CN116912074A - 一种基于残差改进mwcnn网络的图像隐写方法 - Google Patents
一种基于残差改进mwcnn网络的图像隐写方法 Download PDFInfo
- Publication number
- CN116912074A CN116912074A CN202310811504.0A CN202310811504A CN116912074A CN 116912074 A CN116912074 A CN 116912074A CN 202310811504 A CN202310811504 A CN 202310811504A CN 116912074 A CN116912074 A CN 116912074A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- mwcnn
- extraction
- 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
- 238000000034 method Methods 0.000 title claims abstract description 44
- 230000006872 improvement Effects 0.000 title claims description 28
- 230000009466 transformation Effects 0.000 claims abstract description 13
- 238000004891 communication Methods 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 55
- 230000006870 function Effects 0.000 claims description 42
- 238000012549 training Methods 0.000 claims description 28
- 230000004913 activation Effects 0.000 claims description 16
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 15
- 238000005457 optimization Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 230000008602 contraction Effects 0.000 claims description 9
- 238000010586 diagram Methods 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 7
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 6
- 230000005540 biological transmission Effects 0.000 claims description 5
- 238000007499 fusion processing Methods 0.000 claims description 4
- 238000013507 mapping Methods 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 2
- 230000003213 activating effect Effects 0.000 claims 1
- 230000000694 effects Effects 0.000 abstract description 12
- 238000011176 pooling Methods 0.000 abstract description 5
- 230000000007 visual effect Effects 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
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
- 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
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2201/00—General purpose image data processing
