CN117579837B - 一种基于对抗压缩图像的jpeg图像隐写方法 - Google Patents
一种基于对抗压缩图像的jpeg图像隐写方法 Download PDFInfo
- Publication number
- CN117579837B CN117579837B CN202410054199.XA CN202410054199A CN117579837B CN 117579837 B CN117579837 B CN 117579837B CN 202410054199 A CN202410054199 A CN 202410054199A CN 117579837 B CN117579837 B CN 117579837B
- Authority
- CN
- China
- Prior art keywords
- image
- countermeasure
- steganography
- loss
- original image
- 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
- 238000007906 compression Methods 0.000 title claims abstract description 32
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000006835 compression Effects 0.000 title description 18
- 238000004458 analytical method Methods 0.000 claims description 24
- 230000006870 function Effects 0.000 claims description 19
- 238000001514 detection method Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 5
- 230000008447 perception Effects 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000000007 visual effect Effects 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 8
- 230000004913 activation Effects 0.000 description 6
- 238000013135 deep learning Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000007423 decrease Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 239000000654 additive Substances 0.000 description 1
- 230000000996 additive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/46—Embedding additional information in the video signal during the compression process
- H04N19/467—Embedding additional information in the video signal during the compression process characterised by the embedded information being invisible, e.g. 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
- G06N3/0464—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
- G06N3/0475—Generative 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
- G06N3/048—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
- G06N3/094—Adversarial learning
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/10—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding
- H04N19/134—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using adaptive coding characterised by the element, parameter or criterion affecting or controlling the adaptive coding
