CN117808656A - 使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 - Google Patents
使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 Download PDFInfo
- Publication number
- CN117808656A CN117808656A CN202311855021.7A CN202311855021A CN117808656A CN 117808656 A CN117808656 A CN 117808656A CN 202311855021 A CN202311855021 A CN 202311855021A CN 117808656 A CN117808656 A CN 117808656A
- Authority
- CN
- China
- Prior art keywords
- picture
- secret
- information
- algorithm
- msg
- 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 63
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 62
- 238000013507 mapping Methods 0.000 claims abstract description 28
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 238000004590 computer program Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 15
- 238000006467 substitution reaction Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012549 training Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 4
- 230000001788 irregular Effects 0.000 claims description 2
- 230000001502 supplementing effect Effects 0.000 claims description 2
- 239000000284 extract Substances 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 238000010276 construction Methods 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 206010010099 Combined immunodeficiency Diseases 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 238000001360 collision-induced dissociation Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000000047 product Substances 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000000153 supplemental effect Effects 0.000 description 1
Classifications
-
- 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
- Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management
Landscapes
- Editing Of Facsimile Originals (AREA)
Abstract
本申请提供了一种使用重建信息归属的无载体图像隐写方法、存储介质及电子装置,主要包括以下步骤:对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;确定所述目标图片的归属重建算法,将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;所述接受方接收到所述含秘图片,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。在图像本身特征的基础上重新归属,建立新的映射规则,在保证不同特征的基础上能够包含所需要的特征数量,将图片本身的高级语义特征通过归属信息重新分配的映射规则,更易构建全覆盖的CID。
Description
技术领域
本申请涉及数字取证技术领域,特别涉及一种使用重建信息归属的无载体图像隐写方法、存储介质及电子装置。
背景技术
在这个数字信息时代,随着PC网络创新领域的发展,隐藏数据的探索也在迅速发展。数字媒体通过不可信的(互联网)通信渠道移动的同时也面临着被更改的风险。因此,数据安全技术对于安全地传播信息以及捕获企图和破译任何非法的秘密交换是很重要的。隐写密码术、水印和隐写术是常见的数据隐藏策略。密码学设法将明文转换成无法破译的密文。密码术主要包括两种计算——加密和解码。在发送端,利用加密计算从明文内容中传递密文。在接收端,使用解密计算从密文中解码出明文。隐写隐写“无载体隐写”是指在载体图像没有任何变化的情况下传播秘密信息。无载体隐写并不意味着不需要任何载体,而是载体图像不被修改,秘密信息根据载体图像的特征来建立对应关系。从本质上来说,基于图像的无载体隐写是一种图像特征的编码方法。近年来提出了基于图像选择的无载体图像隐写术(CIS)。基于图像选择的CIS首先需要构造图像数据集,然后根据秘密信息通过映射规则直接从图像数据集中选择出载体图像。为了简洁起见,用于CIS的构造的数据集被称为无载体图像数据集(CID)。在这样的选择过程中,载体图像没有被修改,因此基于图像选择的CIS可以从根本上抵抗隐写分析工具的分析。
