CN117876273A - 一种基于可逆生成对抗网络的鲁棒图像处理方法 - Google Patents
一种基于可逆生成对抗网络的鲁棒图像处理方法 Download PDFInfo
- Publication number
- CN117876273A CN117876273A CN202410272279.2A CN202410272279A CN117876273A CN 117876273 A CN117876273 A CN 117876273A CN 202410272279 A CN202410272279 A CN 202410272279A CN 117876273 A CN117876273 A CN 117876273A
- Authority
- CN
- China
- Prior art keywords
- image
- steganographic
- feature
- module
- network
- 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.)
- Granted
Links
- 230000002441 reversible effect Effects 0.000 title claims abstract description 18
- 238000003672 processing method Methods 0.000 title claims abstract description 13
- 238000012549 training Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims description 39
- 238000010586 diagram Methods 0.000 claims description 22
- 230000004913 activation Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 13
- 238000010606 normalization Methods 0.000 claims description 9
- 230000007246 mechanism Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 4
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 238000011176 pooling Methods 0.000 claims description 3
- 241001591024 Samea Species 0.000 claims 1
- 238000011084 recovery Methods 0.000 abstract description 7
- 230000006835 compression Effects 0.000 abstract description 3
- 238000007906 compression Methods 0.000 abstract description 3
- 230000006870 function Effects 0.000 description 18
- 230000008569 process Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 230000001747 exhibiting effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/10—Image enhancement or restoration using non-spatial domain filtering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20048—Transform domain processing
- G06T2207/20064—Wavelet transform [DWT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于可逆生成对抗网络的鲁棒图像处理方法，使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R；将待嵌入的秘密图像和载体图像输入到训练完成的编码网络E中，得到隐写图像；将隐写图像和辅助变量z输入到训练完成的解码网络R中，提取出恢复后秘密图像。本发明在保持恢复率和不可见性的同时，有效地增强了鲁棒性。在面对泊松噪声、高斯噪声和JPEG压缩时，更好地保持图像质量和信息完整性。
Description
技术领域
本发明涉及一种基于可逆生成对抗网络的鲁棒图像处理方法，属于图像隐写技术领域。
背景技术
图像隐藏的主要任务是在载体图像中嵌入秘密图像以生成隐写图像，该隐写图像仅允许指定的接收者恢复秘密图像，同时使其对于其他人是不可见的。出于安全原因，通常要求载体图像和隐写图像之间没有显著差异。图像隐藏有着广泛的应用，其中秘密通信和隐私保护是最重要的。
图像隐藏技术可以嵌入数字水印，用于识别图像的原始所有者或授权使用，这对于保护知识产权和防止盗版具有重要意义；在医学图像中，隐藏技术可以用于嵌入患者的个人信息、研究数据或其他重要信息，同时保持图像的完整性；图像隐藏也可以用于增强身份认证系统的安全性，通过将隐藏的信息嵌入到生物特征图像中，可以提高生物特征识别系统的防伪能力。与图像加密不同，图像隐藏在隐藏过程中充分利用了秘密图像和载体图像的信息，以不可见的形式将秘密图像嵌入可见的载体图像中，这使得图像隐藏更适合于秘密通信。
最近提出的可逆图像隐藏网络HiNet在恢复准确性、隐藏安全性和不可见性方面实现了最先进的性能。HiNet的新颖之处在于，在同一个可逆网络架构中，图像恢复过程与图像隐藏过程相反。这意味着网络只需要训练一次，就可以获得用于隐藏和恢复的所有网络参数。但是在目前的图像隐藏网络中，往往都只要求网络具有大容量和不可见性，而不是鲁棒性，并且在图像传输过程中噪声对载体图像的影响往往被忽视。因此，这些载体通常对干扰和失真非常敏感，很难完全恢复嵌入载体图像中的秘密图像。即使网络专门针对预定义的噪声进行了调整，重建质量和泛化能力仍然有限。并且由于它们所依赖的固有的可逆双射变换特性，很难完全恢复嵌入载体图像中的秘密图像，因此需要进一步改进。
发明内容
目的：为了克服现有技术中存在的不足，本发明提供一种基于可逆生成对抗网络的鲁棒图像处理方法。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种基于可逆生成对抗网络的鲁棒图像隐藏方法，包括以下步骤：
使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R。
将待嵌入的秘密图像和载体图像输入到训练完成的编码网络E中，得到隐写图像。
作为优选方案，还包括：将隐写图像和辅助变量z输入到训练完成的解码网络R中，提取出恢复后秘密图像。
作为优选方案，所述使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R，具体包括：
步骤3-1：真实图像数据集中随机选取2n幅真实图像，将其中n副图像作为载体图像，另n副图像作为秘密图像，并将每幅图像中的每个像素进行归一化处理，使每幅图像中每个像素的像素值均归一化到[-1,+1]，得到归一化后的载体图像和秘密图像；其中，n为正整数。