- H04N19/154—Measured or subjectively estimated visual quality after decoding, e.g. measurement of distortion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N19/00—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals
- H04N19/46—Embedding additional information in the video signal during the compression process
- H04N19/463—Embedding additional information in the video signal during the compression process by compressing encoding parameters before transmission
-
- 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)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Evolutionary Computation (AREA)
- Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Editing Of Facsimile Originals (AREA)
- Image Processing (AREA)
Abstract
本发明涉及JPEG图像隐写技术领域,尤其是一种基于对抗压缩图像的JPEG图像隐写方法,先将原始图像输入到生成器中生成对抗噪声,对抗噪声与原始图像进行加和操作生成对抗图像,对抗图像嵌入秘密信息后生成增强隐写图像,最终生成的增强隐写图像可以有效躲避当前优异性能的隐写分析器的检测。本方法通过生成器与隐写分析器SRNet的对抗思想生成对抗噪声,对抗噪声添加到原始压缩图像中生成对抗压缩图像,相比较于原始压缩图像,在对抗压缩图像中嵌入秘密信息得到的增强隐写图像可以获得更高的安全性。此外,为了保证对抗压缩图像的视觉质量,在像素级别引入均方误差损失,特征级别引入人类感知相似度损失来提升图像质量。
Description
技术领域
本发明涉及JPEG图像隐写技术领域,尤其是一种基于对抗压缩图像的JPEG图像隐写方法。
背景技术
信息隐藏是集多学科理论与技术于一身的新兴技术领域。信息隐藏的目的不在于限制正常的信息存取和访问,而在于保证隐藏的信息不引起监控者的注意和重视。图像隐写术作为信息隐藏的重要分支,它通过对载体图像进行轻微的修改,以在不引起隐写分析怀疑的情况下传输秘密信息。由于JPEG图像是被广泛采用的图像存储和传输格式,JPEG图像隐写技术在过去的几年里成为研究热点。在STC编码的基础上,通过更好地利用图像纹理复杂性,设计了多种内容自适应失真函数,有效提升了JPEG图像隐写术安全性。同时,微尺度隐写和代价扩展规则、以及基于空间域图像隐写术研究拓展的JPEG争议性像素先验规则和块边界连续原则被提出以提高上述加性失真函数(+1、-1的代价是对称的)的性能。
近年来,基于卷积神经网络的隐写分析技术在检测隐写术方面取得了良好的性能,检测能力全面超越了传统隐写分析方法,并已成为了主流方法。然而,在输入样本中加入微小扰动可以欺骗CNN模型,这些扰动样本被称为对抗样本,现有的基于对抗样本的方法大多只在空间域中生成对抗图像,忽略了图像在很多通信通道(如社交网络通道)中为了存储和速度而压缩为JPEG格式的事实。JPEG压缩引入的失真会严重影响对抗扰动,从而降低攻击成功率。另一方面,在某些只接受JPEG图像的信道中,提交未压缩对抗图像的行为很容易被检测到。因此,研究JPEG图像的对抗样本构造方法具有意义。
发明内容
针对上述问题,故本发明提供了一种基于对抗压缩图像的JPEG图像隐写方法,通过生成器与隐写分析器SRNet的对抗思想生成对抗噪声,对抗噪声添加到原始压缩图像中生成对抗压缩图像,相比较于原始压缩图像,在对抗压缩图像中嵌入秘密信息得到的增强隐写图像可以获得更高的安全性。此外,为了保证对抗压缩图像的视觉质量,本文在像素级别引入均方误差损失,特征级别引入人类感知相似度损失来提升图像质量。
本发明提供如下技术方案:一种基于对抗压缩图像的JPEG图像隐写方法,包括如下步骤:S1、将JPEG的原始图像输入到生成器中生成对抗噪声,对抗噪声与原始图像相加得到对抗图像;S2、在像素级别,通过均方误差损失MSE_loss缩小原始图像和对抗图像的像素差距,提升对抗图像质量;S3、在特征级别,通过人类感知相似度损失LPIPS缩小原始图像和对抗图像的特征差异,使其更符合人类肉眼的观感,进一步提升对抗图像质量;S4、将原始图像和经过步骤S2和S3处理后的对抗图像输入到隐写分析网络SRNet中,判定输入图像类别,输出结果越趋近于0,说明判别输入图像的类别越趋近于原始图像,也是期望训练能达到的效果,判别完成后优化更新隐写分析网络;S5、使用失真代价函数J-UNIWARD+SPC编码将传输信息嵌入到经过步骤S2和S3处理后的对抗图像中生成增强隐写图像;S6、将经过步骤S2和S3处理后的对抗图像和增强隐写图像输入到优化更新后的隐写分析网络中,判定输入图像类别,输出结果越趋近于0,说明判别输入图像的类别越趋近于原始图像,也是期望训练能达到的效果,判别完成后优化更新隐写分析网络。S7、根据步骤S2、S3、S4、S6输出的结果更新生成器;S8:重复步骤S1- S7,直到生成的对抗图像和增强隐写图像通过隐写分析网络的检测输出结果为0,训练完成,将训练后的生成器用于JPEG图像隐写。
