CN110334805A - 一种基于生成对抗网络的jpeg域图像隐写方法和*** - Google Patents
一种基于生成对抗网络的jpeg域图像隐写方法和*** Download PDFInfo
- Publication number
- CN110334805A CN110334805A CN201910368809.2A CN201910368809A CN110334805A CN 110334805 A CN110334805 A CN 110334805A CN 201910368809 A CN201910368809 A CN 201910368809A CN 110334805 A CN110334805 A CN 110334805A
- Authority
- CN
- China
- Prior art keywords
- network
- image
- matrix
- jpeg
- probability
- 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
- 238000000034 method Methods 0.000 title claims abstract description 37
- 239000011159 matrix material Substances 0.000 claims abstract description 96
- 238000006243 chemical reaction Methods 0.000 claims abstract description 35
- 238000012549 training Methods 0.000 claims abstract description 18
- 230000003044 adaptive effect Effects 0.000 claims abstract description 5
- 230000009977 dual effect Effects 0.000 claims abstract description 4
- 230000006870 function Effects 0.000 claims description 70
- 238000003780 insertion Methods 0.000 claims description 41
- 230000037431 insertion Effects 0.000 claims description 41
- 230000004069 differentiation Effects 0.000 claims description 13
- 238000013527 convolutional neural network Methods 0.000 claims description 12
- 230000004913 activation Effects 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 10
- 238000004891 communication Methods 0.000 claims description 6
- 238000003475 lamination Methods 0.000 claims description 6
- 238000013139 quantization Methods 0.000 claims description 6
- 238000012986 modification Methods 0.000 claims description 5
- 230000004048 modification Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 238000012546 transfer Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 3
- 230000000644 propagated effect Effects 0.000 claims description 3
- 230000008901 benefit Effects 0.000 claims description 2
- 230000002708 enhancing effect Effects 0.000 claims description 2
- 238000012886 linear function Methods 0.000 claims description 2
- 238000013461 design Methods 0.000 abstract description 2
- 238000001514 detection method Methods 0.000 abstract 1
- 238000004422 calculation algorithm Methods 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 2
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000012010 growth Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- 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
- G06T9/00—Image coding
- G06T9/002—Image coding using neural networks
-
- 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
- H04N19/60—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding
- H04N19/625—Methods or arrangements for coding, decoding, compressing or decompressing digital video signals using transform coding using discrete cosine transform [DCT]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Signal Processing (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Discrete Mathematics (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
- Compression Of Band Width Or Redundancy In Fax (AREA)
- Editing Of Facsimile Originals (AREA)
