残差块连接构成，第一个残差组块8通道输入，16通道输出，第二个残差组块16通道输入，32通道输出，第三个残差组块32通道输入，64通道输出，第四个残差组块64通道输入，32通道输出，第五个残差组块32通道输入，16通道输出，第六个残差组块16通道输入，8通道输出，第七个残差组块8通道输入，1通道输出；
S3：计算预测误差：
S3.1：将步骤S1得到的拆分图像C1,C2,C3两个一组合并作为输入投入到步骤S2设计的智能预测器中得到预测结果，C1,C2组合作为输入得到预测结果C3′，C2,C3组合作为输入得到预测结果C1′，C1,C3组合作为输入得到预测结果C2′，将C1′,C2′,C3′合并得到原始载体图像C的预测图像C′；
S3.2：按照公式(1)计算原始载体图像C的预测误差e，并生成预测误差正负性辅助信息ZF，正记为1，负记为0，
e(i,j)＝|C(i,j)-C′(i,j)| (1)；
S3.3：生成与原始载体图像等大的误差标记位置图LM，预测误差e在[0,7]区间内则记为0，其他情况记录为1；
S4：预测误差编码：
S4.1：设计8个编码分别为：01,11,101,001,1001,0000,10000,00011；
S4.2：利用步骤S3得到的预测误差e，生成预测误差值在[0,7]范围内的预测误差直方图H；
S4.3：按预测误差直方图H的bin高度，从高到低为预测误差值e进行编码，峰值点编码为01，次峰值点编码为11，依次按序匹配编码；
S5：压缩载体图像
S5.1：将原始载体图像C，分成不重叠的3×3的块，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1)，其中，i∈[1,H],j∈[1,W]；
S5.2：将C拆分成三份共享图像share_C1,share_C2,share_C3，share_C1中保留所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)和位置图LM中为1的原始像素值，share_C2中保留所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)和位置图LM中为1的原始像素值，share_C3中保留所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)和位置图LM中为1的原始像素值，并根据各自要保留的像素修改LM图，要保留的像素位置改为1，得到LMk,(k∈[1,3])；
S5.3：将share_C1,share_C2,share_C3的非保留像素值部分，根据步骤S4将预测误差编码替换到像素的高有效位之中；
S6：处理辅助信息：
S6.1：使用哈夫曼编码压缩位置图LMk，将压缩后的长度length_LMk用20位表示；
S6.2：将length_LMk和LMk用按位替换的方式嵌入到图像的后8行8列之中；
S6.3：使用哈夫曼编码压缩预测误差正负性辅助信息ZF，将压缩后的长度length_ZF用20位表示；
S6.4：将length_ZF,ZF,图像的后8行8列像素值，图像左上角的第一个像素值的高两位，合并为附加秘密信息add_secret；
S6.5：将add_secret的长度length_add_secret用20位表示，并将length_add_secret与add_secret利用LMk图，嵌入到对应的载体图像中；
S6.6：分发共享图像；
S7：嵌入秘密信息：
S7.1：隐藏方接收到压缩后的载体图像，提取后8行8列中的辅助信息并解压缩，得到位置图LMk；
S7.2：将秘密信息s使用混沌加密方法加密，并计算加密后的秘密信息长度length_s；
S7.3：利用位置图LMk将length_s和s嵌入到载体图像share_Ck中，得到含密图像eshare_Ck并发给接收方；
S8：提取秘密信息：
S8.1：从接收到的含密图像的后8行8列中提取辅助信息并解压缩，得到位置图LMk；
S8.2：按位置图LMk提取前20位length_add_secret，并根据length_add_secret找到秘密信息长度length_s和秘密信息嵌入起始位置；
S8.3：提取秘密信息，并进行混沌解密，得到原始秘密信息s；
S9：恢复原始载体图像：
S9.1：读取左上角像素值的高两位，识别当前图像编号；
S9.2：步骤S8.1提取的位置图LMk和步骤S8.2中提取的length_add_secr et提取附加秘密信息add_secret，利用add_secret恢复后8行8列像素值和左上角像素值；