步骤3-2：将n个归一化后的载体图像以及n个归一化后的秘密图像利用离散小波变换分解为载体图像的特征图与秘密图像的特征图。
步骤3-3、输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图以及丢失信息r的特征图，将n幅隐写图像的特征图以及丢失信息r的特征图进行离散小波逆变换得到n幅隐写图像和丢失信息r，计算编码网络E中的损失函数L con 以及低频小波损失函数L freq 。
步骤3-4、将n幅隐写图像与n幅归一化后的载体图像输入到初始化的判别网络D中，得到判别网络D的输出，根据判别网络D的输出计算判别网络D中的损失函数L dis ，利用损失函数L dis 更新判别网络D中的参数。
步骤3-5、将n幅隐写图像输入到噪声层N中，得到n副加噪隐写图像。
步骤3-6、将n幅加噪隐写图像和辅助变量z进行离散小波变换得到加噪隐写图像的特征图以及辅助变量z的特征图，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，将恢复后的秘密图像的特征图和恢复后的载体图像的特征图进行离散小波逆变换，得到恢复后的秘密图像和恢复后的载体图像。
步骤3-7、计算网络总损失函数L，并根据网络的总损失函数L更新初始化的编码网络E和解码网络R中的参数；总损失函数L的计算公式为：，/>表示损失函数L con 的超参数，/>表示损失函数L rev 的超参数，/>表示低频小波损失函数L freq 的超参数，/>表示损失函数L dis 的超参数。
步骤3-8、任意从真实图像数据集中随机选取2n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-7中方法对更新后的编码网络E、判别网络D及解码网络R进行训练，直到完成所有批次的样本训练，最终得到训练完成的编码网络E、判别网络D及解码网络R。
作为优选方案，损失函数L con ，计算公式为：
；
低频小波损失函数L freq ，计算公式为：
；
其中，表示二范数运算，/>为载体图像的特征图，/>为编码网络E输出的隐写图像的特征图，/>为载体图像的特征图的低频小波子带，/>为隐写图像的特征图的低频小波子带。
作为优选方案，损失函数L dis ，计算公式为：
；
其中，为归一化后的载体图像，/>为隐写图像；/>为判别网络D的输出。
作为优选方案，损失函数L rev ，计算公式如下：
；
其中，表示二范数运算，/>为秘密图像的特征图，/>为恢复后的秘密图像的特征图。
作为优选方案，输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图，具体包括：
在第一个隐藏块中，将秘密图像的特征图S(0)输入到块，得到第一秘密特征图像S(1)。
将载体图像的特征图C(0)与第一秘密特征图像S(1)进行相加操作，得到第一隐写特征图像C’(1)。
将第一隐写特征图像C’(1)分别输入到和/>块，得到第二隐写特征图像C’(2)和第三隐写特征图像C’(3)。
将第二隐写特征图像C’(2)进行exp操作并与秘密图像的特征图S(0)进行相乘，再与第三隐写特征图像C’(3)进行相加，得到第四隐写特征图像C’(4)。exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数。
将第一隐写特征图像C’(1)与第四隐写特征图像C’(4)作为第一个隐藏块的输出，并输入到第二隐藏块中。
在第二隐藏块中，将第一隐写特征图像C’(1)作为载体图像C1(0)，第四隐写特征图像C’(4)作为秘密图像S1(0)。
将秘密图像S1(0)输入到块，得到第一秘密特征图像S1(1)。
将载体图像C1(0)与第一秘密特征图像S1(1)进行相加操作，得到第一隐写特征图像C1’(1)。
将第一隐写特征图像C1’(1)分别输入到和/>块，得到第二隐写特征图像C1’(2)和第三隐写特征图像C1’(3)。
将第二隐写特征图像C1’(2)进行exp操作并与秘密图像S1(0)进行相乘，再与第三隐写特征图像C1’(3)进行相加，得到第四隐写特征图像C1’(4)。
将第一隐写特征图像C1’(1)与第四隐写特征图像C1’(4)作为第二个隐藏块的输出，并输入到第三隐藏块中。
重复上述操作，直到输入第m个隐藏块结束，得到第一隐写特征图像Cm-1’(1)与第四隐写特征图像Cm-1’(4)，将第一隐写特征图像Cm-1’(1)作为隐写图像的特征图，第四隐写特征图像Cm-1’(4)作为丢失信息r的特征图。
作为优选方案，所述编码网络E包括m个依次相连的隐藏块，每个隐藏块包括：块、/>块和/>块。
所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与第五卷积层输入端相连接，第五卷积层输出端与求和层的另一个输入端相连接。
所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
作为优选方案，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，具体包括：
在第一个解码块中，将加噪隐写图像的特征图C’(0)分别输入到块和块，分别得到第一隐写特征图像C’(1)和第二隐写特征图像C’(2)。
将辅助变量z的特征图z(0)与第一隐写特征图像C’(1)相减并除以经过exp操作后的第二隐写特征图像C’(2)，得到第一辅助变量特征图像z(1)；exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数。
将第一辅助变量特征图像z(1)输入到块，得到第三隐写特征图像C’(3)。
将加噪隐写图像的特征图C’(0)与第三隐写特征图像C’(3)相减，得到第四隐写特征图像C’(4)。
将第一辅助变量特征图像z(1)与第四隐写特征图像C’(4)作为第一解码块的输出，并输入到第二解码块中。
在第二解码块中，将第一辅助变量特征图像z(1)作为辅助变量z1(0)，第四隐写特征图像C’(4)作为隐写图像C1’(0)。
将隐写图像C1’(0)分别输入到块和/>块，分别得到第一隐写特征图像C1’(1)和第二隐写特征图像C1’(2)。
将辅助变量z1(0)与第一隐写特征图像C1’(1)相减并除以经过exp操作后的第二隐写特征图像C1’(2)，得到第一辅助变量特征图像z1(1)。
将第一辅助变量特征图像z1(1)输入到块，得到第三隐写特征图像C1’(3)。
将隐写图像C1’(0)与第三隐写特征图像C1’(3)相减，得到第四隐写特征图像C1’(4)。
将第一辅助变量特征图像z1(1)与第四隐写特征图像C1’(4)作为第二解码块的输出，并输入到第三解码块中。
重复上述操作，直到输入第m个解码块结束，得到第一辅助变量特征图像zm-1(1)与第四隐写特征图像Cm-1’(4)，将第四隐写特征图像Cm-1’(4)作为恢复后的秘密图像的特征图，将第一辅助变量特征图像zm-1(1)作为恢复后的载体图像的特征图。
作为优选方案，所述解码网络R包括m个依次相连的解码块，每个解码块包括：每个解码块包括：块、/>块和/>块；
所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与卷积层输入端相连接，卷积层输出端与求和层的另一个输入端相连接。
所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
作为优选方案，所述判别网络D，具体包括：依次连接的第一卷积层、第一归一化层、第一激活层、第一辨别模块、第二辨别模块、第三辨别模块，平均池化层以及全连接层。