步骤S1中的生成器,生成器为U-Net框架,下采样过程中的卷积块和上采样中的反卷积块构成了网络的基本组件,其中下采样(1-8层)过程中的卷积块由一个卷积层(CON),一个批处理归一化层(BN),和一个激活函数组成,本文选用Rectified Linear Unit(RELU)作为激活函数。第一次上采样过程中的反卷积块有一个反卷积层(DECON)和一个批处理归一化层组成,后续上采样(10-15层)过程中的反卷积块由一个RELU激活函数,一个反卷积层和一个批处理归一化层构成。最后一层输出对抗噪声,由一个RELU激活函数,一个反卷积层,一个Sigmoid激活函数和一个RELU激活函数组成,本文通过调整最后输出的对抗噪声大小可以将对抗噪声控制在一定强度内,最后将对抗噪声添加到原始图像中并将像素值限制在一定范围内生成对抗图像。
隐写分析网络用来判别输入图像是否含有秘密信息,随着深度学习的发展,隐写分析与深度学习结合使得检测性能大幅提高。本文为了提升对抗图像以及增强隐写图像的不可感知和不可检测性,选用了当前性能最为优异的基于深度学习的通用隐写分析模型—SRNet。SRNet是一个48层的深度学习隐写分析模型,该网络利用了残差网络模拟传统 SRM在筛选特征的过程。SRNet 不仅可以应用于空域,在 JPEG 域上也有不错的效果。SRNet提高了网络结构的层数,采用残差结构方式解决网络层数较高时出现的在反向传播过程中的梯度爆炸与梯度弥散情况,帮助网络在训练过程中更容易收敛到一个全局最优解或者全局较优解。
步骤S2中,均方误差损失MSE_loss采用如下公式,
,
其中,X为原始图像,为对抗图像,C为原始图像的通道数量,H×W为原始图像的大小,/>为图像失真损失。
步骤S3中人类感知相似度损失LPIPS采用的如下公式,
,
其中,表示原始图像的特征,/>表示对抗图像的特征,/>表示图像感知相似度损失。
步骤S4中,隐写分析网络SRNet中损失函数采用下式,
,
其中,是原始图像与生成对抗图像判别损失,/>和/>是隐写分析器最后经过softmax层的输出,分别表示原始图像与生成对抗图像的概率,/>和/>分别是输入的原始图像与生成对抗图像对应的标签。
步骤S6中,更新后的隐写分析网络的损失函数为,
,
其中,是经过步骤S2和S3处理后的对抗图像与增强隐写图像判别损失,/>和分别表示经过步骤S2和S3处理后的对抗图像与增强隐写图像的概率,/>和/>分别是输入的经过步骤S2和S3处理后的对抗图像与增强隐写图像对应的标签。
步骤S7中使用下式更新生成器,
,
其中,、/>、/>、/>是权重。
通过上述描述可以看出,1、本方案将基于深度学习生成对抗样本引入JPEG隐写,可快速生成大量对抗压缩图像,使用当前JPEG隐写方法嵌入秘密信息后可以有效抵御隐写分析器的检测,相比较于原始图像更适合作为载体图像;2、像素级别引入均方误差损失,在特征级别引入图像感知相似度损失来提升图像质量。同时使用SPC编码替代STC编码结合内容自适应失真函数将秘密信息嵌入对抗图像中生成增强隐写图像,有效提升隐写术安全性。
附图说明
图1为本发明具体实施方式的流程图。
图2为本发明具体实施方式的框架图。
图3为生成器的网络结构图。
图4不同压缩质量时的图像对比示意图。
图5为不同压缩质量的对抗压缩图像与压缩图像PSNR值和SSIM值。
图6为压缩质量75时在BOSSBase数据集上对SRNet不可检测性的比较图。
图7为压缩质量95时在BOSSBase数据集上对SRNet不可检测性的比较图。
具体实施方式
下面将结合本发明具体实施方式中的附图,对本发明具体实施方式中的技术方案进行清楚、完整地描述,显然,所描述的具体实施方式仅仅是本发明一种具体实施方式,而不是全部的具体实施方式。基于本发明中的具体实施方式,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他具体实施方式,都属于本发明保护的范围。
在本发明具体实施方式中使用的术语是仅仅出于描述特定实施例的目的,而非旨在限制本发明。在本发明实施例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。
通过附图可以看出,本发明的基于对抗压缩图像的JPEG图像隐写方法,首先,将原始图像输入到生成器中生成对抗噪声,对抗噪声与原始图像进行加和操作生成对抗图像,对抗图像嵌入秘密信息后生成增强隐写图像,最终生成的增强隐写图像可以有效躲避当前优异性能的隐写分析器的检测。具体包括如下步骤:
S1、将JPEG的原始图像X输入到生成器G中,生成器生成对抗噪声V,将对抗噪声V添加到原始JPEG图像X中生成对抗图像Xv;
,
,
其中,表示生成器,/>表示生成器参数,/>表示相加操作。
S2、在像素级别,通过均方误差损失MSE_loss缩小原始图像X和对抗图像Xv的像素差距,提升对抗图像质量;
均方误差损失MSE_loss采用如下公式,
,
公式中,X为原始图像,为对抗图像,C为原始图像的通道数量,H×W为原始图像的大小,/>为图像失真损失。