Abstract
本发明公开了一种基于生成对抗网络的JPEG域图像隐写方法,通过生成网络产生载体图像DCT系数矩阵对应的篡改概率矩阵,利用模拟编码嵌入模块以及可传递梯度JPEG变换模块根据篡改概率矩阵产生对应的载密图像,通过判别网络对载体图像与载密图像进行区分,将分类误差作为损失函数对生成网络与判别网络进行对抗训练,最终获得能够生成自适应隐写代价值的生成网络模型。通过该模型与传统信息编码模块结合,将秘密信息嵌入到载体图像得到载密图像。相比传统的JPEG域图像隐写方法具有设计简单,易于实现,抗检测性强等特点。本发明还公开了一种JPEG域图像隐写***,其中包括基于生成对抗网络的JPEG域图像隐写方法所得到的生成网络模块,信息编码模块以及JPEG变换模块。
Description
技术领域
本发明涉及图像隐写领域,更具体地,涉及一种基于生成对抗网络的JPEG域图像隐写方法。
背景技术
信息隐藏是将需要加密的秘密信息通过某些算法嵌入到载体文件中产生载密文件,并通过公开渠道进行传输,接收方通过对应的提取手段对载密文件中的秘密信息进行提取,而攻击方无法从载密文件中获得秘密信息。图像的信息隐藏主要是将图像的部分数据如像素值等进行替换或修改,在不影响图像视觉效果的前提下将秘密信息嵌入到载密图像中,图像的信息隐藏主要利用了人眼的视觉冗余。由于数字图像具有信息容量大,篡改易于实现,且数量及格式种类繁多等特点,因此数字图像为信息隐藏的一大主要载体。隐写算法为图像信息可逆隐藏的主要实现方式,随着网络以及多媒体技术的不断发展,图像作为网络上常用的信息媒介,图像的隐写以及隐写分析也逐渐受到了广泛的应用。
目前图像的隐写方法根据修改图像数据的类别主要分为空域与变化域的隐写,根据秘密信息嵌入的方式又分为图像内容自适应性与非自适应性的隐写。与图像隐写相对应的为图像的隐写分析,用于判断图像是否嵌有秘密信息,隐写分析可以作为隐写算法安全性的一种评价方式。一般而言具有自适应性的隐写算法都具有相对较高的安全性。随着深度学习在图像隐写分析上的应用,隐写分析性能得到极大的提升,同时图像隐写方法的安全性受到了挑战。
JPEG域上的图像隐写算法首先通过将空域上的像素值转换到JPEG域,通过对图像DCT系数进行篡改来嵌入秘密信息,为了使得嵌入行为尽可能减少统计特征的改变,隐写算法采用具有自适应性的嵌入方法。为了减少视觉上的改动,一般将信息嵌入到修改后对图像视觉效果影响较小的交流非零DCT系数中。传统方法通过设置加性失真函数来实现信息嵌入的自适应性,但该方法高度依赖设计者的经验和先验知识,且不能够根据隐写分析网的改动及时作出策略上的调整,因此其安全性仍有一定的提升空间。目前并没有出现在JPEG域的根据隐写分析网络的变动及时调整自身策略的隐写代价函数自动学习算法。
发明内容
本发明提供一种基于生成对抗网络的JPEG域图像隐写方法与***,采用深度学习中的生成对抗网络进行JPEG域上的隐写。
为解决上述技术问题,本发明的技术方案如下:
一种基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述的生成对抗网络包括生成网络、模拟编码嵌入模块及判别网络。其训练过程包括以下步骤:
S1:将载体图像通过可传递梯度JPEG变换模块,得到该载体图像对应的DCT域上的系数矩阵;
S2:将该载体图像对应的DCT系数矩阵输入到所述生成网络中,通过生成网络产生对应的与载体图像大小一致的篡改概率矩阵,所述篡改概率矩阵的每一位置的数值代表该位置对应的像素位置DCT系数受到篡改的概率;
S3:将产生的篡改概率矩阵与随机噪声矩阵通过模拟编码嵌入模块进行模拟编码得到与载体图像大小一致的篡改矩阵,所述随机噪声矩阵与所述篡改概率矩阵大小一致,篡改矩阵中元素的取值为±1与0,随机噪声矩阵用于模拟随机秘密信息;将篡改矩阵与载体图像对应的DCT域上的矩阵相加,得到DCT域上与载体图像DCT系数矩阵对应的载密图像的DCT系数矩阵;
S4:将DCT域上的载密图像的DCT系数矩阵通过可传递梯度的JPEG变换模块转换为空域上的载密图像;
S5:将S4得到载密图像与S1的载体图像输入到判别网络,通过判别网络对载体图像与载密图像进行分类,将判别网络产生的分类误差作为损失函数,并将损失函数反馈回判别网络与生成网络并进行对抗训练;
S6:训练结束后,将训练好的生成网络与传统的信息编码模块以及JPEG变换模块相结合,根据生成网络产生的嵌入代价值将秘密信息以自适应的方式嵌入到载体图像的DCT系数中产生用于隐秘通信的载密图像,所述嵌入代价值为篡改概率转换所得。
优选地,所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述可传递梯度JPEG变换模块包括图像数据处理以及矩阵变换,其中图像数据处理包括Tensor数据的batch分离,单一batch的分块处理,分块的合并以及batch的合并;可传递梯度JPEG变换模块中的矩阵变换包括二维离散余弦矩阵变换、反二维离散余弦变换以及对应的量化与反量化处理,其中反量化不采用取整操作以确保梯度有效传递。
优选地,所述步骤S2中的生成网络为一个并联的全卷积神经网络或一个U型结构的卷积神经网络,其中并联的全卷积神经网络分为四个支路,每个支路包括三个卷积层,四个支路的卷积核大小分别为2、3、4、5,每一个卷积层包括50个卷积核,均采用带泄露整流函数(Leak ReLU)作为激活函数。
优选地,所述步骤S2中的生成网络为一个U型结构的卷积神经网络,包括16组子网络结构,前8组为卷积层组,每一个卷积层组包含卷积层批、归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而减少;后8组为反卷积层组,包含反卷积层、批归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而变大,前8层与后8层对应的镜像网络层之间的特征图都以串联(concatenate)的方式进行连接。
优选地,步骤S3中模拟编码嵌入模块由最优编码拟合函数组成,其中最优编码拟合函数所拟合的最优编码方式可表示为:
上式中,pij为生成网络输出的每个DCT系数对应的篡改概率,nij为随机噪声矩阵,mij为篡改矩阵;最优编码拟合函数的特征在于保持梯度可传播的同时能够拟合上述的最优编码方式;其中最优编码拟合函数的表达式为:
mij=-k×fs(λ×(pij-2×nij))+k×fs(λ×(pij-2×(1-nij)))+c
其中λ为缩放因子其取值越大,最优编码拟合函数的拟合效果越好,对于梯度传播越不利,缩放因子λ取值越小,越有利于梯度的传播,但拟合效果会变差,fs表示一类激活函数,如:Tanh,Sigmoid,ReLU,k为权重系数,c为一个常数偏置。
优选地,步骤S5所述的判别网络为基于DenseNet的隐写分析卷积神经网络,步骤S5所述的判别网络为基于DenseNet的隐写分析卷积神经网络,包括1个预处理层以及7个dense卷积层组,其中预处理层包括16个不同类型的高通滤波器用于抑制图像内容的强信号,增强隐写嵌入修改的弱信号,每个dense卷积层组包括4个卷积层与1个池化层,卷积层都与其位于同一个dense卷积层组中前面的每一卷积层相连,实现特征图的重用,采用线性整流函数作为激活函数,采用全连接层与softmax函数得到最终的分类概率输出。