现有技术中,Zhou等人在第一届国际会议云计算与安全上首次提出了无载体隐写隐写的概念。该方法通过BOW模型提取视觉词(VW)来代表图像中的秘密信息,从而达到在图像中隐藏秘密信息的目的。虽然使用多级倒索引方法从大型数据库中搜索合格的图像,但这个过程是耗时的。同时,图像的SHIFT特征作为视觉词,在提取图像的SHIFT特征时会花费大量的时间。
Zou等人提出了一种基于子图像平均像素值的汉语句子无载体无载体隐写方法。与上述Zhou方法相比,减少了图像特征提取的时间,提高了隐藏能力。然而,在此文中,秘密信息的对象相对单一,局限于一些常规的汉语句子。没有明确的句子结构,它无法隐藏汉语句子。此外,此文的隐藏容量相对较低,为每载波80位。
2019年,Zhou等人设计了一个新的鲁棒的图像无载体隐写系统,使用快速区域卷积神经网络(Faster-RCNN)。使用Faster-RCNN来检测和定位图像中的对象,并利用这些对象的标签来表达秘密信息。由于该方法使用未经任何修改的原始图像作为隐写图像,因此可以有效地抵抗隐写分析,不会引起攻击者的怀疑。
大多数基于图像选择的CIS只关注容量和鲁棒性,而忽略了CID的成功构建。事实上,构建相应的CID对于上述CIS方法是一个具有挑战性的问题。在这种方法的映射过程中,图像特征和秘密消息的长度被限制为相等。因此,不同的秘密消息和图像特征序列的数量是相同的。为了隐藏所有秘密消息,构造的CID需要包含所有特征序列。因此导致很难构建一个包含所有相应的图像特征的CID,特别是当秘密消息的长度是很大时。例如,当秘密消息的长度为32时,构造的CID所包含的不同图像特征的数量必须为232,这在实际应用中是非常困难的。即使在某些情况下,它们也无法隐藏16位秘密消息,因为没有足够的图像来索引和用于构建CID。此外,由于伪装图像的应用,需要从发送方到接收方共享CID。这加剧了发送方和接收方之间的通信压力,并且可能带来传输期间CID泄漏的潜在风险,从而影响隐蔽通信的安全性。
为了降低CID构造的难度,亟需一种新的隐写算法以解决上述现有技术存在的问题。
本文提出了一种基于高效无载体图像数据集构造的无载体图像隐写算法。与大多数现有的基于图像本身特征构建CIS的方法不同,本文提出的方法在图像本身特征的基础上再进行重新归属,建立新的映射规则,在保证不同特征的基础上能够包含所需要的特征数量。具体而言,采用Faster-RCNN来获取图像中的高级语义特征。然后,将图片本身的高级语义特征通过本文设计的归属信息重新分配的映射规则,这使得更容易构建全覆盖的CID。
发明内容
本申请各示例性实施例提供一种使用重建信息归属的无载体图像隐写方法、存储介质及电子装置,以至少实现在图像本身特征的基础上再进行重新归属,建立新的映射规则,在保证不同特征的基础上能够包含所需要的特征数量,将图片本身的高级语义特征通过本文设计的归属信息重新分配的映射规则,更易构建全覆盖的CID的技术效果。
本申请各示例性实施例提供一种使用重建信息归属的无载体图像隐写方法,包括如下步骤:
对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;
确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息;
将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;
所述接受方接收到所述含秘图片,在双方拥有共享相同的整套算法、识别模型以及图片数据集来源,所述识别模型训练得出的标签映射字典Mt、以及关键字映射字典Mk相同,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。
在本申请的另一个方面,还提出了一种计算机可读的存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
在本申请的另一个方面,还提出了一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行上述任一项方法实施例中的步骤。
本申请具有如下有益效果:为了降低CID构造的难度,本文提出了一种基于高效无载体图像数据集构造的无载体图像隐写算法。与大多数现有的基于图像本身特征构建CIS的方法不同,本文提出的方法在图像本身特征的基础上再进行重新归属,建立新的映射规则,在保证不同特征的基础上能够包含所需要的特征数量。具体而言,采用Faster-RCNN来获取图像中的高级语义特征。然后,将图片本身的高级语义特征通过本文设计的归属信息重新分配的映射规则,这使得更容易构建全覆盖的CID。利用散列表对图片归属属性建立映射关系的无载体隐写方法。不论哪一张图片,都拥有归属信息。再根据对应的路径建立映射字典M,在传递秘密信息时,对于接收者而言,需要提前知道各层的算法以及空间值Q,将图片信息重新归属,之后可以自行建立映射字典M,再将载体放入第一级算法中,依次往下级算法递增,根据其判定路径解码秘密信息。此方法首先可以提高载体图片的容量,其次对于在载体库中寻找目标载体花费的时间也得益于多级判别得到减少,另外对载体的要求并不在于载体本身,而是在于散列表中的算法,因此对载体并没有特定要求,也有利于CID的构建。
附图说明