- G06T2201/005—Image watermarking
- G06T2201/0065—Extraction of an embedded watermark; Reliable detection
-
- 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
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于残差改进MWCNN网络的图像隐写方法,属于隐蔽通信技术领域。所述方法通过改进基于MWCNN网络的图像隐写方案,将网络下采样由传统的池化操作改为小波变换,将残差网络与小波分量跳层融合引入图像隐写网络中,在彩色图像隐写方面可以获得较好的隐藏效果,该方法同时还能够提高提取图像视觉质量,该隐写方案在隐藏大容量图像信息的同时也能保证载密图像的质量以及提取图像准确率。
Description
技术领域
本发明涉及一种基于残差改进MWCNN网络的图像隐写方法,属于隐蔽通信技术领域。
背景技术
在信息化时代,图像凭借直观生动的优势逐渐成为主要信息交流媒介,但包含敏感信息的图像在传输过程中易遭受攻击,导致隐私数据泄露。因此,保障图像传输安全十分必要。图像加密能保护内容安全,但易引起注意,致使信息被截获或破坏;而图像隐写作为隐蔽通信的分支,能实现秘密图像的隐蔽传输。
图像隐写的原理是将秘密信息隐藏在载体图像的冗余位置上,并不会引起载体图像明显失真,包括空间域隐写和变换域隐写;所谓空间域隐写即基于隐藏的秘密数据对宿主图像的像素强度值进行轻微修改,而变换域隐写则是将秘密数据插入某些变换的频谱分量中,利用各种图像变换实现,比如傅里叶变换、小波变换等。相对而言,由于对于图像像素的修改更容易被发现,所以变换域隐写比空间域隐写有着更高的安全性以及鲁棒性,此外变换域隐写受到旋转、缩放以及压缩的影响也较小。
针对目前彩色图像隐写方案存在的隐藏容量有限、载密图像安全性与提取图像质量不高的问题,现有方法将深度学习与隐写相结合,利用卷积神经网络的数据驱动及网络自我学习能力进行图像的隐藏与提取。而且为了尽量减少在变换过程中图像信息的丢失,许多深度学习图像隐写方案舍弃了网络中的池化层,但这样的处理会带来参数量的增加,导致网络层数受限,进而导致图像隐写效果不佳。随后有学者提出使用Unet网络进行图像隐写,但是Unet网络的下采样会导致信息的不可逆损失,从而限制了图像隐写的容量以及秘密图像的提取质量。
发明内容
为了解决隐藏容量有限,载密图像安全性与提取图像质量不高的问题,本发明提供了一种基于残差改进MWCNN网络的图像隐写方法,包括:
步骤1:将秘密图像预处理为与载体图像相同的大小,将相同尺寸的秘密图像和载体图像进行通道拼接;
步骤2:将拼接得到的秘密、载体图像输入残差改进MWCNN网络进行图像隐藏,所述残差改进MWCNN网络为对称式网络,输入图像首先经过网络左侧的收缩路径,随后经过网络右侧的扩展路径得到对应的载密图像;
步骤3:将载密图像输入由卷积层、激活层和DWT构成的提取网络实现秘密图像提取;
所述改进MWCNN网络和提取网络为训练完成后的网络,训练过程中通过损失函数计算所述残差改进MWCNN网络和提取网络的损失值,所述损失函数为残差改进MWCNN网络的损失函数与提取网络的损失函数结合得到的混合损失函数;训练过程中使用带有热启动的Adam优化算法进行网络参数优化,同时在网络中加入批量归一化与Leaky ReLU激活函数加快网络训练速度。
可选的,所述步骤1包括:
将秘密图像与载体图像进行裁剪,获得相同尺寸的秘密图像与载体图像;
利用式(1)进行秘密图像与载体图像通道数拼接;
X=concat[H,S],H、S∈RL×W×N 式(1)
式(1)中,H表示载体图像,S表示秘密图像,X为经过预处理后得到的大小为L×W×(2×N)的张量,将拼接后的张量作为所述残差改进MWCNN网络的Input。
可选的,所述步骤2包括:
利用所述隐藏网络的收缩路径首先对Input完成3×3卷积、随后卷积输出经过激活层与批归一化层,过程如式(2)所示:
其中,假设Xi-1为卷积层的输入,则Xi为对应的输出特征;wi为卷积操作对应的权值;表示卷积运算;bi表示该层的阈值;经过卷积运算后使用f(·)激活函数实现非线性映射;
随后式(3)利用离散小波变换对特征图进行下采样压缩图像尺寸:
Xi+1=DWT(Xi) 式(3)
式中,DWT表示离散小波变换,将Xi通过离散小波变换进行下采样得到Xi+1;
接着式(4)对特征图进行残差学习:
Xi+2=Xi+1+C(Xi+1) 式(4)
式中,C(Xi+1)为对Xi+1进行两次卷积操作后的特征图与输入间的残差;
网络扩展路径采用与收缩路径相似的结构,但不同于收缩路径,扩展路径采用式(5)所示的逆离散小波变换实现图像上采样:
X'i=IDWT(X'i+1) 式(5)
其中,IDWT表示逆离散小波变换;
在特征融合过程中,将收缩路径中下采样获得的不同细节分量经过1×1卷积增加特征通道数后,通过元素求和的方式添加到扩展路径的特征图中;
重复以上步骤直至经过三轮下采样与上采样后得到隐藏网络的输出L×W×N的Output。
可选的,所述步骤3包括:
利用卷积层、激活层和DWT构建提取网络;
将所述步骤2中所述残差改进MWCNN的输出Output作为所述提取网络的Input,经过9轮卷积、两轮下采样与上采样后得到最终的提取图像,采样同样使用离散小波变换与逆变换将提取过程变换到小波域。
可选的,所述残差改进MWCNN网络和提取网络的损失函数的确定方法包括:
采用均方误差分别计算载密图像与载体图像、秘密图像与提取图像之间的差距,设置权重参数获得最终的隐藏网络,提取网络损失;
式中,H,HS分别为载体图像和隐藏网络输出的载密图像;S,S'分别为秘密图像和提取网络输出的提取图像;L1表示隐藏网络损失函数,L2表示提取网络损失函数,Ltotal表示混合损失函数,l1和l2分别表示对应的权重。
可选的,所述使用带有热启动的Adam优化算法进行网络参数优化时,训练初期设置一个低于Adam初始学习率的学习率,随着迭代次数增加,学习率不断提高至所设置的初始学习率。
可选的,所述训练初期设置的学习率为0.0002。
可选的,所述秘密图像与载体图像为RGB彩色图像。
本申请还提供一种隐蔽通信方法,所述方法进行秘密图像隐蔽传输过程中采用上述图像隐写方法进行图像隐藏与提取。
本申请还提供上述图像隐写方法在隐蔽通信的应用。
本发明有益效果是:
通过改进基于MWCNN网络的图像隐写方案,将网络下采样由传统的池化操作改为小波变换,将残差网络与小波分量跳层融合引入图像隐写网络中,在彩色图像隐写方面可以获得较好的隐藏效果,该方法同时还能够提高提取图像视觉质量,该隐写方案在隐藏大容量图像信息的同时也能保证载密图像的质量以及提取图像准确率。
附图说明
为了更清楚地说明本发明实施例中的技术方案,下面将对实施例描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是图像隐藏网络即对MWCNN进行残差改进得到的残差改进MWCNN网络的结构图。
图2是图像提取网络结构图。
图3是本发明在训练集与测试集为miniImageNet、输入图像为彩色图像、尺寸为256×256×3、优化函数为Adam、损失函数权重为l1=1、l2=0.75、网络的初始学习率为0.0002、训练轮数为300轮的条件下,图像隐藏与提取结果仿真图。
具体实施方式
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实施方式作进一步地详细描述。
多级小波卷积神经网络(Multi-Level Wavelet Convolutional NeuralNetworks,MWCNN)是一种利用离散小波变换(DWT)代替池化操作的多级小波CNN,通常用于图像恢复和图像分类中,但是如果直接应用于图像隐写方案中,则有可能因为网络层数增加导致网络难以训练、并且基于元素求和的跳层连接可能导致图像信息损失进而影响图像隐写的效果,因此本申请对其进行了改进,首先,采用离散小波变换代替池化操作,通过小波变换与逆变换实现图像隐藏网络的下采样与上采样;此外,在MWCNN网络基础上进行改进,将基于元素求和的跳层连接改为特征通道拼接,以此来减少特征融合时的信息损失;接着为了实现对图像细节的补充,在特征融合过程中,将小波变换的不同细节分量(高频分量)添加到扩展路径的特征图中;最后在隐藏网络中使用残差结构防止网络层数增加可能导致的网络退化,同时优化网络训练,进而改善了图像的隐藏效果。
根据需隐藏的秘密图像和用于隐藏的载体图像的大小关系,图像隐藏可分为大容量隐藏和小容量隐藏,小容量隐藏中,秘密图像小于载体图像的大小,而大容量隐藏中,秘密图像则与载体图像的大小相同或者更大。由此可知,小容量隐藏更容易实现,为突出本申请方法的有效性,后续实施例以秘密图像和载体图像大小相同为例进行介绍:
实施例一:
本实施例提供一种基于残差改进MWCNN网络的图像隐写方法,所述方法包括:
步骤1:将秘密图像预处理为与载体图像相同的大小,接着将相同尺寸的秘密图像和载体图像进行通道拼接;
步骤2:将拼接得到的秘密、载体图像输入残差改进MWCNN网络进行图像隐藏,所述残差改进MWCNN网络为对称式网络,输入图像首先经过网络左侧的收缩路径,随后经过网络右侧的扩展路径得到对应的载密图像;
步骤3:将载密图像输入由卷积层、激活层和DWT构成的提取网络实现秘密图像提取;