优选地,对于生成网络与判别网络利用分类误差得到的损失函数采用梯度反向传播进行参数的训练,每更新一次判别网络的参数则更新两次生成网络的参数,其中用于更新生成网络的损失函数还包含通过篡改概率信息熵得到的拟合嵌入负载量与目标负载量之间误差产生的损失函数。
优选地,所述迭代更新次数大于120,000次。
优选地,所述的概率信息熵计算公式如下:
上式中,H为概率信息熵,h为图像的高、w为图像的宽,表示位于(i,j)的DCT系数进行+1篡改的概率值,表示位置(i,j)的DCT系数进行-1篡改的概率值,表示位置(i,j)的DCT系数不进行篡改的概率值。
优选地,所述判别网络的损失函数为分类误差的交叉熵,具体计算公式为:
上式中,yi表示判别网络将图像分为第i类的概率,yi′表示图像实际的类别标签。
优选地,生成网络的损失函数由判别网络的损失函数以及拟合嵌入负载量的损失函数共同组成,具体公式为:
lG=α×-lD+β×lp
其中lp=(H-γ×q)2为拟合嵌入负载量的损失函数,γ为载体图像DCT系数中非零交流系数的数量,q为设定的目标嵌入负载量。α与β为用于调整两项损失函数的权重系数,其特征在于,α与β设定值的选取需要权衡隐写安全性以及嵌入率的拟合精度。
优选地,生成网络产生的每个DCT系数对应的嵌入代价值ρi,j,为篡改概率pi,j转换所得,具体转换公式为:
一种JPEG域图像隐写***,其特征在于,包括基于生成对抗网络的JPEG域图像隐写方法得到的生成网络模块,信息编码模块,JPEG变换模块,具体步骤如下:
输入的空域载体图像利用JPEG变换模块转换为DCT系数矩阵,再通过所述的生成网络模块产生对应DCT系数矩阵的篡改概率矩阵并转换为嵌入代价值,根据嵌入代价值与实际秘密信息利用信息编码模块产生与图像相同尺寸的篡改矩阵,将该矩阵与原始载体图像对应的DCT矩阵相加并输入到JPEG变换模块生成用于实际隐秘通信的载密图像。其中用于JPEG图像隐写***的生成网络模块由通过生成对抗网络训练模块训练好的生成网络组成。
与现有技术相比,本发明技术方案的有益效果是:
1)本发明采用基于生成对抗网络得到的JPEG域图像隐写方法,不需要大量的隐写领域的经验与先验知识。最终的隐写模型由神经网络经过训练后得出,设计相对简单,易于实现。
2)实现了可传播梯度的JPEG变换,在对图像进行频率域转换的同时,不影响损失函数在神经网络中的反向传播。具有精度高、效率高、不需要预训练等优点。
3)通过最优编码拟合函数在保证不影响神经网络梯度传递的前提下实现了对最优编码的拟合,显著提升了隐写算法的安全性。
4)本发明提出的基于生成对抗网络的JPEG域图像隐写方法,其核心思想为生成网络与判别网络之间的博弈训练,通过两个网络之间的对抗,有效提高隐写算法的自适应性与安全性。
附图说明
图1为本发明的流程结构图;
图2为基于生成对抗网络的JPEG域图像隐写方法中对抗训练的流程图;
图3为本发明中可传递梯度JPEG变换模块结构图;
图4为四支路并联全卷积网络模型结构图;
图5为U型结构神经网络模型结构图;
图6为双正切最优编码拟合函数与实际最优编码函数效果对比图;
图7为基于DenseNet的隐写分析神经网络结构图;
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;
为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;
对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
下面结合附图和实施例对本发明的技术方案做进一步的说明。
实施例1
本实施例提供一种基于生成对抗网络的JPEG域图像隐写方法,其中生成对抗网络训练的具体流程如图2所示,包括以下步骤:
S1:将原始载体图像输入到可传递梯度JPEG变换模块,采用slice函数得到单张载体图像,对于每张载体图像进行8*8的分块,通过对每一个分块矩阵与DCT变换矩阵进行矩阵变化运算,得到空域图像对应的DCT矩阵,再将DCT系数矩阵与对应压缩质量因子QF的量化矩阵进行相除得到量化后的DCT系数矩阵,通过分块的拼接,最终得到图像对应JPEG域上的DCT系数矩阵。本发明提出的可传递梯度JPEG变换模块的具体实现如附图3所示。
S2:将图像的DCT系数矩阵输入到生成网络中,通过生成网络处理后得到与载体图像尺寸一致的篡改概率矩阵P,用于替代传统隐写算法中的篡改概率矩阵,其中篡改概率越大的点将被优先篡改。生成网络为一个并联的全卷积神经网络,如图4所示,分为四个支路,每个支路包括三个卷积层,四个支路的卷积核大小分别为2、3、4、5,每一个卷积层包括50个卷积核,均采用带泄露整流函数作为激活函数。
S3:将步骤S2得到的篡改概率矩阵以及相同尺寸的随机噪声矩阵(模拟秘密信息)输入到模拟编码嵌入模块产生DCT系数的篡改矩阵,将篡改矩阵与步骤S1得到的载体图像的DCT系数矩阵相加得到载密图像的DCT系数矩阵。
其中模拟编码嵌入模块中的最优编码拟合函数其中一种具体实现公式(双正切拟合函数)为:
其中激活函数fs采正切(tanh)函数。上式中,pij为生成网络输出的像素对应的篡改概率,nij为随机噪声矩阵,λ为函数的缩放因子,mij为篡改矩阵;缩放因子λ取值越大,其拟合最优嵌入函数的效果越好,对于梯度传播越不利,缩放因子λ取值越小,越有利于梯度的传播,但拟合效果会变差。
通过实验证明双正切拟合函数的缩放参数λ取值为100时,在不影响梯度传递的前提下,可以达到较好的拟合效果,因此实验λ取值为100。附图6说明了本发明提出的双正切拟合函数编码模块(λ=100)与实际的阶梯函数的编码效果对比。
S4:通过可传递梯度的JPEG变换模块将载密图像的DCT系数矩阵转换为空域图像,最终得到空域上的载密图像。
S5:将空域上的载体图像与载密图像输入到判别网络(即隐写分析网络,具体结构如附图7所示)得到相应的分类标签,通过计算分类误差:
得到相应的损失函数,通过反向传播算法最小化ls来训练判别网络,最大化ls训练生成网络,同时通过拟合嵌入负载量的概率信息熵:
得到拟合嵌入负载量的损失函数lp=(H-γ×q)2,利用损失函数:
lG=α×-lD+β×lp
来训练生成网络使得隐写算法的嵌入负载量满足设定值,其中H为概率信息熵,h为图像的高、w为图像的宽,表示位于(i,j)的DCT系数进行+1篡改的概率值,表示位置(i,j)的DCT系数进行-1篡改的概率值,表示位置(i,j)的DCT系数不进行篡改的概率值,γ为载体图像DCT系数中非零交流系数的数量,q为设定的目标嵌入负载量。权重系数α=1,β=10-7。
其中判别网络采用了目前性能较好的基于DenseNet的隐写分析网络,具体结构如附图7所示,包括1个预处理层以及7个卷积层组,特征图之间以密集(dense)的方式进行连接,其中预处理层包括16个不同类型的高通滤波器用于特征提取,每个dense卷积层组包括4个卷积层与1个池化层,卷积层都与其位于同一个dense卷积层组中前面的每一卷积层相连,实现特征图的重用,采用修正线性单元函数作为激活函数,采用全连接层与softmax函数得到最终的分类概率输出。