S9.3：利用图像编号，直接合并eshare_C1,eshare_C2,eshare_C3保留的原始像素值即可恢复原始图像；
S9.4：若只接收到eshare_C1,eshare_C2,eshare_C3中的两份，则根据图像编号提取保留的原始像素值并合并为一张图，把合并后的图像当做输入投入到步骤S2设计的智能预测器中，得到缺失部分的预测结果；
S9.5：根据步骤S4设计的编码表提取缺失部分的预测误差，并还原误差；
S9.6：利用预测误差正负性辅助信息ZF和预测误差，恢复缺失部分的原始像素值，至此载体图像完成无损恢复。
与现有技术相比，本发明具有的有益效果是：首先提出基于残差网络的智能预测器，并对压缩编码进行了优化，同时提出基于秘密共享策略的图像拆分策略，实现加密图像多方共享，并对部分图像丢失具有可容忍性。本发明具有安全性强、嵌入容量高、图像质量高及可逆性等优点。
附图说明
为了更清楚地说明本发明实施方式的技术方案，下面将将结合附图和详细实施方式对本发明进行详细说明，显而易见地，下面描述中的附图仅仅是本发明的一些实施方式，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。其中：
图1为本发明流程图；
图2为本发明实施例中图像预处理的示例图；
图3为本发明基于残差网络的智能预测器结构图；
图4为本发明实施例中预测过程及预测结果示例图；
图5为本发明实施例中预测误差直方图；
图6为本发明实施例中基于秘密共享策略拆分载体图像的示例图；
图7为本发明实施例中在部分载体图像丢失情况下恢复载体图像的示例图；
图8a为本发明实施例中载体图像原图；
图8b为本发明实施例中压缩后的示例图；
图8c为本发明实施例中嵌入秘密信息的示例图；
图8d是本发明实施例恢复图像。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图对本发明的具体实施方式做详细的说明。
其次，本发明结合示意图进行详细描述，在详述本发明实施方式时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明的一种基于残差网络的密文域多方可逆信息隐藏方法如图1所示。在本发明实施例中以512×512大小的Lena图像为例。依次按照如下步骤进行：
S1：预处理数据集：
S1.1：将一张大小为512×512的原始载体图像C，分成不重叠的3×3的块，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1)，如图2所示。其中，i∈[1,512],j∈[1,512]。
本实施例在512×512大小的Lena图像中选取如图2所示，大小为3×3的像素值分别为127、126、125、129、128、127、129、129、129的像素块为例进行说明。
S1.2：接着将C拆分成三份图像C1,C2,C3，如图2所示。C1中包含所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)，其他位置的像素值置0；C2中包含所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)，其他位置的像素值置0；C3中包含所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)，其他位置的像素值置0。
具体地，C1的像素值分别为127、0、0、0、128、0、0、0、129；C2的像素值分别为0、126、0、0、0、127、129、0、0；C3的像素值分别为0、0、125、129、0、0、0、129、0。
S2：设计智能预测器：
本发明提供了一种用于像素预测的残差网络，如图3所示，包括输入层、特征提取层、预测层、输出层。所述残差网络还包括多个残差块，每个残差块包括两个或三个卷积层和一个跳跃连接。其中，包含两个卷积层的残差块中第一个卷积层用于进一步提取特征，第二个卷积层用于将特征映射到目标输出的空间维度上。填充为2，步长为1，卷积核大小为3×3。包含三个卷积层的残差块相较于包含两层的残差块只在跳跃连接上多部署了一个卷积核大小为1×1的逐点卷积层，用来调整输入的特征维度，填充为0，步长为1，卷积核大小为3×3。
S2.1：提取输入图像的特征表示，在输入层之后部署特征提取模块，特征提取模块包括5个卷积层，每个卷积层包括多个卷积核，卷积核大小设置为3×3。特征提取模块中第一层1通道输入，8通道输出，步长设置为1，填充为1。接着连接批量归一化层和LeakyReLU激活函数。然后连接两个包含两个卷积层的残差块。