所述第一辨别模块、第二辨别模块以及第三辨别模块结构相同，具体包括：依次连接的第二卷积层、第二归一化层、第二激活层、第三卷积层、第三归一化层以及第三激活层。
有益效果：本发明提供的一种基于可逆生成对抗网络的鲁棒图像处理方法，在保持恢复率和不可见性的同时，有效地增强了鲁棒性。在面对泊松噪声、高斯噪声和JPEG压缩时，该方法能够更好地保持图像质量和信息完整性，从而使其更适用于实际应用场景。同时，在进行图像处理时，它能够有效地隐藏信息，同时保持图像的原始特性。
附图说明
图1为本发明实施例提供的图像隐写模型的结构示意图。
图2为注意力残差稠密块SERDB的结构示意图。
图3为第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构示意图。
图4为判别网络D的结构示意图。
图5为第一辨别模块、第二辨别模块以及第三辨别模块的结构示意图。
图6为载体图像和隐写图像之间的差异图像示意图。
图7为不同模型的编码图像和隐写图像及其差异图像示意图。
图8为具有不同JPEG噪声QF强度下的秘密图像与恢复的图像之间的PSNR曲线示意图。
具体实施方式
下面结合本发明实例中的附图，对本发明实例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明的实施例，本领域技术人员在没有做创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
下面结合具体实施例对本发明作更进一步的说明。
实施例1：
本实施例介绍一种基于可逆生成对抗网络的鲁棒图像隐藏方法，包括以下步骤：
步骤1、构建数据集，并将数据集中的每幅图像均裁剪成i*j大小的图像，之后将裁剪完成的数据集组成真实图像数据集；其中，i和j均为正整数；为了方便后续图像的处理，优选的，每幅真实图像的大小i和j的数值相等，当然，也可以不相等，本实施例中，i = j =224。
步骤2、构建编码网络E、判别网络D、噪声层N、解码网络R；其中，编码网络E与解码网络R结构相同，信息流传输方向相反，共用相同的网络参数，并初始化编码网络E、判别网络D和解码网络R中的参数为预设值。
步骤3、使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R。具体包括：
步骤3-1：真实图像数据集中随机选取2n幅真实图像，将其中n副图像作为载体图像，另n副图像作为秘密图像，并将每幅图像中的每个像素进行归一化处理，使每幅图像中每个像素的像素值均归一化到[-1,+1]，得到归一化后的载体图像和秘密图像；其中，n为正整数。
步骤3-2：将n个归一化后的载体图像以及n个归一化后的秘密图像利用离散小波变换分解为载体图像的特征图与秘密图像的特征图。
其中，小波的完美重构特性有助于减少信息损失，提高图像隐藏性能。离散小波变换后，将原始大小为(B，C，H，W)的载体图像和秘密图像转换为现有大小的(B，4C，H/2，W/2)载体图像的特征图，秘密图像的特征图；
其中，B是批次大小，H是高度，W是宽度，C是通道数。
步骤3-3、输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图以及丢失信息r的特征图，将n幅隐写图像的特征图以及丢失信息r的特征图进行离散小波逆变换得到n幅隐写图像和丢失信息r，计算编码网络E中的损失函数L con 以及低频小波损失函数L freq 。
为了确保大部分信息隐藏在高频小波子带中的低频小波损失函数L freq ，计算公式为：
其中，表示二范数运算，/>为载体图像的特征图，/>为编码网络E输出的隐写图像的特征图，/>为载体图像的特征图的低频小波子带，/>为隐写图像的特征图的低频小波子带。
步骤3-4、将n幅隐写图像与n幅归一化后的载体图像输入到初始化的判别网络D中，得到判别网络D的输出，根据判别网络D的输出计算判别网络D中的损失函数L dis ，利用损失函数L dis 更新判别网络D中的参数，计算公式为：
；
其中，为归一化后的载体图像，/>为隐写图像；/>为判别网络D的输出。
步骤3-5、将n幅隐写图像输入到噪声层N中，得到n副加噪隐写图像。
步骤3-6、将n幅加噪隐写图像和通过高斯分布函数生成的辅助变量z进行离散小波变换得到加噪隐写图像的特征图以及辅助变量z的特征图，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，将恢复后的秘密图像的特征图和恢复后的载体图像的特征图进行离散小波逆变换，得到恢复后的秘密图像和恢复后的载体图像，计算解码网络R的损失函数Lrev，计算公式如下：
其中，表示二范数运算，/>为秘密图像的特征图，/>为恢复后的秘密图像的特征图。
步骤3-7、计算网络总损失函数L，并根据网络的总损失函数L更新初始化的编码网络E和解码网络R中的参数；总损失函数L的计算公式为：，表示损失函数L con 的超参数，/>表示损失函数L rev 的超参数，/>表示低频小波损失函数L freq 的超参数，/>表示损失函数L dis 的超参数；用于控制各损失函数平衡。
步骤3-8、任意从真实图像数据集中随机选取2n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-7中相同的方法对更新后的编码网络E、 判别网络D及解码网络R进行训练，直到完成所有批次的样本训练，最终得到训练完成的编码网络E、判别网络D及解码网络R。
步骤4、将待嵌入的秘密图像和载体图像输入到训练完成的编码网络E中，得到隐写图像。
步骤5、将步骤4中得到的隐写图像和通过高斯分布函数生成的辅助变量z输入到训练完成的解码网络R中，则提取出恢复后秘密图像。
进一步的，输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图，具体包括：
在第一个隐藏块中，将秘密图像的特征图S(0)输入到块，得到第一秘密特征图像S(1)。
将载体图像的特征图C(0)与第一秘密特征图像S(1)进行相加操作，得到第一隐写特征图像C’(1)。
将第一隐写特征图像C’(1)分别输入到和/>块，得到第二隐写特征图像C’(2)和第三隐写特征图像C’(3)。
将第二隐写特征图像C’(2)进行exp操作并与秘密图像的特征图S(0)进行相乘，再与第三隐写特征图像C’(3)进行相加，得到第四隐写特征图像C’(4)。exp操作表示以e为底的指数函数，exp(n)：返回e的n次方，e是常数为2.71828。
将第一隐写特征图像C’(1)与第四隐写特征图像C’(4)作为第一个隐藏块的输出，并输入到第二隐藏块中。
在第二隐藏块中，将第一隐写特征图像C’(1)作为载体图像C1(0)，第四隐写特征图像C’(4)作为秘密图像S1(0)。
将秘密图像S1(0)输入到块，得到第一秘密特征图像S1(1)。
将载体图像C1(0)与第一秘密特征图像S1(1)进行相加操作，得到第一隐写特征图像C1’(1)。
将第一隐写特征图像C1’(1)分别输入到和/>块，得到第二隐写特征图像C1’(2)和第三隐写特征图像C1’(3)。
将第二隐写特征图像C1’(2)进行exp操作并与秘密图像S1(0)进行相乘，再与第三隐写特征图像C1’(3)进行相加，得到第四隐写特征图像C1’(4)。
将第一隐写特征图像C1’(1)与第四隐写特征图像C1’(4)作为第二个隐藏块的输出，并输入到第三隐藏块中。
重复上述操作，直到输入第m个隐藏块结束，得到第一隐写特征图像Cm-1’(1)与第四隐写特征图像Cm-1’(4)，将第一隐写特征图像Cm-1’(1)作为隐写图像的特征图，第四隐写特征图像Cm-1’(4)作为丢失信息r的特征图。