此处所说明的附图用来提供对本申请的进一步理解,构成本申请的一部分,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1为本申请的整体流程示意图;
图2为本申请一实施例中图片归属重建算法的结构示意图;
图3为本申请一实施例中秘密信息的嵌入与提取流程图;
图4是根据本申请实施例的一种可选的电子装置结构示意图。
具体实施方式
下面将结合本申请较佳实施例中的附图,对本申请实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本申请的一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其它实施例,都属于本申请保护的范围。
如图1和图2所示,一种使用重建信息归属的无载体图像隐写方法,包括如下步骤:
S1,对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;
S2,确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息;
S3,将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;
S4,所述接受方接收到所述含秘图片,在双方拥有共享相同的整套算法、识别模型以及图片数据集来源,所述识别模型训练得出的标签映射字典Mt、以及关键字映射字典Mk相同,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。
需要说明的是,所述识别模型为Faster-RCNN模型,本实施例主要采用Faster-Rcnn用作高级语义特征提取,
对每个目标进行语义标签转换之后作为其关键字Ki。由此可以有效地对图片内容进行保护,即使是经过Jpeg转换,或者是亮度或者是大小的调整,也会具有不错的鲁棒性。
再在此基础上提出一种基于重建信息归属的映射方法,其中先确定等级层数和如何分配等方法,再将本来的图片重新赋予新的特征,可以充足的构建合适的CID。
最后通过CID将秘密信息嵌入载体内,以及对应的提取方法,具体方案如下。
可选的实施方式中,如图3所示,所述步骤S1中对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K的步骤包括:
S1.1,识别第一张图中目标Oi,得到所有图片内的目标Oi,并根据Oi大小来进行判定,设定阈值Z。有:
O→O1,O2,O3……Oi
S1.2,由此每一张图片的主要目标被确定,通过的目标Oi都拥有一个标签,通过标签列表Tab获得每一个Oi的原生特征Bi,将所有的原生特征Bi由大到小进行连接,得到每张图片的原生特征Ki;
Ki=B1+B2+…+…+Bi,其中‘+’表示拼接;
S1.3,重置Oi与Bi,重复上述步骤得到整图片的原生特征集合K。
可选的实施方式中,所述步骤S2中,确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息的步骤包括:
S2.1,确定每一级的算法函数H,因为一张图片的原生特征值Ki是确定的,为完全表达不规律的字节码,对每一级的哈希函数H选择不同的参数,使得每一张图的关键字Ki经过运算之后散布所有空间中;
S2.2,设定分配函数:
HN(Ki)=(Ki*N)%Number(QN)+HN-1(Ki) N≥1
其中N代表当前层级,Number()取空间大小,K0与H0为空,首先将初始关键字Ki代入H1()中得到H1(Ki),之后对Ki进行重新设定,有:
Ki=Ki-1+N*HN(K) N≥1
将HN(Ki)的二进制形式记为bN,bN的位数与当前级中空间的数量相等;再经过HN()的循环之后,该图片将会放在最后的空间Q中;根据其值bN可以得出该图片所代表的秘密信息Bimg:
Bimg=b1+b2+b3+…+…+bN
其中,整套算法、Faster-RCNN模型以及图片数据集来源在安全的环境下发送方与接收方共享。
可选的实施方式中,所述步骤S3中,所述将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方的步骤包括:
S3.1,若秘密信息Msg为文字信息,转换为二进制的字节码,前后连接得到二进制密信BMsg;
S3.2,为了完整的表达BMsg,对BMsg的长度需要满足为空间长度的整数倍,在BMsg的末尾补0
S3.3,将信息BMsg划分为等长度的字节码MSGi:
BMsg→MSG1,MSG2,MSG3……MSGi
S3.4,对每一个信息MSGi进行处理,取前位字节码作为选择第一层的路径,即每一段length(Q)长的字节码为每一级算法的分支序号,其序号也可理解为每一级的函数值HN(Ki)的二进制形式bN:
Bi=b1+b2+…+bN,
S3.5,经过N次选择之后可以得到最后空间内的一张图片Imgste,该图片即为需要表达的信息;
S3.6,将Imgste传送给接收方。
需要说明的是,步骤S4所述最后通过CID将秘密信息嵌入载体内,以及对应的提取方法的步骤为:
S4.1,关键字映射字典Mk也应相同的前提下,将Imgste代入模型中,得到其关键字Kste,将其关键字代入散列表的算法中,Kste作为初始值K1:
K1=Kste
HN(Ki)=(Ki*N)%Number(QN)+HN-1(Ki) N≥1
关键字KN为:
KN=KN-1+N*HN(K) N≥1
S4.2,将HN(KN)的二进制形式记为bN;
S4.3,将得到的bN拼接起来,有密信Bste:
Bste=b1+b2+…+bN,
S4.4,根据单位信息长度,对于整个Bste做补0处理,得到完整密信Msg。