S2.2：部署预测模块：在特征提取模块后连接预测模块。预测模块中设置7个残差组块，每个残差组块由一个包含三个卷积层的残差块和一个包含两个卷积层的残差块连接构成。第一个残差组块8通道输入，16通道输出。第二个残差组块16通道输入，32通道输出。第三个残差组块32通道输入，64通道输出。第四个残差组块64通道输入，32通道输出。第五个残差组块32通道输入，16通道输出。第六个残差组块16通道输入，8通道输出。第七个残差组块8通道输入，1通道输出。
表1给出了本发明中智能预测器的预测准确率与参考文件1-参考文件6相关方法的对比结果，可以看出本发明在预测上的表现要比传统方法和相关基于神经网络的预测器的预测误差为0的像素个数多。
表1
S3：计算预测误差：
S3.1：将步骤S1得到的拆分图像C1,C2,C3两个一组合并作为输入投入到步骤2设计的智能预测器中得到预测结果。C1,C2组合作为输入得到预测结果C3′，如图4(a)所示。C2,C3组合作为输入得到预测结果C1′，如图4(b)所示。C1,C3组合作为输入得到预测结果C2′，如图4(c)所示。将C1′,C2′,C3′合并得到原始载体图像C的预测图像C′，如图4(d)所示。
具体地，得到如图4(d)所示的预测图像C′像素值为：127、127、126、127、127、125、129、129、129。
S3.2：按照公式(1)计算原始载体图像C的预测误差e，并生成预测误差正负性辅助信息ZF，正记为1，负记为0。
e(i,j)＝|C(i,j)-C′(i,j)| (1)
以图4中像素值(126)10为例，e(1,1)＝|126-127|＝1，ZF记为0。
S3.3：生成与原始载体图像等大的误差标记位置图LM，预测误差e在[0,7]区间内则记为0，其他情况记录为1。
S4：预测误差编码：
S4.1：设计8个编码分别为：01,11,101,001,1001,0000,10000,00011。
S4.2：利用步骤3得到的预测误差e，生成预测误差值在[0,7]范围内的预测误差直方图H，如图5所示。
S4.3：按预测误差直方图H的bin高度，从高到低为预测误差值e进行编码。峰值点编码为01，次峰值点编码为11，依次按序匹配编码，如表2所示。
表2
S5：压缩载体图像：
S5.1：将原始载体图像C，分成不重叠的3×3的块，如图6所示，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1)。其中，i∈[1,H],j∈[1,W]。
S5.2：将C拆分成三份共享图像share_C1,share_C2,share_C3，如图6所示。share_C1中保留所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)和位置图LM中为1的原始像素值。share_C2中保留所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)和位置图LM中为1的原始像素值。share_C3中保留所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)和位置图LM中为1的原始像素值。并根据各自要保留的像素修改LM图，要保留的像素位置改为1，得到LMk,(k∈[1,3])。
S5.3：将share_C1,share_C2,share_C3的非保留像素值部分，根据步骤4将预测误差编码替换到像素的高有效位之中。
以图6像素块中左上角第一个像素值(127)10＝(01111111)2为例，预测误差e为0，编码为11，将其替换到像素值(127)10的高有效位之中得到压缩像素值(11111111)2＝(255)10。
S6：处理辅助信息：
S6.1：使用哈夫曼编码压缩位置图LMk，将压缩后的长度length_LMk用20位表示。
S6.2：将length_LMk和LMk用按位替换的方式嵌入到图像的后8行8列之中。
S6.3：使用哈夫曼编码压缩预测误差正负性辅助信息ZF，将压缩后的长度length_ZF用20位表示。
S6.4：将length_ZF,ZF,图像的后8行8列像素值，图像左上角的第一个像素值的高两位，合并为附加秘密信息add_secret。
S6.5：将add_secret的长度length_add_secret用20位表示，并将length_add_secret与add_secret利用LMk图，嵌入到对应的载体图像中。
S6.6：分发共享图像。
S7：嵌入秘密信息：
S7.1：隐藏方接收到压缩后的载体图像，提取后8行8列中的辅助信息并解压缩，得到位置图LMk。