S3、在特征级别,通过人类感知相似度损失LPIPS缩小原始图像X和对抗图像Xv的特征差异,使其更符合人类肉眼的观感,进一步提升对抗图像质量;
人类感知相似度损失LPIPS(感知损失)采用的如下公式,
,
其中,表示原始图像的特征,/>表示对抗图像的特征,/>表示图像感知相似度损失。
S4、将原始图像X和经过步骤S2和S3处理后的对抗图像Xv输入到隐写分析网络SRNet中,判定输入图像类别,输出结果越趋近于0,说明判别输入图像的类别越趋近于原始图像,也是期望训练能达到的效果,判别完成后优化更新隐写分析网络;
隐写分析网络SRNet中损失函数采用下式,
,
其中,是原始图像与生成对抗图像判别损失,/>和/>是隐写分析器最后经过softmax层的输出,分别表示原始图像与生成对抗图像的概率,/>和/>分别是输入的原始图像与生成对抗图像对应的标签。
S5、使用失真代价函数J-UNIWARD+SPC编码将传输信息嵌入到经过步骤S2和S3处理后的对抗图像中生成增强隐写图像;
S6、将经过步骤S2和S3处理后的对抗图像和增强隐写图像输入到优化更新后的隐写分析网络中,判定输入图像类别,输出结果越趋近于0,说明判别输入图像的类别越趋近于原始图像,也是期望训练能达到的效果,判别完成后优化更新隐写分析网络。
更新后的隐写分析网络的损失函数为,
,
其中,是经过步骤S2和S3处理后的对抗图像与增强隐写图像判别损失,/>和分别表示经过步骤S2和S3处理后的对抗图像与增强隐写图像的概率,/>和/>分别是输入的经过步骤S2和S3处理后的对抗图像与增强隐写图像对应的标签。
S7、根据步骤S2、S3、S4、S6输出的结果更新生成器;
使用下式更新生成器,
,
其中,、/>、/>、/>是权重。
S8:重复步骤S1- S7,直到生成的对抗图像和增强隐写图像通过隐写分析网络的检测输出结果为0,训练完成,将训练后的生成器用于JPEG图像隐写。
训练完成后就可以得到一个可以直接使用的生成器,可将任意数量的原始图片输入到生成器中,生成对应的对抗噪声,将对抗噪声和原始图像相加后得到对应的对抗图像,使用失真代价函数J-UNIWARD+SPC编码将传输信息嵌入到对抗图像中得到增强隐写图像。在此过程中生成的对抗图像质量良好,人类肉眼无法分辨和原始图像的区别。此外,得到的对抗图像和增强隐写图像都可以躲避隐写分析网络的检测。
实验对比分析,首先对对抗压缩图像进行分析,本方案中的方法需要将压缩后的JPEG图像输入到生成器中生成对抗图像作为新的载体图像,因此随着压缩质量的降低,生成对抗图像的质量也会降低,当生成对抗图像的PSNR低于37db时,此时的生成对抗图像与原始图像已经可以使用肉眼观察到差异,即使抗隐写分析能力优于原始图像,此时也不适合作为载体图像。通过对压缩质量和生成图像质量的关系做了实验以确定使用本文方法生成对抗图像的局限性,并对对抗图像质量做了分析。
图4展示了随着压缩质量(QF)的不同所生成的原始压缩图像和相应的对抗图像,以及它们的残差图像,即添加的对抗噪声。图中,(A)为原始压缩图像,(B)为对抗图像,(C)为对抗图像与原始压缩图像的残差图像,从图4可知,随着压缩质量的下降,压缩图像中的噪点逐渐增多,压缩图像质量逐渐下降。此外,随着压缩质量的下降,在原始压缩图像中嵌入相同比特的秘密信息后,安全性也会下降。所以,为了提高安全性,也要在压缩图像中添加更多的对抗噪声,导致对抗图像质量下降的更加明显。
图5为压缩质量95-60对应的生成对抗压缩图像的峰值信噪比(PSNR)和结构相似性(SSIM)值,可以发现,当压缩质量达到65时,此时对抗图像的PSNR值已经低于37db,虽然安全性方面高于使用原始图像,但此时已经不适合作为新的载体图像了,这也是当前针对JPEG图像生成对抗图像算法的局限性。此外,针对不同的隐写算法、不同的隐写分析器,以及不同的嵌入容量,压缩质量的临界值也不同。
对于抗隐写分析能力,通过图6和图7可以看出在压缩质量95和75的情况下,嵌入不同容量秘密信息后生成的隐写图像面对XU-JPEG和SCA-CNN检测时的平均最小错误率结果,本方案的增强隐写术安全框架可以有效地增强J-UNIWARD和UERD的安全性。本方案使用SRNet作为训练时对抗的隐写分析器,当面对Xu-JPEG和SCA-CNN的检测时,J-UNIWARD和UERD这两种方法的安全性要低于Tang、Liu和Wang的方法,但当将这两种方法放入本文提出的框架中,并使用SPC编码替代STC编码时,这两种增强后的隐写方法的安全性要高于之前的三种方法,因此,本文提出的方法可以有效提升当前隐写方法的安全性。
尽管已经示出和描述了本发明的具体实施方式,对于本领域的普通技术人员而言,可以理解在不脱离发明的原理和精神的情况下可以对这些具体实施方式进行多种变化、修改、替换和变型。
Claims (4)
1.一种基于对抗压缩图像的JPEG图像隐写方法,其特征在于包括如下步骤:
S1、将JPEG的原始图像输入到生成器中生成对抗噪声,对抗噪声与原始图像相加得到对抗图像;
S2、在像素级别,通过均方误差损失MSE_loss缩小原始图像和对抗图像的像素差距,提升对抗图像质量;
S3、在特征级别,通过人类感知相似度损失LPIPS缩小原始图像和对抗图像的特征差异,进一步提升对抗图像质量;
S4、将原始图像和经过步骤S2和S3处理后的对抗图像输入到隐写分析网络SRNet中,判定输入图像类别,获得输出结果,输出结果趋近于0,则判别输入图像的类别越趋近于原始图像,判别完成后优化更新隐写分析网络;