进一步的，所述编码网络E包括m个依次相连的隐藏块，每个隐藏块包括：块、/>块和/>块。
如图2所示，所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与第五卷积层输入端相连接，第五卷积层输出端与求和层的另一个输入端相连接。
如图3所示，所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
进一步的，注意力机制层采用SE-Attention模块。激活层采用LeakyReLU函数。
进一步的，m设置为16。
进一步的，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，具体包括：
在第一个解码块中，将加噪隐写图像的特征图C’(0)分别输入到块和块，分别得到第一隐写特征图像C’(1)和第二隐写特征图像C’(2)。
将辅助变量z的特征图z(0)与第一隐写特征图像C’(1)相减并除以经过exp操作后的第二隐写特征图像C’(2)，得到第一辅助变量特征图像z(1)。exp操作表示以e为底的指数函数，exp(n)：返回e的n次方，e是常数为2.71828。
将第一辅助变量特征图像z(1)输入到块，得到第三隐写特征图像C’(3)。
将加噪隐写图像的特征图C’(0)与第三隐写特征图像C’(3)相减，得到第四隐写特征图像C’(4)。
将第一辅助变量特征图像z(1)与第四隐写特征图像C’(4)作为第一解码块的输出，并输入到第二解码块中。
在第二解码块中，将第一辅助变量特征图像z(1)作为辅助变量z1(0)，第四隐写特征图像C’(4)作为隐写图像C1’(0)。
将隐写图像C1’(0)分别输入到块和/>块，分别得到第一隐写特征图像C1’(1)和第二隐写特征图像C1’(2)。
将辅助变量z1(0)与第一隐写特征图像C1’(1)相减并除以经过exp操作后的第二隐写特征图像C1’(2)，得到第一辅助变量特征图像z1(1)。
将第一辅助变量特征图像z1(1)输入到块，得到第三隐写特征图像C1’(3)。
将隐写图像C1’(0)与第三隐写特征图像C1’(3)相减，得到第四隐写特征图像C1’(4)。
将第一辅助变量特征图像z1(1)与第四隐写特征图像C1’(4)作为第二解码块的输出，并输入到第三解码块中。
重复上述操作，直到输入第m个解码块结束，得到第一辅助变量特征图像zm-1(1)与第四隐写特征图像Cm-1’(4)，将第四隐写特征图像Cm-1’(4)作为恢复后的秘密图像的特征图，将第一辅助变量特征图像zm-1(1)作为恢复后的载体图像的特征图。
进一步的，所述解码网络R包括m个依次相连的解码块，每个解码块包括：块、/>块和/>块。
如图2所示，所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与卷积层输入端相连接，卷积层输出端与求和层的另一个输入端相连接。
如图3所示，所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
进一步的，注意力机制层采用SE-Attention模块。激活层采用LeakyReLU函数。
进一步的，m设置为16。
进一步的，如图4所示，所述判别网络D，具体包括：依次连接的第一卷积层、第一归一化层、第一激活层、第一辨别模块、第二辨别模块、第三辨别模块，平均池化层以及全连接层。
如图5所示，所述第一辨别模块、第二辨别模块以及第三辨别模块结构相同，具体包括：依次连接的第二卷积层、第二归一化层、第二激活层、第三卷积层、第三归一化层以及第三激活层。
进一步的，所述第一残差子模块、第二残差子模块、第三残差子模块、和第四残差子模块中的卷积层以及第五卷积层的卷积核大小均为3x3，步长均为1；所述第一残差子模块、第二残差子模块、第三残差子模块和第四残差子模块中的卷积层中卷积核个数为32，第五卷积层中卷积核个数为12。
进一步的，所述第一辨别模块、第二辨别模块、第三辨别模块中的卷积层以及第一卷积层的卷积核大小均为3x3，步长均为1；所述第一卷积层中卷积核个数为24、第一辨别模块中卷积层中卷积核个数为48、第二辨别模块中卷积层中卷积核个数为96、第二辨别模块中卷积层中卷积核个数为128。
实施例2：
在具体实施时，对图像隐写网络模型的学习率、批次处理图像的张数、迭代周期和优化器进行调优。利用梯度下降法进行损失的优化，优化器使用Adam，数据集的训练次数为1000。
下面对本发明方法在DIV2K数据集上进行测试，包含100个1024×1024分辨率的图像。RIHIGAN(Robust Image Hiding Technology by Invertible GenerativeAdversarial Network)代表本发明提出的模型，而其他列对应于各种现有模型，包括ISN(Invertible Steganography Network)，ISN+(Invertible Steganography Network+)，HiNet(HiNet: Deep Image Hiding by Invertible Network)，RIIS(Robust InvertibleImage Steganography)和RIIS*(Robust Invertible Image Steganography*)。
在表1中对载体图像/隐写图像与秘密图像/恢复后秘密图像两个图像对进行了PSNR数值比较。当载体图像没有添加噪声时，与最新的方法相比，本发明方法显示出更优越的性能，分别达到了44.39dB与48.91dB。恢复后秘密图像的平均PSNR(峰值信噪比)明显高于ISN、HiNet和RIIS。
表1 DIV2K中载体图形/隐写图像和秘密图像/恢复后秘密图像的隐写性能比较（单位：dB）
本发明方法主要研究载体图像在各种失真情况下的图像隐写。尽管图像的颜色和结构多种多样，但本发明方法可以在没有可见伪影的情况下恢复它们。具有被高斯噪声(Gaussian Noise)、泊松噪声(Poisson)或JPEG压缩的载体图像的隐藏图像的PSNR如表2所示。结果表明，与最新方法相比，本发明方法成功地保持了更高的重建质量。
表2不同失真下的秘密图像/恢复后秘密图像质量比较（单位：dB）
为了进一步证明本发明方法生成的隐写图像的不可见性，在隐写图像和原始图像之间进行了视觉评估，如图6所示。图6的四行分别是不同的四张载体图像，图6的前两列分别表示载体图像和隐写图像，最后三列分别是增强了1倍、10倍和20倍的载体图像和隐写图像之间的差异图像，图4中的第3列说明，通过差异图像无法检测到任何有用的消息。从图中可以看出，直到差异图像增强了20倍，才能在图6的最后一列中观察到差异图像的伪影，这有效地证明了本发明方法的不可见性。
进行了视觉评估实验来证明本方法的高可恢复性，图7中给出了视觉质量比较。在图7中，第一行表示没有嵌入图像的秘密图像。第二行表示HiNet模型提取的秘密图像。第三行表示本发明方法提取的秘密图像。第四行表示HiNet模型提取的秘密图像与原始秘密图像的归一化差值图像。第五行表示本发明方法提取的秘密图像与原始秘密图像的归一化差值图像，通过恢复后秘密图像和载体图像之间的差异来衡量编码图像的不可见性。如图7所示，本发明方法的恢复后秘密图像和原始图像之间的归一化差异相较于HiNet模型更小。这表明本发明方法生成的恢复后秘密图像表现出最高水平的提取率。