S7.2：将秘密信息s使用混沌加密方法加密，并计算加密后的秘密信息长度length_s(用20位表示)。
在本发明实施例中秘密信息s取10110011101011。
S7.3：利用位置图LMk将length_s和s嵌入到载体图像share_Ck中，得到含密图像eshare_Ck并发给接收方。
具体地，length_s为14，合并后得到00000 00000 00000 01110 10110011101011。以嵌入share_C1为例，得到eshare_C1：127、64、64、161、128、186、243、235、129。
表3给出了本发明嵌入容量与相关方法的对比结果，总体而言，本发明的平均嵌入容量为3.08254bpp，高于参考文件7-9的方法。
表3
S8：提取秘密信息：
S8.1：从接收到的含密图像的后8行8列中提取辅助信息并解压缩，得到位置图LMk。
S8.2：按位置图LMk提取前20位length_add_secret，并根据length_add_secret找到秘密信息长度length_s和秘密信息嵌入起始位置。
S8.3：提取秘密信息，并进行混沌解密，得到原始秘密信息s。
S9：恢复原始载体图像：
S9.1：读取左上角像素值的高两位，识别当前图像编号。
具体地，左上角高两位为01时图像编号则为1，左上角高两位为10时图像编号则为2，左上角高两位为11时图像编号则为3。
S9.2：步骤S8.1提取的位置图LMk和步骤S8.2中提取的length_add_secr et提取附加秘密信息add_secret。利用add_secret恢复后8行8列像素值和左上角像素值。
S9.3：利用图像编号，直接合并eshare_C1,eshare_C2,eshare_C3保留的原始像素值即可恢复原始图像。
具体地，编号为1的图像是eshare_C1，保留p(1,1):127,p(2,2):128,p(3,3):129。编号为2的图像是eshare_C2，保留p(1,2):126,p(2,3):127,p(3,1):129。编号为3的图像是eshare_C3，保留p(1,3):125,p(2,1):129,p(3,2):129。
S9.4：若只接收到eshare_C1,eshare_C2,eshare_C3中的两份，则根据图像编号提取保留的原始像素值并合并为一张图。把合并后的图像当做输入投入到步骤S2设计的智能预测器中，得到缺失部分的预测结果。
具体地，如图7所示，以eshare_C3缺失为例。将eshare_C1的p(1,1):127,p(2,2):128,p(3,3):129与eshare_C2的p(1,2):126,p(2,3):127,p(3,1):129合并，其他位置像素值置0。投入网络得到eshare_C3的预测部分。
S9.5：根据步骤S4设计的编码表，如表1所示，提取缺失部分的预测误差，并还原误差。
S9.6：利用预测误差正负性辅助信息ZF和预测误差，恢复缺失部分的原始像素值。至此载体图像完成无损恢复。
图8给出了本发明实施例图8(a)原始图像、8(b)压缩图像、8(c)加密图像和8(d)恢复图像，8(a)原始图像与8(d)恢复图像二者完全相同，表明本发明可以实现无损恢复。需要注意的是，由于数据嵌入和图像加密是独立的，因此数据提取和图像重建是可分离的。
参考文献：
[1]Fu Z,Gong M,Long G,et al.Efficient capacity-distortion reversi bledata hiding based on combining multipeak embedding with local comple xity[J].Applied Intelligence,2022,52(11):13006-13026.
[2]Wang X,Wang X,Ma B,et al.High-performance reversible data hidingbased on ridge regression prediction algorithm[J].Signal Processing,2023,204:108818.
[3]Chang J,Ding F,Li X,et al.Hybrid prediction-based pixel-value-ordering method for reversible data hiding[J].Journal of Visual Communication and Image Representation,2021,77:103097.