由于判别网络的收敛速度相对生成网络较快,因此每迭代更新一次判别网络的参数,对应更新两次生成网络的参数。采用Adam优化器对网络参数进行迭代更新,批尺寸为12,迭代次数大于120,000次。
训练结束后,将经过120,000次以上迭代训练好的生成网络与采用网格编码(Syndrometrelliscode,STC)的信息编码模块以及JPEG变换模块相结合,将秘密信息以自适应的方式嵌入到载体图像的DCT系数中产生用于隐秘通信的载密图像。
实施例2
本实施例提供一种基于生成对抗网络的JPEG域图像隐写方法,其中生成对抗网络训练的具体流程如图2所示,包括以下步骤:
S1:将原始载体图像输入到可传递梯度JPEG变换模块,采用slice函数得到单张载体图像,对于每张载体图像进行8*8块划分,通过对每一个分块矩阵与DCT变换矩阵进行矩阵变化运算,得到空域图像对应的DCT系数矩阵,再将DCT系数矩阵与对应压缩质量因子QF的量化矩阵进行相除得到量化后的DCT系数矩阵,通过分块的拼接,最终得到图像对应JPEG域上的具有与载体相同尺寸的DCT系数矩阵。本发明提出的可传递梯度JPEG变换模块的具体实现如附图3所示。
S2:将图像的DCT系数矩阵输入到生成网络中,通过生成网络处理后得到与载体图像尺寸一致的篡改概率矩阵P,用于替代传统隐写算法中的篡改概率矩阵,其中篡改概率越大的点将被优先篡改。生成网络采用图5所示的U型结构神经网络,包括16组子网络结构,前8组为卷积层组,每一个卷积层组包含卷积层批、归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而减少;后8组为反卷积层组,包含反卷积层、批归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而变大,前8层与后8层对应的镜像网络层之间的特征图都以串联(concatenate)的方式进行连接。
S3:将步骤S2得到的篡改概率矩阵以及相同尺寸的随机噪声矩阵(模拟秘密信息)输入到模拟编码嵌入模块,产生图像DCT系数上的篡改矩阵,将篡改矩阵与步骤S1得到的载体图像的DCT系数矩阵相加得到载密图像的DCT系数矩阵。
其中模拟编码嵌入模块中的最优编码拟合函数的一种具体实现公式(双S型生长曲线拟合函数)为:
mij=-sigmoid(λ×(pij-2×nij))+sigmoid(λ×(pij-2×(1-nij)))其中激活函数fs采用S型生长曲线(Sigmoid)函数。上式中,pij为生成网络输出的像素对应的篡改概率,nij为随机噪声矩阵,λ为函数的缩放因子,mij为篡改矩阵;缩放因子λ取值越大,其拟合最优嵌入函数的效果越好,但是对于梯度传播越不利,缩放因子λ取值越小,越有利于梯度的传播,但是拟合效果会变差。其中λ取值为100。
S4:通过可传递梯度的JPEG变换模块将载体/载密图像的DCT系数矩阵转换为空域图像,最终得到空域上的载体/载密图像。
S5:将空域上的载体图像与载密图像输入到判别网络(即隐写分析网络,具体结构如附图7所示)得到相应的分类标签,通过计算分类误差:
得到相应的损失函数,通过反向传播算法最小化ls来训练判别网络,最大化ls训练生成网络,同时通过拟合嵌入负载量的概率信息熵:
得到拟合嵌入负载量的损失函数lp=(H-γ×q)2,利用损失函数:
lG=α×-lD+β×lp
来训练生成网络使得隐写算法的嵌入负载量满足设定值,上式中,H为概率信息熵,h为图像的高、w为图像的宽,表示位于(i,j)的DCT系数进行+1篡改的概率值,表示位置(i,j)的DCT系数进行-1篡改的概率值,表示位置(i,j)的DCT系数不进行篡改的概率值,γ为载体图像DCT系数中非零交流系数的数量,q为设定的目标嵌入负载量。权重系数α=1,β=10-7。
其中判别网络采用了目前性能较好的基于DenseNet的隐写分析网络,具体结构如附图7所示,包括1个预处理层以及7个dense卷积层组,其中预处理层包括16个不同类型的高通滤波器用于抑制图像内容,扩大嵌入弱信号,每个dense卷积层组包括4个卷积层与1个池化层,卷积层都与其位于同一个dense卷积层组中前面的每一卷积层相连,实现特征图的重用,采用修正线性单元函数作为激活函数,采用全连接层与softmax函数得到最终的分类概率输出。
由于判别网络的收敛速度相对生成网络较快,因此每迭代更新一次判别网络的参数,对应更新两次生成网络的参数。采用交流Adam优化器对网络参数进行迭代更新,批尺寸为12,迭代次数大于120,000次。
S6训练结束后,将训练好的生成网络与采用网格编码(Syndrometrelliscode,STC)的信息编码模块以及JPEG变换模块相结合,将秘密信息以自适应的方式嵌入到载体图像的DCT系数中产生用于隐秘通信的载密图像。
实施例3
本实施例提供一种基于生成对抗网络的JPEG图像隐写***,包括基于生成对抗网络的JPEG域图像隐写方法得到的生成网络模块,信息编码模块,JPEG变换模块,如图1中图像隐写***所示,其步骤如下:
S1:将输入的载体图像通过JPEG变换模块转换为DCT系数矩阵。
S2:将载体图像的DCT系数矩阵输入到生成网络模块得到篡改概率矩阵并转换为对应的嵌入代价值。其中生成网络模块中生成网络的参数为经过生成对抗网络训练模块训练后的参数。
S3:由采用网格编码(Syndrometrelliscode,STC)的信息编码模块根据嵌入代价值以及实际秘密信息产生与图像相同尺寸的篡改矩阵。
S4:将篡改矩阵与载体图像的DCT系数矩阵相加得到载密图像的DCT系数矩阵。
S5:利用JPEG变换模块得到空域上的载密图像。
相同或相似的标号对应相同或相似的部件;
附图中描述位置关系的用语仅用于示例性说明,不能理解为对本专利的限制;
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (10)
1.一种基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述的生成对抗网络包括生成网络、模拟编码嵌入模块及判别网络,包括以下步骤:
S1:将载体图像通过可传递梯度JPEG变换模块,得到该载体图像对应的DCT域上的系数矩阵;
S2:将该载体图像对应的DCT系数矩阵输入到所述生成网络中,通过生成网络产生对应的与载体图像大小一致的篡改概率矩阵,所述篡改概率矩阵的每一位置的数值代表该位置对应的像素位置DCT系数受到篡改的概率;
S3:将产生的篡改概率矩阵与随机噪声矩阵通过模拟编码嵌入模块进行模拟编码得到与载体图像大小一致的篡改矩阵,所述随机噪声矩阵与所述篡改概率矩阵大小一致,篡改矩阵中元素的取值为±1与0,随机噪声矩阵用于模拟随机秘密信息;将篡改矩阵与载体图像对应的DCT域上的矩阵相加,得到DCT域上与载体图像DCT系数矩阵对应的载密图像的DCT系数矩阵;
S4:将DCT域上的载密图像的DCT系数矩阵通过可传递梯度的JPEG变换模块转换为空域上的载密图像;
S5:将S4得到载密图像与S1的载体图像输入到判别网络,通过判别网络对载体图像与载密图像进行分类,将判别网络产生的分类误差作为损失函数,并将损失函数反馈回判别网络与生成网络并进行对抗训练;