图8显示了不同QF下不同图像隐写方法的鲁棒性实验。四条曲线分别代表ISN+、RIIS、RIIS*和本发明方法在不同QF值（压缩质量因子）下提取的秘密图像与原始秘密图像之间的PSNR值。随着QF值的降低，模型的性能通常会受到挑战。然而，本发明方法在所有QF值下都保持着非凡的稳健性，表现出较高的PSNR。同时，在高QF的情况下，与其他三种模型相比，本发明方法在PSNR方面实现了显著提高。这意味着本发明方法具有更好的模型生成能力，失真更小，可以实现更高的恢复率。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (9)
1.一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：包括以下步骤：
使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R；
将待嵌入的秘密图像和载体图像输入到训练完成的编码网络E中，得到隐写图像。
2.根据权利要求1所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：还包括：将隐写图像和辅助变量z输入到训练完成的解码网络R中，提取出恢复后秘密图像。
3.根据权利要求1或2所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：所述使用批训练方式对初始化的编码网络E、判别网络D、解码网络R在噪声层N下进行训练，得到训练完成的编码网络E、判别网络D和解码网络R，具体包括：
步骤3-1：真实图像数据集中随机选取2n幅真实图像，将其中n副图像作为载体图像，另n副图像作为秘密图像，并将每幅图像中的每个像素进行归一化处理，使每幅图像中每个像素的像素值均归一化到[-1,+1]，得到归一化后的载体图像和秘密图像；其中，n为正整数；
步骤3-2：将n个归一化后的载体图像以及n个归一化后的秘密图像利用离散小波变换分解为载体图像的特征图与秘密图像的特征图；
步骤3-3、输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图以及丢失信息r的特征图，将n幅隐写图像的特征图以及丢失信息r的特征图进行离散小波逆变换得到n幅隐写图像和丢失信息r，计算编码网络E中的损失函数L con 以及低频小波损失函数L freq ；
步骤3-4、将n幅隐写图像与n幅归一化后的载体图像输入到初始化的判别网络D中，得到判别网络D的输出，根据判别网络D的输出计算判别网络D中的损失函数L dis ，利用损失函数L dis 更新判别网络D中的参数；
步骤3-5、将n幅隐写图像输入到噪声层N中，得到n副加噪隐写图像；
步骤3-6、将n幅加噪隐写图像和辅助变量z进行离散小波变换得到加噪隐写图像的特征图以及辅助变量z的特征图，将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，将恢复后的秘密图像的特征图和恢复后的载体图像的特征图进行离散小波逆变换，得到恢复后的秘密图像和恢复后的载体图像；
步骤3-7、计算网络总损失函数L，并根据网络的总损失函数L更新初始化的编码网络E和解码网络R中的参数；总损失函数L的计算公式为：，表示损失函数L con 的超参数，/>表示损失函数L rev 的超参数，/>表示低频小波损失函数L freq 的超参数，/>表示损失函数L dis 的超参数；
步骤3-8、任意从真实图像数据集中随机选取2n幅真实图像，构建不同批次的训练样本，依次使用任一批次的样本且采用步骤3-1～步骤3-7中方法对更新后的编码网络E、 判别网络D及解码网络R进行训练，直到完成所有批次的样本训练，最终得到训练完成的编码网络E、判别网络D及解码网络R。
4.根据权利要求3所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：输入n个载体图像的特征图以及n个秘密图像的特征图到编码网络E中，生成n幅隐写图像的特征图，具体包括：
在第一个隐藏块中，将秘密图像的特征图S(0)输入到块，得到第一秘密特征图像S(1)；
将载体图像的特征图C(0)与第一秘密特征图像S(1)进行相加操作，得到第一隐写特征图像C’(1)；
将第一隐写特征图像C’(1)分别输入到和/>块，得到第二隐写特征图像C’(2)和第三隐写特征图像C’(3)；
将第二隐写特征图像C’(2)进行exp操作并与秘密图像的特征图S(0)进行相乘，再与第三隐写特征图像C’(3)进行相加，得到第四隐写特征图像C’(4)；exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数；
将第一隐写特征图像C’(1)与第四隐写特征图像C’(4)作为第一个隐藏块的输出，并输入到第二隐藏块中；
在第二隐藏块中，将第一隐写特征图像C’(1)作为载体图像C1(0)，第四隐写特征图像C’(4)作为秘密图像S1(0)；
将秘密图像S1(0)输入到块，得到第一秘密特征图像S1(1)；
将载体图像C1(0)与第一秘密特征图像S1(1)进行相加操作，得到第一隐写特征图像C1’(1)；
将第一隐写特征图像C1’(1)分别输入到和/>块，得到第二隐写特征图像C1’(2)和第三隐写特征图像C1’(3)；
将第二隐写特征图像C1’(2)进行exp操作并与秘密图像S1(0)进行相乘，再与第三隐写特征图像C1’(3)进行相加，得到第四隐写特征图像C1’(4)；
将第一隐写特征图像C1’(1)与第四隐写特征图像C1’(4)作为第二个隐藏块的输出，并输入到第三隐藏块中；
重复上述操作，直到输入第m个隐藏块结束，得到第一隐写特征图像Cm-1’(1)与第四隐写特征图像Cm-1’(4)，将第一隐写特征图像Cm-1’(1)作为隐写图像的特征图，第四隐写特征图像Cm-1’(4)作为丢失信息r的特征图。
5.根据权利要求4所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：所述编码网络E包括m个依次相连的隐藏块，每个隐藏块包括：块、/>块和/>块；
所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与第五卷积层输入端相连接，第五卷积层输出端与求和层的另一个输入端相连接；
所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
6.根据权利要求3所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：将加噪隐写图像的特征图以及辅助变量z的特征图输入到初始化的解码网络R中，得到恢复后的秘密图像的特征图和恢复后的载体图像的特征图，具体包括：
在第一个解码块中，将加噪隐写图像的特征图C’(0)分别输入到块和块，分别得到第一隐写特征图像C’(1)和第二隐写特征图像C’(2)；
将辅助变量z的特征图z(0)与第一隐写特征图像C’(1)相减并除以经过exp操作后的第二隐写特征图像C’(2)，得到第一辅助变量特征图像z(1)；exp操作表示以e为底的指数函数，返回e的n次方，e是自然常数；
将第一辅助变量特征图像z(1)输入到块，得到第三隐写特征图像C’(3)；
将加噪隐写图像的特征图C’(0)与第三隐写特征图像C’(3)相减，得到第四隐写特征图像C’(4)；
将第一辅助变量特征图像z(1)与第四隐写特征图像C’(4)作为第一解码块的输出，并输入到第二解码块中；
在第二解码块中，将第一辅助变量特征图像z(1)作为辅助变量z1(0)，第四隐写特征图像C’(4)作为隐写图像C1’(0)；
将隐写图像C1’(0)分别输入到块和/>块，分别得到第一隐写特征图像C1’(1)和第二隐写特征图像C1’(2)；
将辅助变量z1(0)与第一隐写特征图像C1’(1)相减并除以经过exp操作后的第二隐写特征图像C1’(2)，得到第一辅助变量特征图像z1(1)；