需要说明的是,不同的图片拥有不同的结果,达到每一张图片可以代表不同信息的作用。其中F()主要为Faster-RCNN模型部分,目的是提取出图片的内容特征,并将其作为散列表的关键字输入。由于哈希算法对关键字的高要求性,所以即使图片受到一个字节的变化其哈希值也会有很大的变化,因此在采用网络模型提取图片的内容特征之后,图片即使受到一系列操作,最后也能清楚的表达秘密信息。另一个函数H()的主要作用有两个:
一是提高秘密信息嵌入和解码的速度,每一张图都只能表达一个一段字节码,所以其容量其实本质在于载体库Dimg的大小,当其越大时,容量拥有更高的上限,但是在载体库中寻找到自己需要的目标图片时会花费大量的时间,但是当使用H()时,寻找自己需要的目标图片时花费的时间将会大量的减少;
二是对于提高图片的容量有很大作用,虽然大容量的本质是载体库Dimg的大小,但是如何使得库内的图片发挥最大的效率就需要靠H()的作用,H()可以尽量的使容量接近载体库的上限。除此之外,整个函数的空间需求量也是比较小的,通信双方只需要保证整套算法、Faster-RCNN模型以及图片数据集来源相同即可,对内存的占有比较低,适用于一些轻量级的终端。
以下以本申请一个具体实施例进行举例说明。
使用Faster-Rcnn对图片预处理
首先使用Faster-RCNN基于语义特征检测数据集中的所有图像,并通过检测到的标签列表Tab获得其Ki值。具体过程如下:
识别第一张图中目标Oi,一张图片中不一定只有一个物体,因此得到所有图片内的目标Oi。但是并非每一个目标都是满足条件的,例如在图片中尺寸非常小的物体,其在图片的转播中很容易受到变形,对于后期的识别也有很大困难。因此根据Oi大小来进行判定,设定阈值Z。有:
O→O1,O2,O3……Oi
由此每一张图片的主要目标被确定,通过的目标Oi都拥有一个标签,通过标签列表Tab。获得每一个Oi的原生特征,例如00……01代表第一个标签apple。由此可得到每一个Oi的原生特征Bi,将所有的原生特征由大到小进行连接,可得到第一张图片的原生特征K1。
K1=B1+B2+…+…+Bi(其中‘+’表示拼接)
重置Oi与Bi,重复上述步骤得到整图片的原生特征集合K。
图片归属重建算法
确定第N层算法HN,其中设定为N层,每一层拥有空间大小QN。主要过程为将图片关键字Ki从第一层代入算法H1(),得到H1(Ki)。再依次代入下一层,则其最后值为HN(K),根据每张图片所走过的路径作为其所承载的秘密信息,如图2。
1.首先需要确定每一级的算法函数H()。因为一张图片的的关键字Ki是确定的,所以若经过同一个H()其得到的值是固定的,这样会导致最后有大量的空间没有得到应用。例如每一张图片其所承载的秘密信息都将会是某一段字节的重复,如111……1,1011……1011等,而不规律的字节码将很难得到表达。所以对每一级的哈希函数H()尽量选择不同的参数,使得每一张图的关键字Ki经过运算之后散布所有空间中;
2.设定分配函数:
HN(Ki)=(Ki*N)%Number(QN)+HN-1(Ki) N≥1
其中N代表当前层级,Number()取空间大小,K0与H0为空。首先将初始关键字Ki代入H1()中得到H1(Ki),之后对Ki进行重新设定,有:
Ki=Ki-1+N*HN(K) N≥1
将HN(Ki)的二进制形式记为bN,bN的位数与当前级中空间的数量相等。
再经过HN()的循环之后,该图片将会放在最后的空间Q中。根据其值bN可以得出该图片所代表的秘密信息Bimg:
Bimg=b1+b2+b3+…+…+bN
3.整套算法、Faster-RCNN模型以及图片数据集来源在安全的环境下双方共享。
秘密信息嵌入在本文的方法中,主要过程如下:
1.若秘密信息Message(记Msg)为文字信息,可以根据ASCLL表转换为二进制的字节码。例如‘a’的码值为97,则它的二进制码值为01100001。其他类型的密信全都如此,第一步为转化为字节码形式。前后连接得到二进制密信BMsg;
2.为了完整的表达BMsg,对BMsg的长度需要满足为空间长度的整数倍,在BMsg的末尾补0
将信息BMsg划分为等长度的字节码MSGi:
BMsg→MSG1,MSG2,MSG3……MSGi
3.对每一个信息MSGi进行处理,由上述长度公式可知MSGi与散列表整个空间长度相等。取前位字节码作为选择第一层的路径,即每一段length(Q)长的字节码为每一级算法的分支序号。其序号也可理解为每一级的函数值HN(Ki)的二进制形式bN:
Bi=b1+b2+…+bN
4.经过N次选择之后可以得到最后空间内的一张图片Imgste,该图片即为需要表达的信息。该方法相比较于传统的搜寻算法,可以有效地减少寻找目标图片花费的时间,因为密信Bi即图片的多叉树TH内的地址,根据地址寻找目标载体,其时间花费会很少;
5.将Imgste传送给接收方、由于图片并未受到改变,因此其足够隐蔽。
秘密信息提取
一般来说秘密信息提取是隐写的反向过程,但是本文的提取过程是从另外的角度提取的,具体如下:
1.收到Imgste,由于双方拥有相同的整套算法、Faster-RCNN模型以及图片数据集来源,因此其Faster-RCNN模型训练得出的标签映射字典Mt也是相同的。同理,关键字映射字典Mk也应相同;
2.将Imgste代入模型中,得到其关键字Kste,将其关键字代入散列表的算法中。Kste作为初始值K1:
K1=Kste
HN(Ki)=(Ki*N)%Number(QN)+NH-1(Ki) N≥1
关键字KN为:
KN=KN-1+N*HN(K) N≥1
将HN(KN)的二进制形式记为bN;
3.将得到的bN拼接起来,有密信Bste:
Bste=b1+b2+…+bN
4.对于整个Bste,其末尾并不清楚是否补充了0。根据ASCLL码表,每个单位的信息为8位。数量Number(‘补充的0’):
Number(‘补充的0’)=length(Bste)%8
多余的0位信息不予处理,得到完整密信Msg。