S5、使用失真代价函数J-UNIWARD+SPC编码将传输信息嵌入到经过步骤S2和S3处理后的对抗图像中生成增强隐写图像;
S6、将经过步骤S2和S3处理后的对抗图像和增强隐写图像输入到优化更新后的隐写分析网络中,判定输入图像类别,获得输出结果,输出结果趋近于0,则说明判别输入图像的类别趋近于原始图像,判别完成后优化更新隐写分析网络;
S7、根据步骤S2、S3、S4、S6输出的结果更新生成器;
S8:重复步骤S1- S7,直到生成的对抗图像和增强隐写图像通过隐写分析网络的检测输出结果为0,训练完成,将训练后的生成器用于JPEG图像隐写;
步骤S2中,均方误差损失MSE_loss采用如下公式,
其中,X为原始图像,为对抗图像,C为原始图像的通道数量,H×W为原始图像的大小,/>为图像失真损失;
步骤S3中人类感知相似度损失LPIPS采用的如下公式,
其中,表示原始图像的特征,/>表示对抗图像的特征,/>表示图像感知相似度损失。
2.根据权利要求1所述的基于对抗压缩图像的JPEG图像隐写方法,其特征是,
步骤S4中,隐写分析网络SRNet中损失函数采用下式,
其中,是原始图像与生成对抗图像判别损失,/>和/>是隐写分析器最后经过softmax层的输出,分别表示原始图像与生成对抗图像的概率,/>和/>分别是输入的原始图像与生成对抗图像对应的标签。
3.根据权利要求2所述的基于对抗压缩图像的JPEG图像隐写方法,其特征是,
步骤S6中,更新后的隐写分析网络的损失函数为,
其中,是经过步骤S2和S3处理后的对抗图像与增强隐写图像判别损失,/>和/>分别表示经过步骤S2和S3处理后的对抗图像与增强隐写图像的概率,/>和/>分别是输入的经过步骤S2和S3处理后的对抗图像与增强隐写图像对应的标签。
4.根据权利要求3所述的基于对抗压缩图像的JPEG图像隐写方法,其特征是,
步骤S7中使用下式更新生成器,
其中,、/>、/>、/>是权重。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410054199.XA CN117579837B (zh) | 2024-01-15 | 2024-01-15 | 一种基于对抗压缩图像的jpeg图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410054199.XA CN117579837B (zh) | 2024-01-15 | 2024-01-15 | 一种基于对抗压缩图像的jpeg图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117579837A CN117579837A (zh) | 2024-02-20 |
CN117579837B true CN117579837B (zh) | 2024-04-16 |
Family
ID=89864708
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410054199.XA Active CN117579837B (zh) | 2024-01-15 | 2024-01-15 | 一种基于对抗压缩图像的jpeg图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117579837B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284033A (zh) * | 2021-05-21 | 2021-08-20 | 湖南大学 | 一种基于对抗训练的大容量图像信息隐藏术 |
CN113538202A (zh) * | 2021-08-05 | 2021-10-22 | 齐鲁工业大学 | 一种基于生成式隐写对抗的图像隐写方法及系统 |
CN114827379A (zh) * | 2022-04-27 | 2022-07-29 | 四川大学 | 一种基于生成式网络的载体图像增强方法 |
CN116797437A (zh) * | 2023-07-31 | 2023-09-22 | 东南大学 | 一种基于生成对抗网络的端到端图像隐写方法 |
CN117391920A (zh) * | 2023-10-30 | 2024-01-12 | 齐鲁工业大学(山东省科学院) | 基于rgb通道差分平面的大容量隐写方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3820150B1 (en) * | 2019-11-07 | 2024-01-03 | Dotphoton AG | Method and device for steganographic processing and compression of image data |
CN114662061B (zh) * | 2022-05-19 | 2022-08-30 | 武汉大学 | 基于改进注意力和损失函数的解码编码网络隐写术方法 |
-
2024