将第一辅助变量特征图像z1(1)输入到块，得到第三隐写特征图像C1’(3)；
将隐写图像C1’(0)与第三隐写特征图像C1’(3)相减，得到第四隐写特征图像C1’(4)；
将第一辅助变量特征图像z1(1)与第四隐写特征图像C1’(4)作为第二解码块的输出，并输入到第三解码块中；
重复上述操作，直到输入第m个解码块结束，得到第一辅助变量特征图像zm-1(1)与第四隐写特征图像Cm-1’(4)，将第四隐写特征图像Cm-1’(4)作为恢复后的秘密图像的特征图，将第一辅助变量特征图像zm-1(1)作为恢复后的载体图像的特征图。
7.根据权利要求6所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：所述解码网络R包括m个依次相连的解码块，每个解码块包括：块、/>块和/>块；
所述块、/>块和/>块的结构相同，具体包括：第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块，所述第一残差子模块的输入端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端、连接层的输入端以及求和层的一个输入端相连接，所述第一残差子模块的输出端分别与第二残差子模块的输入端、第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第二残差子模块的输出端分别与第三残差子模块的输入端、第四残差子模块的输入端以及连接层的输入端相连接，所述第三残差子模块的输出端分别与第四残差子模块的输入端以及连接层的输入端相连接，所述第四残差子模块的输出端与连接层的输入端相连接，所述连接层输出端与卷积层输入端相连接，卷积层输出端与求和层的另一个输入端相连接；
所述第一残差子模块、第二残差子模块、第三残差子模块以及第四残差子模块的结构相同，具体包括依次连接的卷积层，注意力机制层以及激活层。
8.根据权利要求3所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：所述判别网络D，具体包括：依次连接的第一卷积层、第一归一化层、第一激活层、第一辨别模块、第二辨别模块、第三辨别模块，平均池化层以及全连接层；
所述第一辨别模块、第二辨别模块以及第三辨别模块结构相同，具体包括：依次连接的第二卷积层、第二归一化层、第二激活层、第三卷积层、第三归一化层以及第三激活层。
9.根据权利要求3所述的一种基于可逆生成对抗网络的鲁棒图像处理方法，其特征在于：损失函数L con ，计算公式为：
；
低频小波损失函数L freq ，计算公式为：
；
其中，表示二范数运算，/>为载体图像的特征图，/>为编码网络E输出的隐写图像的特征图，/>为载体图像的特征图的低频小波子带，/>为隐写图像的特征图的低频小波子带；
损失函数L dis ，计算公式为：
；
其中，为归一化后的载体图像，/>为隐写图像；/>为判别网络D的输出；
损失函数L rev ，计算公式如下：
；
其中，表示二范数运算，/>为秘密图像的特征图，/>为恢复后的秘密图像的特征图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410272279.2A CN117876273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410272279.2A CN117876273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117876273A true CN117876273A (zh) | 2024-04-12 |
| CN117876273B CN117876273B (zh) | 2024-06-07 |
Family
ID=90593290
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410272279.2A Active CN117876273B (zh) | 2024-03-11 | 2024-03-11 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117876273B (zh) |
Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001164A1 (en) * | 2002-06-28 | 2004-01-01 | Canon Kabushiki Kaisha | Image processing apparatus and method, computer program, and computer-readable storage medium |
| US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
| US20080193031A1 (en) * | 2007-02-09 | 2008-08-14 | New Jersey Institute Of Technology | Method and apparatus for a natural image model based approach to image/splicing/tampering detection |
| JP2009076990A (ja) * | 2007-09-18 | 2009-04-09 | Ricoh Co Ltd | 画像処理方法、画像処理装置、画像処理プログラム及び記憶媒体 |
| US20090116685A1 (en) * | 2007-10-05 | 2009-05-07 | Korea Advanced Institute Of Science And Technology | Method For Reversible Image Watermarking Based On Integer-to-Integer Wavelet Transform |
| CN111292221A (zh) * | 2020-02-25 | 2020-06-16 | 南京信息工程大学 | 一种安全鲁棒的大容量图像隐写方法 |
| WO2021041679A2 (en) * | 2019-08-27 | 2021-03-04 | Synamedia Limited | Systems and methods for providing watermarked content |
| CN112465687A (zh) * | 2020-11-17 | 2021-03-09 | 北京航空航天大学 | 一种图像处理方法及装置 |
| WO2021047471A1 (zh) * | 2019-09-10 | 2021-03-18 | 阿里巴巴集团控股有限公司 | 图像隐写及提取方法、装置及电子设备 |
| CN112634117A (zh) * | 2020-12-22 | 2021-04-09 | 中山大学 | 基于生成对抗网络的端到端jpeg域图像隐写方法 |
| CN113379584A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置 |
| WO2022127374A1 (zh) * | 2020-12-18 | 2022-06-23 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