根据本申请实施例的又一个方面,还提供了一种使用重建信息归属的无载体图像隐写方法的电子装置,上述电子装置可以但不限于应用于服务器中。如图4所示,该电子装置包括存储器402和处理器404,该存储器402中存储有计算机程序,该处理器404被设置为通过计算机程序执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述电子装置可以位于计算机网络的多个网络设备中的至少一个网络设备。
可选地,在本实施例中,上述处理器可以被设置为通过计算机程序执行以下步骤:
S1,对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;
S2,确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息;
S3,将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;
S4,所述接受方接收到所述含秘图片,在双方拥有共享相同的整套算法、识别模型以及图片数据集来源,所述识别模型训练得出的标签映射字典Mt、以及关键字映射字典Mk相同,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。
可选地,本领域普通技术人员可以理解,图4所示的结构仅为示意,电子装置也可以是移动互联网设备(Mobile Internet Devices,MID)、PAD等终端设备。图4其并不对上述电子装置的结构造成限定。例如,电子装置还可包括比图4中所示更多或者更少的组件(如网络接口等),或者具有与图4所示不同的配置。
其中,存储器402可包括高速随机存储器,还可以包括非易失性存储器,如一个或者多个磁性存储装置、闪存、或者其他非易失性固态存储器。在一些实例中,存储器402可进一步包括相对于处理器504远程设置的存储器,这些远程存储器可以通过网络连接至终端。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。作为一种示例,如图4所示,上述存储器402中可以但不限于包括储存模块以及报警模块等,本示例中不再赘述。
可选地,上述的传输装置406用于经由一个网络接收或者发送数据。上述的网络具体实例可包括有线网络及无线网络。在一个实例中,传输装置406包括一个网络适配器(Network Interface Controller,NIC),其可通过网线与其他网络设备与路由器相连从而可与互联网或局域网进行通讯。在一个实例中,传输装置406为射频(Radio Frequency,RF)模块,其用于通过无线方式与互联网进行通讯。
此外,上述电子装置还包括:显示器408,用于显示当前仿真结果;和连接总线410,用于连接上述电子装置中的各个模块部件。
本申请的实施例还提供了一种计算机可读的存储介质,该存储介质中存储有计算机程序,其中,该计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。
可选地,在本实施例中,上述存储介质可以被设置为存储用于执行以下步骤的计算机程序:
S1,对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;
S2,确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息;
S3,将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;
S4,所述接受方接收到所述含秘图片,在双方拥有共享相同的整套算法、识别模型以及图片数据集来源,所述识别模型训练得出的标签映射字典Mt、以及关键字映射字典Mk相同,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。
可选地,存储介质还被设置为存储用于执行上述实施例中的方法中所包括的步骤的计算机程序,本实施例中对此不再赘述。
可选地,在本实施例中,本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令终端设备相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:闪存盘、只读存储器(Read-OnlyMemory,ROM)、随机存取器(Random Access Memory,RAM)、磁盘或光盘等。
上述本申请实施例序号仅仅为了描述,不代表实施例的优劣。
上述实施例中的集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在上述计算机可读取的存储介质中。基于这样的理解,本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在存储介质中,包括若干指令用以使得一台或多台计算机设备(可为个人计算机、服务器或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。
在本申请的上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述的部分,可以参见其他实施例的相关描述。
在本申请所提供的几个实施例中,应该理解到,所揭露的客户端,可通过其它的方式实现。其中,以上所描述的装置实施例仅仅是示意性的,例如所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,单元或模块的间接耦合或通信连接,可以是电性或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本申请各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。