所述改进MWCNN网络和提取网络为训练完成后的网络,训练过程中通过损失函数计算所述残差改进MWCNN网络和提取网络的损失值,所述损失函数为残差改进MWCNN网络的损失函数与提取网络的损失函数结合得到的混合损失函数;训练过程中使用带有热启动的Adam优化算法进行网络参数优化,同时在网络中加入批量归一化与Leaky ReLU激活函数加快网络训练速度。
实施例二
本实施例提供一种基于残差改进MWCNN网络的图像隐写方法,所述方法适用于RGB彩色图像。该方法包括:
步骤1:将秘密图像与载体图像进行裁剪,获得相同尺寸的秘密图像与载体图像;
利用式(1)进行秘密图像与载体图像通道数拼接;
X=concat[H,S],H、S∈RL×W×N 式(1)
式(1)中,H表示载体图像,S表示秘密图像,X为经过预处理后得到的大小为L×W×(2×N)的张量。
步骤2:将拼接得到的秘密、载体图像输入残差改进MWCNN网络进行图像隐藏,得到对应载密图像;
设计如图1所示网络对输入图像进行图像隐藏。其中,左侧网络为收缩路径,其输入Input为L×W×(2×N)的张量,右侧为扩展路径。
网络收缩路径首先对Input完成3×3卷积(Conv)、经过激活层(Leaky ReLU)与批归一化层(BN),过程如式(2)所示:
其中,假设Xi-1为卷积层的输入,则Xi为对应的输出特征;wi为卷积操作对应的权值;表示卷积运算;bi表示该层的阈值;经过卷积运算后使用f(·)激活函数实现非线性映射;
随后式(3)利用离散小波变换对特征图进行下采样压缩图像尺寸:
Xi+1=DWT(Xi) 式(3)
式中,DWT表示离散小波变换,将Xi通过离散小波变换进行下采样得到Xi+1。
接着式(4)对特征图进行残差学习:
Xi+2=Xi+1+C(Xi+1) 式(4)
式中,C(Xi+1)为对Xi+1进行两次卷积操作后的特征图与输入间的残差。
网络扩展路径采用与收缩路径相似的结构,但不同于收缩路径,扩展路径采用式(5)所示的逆离散小波变换实现图像上采样:
X'i=IDWT(X'i+1) 式(5)
同时为了实现对图像细节的补充,在特征融合过程中,将收缩路径中下采样获得的不同细节分量经过1×1卷积增加特征通道数后,通过元素求和的方式添加到扩展路径的特征图中。
重复以上步骤直至经过三轮下采样与上采样后得到隐藏网络的输出L×W×N的Output。
步骤3:将载密图像输入由卷积层、激活层和DWT构成的提取网络实现秘密图像提取;
设计如图2所示网络对输入图像进行秘密图像提取。其中,Input为步骤3获得的输出载密图像,经过9轮卷积、两轮下采样与上采样后得到最终的提取图像,采样同样使用离散小波变换与逆变换将提取过程变换到小波域。
步骤4:网络借鉴自动编码器的损失函数设计原则,将隐藏网络损失函数与提取网络损失函数结合得到了混合损失函数;其次在训练过程中使用带有热启动的Adam优化算法进行网络参数优化,同时在网络中加入批量归一化与Leaky ReLU激活函数加快网络训练速度。
式(6)采用均方误差分别计算载密图像与载体图像、秘密图像与提取图像之间的差距,设置权重参数获得最终的隐藏网络、提取网络损失。
式中,H,HS分别为载体图像和隐藏网络输出的载密图像;S,S'分别为秘密图像和提取网络输出的提取图像。
随后,为了得到合适大小的学习率以提高网络的学习效率,采用带有热启动的Adam优化算法,在训练初期设置一个低于Adam初始学习率的学习率,随着迭代次数增加,学习率不断提高至所设置的初始学习率。
Adam使用二阶动量获得自适应学习率,其流程如算法1所示:
其中,mt为gt的一阶矩,即gt的期望;et为gt的二阶矩,即gt 2的期望;β1、β2分别为一阶矩和二阶矩的指数衰减系数,和/>分别为mt、et的偏置矫正;τ为一个常数,通常设为10-8。
为使本发明的目的、技术方案和优点更加清楚,下面将利用一些经典的图像隐写方案与所提出的图像隐写方案作对比,展现本发明的基于残差改进MWCNN网络的图像隐写方案在秘密图像隐藏视觉安全性与提取图像质量方面的优越性。
用来进行仿真的图像隐写分别是Baluja隐写方案、U-Net结构隐写方案的图像隐藏与提取效果。
其中,Baluja隐写方案是经典的图像隐写方案,在图像隐写任务中第一次提出使用深度神经网络进行图像隐写,呈现出较好的隐藏效果;U-Net结构隐写方案采用与U-Net网络相似的结构作为隐藏网络基本架构,通过跳层连接的方式将收缩路径与扩展路径的特征图相结合,以此实现更优秀的隐藏效果及提取效果。
实验结果如图3、表1和表2所示,图3中包含四列图像,第一列图像是原始载体图像,第二列图像是隐藏网络输出的载密图像,第三列图像是原始秘密图像,最后一列图像是提取网络输出的提取图像。表1是本发明在训练集与测试集为miniImageNet、输入图像为彩色图像、尺寸为256×256×3、优化函数为Adam、损失函数权重为l1=1、l2=0.75、网络的初始学习率为0.0002、训练轮数为300轮的条件下,图像隐藏与提取PSNR值和MSSIM值结果,表1中8组数据分别对应图3中的8组图像。