S6:训练结束后,将训练好的生成网络与传统的信息编码模块以及JPEG变换模块相结合,根据生成网络产生的嵌入代价值将秘密信息以自适应的方式嵌入到载体图像的DCT系数中产生用于隐秘通信的载密图像,所述嵌入代价值为篡改概率转换所得,具体转换公式为:
2.根据权利要求1所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述可传递梯度JPEG变换模块包括图像数据处理以及矩阵变换,其中图像数据处理包括Tensor数据的batch分离,单一batch的分块处理,分块的合并以及batch的合并;可传递梯度JPEG变换模块中的矩阵变换包括二维离散余弦矩阵变换、反二维离散余弦变换以及对应的量化与反量化处理,其中反量化不采用取整操作以确保梯度有效传递。
3.根据权利要求1所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述步骤S2中的生成网络为一个并联的全卷积神经网络或一个U型结构的卷积神经网络,其中并联的全卷积神经网络分为四个支路,每个支路包括三个卷积层,四个支路的卷积核大小分别为2、3、4、5,每一个卷积层包括50个卷积核,均采用带泄露整流函数(Leak ReLU)作为激活函数;U型结构的卷积神经网络共16组,前8组为卷积层组,每一个卷积层组包含卷积层批、归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而减少;后8组为反卷积层组,包含反卷积层、批归一化层以及带泄露整流函数,图像特征图的尺寸随着网络层数的增加而变大,前8层与后8层对应的镜像网络层之间的特征图都以串联(concatenate)的方式进行连接。
4.根据权力要求1所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,步骤S3中模拟编码嵌入模块由最优编码拟合函数组成,其中最优编码拟合函数所拟合的最优编码方式可表示为:
上式中,pij为生成网络输出的每个DCT系数对应的篡改概率,nij为随机噪声矩阵,mij为篡改矩阵;最优编码拟合函数的特征在于保持梯度可传播的同时能够拟合上述的最优编码方式;其中最优编码拟合函数的表达式为:
mij=-k×fs(λ×(pij-2×nij))+k×fs(λ×(pij-2×(1-nij)))+c
其中λ为缩放因子其取值越大,最优编码拟合函数的拟合效果越好,对于梯度传播越不利,缩放因子λ取值越小,越有利于梯度的传播,但拟合效果会变差,fs表示一类激活函数,如:Tanh,Sigmoid,ReLU,k为权重系数,c为一个常数偏置。
5.根据权利要求1所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于:步骤S5所述的判别网络为基于DenseNet的隐写分析卷积神经网络,包括1个预处理层以及7个dense卷积层组,其中预处理层包括16个不同类型的高通滤波器用于抑制图像内容的强信号,增强隐写嵌入修改的弱信号,每个dense卷积层组包括4个卷积层与1个池化层,卷积层都与其位于同一个dense卷积层组中前面的每一卷积层相连,实现特征图的重用,采用线性整流函数作为激活函数,采用全连接层与softmax函数得到最终的分类概率输出。
6.根据权利要求1所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,对于生成网络与判别网络利用分类误差得到的损失函数采用梯度反向传播进行参数的训练,每更新一次判别网络的参数则更新两次生成网络的参数,其中用于更新生成网络的损失函数还包含通过篡改概率信息熵得到的拟合嵌入负载量与目标负载量之间误差产生的损失函数。
7.根据权利要求6所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述迭代更新次数大于120,000次。
8.根据权利要求6所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述的概率信息熵计算公式如下:
上式中,H为概率信息熵,h为图像的高、w为图像的宽,表示位于(i,j)的DCT系数进行+1篡改的概率值,表示位置(i,j)的DCT系数进行-1篡改的概率值,表示位置(i,j)的DCT系数不进行篡改的概率值。
9.根据权利要求6至8任一项所述的基于生成对抗网络的JPEG域图像隐写方法,其特征在于,所述判别网络的损失函数为分类误差的交叉熵,具体计算公式为:
上式中,yi表示判别网络将图像分为第i类的概率,yi′表示图像实际的类别标签;
生成网络的损失函数由判别网络的损失函数以及拟合嵌入负载量的损失函数共同组成,具体公式为:
lG=α×-lD+β×lp
其中lp=(H-γ×q)2为拟合嵌入负载量的损失函数,γ为载体图像DCT系数中非零交流系数的数量,q为设定的目标嵌入负载量,α与β为用于调整两项损失函数的权重系数,其特征在于,α与β设定值的选取需要权衡隐写安全性以及嵌入率的拟合精度。
10.一种基于生成对抗网络的JPEG图像隐写***,其特征在于,包括基于生成对抗网络的JPEG域图像隐写方法得到的生成网络模块、信息编码模块和JPEG变换模块,具体步骤如下:
输入的空域载体图像利用JPEG变换模块转换为DCT系数矩阵,再通过所述的生成网络模块产生对应DCT系数矩阵的篡改概率矩阵并转换为嵌入代价值,根据嵌入代价值与实际秘密信息利用信息编码模块产生与图像相同尺寸的篡改矩阵,将该矩阵与原始载体图像对应的DCT矩阵相加并输入到JPEG变换模块生成用于实际隐秘通信的载密图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368809.2A CN110334805B (zh) | 2019-05-05 | 2019-05-05 | 一种基于生成对抗网络的jpeg域图像隐写方法和*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910368809.2A CN110334805B (zh) | 2019-05-05 | 2019-05-05 | 一种基于生成对抗网络的jpeg域图像隐写方法和*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110334805A true CN110334805A (zh) | 2019-10-15 |
CN110334805B CN110334805B (zh) | 2022-10-25 |
Family
ID=68139373
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910368809.2A Expired - Fee Related CN110334805B (zh) | 2019-05-05 | 2019-05-05 | 一种基于生成对抗网络的jpeg域图像隐写方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110334805B (zh) |