以上所述仅是本申请的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本申请原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本申请的保护范围
尽管已描述了本申请的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可根据这些实施例子做出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例及落入本申请范围的所有变更和修改。
最后应说明的是:以上实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例的技术方案的精神和范围。
Claims (8)
1.一种使用重建信息归属的无载体图像隐写方法,其特征在于,包括如下步骤:
对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K;
确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息;
将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方;
所述接受方接收到所述含秘图片,在双方拥有共享相同的整套算法、识别模型以及图片数据集来源,所述识别模型训练得出的标签映射字典Mt、以及关键字映射字典Mk相同,将所述含秘图片代入所述识别模型进行所述秘密信息的提取。
2.如权利要求1所述的使用重建信息归属的无载体图像隐写方法,其特征在于,所述对目标图片进行预处理,采用识别算法基于语义特征检测数据集中的所有图像,通过检测到的标签列表逐一获得其原生特征值Ki,并形成所述目标图片的原生特征集合K的步骤包括:
识别第一张图中目标Oi,得到所有图片内的目标Oi,并根据Oi大小来进行判定,设定阈值Z。有:
O→O1,O2,O3……Oi
由此每一张图片的主要目标被确定,通过的目标Oi都拥有一个标签,通过标签列表Tab获得每一个Oi的原生特征Bi,将所有的原生特征Bi由大到小进行连接,得到每张图片的原生特征Ki;
Ki=B1+B2+…+…+Bi,其中‘+’表示拼接;
重置Oi与Bi,重复上述步骤得到整图片的原生特征集合K。
3.如权利要求2所述的使用重建信息归属的无载体图像隐写方法,其特征在于,所述确定所述目标图片的归属重建算法,确定第N层算法HN,设定为N层,每一层拥有空间大小QN,将所述目标图片的原生特征值Ki从第一层代入算法H1,得到H1(Ki);再依次代入下一层,则其最后值为HN(K),根据每张所述目标图片所走过的路径作为其所承载的秘密信息的步骤包括:
确定每一级的算法函数H,因为一张图片的原生特征值Ki是确定的,为表达不规律的字节码,对每一级的哈希函数H选择不同的参数,使得每一张图的关键字Ki经过运算之后散布所有空间中;
设定分配函数:
HN(Ki)=(Ki*N)%Number(QN)+HN-1(Ki)N≥1
其中N代表当前层级,Number()取空间大小,K0与H0为空,首先将初始关键字Ki代入H1()中得到H1(Ki),之后对Ki进行重新设定,有:
Ki=Ki-1+N*HN(K)N≥1
将HN(Ki)的二进制形式记为bN,bN的位数与当前级中空间的数量相等;再经过HN()的循环之后,该图片将会放在最后的空间Q中;根据其值bN可以得出该图片所代表的秘密信息Bimg:
Bimg=b1+b2+b3+…+…+bN
其中,整套算法、Faster-RCNN模型以及图片数据集来源在安全的环境下发送方与接收方共享。
4.如权利要求3所述的使用重建信息归属的无载体图像隐写方法,其特征在于,所述将所述秘密信息嵌入所述目标图片,得到含秘图片,并传送给接收方的步骤包括:
若秘密信息Msg为文字信息,转换为二进制的字节码,前后连接得到二进制密信BMsg;
为了完整的表达BMsg,对BMsg的长度需要满足为空间长度的整数倍,在BMsg的末尾补0
将信息BMsg划分为等长度的字节码MSGi:
BMsg→MSG1,MSG2,MSG3……MSGi
对每一个信息MSGi进行处理,取前位字节码作为选择第一层的路径,即每一段length(Q)长的字节码为每一级算法的分支序号,其序号也可理解为每一级的函数值HN(Ki)的二进制形式bN:
Bi=b1+b2+…+bN,
经过N次选择之后可以得到最后空间内的一张图片Imgste,该图片即为需要表达的信息;
将Imgste传送给接收方。
5.如权利要求4所述的使用重建信息归属的无载体图像隐写方法,其特征在于,所述最后通过CID将秘密信息嵌入载体内,以及对应的提取方法的步骤为:
关键字映射字典Mk也应相同的前提下,将Imgste代入模型中,得到其关键字Kste,将其关键字代入散列表的算法中,Kste作为初始值K1:
K1=Kste
HN(Ki)=(Ki*N)%Number(QN)+HN-1(Ki)N≥1
关键字KN为:
KN=KN-1+N*HN(K)N≥1
将HN(KN)的二进制形式记为bN;
将得到的bN拼接起来,有密信Bste:
Bste=b1+b2+…+bN,
根据单位信息长度,对于整个Bste做补0处理,得到完整密信Msg。
6.如权利要求1所述的使用重建信息归属的无载体图像隐写方法,其特征在于,所述识别模型为Faster-RCNN模型。
7.一种计算机可读的存储介质,其特征在于,所述存储介质中存储有计算机程序,其中,所述计算机程序被设置为运行时执行所述权利要求1至6任一项中所述的方法。