- 2024-01-15 CN CN202410054199.XA patent/CN117579837B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113284033A (zh) * | 2021-05-21 | 2021-08-20 | 湖南大学 | 一种基于对抗训练的大容量图像信息隐藏术 |
CN113538202A (zh) * | 2021-08-05 | 2021-10-22 | 齐鲁工业大学 | 一种基于生成式隐写对抗的图像隐写方法及系统 |
CN114827379A (zh) * | 2022-04-27 | 2022-07-29 | 四川大学 | 一种基于生成式网络的载体图像增强方法 |
CN116797437A (zh) * | 2023-07-31 | 2023-09-22 | 东南大学 | 一种基于生成对抗网络的端到端图像隐写方法 |
CN117391920A (zh) * | 2023-10-30 | 2024-01-12 | 齐鲁工业大学(山东省科学院) | 基于rgb通道差分平面的大容量隐写方法及系统 |
Non-Patent Citations (2)
Title |
---|
Data stream mining in fog computing environment with feature selection using ensemble of swarm search algorithms;Bin Bin Ma ET AL;《2018 Conference on Information Communications Technology and Society (ICTAS)》;20180309;全文 * |
马宾 ; 韩作伟 ; 徐健 ; 王春鹏 ; 李健.基于U-Net结构的生成式多重对抗隐写算法.《软件学报》.2023,全文. * |
Also Published As
Publication number | Publication date |
---|---|
CN117579837A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108346125B (zh) | 一种基于生成对抗网络的空域图像隐写方法及系统 | |
CN109993678B (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
Wei et al. | Generative steganography network | |
CN112116537B (zh) | 图像反射光消除方法及图像反射光消除网络构建方法 | |
CN112541865A (zh) | 基于生成对抗网络的水下图像增强方法 | |
CN113313644A (zh) | 一种基于残差双注意力网络的水下图像增强方法 | |
CN113744153B (zh) | 双分支图像修复伪造检测方法、系统、设备及存储介质 | |
CN113284033A (zh) | 一种基于对抗训练的大容量图像信息隐藏术 | |
CN111696021A (zh) | 一种基于显著性检测的图像自适应隐写分析系统及方法 | |
Zhu et al. | Destroying robust steganography in online social networks | |
CN116452401A (zh) | 一种抗图像攻击的可逆鲁棒水印嵌入与提取模型构建方法 | |
CN117579837B (zh) | 一种基于对抗压缩图像的jpeg图像隐写方法 | |
CN116342362B (zh) | 深度学习增强数字水印不可感知性方法 | |
CN117391920A (zh) | 基于rgb通道差分平面的大容量隐写方法及系统 | |
CN115880125B (zh) | 基于Transformer的软融合鲁棒图像水印方法 | |
CN117036182A (zh) | 一种单幅图像去雾方法及系统 | |
CN114662061B (zh) | 基于改进注意力和损失函数的解码编码网络隐写术方法 | |
CN114663315A (zh) | 基于语义融合生成对抗网络的图像比特增强方法及装置 | |
Niu et al. | An image steganography method based on texture perception | |
CN113837963A (zh) | 基于深度网络在lab颜色空间下的水下图像增强方法 | |
Xu et al. | Drhnet: a deep residual network based on heterogeneous kernel for steganalysis | |
CN113569897B (zh) | 一种基于固定像素点获取低频信息的对抗样本防御方法 | |
CN116664599B (zh) | 基于隐写区域预测的图像隐写分析方法 | |
CN115002294B (zh) | 一种秘密图像无密钥提取方法及相关设备 | |
Zhao et al. | Research on Image Steganography Based on Multiple Expansion Generation Adversarial Network |
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 |