| CN114841846A (zh) * | 2022-05-18 | 2022-08-02 | 南京信息工程大学 | 一种基于视觉感知的自编码彩色图像鲁棒水印处理方法 |
| CN115131188A (zh) * | 2022-05-30 | 2022-09-30 | 南京信息工程大学 | 一种基于生成对抗网络的鲁棒图像水印方法 |
| CN115829819A (zh) * | 2022-12-15 | 2023-03-21 | 江苏水印科技有限公司 | 基于神经网络的图像鲁棒可逆信息隐藏方法、设备及介质 |
| CN116452401A (zh) * | 2023-05-10 | 2023-07-18 | 四川大学 | 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 |
| CN117079073A (zh) * | 2023-08-11 | 2023-11-17 | 宁波大学 | 一种抗jpeg压缩的鲁棒隐写方法 |
| CN117078517A (zh) * | 2023-08-25 | 2023-11-17 | 福建省青易信息科技有限公司 | 基于可逆神经网络的图像超分辨率隐写方法 |
| CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
| CN117176874A (zh) * | 2023-05-08 | 2023-12-05 | 中国人民解放军国防科技大学 | 基于双向生成对抗网络的无嵌入图像隐写方法及装置 |
| WO2024032158A1 (zh) * | 2022-08-10 | 2024-02-15 | 大连大学 | 基于混合频域通道注意力的深度图像水印方法 |
| US20240054594A1 (en) * | 2022-08-10 | 2024-02-15 | Dalian University | Method for watermarking depth image based on mixed frequency-domain channel attention |
-
2024
- 2024-03-11 CN CN202410272279.2A patent/CN117876273B/zh active Active
Patent Citations (22)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20040001164A1 (en) * | 2002-06-28 | 2004-01-01 | Canon Kabushiki Kaisha | Image processing apparatus and method, computer program, and computer-readable storage medium |
| US20080175429A1 (en) * | 2007-01-19 | 2008-07-24 | New Jersey Institute Of Technology | Method and apparatus for steganalysis for texture images |
| US20080193031A1 (en) * | 2007-02-09 | 2008-08-14 | New Jersey Institute Of Technology | Method and apparatus for a natural image model based approach to image/splicing/tampering detection |
| JP2009076990A (ja) * | 2007-09-18 | 2009-04-09 | Ricoh Co Ltd | 画像処理方法、画像処理装置、画像処理プログラム及び記憶媒体 |
| US20090116685A1 (en) * | 2007-10-05 | 2009-05-07 | Korea Advanced Institute Of Science And Technology | Method For Reversible Image Watermarking Based On Integer-to-Integer Wavelet Transform |
| WO2021041679A2 (en) * | 2019-08-27 | 2021-03-04 | Synamedia Limited | Systems and methods for providing watermarked content |
| WO2021047471A1 (zh) * | 2019-09-10 | 2021-03-18 | 阿里巴巴集团控股有限公司 | 图像隐写及提取方法、装置及电子设备 |
| CN111292221A (zh) * | 2020-02-25 | 2020-06-16 | 南京信息工程大学 | 一种安全鲁棒的大容量图像隐写方法 |
| CN112465687A (zh) * | 2020-11-17 | 2021-03-09 | 北京航空航天大学 | 一种图像处理方法及装置 |
| WO2022127374A1 (zh) * | 2020-12-18 | 2022-06-23 | 海南大学 | 一种基于卷积神经网络的彩色图像隐写方法 |
| CN112634117A (zh) * | 2020-12-22 | 2021-04-09 | 中山大学 | 基于生成对抗网络的端到端jpeg域图像隐写方法 |
| CN113379584A (zh) * | 2021-06-10 | 2021-09-10 | 大连海事大学 | 一种基于残差学习的不可感知水印攻击方法、存储介质及电子装置 |
| CN114841846A (zh) * | 2022-05-18 | 2022-08-02 | 南京信息工程大学 | 一种基于视觉感知的自编码彩色图像鲁棒水印处理方法 |
| CN115131188A (zh) * | 2022-05-30 | 2022-09-30 | 南京信息工程大学 | 一种基于生成对抗网络的鲁棒图像水印方法 |
| WO2024032158A1 (zh) * | 2022-08-10 | 2024-02-15 | 大连大学 | 基于混合频域通道注意力的深度图像水印方法 |
| US20240054594A1 (en) * | 2022-08-10 | 2024-02-15 | Dalian University | Method for watermarking depth image based on mixed frequency-domain channel attention |
| CN115829819A (zh) * | 2022-12-15 | 2023-03-21 | 江苏水印科技有限公司 | 基于神经网络的图像鲁棒可逆信息隐藏方法、设备及介质 |
| CN117176874A (zh) * | 2023-05-08 | 2023-12-05 | 中国人民解放军国防科技大学 | 基于双向生成对抗网络的无嵌入图像隐写方法及装置 |
| CN116452401A (zh) * | 2023-05-10 | 2023-07-18 | 四川大学 | 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 |
| CN117079073A (zh) * | 2023-08-11 | 2023-11-17 | 宁波大学 | 一种抗jpeg压缩的鲁棒隐写方法 |