[4]Ni B,Bi W.New predictor-based schemes for reversible data hidi ng[J].Multimedia Tools and Applications,2023,82(4):5923-5948.
[5]Zhang X,Pan Z,Zhou Q,et al.A novel two-level embedding pa tternfor grayscale-invariant reversible data hiding[J].Multimedia Tools andApplications,2023:1-25.
[6]Jeena P,Shreelekshmi R.High capacity reversible data hiding inencrypted images using block labeling[J].Multimedia Tools and Applications,2023:1-16.
[7]Yin Z,Xiang Y,Zhang X.Reversible data hiding in encrypted im agesbased on multi-MSB prediction and Huffman coding[J].IEEE Transacti ons onMultimedia,2019,22(4):874-884.
[8]Wu X,Qiao T,Xu M,et al.Secure reversible data hiding in enc ryptedimages based on adaptive prediction-error labeling[J].Signal Processin g,2021,188:108200.
[9]Yin Z,Peng Y,Xiang Y.Reversible data hiding in encrypted ima gesbased on pixel prediction and bit-plane compression[J].IEEE Transaction s onDependable and Secure Computing,2020,19(2):992-1002.
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。
Claims (1)
1.一种基于残差网络的密文域多方可逆信息隐藏方法，其特征在于：
该基于残差网络的密文域多方可逆信息隐藏方法包括如下步骤：
S1：预处理数据集：
S1.1：将一张大小为H×W的原始载体图像C，分成不重叠的3×3的块，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1),其中，i∈[1,H],j∈[1,W]；
S1.2：接着将C拆分成三份图像C1,C2,C3，C1中包含所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)，其他位置的像素值置0；C2中包含所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)，其他位置的像素值置0；C3中包含所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)，其他位置的像素值置0；
S2：设计智能预测器：
提供一种用于像素预测的残差网络，包括输入层、特征提取层、预测层、输出层，所述残差网络还包括多个残差块，每个残差块包括两个或三个卷积层和一个跳跃连接，其中，包含两个卷积层的残差块中第一个卷积层用于进一步提取特征，第二个卷积层用于将特征映射到目标输出的空间维度上，填充为2，步长为1，卷积核大小为3×3，包含三个卷积层的残差块相较于包含两层的残差块只在跳跃连接上多部署了一个卷积核大小为1×1的逐点卷积层，用来调整输入的特征维度，填充为0，步长为1，卷积核大小为3×3；
S2.1：提取输入图像的特征表示：在输入层之后部署特征提取模块，特征提取模块包括5个卷积层，每个卷积层包括多个卷积核，卷积核大小设置为3×3，特征提取模块中第一层1通道输入，8通道输出，步长设置为1，填充为1，接着连接批量归一化层和LeakyReLU激活函数，然后连接两个包含两个卷积层的残差块；
S2.2：部署预测模块：在特征提取模块后连接预测模块，预测模块中设置7个残差组块，每个残差组块由一个包含三个卷积层的残差块和一个包含两个卷积层的残差块连接构成，第一个残差组块8通道输入，16通道输出，第二个残差组块16通道输入，32通道输出，第三个残差组块32通道输入，64通道输出，第四个残差组块64通道输入，32通道输出，第五个残差组块32通道输入，16通道输出，第六个残差组块16通道输入，8通道输出，第七个残差组块8通道输入，1通道输出；
S3：计算预测误差：
S3.1：将步骤S1得到的拆分图像C1,C2,C3两个一组合并作为输入投入到步骤S2设计的智能预测器中得到预测结果，C1,C2组合作为输入得到预测结果C3′，C2,C3组合作为输入得到预测结果C1′，C1,C3组合作为输入得到预测结果C2′，将C1′,C2′,C3′合并得到原始载体图像C的预测图像C′；
S3.2：按照公式(1)计算原始载体图像C的预测误差e，并生成预测误差正负性辅助信息ZF，正记为1，负记为0，
e(i,j)＝|C(i,j)-C′(i,j)| (1)；