表2是本发明在训练集与测试集为miniImageNet、输入图像为彩色图像、尺寸为256×256×3、优化函数为Adam、损失函数权重为l1=1、l2=0.75、网络的初始学习率为0.0002、训练轮数为300轮的条件下,Baluja隐写方案、U-Net结构隐写方案与本申请基于残差改进MWCNN网络的图像隐写方案的图像隐藏与提取PSNR值对比;其中:
Baluja隐写方案可参考“Baluja S.Hiding images in plain sight:Deepsteganography[J].Advances in neural information processing systems,2017:2069-2079”中的介绍,该方法使用全卷积神经网络进行图像隐写,网络包括密码图像预处理网络、秘密图像隐藏网络和秘密图像提取网络;U-Net结构隐写方案可参考“Duan X,Jia K,LiB,et al.Reversible image steganography scheme based on a U-Net structure[J].IEEE Access,2019,7:9314-9323”中的介绍,该方法采用与Unet网络类似的结构作为秘密图像隐藏网络;MWCNN是使用原始MWCNN网络作为隐藏网络,使用卷积层与激活层作为提取网络;残差改进MWCNN是使用所述残差改进MWCNN作为隐藏网络,使用卷积层与激活层作为提取网络。
表1:测试集上隐写图像的PSNR和MSSIM值
表2:不同方案隐写效果对比
从图3与表1中可知,本发明的隐写方案可以有效实现秘密图像隐藏与提取,从表2中Baluja隐写方案、U-Net结构隐写方案、基于残差改进MWCNN网络的图像隐写方案的图像隐藏与提取PSNR值对比,发现本发明的隐写方案可以有效提高图像隐藏与提取的PSNR值。
图3是本发明在训练集与测试集为miniImageNet、输入图像为彩色图像、尺寸为256×256×3、优化函数为Adam、损失函数权重为l1=1、l2=0.75、网络的初始学习率为0.0002、训练轮数为300轮的条件下,图像隐藏与提取结果图,从图3可以看出,采用本申请隐写方法进行图像隐写后的载密图像与原始图像几乎无差别,且提取出结果与秘密图像几乎无差别,基于表2可知本发明的隐写方案可以有效提高图像隐藏与提取的PSNR值。
综上,相同的训练集与测试集下,基于本发明的残差改进MWCNN网络图像隐写方案能够获得更安全的图像隐藏效果与秘密图像提取效果。
本发明实施例中的部分步骤,可以利用软件实现,相应的软件程序可以存储在可读取的存储介质中,如光盘或硬盘等。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于残差改进MWCNN网络的图像隐写方法,其特征在于,所述方法包括:
步骤1:将秘密图像预处理为与载体图像相同的大小,将相同尺寸的秘密图像和载体图像进行通道拼接;
步骤2:将拼接得到的秘密、载体图像输入残差改进MWCNN网络进行图像隐藏,所述残差改进MWCNN网络为对称式网络,输入图像首先经过网络左侧的收缩路径,随后经过网络右侧的扩展路径得到对应的载密图像;
步骤3:将载密图像输入由卷积层、激活层和DWT构成的提取网络实现秘密图像提取;
所述改进MWCNN网络和提取网络为训练完成后的网络,训练过程中通过损失函数计算所述残差改进MWCNN网络和提取网络的损失值,所述损失函数为残差改进MWCNN网络的损失函数与提取网络的损失函数结合得到的混合损失函数;训练过程中使用带有热启动的Adam优化算法进行网络参数优化,同时在网络中加入批量归一化与Leaky ReLU激活函数加快网络训练速度。
2.根据权利要求1所述的方法,其特征在于,所述步骤1包括:
将秘密图像与载体图像进行裁剪,获得相同尺寸的秘密图像与载体图像;
利用式(1)进行秘密图像与载体图像通道数拼接;
X=concat[H,S],H、S∈RL×W×N 式(1)
式(1)中,H表示载体图像,S表示秘密图像,X为经过预处理后得到的大小为L×W×(2×N)的张量,将拼接后的张量作为所述残差改进MWCNN网络的Input。
3.根据权利要求2所述的方法,其特征在于,所述步骤2包括:
对MWCNN进行残差改进得到残差改进MWCNN网络作为隐藏网络;
利用所述隐藏网络的收缩路径首先对Input完成3×3卷积、随后卷积输出经过激活层与批归一化层,过程如式(2)所示:
其中,假设Xi-1为卷积层的输入,则Xi为对应的输出特征;wi为卷积操作对应的权值;表示卷积运算;bi表示该层的阈值;经过卷积运算后使用f()激活函数实现非线性映射;
随后式(3)利用离散小波变换对特征图进行下采样压缩图像尺寸:
Xi+1=DWT(Xi) 式(3)
式中,DWT表示离散小波变换,将Xi通过离散小波变换进行下采样得到Xi+1;
接着式(4)对特征图进行残差学习:
Xi+2=Xi+1+C(Xi+1) 式(4)
式中,C(Xi+1)为对Xi+1进行两次卷积操作后的特征图与输入间的残差;
网络扩展路径采用与收缩路径相似的结构,但不同于收缩路径,扩展路径采用式(5)所示的逆离散小波变换实现图像上采样:
X'i=IDWT(X'i+1) 式(5)
其中,IDWT表示逆离散小波变换;
在特征融合过程中,将收缩路径中下采样获得的不同细节分量经过1×1卷积增加特征通道数后,通过元素求和的方式添加到扩展路径的特征图中;
重复以上步骤直至经过三轮下采样与上采样后得到隐藏网络的输出L×W×N的Output。
4.根据权利要求3所述的方法,其特征在于,所述步骤3包括:
利用卷积层、激活层和DWT构建提取网络;
将所述步骤2中所述残差改进MWCNN的输出Output作为所述提取网络的Input,经过9轮卷积、两轮下采样与上采样后得到最终的提取图像,采样同样使用离散小波变换与逆变换将提取过程变换到小波域。
5.根据权利要求4所述的方法,其特征在于,所述残差改进MWCNN网络和提取网络的损失函数的确定方法包括:
采用均方误差分别计算载密图像与载体图像、秘密图像与提取图像之间的差距,设置权重参数获得最终的隐藏网络,提取网络损失;
式中,H,HS分别为载体图像和隐藏网络输出的载密图像;S,S'分别为秘密图像和提取网络输出的提取图像;L1表示隐藏网络损失函数,L2表示提取网络损失函数,Ltotal表示混合损失函数,l1和l2分别表示对应的权重。
6.根据权利要求5所述的方法,其特征在于,所述使用带有热启动的Adam优化算法进行网络参数优化时,训练初期设置一个低于Adam初始学习率的学习率,随着迭代次数增加,学习率不断提高至所设置的初始学习率。
7.根据权利要求6所述的方法,其特征在于,所述训练初期设置的学习率为0.0002。
8.根据权利要求7所述的方法,其特征在于,所述秘密图像与载体图像为RGB彩色图像。
9.一种隐蔽通信方法,其特征在于,所述方法进行秘密图像隐蔽传输过程中采用权利要求1-8任一项所述的图像隐写方法进行图像隐藏与提取。
10.权利要求1-8任一所述的图像隐写方法在隐蔽通信的应用。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811504.0A CN116912074A (zh) | 2023-07-04 | 2023-07-04 | 一种基于残差改进mwcnn网络的图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310811504.0A CN116912074A (zh) | 2023-07-04 | 2023-07-04 | 一种基于残差改进mwcnn网络的图像隐写方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116912074A true CN116912074A (zh) | 2023-10-20 |
Family
ID=88352251
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310811504.0A Pending CN116912074A (zh) | 2023-07-04 | 2023-07-04 | 一种基于残差改进mwcnn网络的图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116912074A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152548A (zh) * | 2023-11-01 | 2023-12-01 | 山东理工大学 | 一种抽油机井实测电功图工况识别方法及系统 |
-
2023
- 2023-07-04 CN CN202310811504.0A patent/CN116912074A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117152548A (zh) * | 2023-11-01 | 2023-12-01 | 山东理工大学 | 一种抽油机井实测电功图工况识别方法及系统 |