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN110879894A (zh) * | 2019-11-11 | 2020-03-13 | 陕西师范大学 | 一种懒尺度变换和随机分层融合的图像加密解密方法 |
CN111222583A (zh) * | 2020-01-15 | 2020-06-02 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN111263165A (zh) * | 2019-12-27 | 2020-06-09 | 郑州师范学院 | 一种hevc视频隐写信息的嵌入方法及提取方法 |
CN111327785A (zh) * | 2020-01-15 | 2020-06-23 | 郑州埃文计算机科技有限公司 | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 |
CN111681154A (zh) * | 2020-06-09 | 2020-09-18 | 湖南大学 | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 |
CN111768326A (zh) * | 2020-04-03 | 2020-10-13 | 南京信息工程大学 | 一种基于gan扩增图像前景物体的高容量数据保护方法 |
CN111882476A (zh) * | 2020-07-17 | 2020-11-03 | 广州大学 | 基于深度强化学习的自动学习嵌入代价的图像隐写方法 |
CN112199693A (zh) * | 2020-09-30 | 2021-01-08 | 东南数字经济发展研究院 | 一种基于卡通化图像的隐写方法 |
CN112468677A (zh) * | 2020-11-27 | 2021-03-09 | 中国农业银行股份有限公司 | 一种数据加解密方法、装置及电子设备 |
CN112634118A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 对抗批隐写方法 |
CN112767226A (zh) * | 2021-01-15 | 2021-05-07 | 南京信息工程大学 | 基于gan网络结构自动学习失真的图像隐写方法和*** |
CN113076549A (zh) * | 2021-04-08 | 2021-07-06 | 上海电力大学 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
CN114051082A (zh) * | 2021-10-19 | 2022-02-15 | 河南师范大学 | 基于失真度和信息增益比的隐写检测特征选取方法及装置 |
CN114900586A (zh) * | 2022-04-28 | 2022-08-12 | 中国人民武装警察部队工程大学 | 一种基于dcgan的信息隐写方法及装置 |
CN117939027A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于dct特征提取的jpeg图像隐写方法及*** |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130208941A1 (en) * | 2012-02-01 | 2013-08-15 | Qingzhong Liu | Steganalysis with neighboring joint density |
CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
CN106097240A (zh) * | 2016-06-13 | 2016-11-09 | 天津大学 | 一种彩色图像自适应隐写方法 |
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及*** |
CN106791872A (zh) * | 2016-11-18 | 2017-05-31 | 南京邮电大学 | 基于svd的信息隐藏方法 |
CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
CN107563155A (zh) * | 2017-08-08 | 2018-01-09 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的安全隐写方法和装置 |
CN107908969A (zh) * | 2017-11-21 | 2018-04-13 | 中山大学 | 一种基于空域特性的jpeg图像自适应隐写方法 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN108024028A (zh) * | 2017-12-12 | 2018-05-11 | 中国人民解放军战略支援部队信息工程大学 | 基于串行级联码和dct系数相对关系的jpeg图像鲁棒隐写方法 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及*** |
CN108416725A (zh) * | 2018-03-13 | 2018-08-17 | 中山大学 | 一种基于消除块效应的非对称jpeg隐写方法 |
CN108921764A (zh) * | 2018-03-15 | 2018-11-30 | 中山大学 | 一种基于生成对抗网络的图像隐写方法及*** |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN108961137A (zh) * | 2018-07-12 | 2018-12-07 | 中山大学 | 一种基于卷积神经网络的图像隐写分析方法及*** |
CN109040763A (zh) * | 2018-08-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的图像压缩方法及*** |
CN109214973A (zh) * | 2018-08-24 | 2019-01-15 | 中国科学技术大学 | 针对隐写分析神经网络的对抗安全载体生成方法 |
CN109587372A (zh) * | 2018-12-11 | 2019-04-05 | 北京邮电大学 | 一种基于生成对抗网络的不可见图像隐写术 |
CN109658322A (zh) * | 2018-12-11 | 2019-04-19 | 宁波大学 | 一种大容量图像隐写方法和秘密信息提取方法 |
-
2019
- 2019-05-05 CN CN201910368809.2A patent/CN110334805B/zh not_active Expired - Fee Related
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