S3.3：生成与原始载体图像等大的误差标记位置图LM，预测误差e在[0,7]区间内则记为0，其他情况记录为1；
S4：预测误差编码：
S4.1：设计8个编码分别为：01,11,101,001,1001,0000,10000,00011；
S4.2：利用步骤S3得到的预测误差e，生成预测误差值在[0,7]范围内的预测误差直方图H；
S4.3：按预测误差直方图H的bin高度，从高到低为预测误差值e进行编码，峰值点编码为01，次峰值点编码为11，依次按序匹配编码；
S5：压缩载体图像
S5.1：将原始载体图像C，分成不重叠的3×3的块，按从左到右且行优先的顺序将3×3的块内9个像素编号为：p(i-1,j-1),p(i-1,j),p(i-1,j+1),p(i,j-1),p(i,j),p(i,j+1),p(i+1,j-1),p(i+1,j),p(i+1,j+1)，其中，i∈[1,H],j∈[1,W]；
S5.2：将C拆分成三份共享图像share_C1,share_C2,share_C3，share_C1中保留所有块内的p(i-1,j-1),p(i,j),p(i+1,j+1)和位置图LM中为1的原始像素值，share_C2中保留所有块内的p(i-1,j+1),p(i,j-1),p(i+1,j)和位置图LM中为1的原始像素值，share_C3中保留所有块内的p(i-1,j),p(i,j+1),p(i+1,j-1)和位置图LM中为1的原始像素值，并根据各自要保留的像素修改LM图，要保留的像素位置改为1，得到LMk,(k∈[1,3])；
S5.3：将share_C1,share_C2,share_C3的非保留像素值部分，根据步骤S4将预测误差编码替换到像素的高有效位之中；
S6：处理辅助信息：
S6.1：使用哈夫曼编码压缩位置图LMk，将压缩后的长度length_LMk用20位表示；
S6.2：将length_LMk和LMk用按位替换的方式嵌入到图像的后8行8列之中；
S6.3：使用哈夫曼编码压缩预测误差正负性辅助信息ZF，将压缩后的长度length_ZF用20位表示；
S6.4：将length_ZF,ZF,图像的后8行8列像素值，图像左上角的第一个像素值的高两位，合并为附加秘密信息add_secret；
S6.5：将add_secret的长度length_add_secret用20位表示，并将length_add_secret与add_secret利用LMk图，嵌入到对应的载体图像中；
S6.6：分发共享图像；
S7：嵌入秘密信息：
S7.1：隐藏方接收到压缩后的载体图像，提取后8行8列中的辅助信息并解压缩，得到位置图LMk；
S7.2：将秘密信息s使用混沌加密方法加密，并计算加密后的秘密信息长度length_s；
S7.3：利用位置图LMk将length_s和s嵌入到载体图像share_Ck中，得到含密图像eshare_Ck并发给接收方；
S8：提取秘密信息：
S8.1：从接收到的含密图像的后8行8列中提取辅助信息并解压缩，得到位置图LMk；
S8.2：按位置图LMk提取前20位length_add_secret，并根据length_add_secret找到秘密信息长度length_s和秘密信息嵌入起始位置；
S8.3：提取秘密信息，并进行混沌解密，得到原始秘密信息s；
S9：恢复原始载体图像：
S9.1：读取左上角像素值的高两位，识别当前图像编号；
S9.2：步骤S8.1提取的位置图LMk和步骤S8.2中提取的length_add_secr et提取附加秘密信息add_secret，利用add_secret恢复后8行8列像素值和左上角像素值；
S9.3：利用图像编号，直接合并eshare_C1,eshare_C2,eshare_C3保留的原始像素值即可恢复原始图像；
S9.4：若只接收到eshare_C1,eshare_C2,eshare_C3中的两份，则根据图像编号提取保留的原始像素值并合并为一张图，把合并后的图像当做输入投入到步骤S2设计的智能预测器中，得到缺失部分的预测结果；
S9.5：根据步骤S4设计的编码表提取缺失部分的预测误差，并还原误差；
S9.6：利用预测误差正负性辅助信息ZF和预测误差，恢复缺失部分的原始像素值，至此载体图像完成无损恢复。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702616.2A CN116743936A (zh) | 2023-06-14 | 2023-06-14 | 一种基于残差网络的密文域多方可逆信息隐藏方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310702616.2A CN116743936A (zh) | 2023-06-14 | 2023-06-14 | 一种基于残差网络的密文域多方可逆信息隐藏方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116743936A true CN116743936A (zh) | 2023-09-12 |
Family
ID=87904062
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310702616.2A Pending CN116743936A (zh) | 2023-06-14 | 2023-06-14 | 一种基于残差网络的密文域多方可逆信息隐藏方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116743936A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272245A (zh) * | 2023-11-21 | 2023-12-22 | 陕西金元新能源有限公司 | 一种风机齿轮箱温度预测方法、装置、设备和介质 |