CN117152548B (zh) * | 2023-11-01 | 2024-01-30 | 山东理工大学 | 一种抽油机井实测电功图工况识别方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111598761B (zh) | 一种基于图像降噪的抗打印拍摄图像数字水印方法 | |
CN107240061A (zh) | 一种基于动态bp神经网络的水印嵌入、提取方法与装置 | |
CN116912074A (zh) | 一种基于残差改进mwcnn网络的图像隐写方法 | |
Wang et al. | HidingGAN: High capacity information hiding with generative adversarial network | |
CN115809953A (zh) | 一种基于注意力机制的多尺寸图像鲁棒水印方法及系统 | |
Li et al. | Embedding probability guided network for image steganalysis | |
Zhu et al. | Destroying robust steganography in online social networks | |
CN116152061A (zh) | 一种基于模糊核估计的超分辨率重建方法 | |
CN114827381A (zh) | 基于条件标准化流模型的强鲁棒性图像隐写方法及系统 | |
Zhang et al. | Deep adaptive hiding network for image hiding using attentive frequency extraction and gradual depth extraction | |
Sharma et al. | A daubechies DWT based image steganography using smoothing operation. | |
US20230376614A1 (en) | Method for decoding and encoding network steganography utilizing enhanced attention mechanism and loss function | |
Meikap et al. | Improved center-folding based directional pixel value ordering for reversible data hiding scheme | |
CN117078517A (zh) | 基于可逆神经网络的图像超分辨率隐写方法 | |
CN115965844B (zh) | 基于视觉显著性先验知识的多聚焦图像融合方法 | |
CN116562366A (zh) | 一种基于特征选择和特征对齐的联邦学习方法 | |
CN112465687B (zh) | 一种图像隐藏方法及装置 | |
CN114648436A (zh) | 一种基于深度学习的抗屏摄文本图像水印嵌入和提取方法 | |
Amsaveni et al. | Use of firefly optimization algorithm for fractional fourier transform based reversible data hiding | |
Zhang et al. | Embedding Guided End‐to‐End Framework for Robust Image Watermarking | |
Rohilla et al. | Robust digital image watermarking in YCbCr color space using hybrid method | |
Han et al. | NM-FlowGAN: Modeling sRGB Noise with a Hybrid Approach based on Normalizing Flows and Generative Adversarial Networks | |
Zhao et al. | Proactive image manipulation detection via deep semi-fragile watermark | |
CN115002294B (zh) | 一种秘密图像无密钥提取方法及相关设备 | |
Hu et al. | StegaEdge: learning edge-guidance 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 |