US20130208941A1 (en) * | 2012-02-01 | 2013-08-15 | Qingzhong Liu | Steganalysis with neighboring joint density |
CN103914839A (zh) * | 2014-03-27 | 2014-07-09 | 中山大学 | 一种基于隐写分析的图像拼接篡改检测方法及装置 |
CN106097240A (zh) * | 2016-06-13 | 2016-11-09 | 天津大学 | 一种彩色图像自适应隐写方法 |
CN106530200A (zh) * | 2016-10-23 | 2017-03-22 | 深圳大学 | 一种基于深度学习模型的隐写图像检测方法及*** |
CN106791872A (zh) * | 2016-11-18 | 2017-05-31 | 南京邮电大学 | 基于svd的信息隐藏方法 |
CN106920206A (zh) * | 2017-03-16 | 2017-07-04 | 广州大学 | 一种基于对抗神经网络的隐写分析方法 |
CN107563155A (zh) * | 2017-08-08 | 2018-01-09 | 中国科学院信息工程研究所 | 一种基于生成对抗网络的安全隐写方法和装置 |
CN107945204A (zh) * | 2017-10-27 | 2018-04-20 | 西安电子科技大学 | 一种基于生成对抗网络的像素级人像抠图方法 |
CN107908969A (zh) * | 2017-11-21 | 2018-04-13 | 中山大学 | 一种基于空域特性的jpeg图像自适应隐写方法 |
CN108024028A (zh) * | 2017-12-12 | 2018-05-11 | 中国人民解放军战略支援部队信息工程大学 | 基于串行级联码和dct系数相对关系的jpeg图像鲁棒隐写方法 |
CN108416725A (zh) * | 2018-03-13 | 2018-08-17 | 中山大学 | 一种基于消除块效应的非对称jpeg隐写方法 |
CN108346125A (zh) * | 2018-03-15 | 2018-07-31 | 中山大学 | 一种基于生成对抗网络的空域图像隐写方法及*** |
CN108921764A (zh) * | 2018-03-15 | 2018-11-30 | 中山大学 | 一种基于生成对抗网络的图像隐写方法及*** |
CN108961137A (zh) * | 2018-07-12 | 2018-12-07 | 中山大学 | 一种基于卷积神经网络的图像隐写分析方法及*** |
CN108923922A (zh) * | 2018-07-26 | 2018-11-30 | 北京工商大学 | 一种基于生成对抗网络的文本隐写方法 |
CN109040763A (zh) * | 2018-08-07 | 2018-12-18 | 北京飞搜科技有限公司 | 一种基于生成式对抗网络的图像压缩方法及*** |
CN109214973A (zh) * | 2018-08-24 | 2019-01-15 | 中国科学技术大学 | 针对隐写分析神经网络的对抗安全载体生成方法 |
CN109587372A (zh) * | 2018-12-11 | 2019-04-05 | 北京邮电大学 | 一种基于生成对抗网络的不可见图像隐写术 |
CN109658322A (zh) * | 2018-12-11 | 2019-04-19 | 宁波大学 | 一种大容量图像隐写方法和秘密信息提取方法 |
Non-Patent Citations (2)
Title |
---|
HANQI ZI ET AL.: "Steganography with Convincing Normal Image from A Joint Generative Adversarial Framework", 《APSIPA ANNUAL SUMMIT AND CONFERENCE 2018》 * |
WEIXUAN TANG ET AL.: "Automatic Steganographic Distortion Learning Using a Generative Adversarial Network", 《IEEE SIGNAL PROCESSING LETTERS》 * |
Cited By (31)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110852316B (zh) * | 2019-11-07 | 2023-04-18 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN110852316A (zh) * | 2019-11-07 | 2020-02-28 | 中山大学 | 一种采用密集结构卷积网络的图像篡改检测和定位方法 |
CN110879894A (zh) * | 2019-11-11 | 2020-03-13 | 陕西师范大学 | 一种懒尺度变换和随机分层融合的图像加密解密方法 |
CN111263165A (zh) * | 2019-12-27 | 2020-06-09 | 郑州师范学院 | 一种hevc视频隐写信息的嵌入方法及提取方法 |
CN111263165B (zh) * | 2019-12-27 | 2022-07-01 | 郑州师范学院 | 一种hevc视频隐写信息的嵌入方法及提取方法 |
CN111222583A (zh) * | 2020-01-15 | 2020-06-02 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN111327785A (zh) * | 2020-01-15 | 2020-06-23 | 郑州埃文计算机科技有限公司 | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 |
CN111327785B (zh) * | 2020-01-15 | 2022-04-15 | 郑州埃文计算机科技有限公司 | 一种基于对抗生成网络的图像自动构建的信息隐写通信方法 |
CN111222583B (zh) * | 2020-01-15 | 2023-11-17 | 北京中科研究院 | 一种基于对抗训练与关键路径提取的图像隐写分析方法 |
CN111768326A (zh) * | 2020-04-03 | 2020-10-13 | 南京信息工程大学 | 一种基于gan扩增图像前景物体的高容量数据保护方法 |
CN111768326B (zh) * | 2020-04-03 | 2023-08-25 | 南京信息工程大学 | 一种基于gan扩增图像前景物体的高容量数据保护方法 |
CN111681154A (zh) * | 2020-06-09 | 2020-09-18 | 湖南大学 | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 |