-
2023
- 2023-06-14 CN CN202310702616.2A patent/CN116743936A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117272245A (zh) * | 2023-11-21 | 2023-12-22 | 陕西金元新能源有限公司 | 一种风机齿轮箱温度预测方法、装置、设备和介质 |
| CN117272245B (zh) * | 2023-11-21 | 2024-03-12 | 陕西金元新能源有限公司 | 一种风机齿轮箱温度预测方法、装置、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107493405B (zh) | 基于编码压缩的加密图像可逆信息隐藏方法 | |
| Qin et al. | Reversible data hiding in VQ index table with lossless coding and adaptive switching mechanism | |
| Jo et al. | A digital image watermarking scheme based on vector quantisation | |
| Chang et al. | Reversible steganographic method using SMVQ approach based on declustering | |
| Lee et al. | Lossless data hiding for VQ indices based on neighboring correlation | |
| CN107689026B (zh) | 基于最优编码的可逆隐写方法 | |
| CN111898136A (zh) | 一种基于预测误差值排序的高保真可逆信息隐藏方法和装置 | |
| CN110162986B (zh) | 基于相邻像素预测模型的可逆信息隐藏方法 | |
| CN116743936A (zh) | 一种基于残差网络的密文域多方可逆信息隐藏方法 | |
| Lu et al. | Reversible data hiding using local edge sensing prediction methods and adaptive thresholds | |
| Yang et al. | Huffman-code strategies to improve MFCVQ-based reversible data hiding for VQ indexes | |
| CN114745475B (zh) | 一种鲁棒的加密图像可逆信息隐藏方法 | |
| Chuang et al. | Joint index coding and reversible data hiding methods for color image quantization | |
| CN113032813B (zh) | 基于改进的像素局部复杂度计算和多峰嵌入的可逆信息隐藏方法 | |
| Lin et al. | Pixel-based fragile image watermarking based on absolute moment block truncation coding | |
| CN111741301B (zh) | 基于ambtc压缩编码的再压缩及信息隐藏方法 | |
| CN112218090B (zh) | 一种彩色二维码嵌入彩色图像的信息隐藏及提取方法 | |
| CN115766963A (zh) | 一种基于自适应预测编码的加密图像可逆信息隐藏方法 | |
| Xia et al. | Reversible data hiding for VQ indices using hierarchical state codebook mapping | |
| CN115118836A (zh) | 基于像素预测的多策略组合的可逆数据隐藏方法 | |
| CN113422965A (zh) | 一种基于生成对抗网络的图像压缩方法及装置 | |
| Prabha et al. | RETRACTED ARTICLE: An efficient versatile fast correlation vector quantization scheme based reversible data hiding on image processing | |
| CN114760391B (zh) | 一种基于双层嵌入的高嵌入率的可逆数据隐藏方法 | |
| CN117560454A (zh) | 基于智能预测器和加性秘密共享密文域可逆信息隐藏方法 | |
| CN111915473B (zh) | 一种基于ambtc压缩技术和汉明距离的可逆信息隐藏方法 |
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 |