8.一种电子装置,包括存储器和处理器,其特征在于,所述存储器中存储有计算机程序,所述处理器被设置为运行所述计算机程序以执行所述权利要求1至6任一项中所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311855021.7A CN117808656A (zh) | 2023-12-29 | 2023-12-29 | 使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311855021.7A CN117808656A (zh) | 2023-12-29 | 2023-12-29 | 使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117808656A true CN117808656A (zh) | 2024-04-02 |
Family
ID=90431683
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311855021.7A Pending CN117808656A (zh) | 2023-12-29 | 2023-12-29 | 使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117808656A (zh) |
-
2023
- 2023-12-29 CN CN202311855021.7A patent/CN117808656A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zou et al. | A novel coverless information hiding method based on the average pixel value of the sub-images | |
CN105426709B (zh) | 基于jpeg图像信息隐藏的私密信息通信方法与系统 | |
Balaji et al. | Secure data transmission using video Steganography | |
Zhang et al. | A brief survey on deep learning based data hiding | |
CN112153422B (zh) | 视频融合方法和设备 | |
Liu et al. | Adaptive steganography based on block complexity and matrix embedding | |
Li et al. | Improved reversible data hiding for encrypted images using full embedding strategy | |
Zhang et al. | Generative reversible data hiding by image‐to‐image translation via GANs | |
Benedict | Improved file security system using multiple image steganography | |
CN112615974A (zh) | 一种基于深度判别器的无载体隐蔽通信方法及系统 | |
Yeh et al. | Reversible video data hiding using neighbouring similarity | |
CN114419527B (zh) | 一种数据处理方法、设备以及计算机可读存储介质 | |
Gao et al. | High-performance reversible data hiding in encrypted images with adaptive Huffman code | |
Wani et al. | Deep learning based image steganography: A review | |
Malik et al. | A high capacity text steganography scheme based on huffman compression and color coding | |
CN106937127B (zh) | 一种智能搜索准备的显示方法及其系统 | |
CN117640069A (zh) | 基于马尔可夫链的多方区块链隐蔽通信生成模型 | |
Kanzariya et al. | Coverless information hiding: a review | |
Wei et al. | A novel quantum steganography protocol based on probability measurements | |
Yu et al. | A Novel Three‐Layer QR Code Based on Secret Sharing Scheme and Liner Code | |
CN117808656A (zh) | 使用重建信息归属的无载体图像隐写方法、存储介质及电子装置 | |
Li et al. | Side channel steganalysis: when behavior is considered in steganographer detection | |
Kuo et al. | Secure multi-group data hiding based on gemd map | |
Huang et al. | Visual cryptography for compressed sensing of images with transmission over multiple channels | |
CN112329599A (zh) | 数字签名识别方法、装置、电子设备及存储介质 |
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 |