CN111681154B (zh) * | 2020-06-09 | 2022-06-21 | 湖南大学 | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 |
CN111882476A (zh) * | 2020-07-17 | 2020-11-03 | 广州大学 | 基于深度强化学习的自动学习嵌入代价的图像隐写方法 |
CN111882476B (zh) * | 2020-07-17 | 2023-07-07 | 广州大学 | 基于深度强化学习的自动学习嵌入代价的图像隐写方法 |
CN112199693A (zh) * | 2020-09-30 | 2021-01-08 | 东南数字经济发展研究院 | 一种基于卡通化图像的隐写方法 |
CN112468677B (zh) * | 2020-11-27 | 2022-09-27 | 中国农业银行股份有限公司 | 一种数据加解密方法、装置及电子设备 |
CN112468677A (zh) * | 2020-11-27 | 2021-03-09 | 中国农业银行股份有限公司 | 一种数据加解密方法、装置及电子设备 |
CN112634118B (zh) * | 2020-12-24 | 2022-09-30 | 中国科学技术大学 | 对抗批隐写方法 |
CN112634118A (zh) * | 2020-12-24 | 2021-04-09 | 中国科学技术大学 | 对抗批隐写方法 |
CN112767226B (zh) * | 2021-01-15 | 2023-09-12 | 南京信息工程大学 | 基于gan网络结构自动学习失真的图像隐写方法和*** |
CN112767226A (zh) * | 2021-01-15 | 2021-05-07 | 南京信息工程大学 | 基于gan网络结构自动学习失真的图像隐写方法和*** |
CN113076549A (zh) * | 2021-04-08 | 2021-07-06 | 上海电力大学 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
CN113076549B (zh) * | 2021-04-08 | 2023-05-12 | 上海电力大学 | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 |
CN113077377A (zh) * | 2021-05-13 | 2021-07-06 | 海南大学 | 一种基于生成对抗网络的彩色图像隐写方法 |
CN114051082B (zh) * | 2021-10-19 | 2023-10-27 | 河南师范大学 | 基于失真度和信息增益比的隐写检测特征选取方法及装置 |
CN114051082A (zh) * | 2021-10-19 | 2022-02-15 | 河南师范大学 | 基于失真度和信息增益比的隐写检测特征选取方法及装置 |
CN114900586A (zh) * | 2022-04-28 | 2022-08-12 | 中国人民武装警察部队工程大学 | 一种基于dcgan的信息隐写方法及装置 |
CN114900586B (zh) * | 2022-04-28 | 2024-04-16 | 中国人民武装警察部队工程大学 | 一种基于dcgan的信息隐写方法及装置 |
CN117939027A (zh) * | 2024-03-21 | 2024-04-26 | 南京信息工程大学 | 基于dct特征提取的jpeg图像隐写方法及*** |
CN117939027B (zh) * | 2024-03-21 | 2024-06-07 | 南京信息工程大学 | 基于dct特征提取的jpeg图像隐写方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110334805B (zh) | 2022-10-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110334805A (zh) | 一种基于生成对抗网络的jpeg域图像隐写方法和*** | |
CN112634117B (zh) | 基于生成对抗网络的端到端jpeg域图像隐写方法 | |
CN112288658B (zh) | 一种基于多残差联合学习的水下图像增强方法 | |
CN111275647B (zh) | 一种基于循环生成对抗网络的水下图像复原方法 | |
Kim et al. | Dynamic receptive field generation for full-reference image quality assessment | |
CN110097178A (zh) | 一种基于熵注意的神经网络模型压缩与加速方法 | |
CN108346125A (zh) | 一种基于生成对抗网络的空域图像隐写方法及*** | |
CN113222800A (zh) | 一种基于深度学习的鲁棒图像水印嵌入与提取方法及*** | |
CN108399362A (zh) | 一种快速行人检测方法及装置 | |
CN107977932A (zh) | 一种基于可鉴别属性约束生成对抗网络的人脸图像超分辨率重建方法 | |
Setyaningsih et al. | Survey of hybrid image compression techniques | |
CN109300090A (zh) | 一种基于亚像素和条件对抗生成网络的单幅图像去雾方法 | |
CN109658322B (zh) | 一种大容量图像隐写方法和秘密信息提取方法 | |
CN109191389A (zh) | 一种x光图像自适应局部增强方法 | |
CN109598732B (zh) | 一种基于三维空间加权的医学图像分割方法 | |
CN111681154B (zh) | 一种基于生成对抗网络的彩色图像隐写失真函数设计方法 | |
CN112528830A (zh) | 一种结合迁移学习的轻量级cnn口罩人脸姿态分类方法 | |
CN112287973A (zh) | 基于截尾奇异值和像素插值的数字图像对抗样本防御方法 | |
CN110490265A (zh) | 一种基于双路卷积和特征融合的图像隐写分析方法 | |
CN112132737B (zh) | 一种无参考生成的图像鲁棒隐写方法 | |
CN110490804A (zh) | 一种基于生成对抗网络的生成超分辨图像的方法 | |
CN114339258A (zh) | 一种基于视频载体的信息隐写方法及装置 | |
CN107578365B (zh) | 基于量子杂草寻优机制的小波数字水印嵌入和提取方法 | |
CN113076549B (zh) | 一种基于新型U-Net结构生成器的对抗网络图像隐写方法 | |
CN113034332A (zh) | 不可见水印图像、后门攻击模型构建、分类方法及*** |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20221025 |