| CN117078517A (zh) * | 2023-08-25 | 2023-11-17 | 福建省青易信息科技有限公司 | 基于可逆神经网络的图像超分辨率隐写方法 |
| CN117132671A (zh) * | 2023-10-27 | 2023-11-28 | 哈尔滨工业大学(深圳)(哈尔滨工业大学深圳科技创新研究院) | 基于深度自适应隐写网络的多任务隐写方法、系统及介质 |
Non-Patent Citations (3)
| Title |
|---|
| GURUMURTHY S B: "Image Steganography Using Discrete Wavelet Transform and Convolutional NeuralNetwork", 2022 INTERNATIONAL INTERDISCIPLINARY HUMANITARIAN CONFERENCE FOR SUSTAINABILITY (IIHC), 17 March 2023 (2023-03-17), pages 862 - 868 * |
| 吴汉舟等: "人工智能模型水印研究进展", 人工智能模型水印研究进展, 6 March 2023 (2023-03-06), pages 1792 - 1810 * |
| 高光勇: "基于可逆数字水印的无线传感器网络可恢复数据聚合协议", 计算机辅助设计与图形学学报, 31 July 2023 (2023-07-31), pages 1052 - 1063 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117876273B (zh) | 2024-06-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Lin et al. | A blind watermarking method using maximum wavelet coefficient quantization | |
| Abdelwahab et al. | A discrete wavelet transform based technique for image data hiding | |
| Ramanjaneyulu et al. | Wavelet-based oblivious image watermarking scheme using genetic algorithm | |
| Divecha et al. | Implementation and performance analysis of DCT-DWT-SVD based watermarking algorithms for color images | |
| Malonia et al. | Digital image watermarking using discrete wavelet transform and arithmetic progression technique | |
| Song et al. | Recent advances and classification of watermarking techniques in digital images | |
| Narasimhulu et al. | A hybrid watermarking scheme using contourlet Transform and Singular value decomposition | |
| Lu et al. | Wavelet-based CNN for robust and high-capacity image watermarking | |
| Kekre et al. | Hybrid watermarking of color images using DCT-Wavelet, DCT and SVD | |
| Kumar et al. | Digital image steganography based on combination of DCT and DWT | |
| Dharwadkar et al. | Watermarking scheme for color images using wavelet transform based texture properties and secret sharing | |
| Hamad et al. | A blind high-capacity wavelet-based steganography technique for hiding images into other images | |
| Youssef et al. | A robust steganography model using wavelet-based block-partition modification | |
| Sharma et al. | Robust technique for steganography on Red component using 3-DWT-DCT transform | |
| CN117876273B (zh) | 一种基于可逆生成对抗网络的鲁棒图像处理方法 | |
| CN110047495B (zh) | 基于2级奇异值分解的大容量音频水印算法 | |
| Sharma et al. | Robust image watermarking technique using contourlet transform and optimized edge detection algorithm | |
| Hamsathvani | Image hiding in video sequence based on MSE | |
| Goel et al. | ADCT-based robust methodology for image steganography | |
| Lee et al. | Genetic algorithm-based watermarking in discrete wavelet transform domain | |
| Yang et al. | High‐Quality and Robust Reversible Data Hiding by Coefficient Shifting Algorithm | |
| Kumar et al. | Non blind image watermarking based on similarity in contourlet domain | |
| Singh et al. | Robust image steganography technique based on redundant discrete wavelet transform | |
| CN118283195B (zh) | 岩性图像数据数字水印处理方法及系统 | |
| Rana et al. | Digital Watermarking Image Using Discrete Wavelet Transform and Discrete Cosine Transform with Noise Identification |
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 |