CN111275603B - 一种基于风格转换的安全图像隐写方法与电子装置 - Google Patents
一种基于风格转换的安全图像隐写方法与电子装置 Download PDFInfo
- Publication number
- CN111275603B CN111275603B CN202010064850.3A CN202010064850A CN111275603B CN 111275603 B CN111275603 B CN 111275603B CN 202010064850 A CN202010064850 A CN 202010064850A CN 111275603 B CN111275603 B CN 111275603B
- Authority
- CN
- China
- Prior art keywords
- network
- picture
- style
- secret
- content
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T1/00—General purpose image data processing
- G06T1/0021—Image watermarking
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
- G06T7/41—Analysis of texture based on statistical description of texture
- G06T7/42—Analysis of texture based on statistical description of texture using transform domain methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- General Health & Medical Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Image Processing (AREA)
- Facsimile Transmission Control (AREA)
Abstract
本发明公开了一种基于风格转换的安全图像隐写方法与电子装置,将一秘密信息、一内容图片与一风格图片输入一第一卷积网络,生成一载密图片。本发明直接利用神经网络技术生成载密图片,隐藏了载体图片与载密图片的对应关系,将秘密信息直接隐藏进风格纹理中,从而实现秘密信息的安全传输;克服对载体图片尺寸的限制,增加方法的通用性。
Description
技术领域
本发明涉及信息安全技术领域,尤其涉及一种基于风格转换的安全图像隐写方法与电子装置。
背景技术
隐写作为信息隐藏领域的重要分支,可通过将秘密消息嵌入到多媒体文件(如数字图像、音频、视频、文本等)中达到隐蔽通信的目的。隐写前后的多媒体文件在视觉及统计特性上是不可区分的,因而不会引起攻击者的怀疑。随着数字技术的发展,图像信息在互联网中愈加丰富,通过图像传输的秘密信息不易引起对方警觉,而且由于数据量丰富及应用普遍等优点,图像逐渐成为流行的秘密通信载体。
传统的图像隐写算法通常按照嵌入域进行分类,可以分为空域图像隐写和变换域图像隐写两大类。空域图像隐写是指在图像空间域进行修改,直接更改图像的像素值,常用的方法有LSB匹配(Sharp T.An implementation of key-based digital signalsteganography[C]//International Workshop on Information Hiding.Springer,Berlin,Heidelberg,2001:13-26),基于调色板的隐写(Niimi M,Noda H,Kawaguchi E,etal.High capacity and secure digital steganography to palette-based images[C]//Proceedings.International Conference on Image Processing.IEEE,2002,2:II-II)等。变换域图像隐写是指在变换域中嵌入信息,在保持隐写图像质量方面更有效,常用的方法有离散傅里叶变换(Abdelwahab A A,Hassaan L A.A discrete wavelettransform based technique for image data hiding[C]//2008National RadioScience Conference.IEEE,2008:1-9),离散小波变换(Patel K,Ragha L.Binary imageSteganography in wavelet domain[C]//2015International Conference onIndustrial Instrumentation and Control(ICIC).IEEE,2015:1635-1640)等。
图像自适应隐写算法是近年来研究的热点,通过将嵌入更改限制在图像中难以建模的纹理复杂或者噪声区域,并结合高效编码方法实现隐写,从而取得了更好的抗检测效果,是当前最安全的一类隐写,常用的方法有HUGO(Pevny T,Filler T,Bas P.Using high-dimensional image models to perform highly undetectable steganography[C]//International Workshop on Information Hiding.Springer,Berlin,Heidelberg,2010:161-177),WOW(Holub V,Fridrich J.Designing steganographic distortion usingdirectional filters[C]//2012IEEE International workshop on informationforensics and security(WIFS).IEEE,2012:234-239)等。但是,随着隐写分析技术的进步,传统图像隐写算法专家知识依赖程度高、难以灵活升级的弊端不断出现,比如(TANG W,LI H,LUO W,et al.Adaptive steganalysis against WOW embedding algorithm[C]//IH&;MMSec’14:Proceedings of the 2nd ACM Workshop on Information Hiding andMultimedia Security.[S.l.:s.n.],2014:91–96)针对WOW隐写就具有较高的隐写检测成功率,(SHI Y Q,SUTTHIWAN P,CHEN L.Textural features for steganalysis[C]//International workshop on information hiding.[S.l.:s.n.],2012:63–77)针对自适应隐写的纹理复杂区域构造多种类型的残差图像来提高检测率,GNCNN(QIAN Y,DONG J,WANG W,et al.Deep learning for steganalysis via convolutional neural networks[C]//Proc.SPIE:volume 9409.[S.l.:s.n.],2015:1–10)利用固定的KV核预处理层、高斯激活函数、Average Pooling层的应用实现隐写图像的检测,这些隐写检测算法对现有隐写算法带来了极大的安全威胁。因此,近些年,大量学者尝试将深度学习技术引入信息隐藏领域,减少隐写算法设计时对专家知识的依赖,提高隐写性能,并取得了一定的进展,比如SteGAN(Hayes J,Danezis G.Generating steganographic images via adversarialtraining[C]//Advances in Neural Information Processing Systems.2017:1954-1963)通过神经网络的生成器与鉴别器的对抗训练,模拟隐写算法与隐写检测算法的对抗过程,从而完成隐写,SGAN(Hayes J,Danezis G.Generating steganographic images viaadversarial training[C]//Advances in Neural Information ProcessingSystems.2017:1954-1963)通过将噪声生成逼真的图片,从而生成更适合隐写的载体图片或者实现无载体隐写。但是这些方法存在不可感知性较差,隐写容量较小的问题,性能指标有待进一步提高。
总的来说,尽管现有的信息隐写方法取得了较高的数据传输安全性,但在图像隐写中,通过修改载体图像的某些特定的像素或系数来隐藏秘密信息,导致像素或系数之间的相关性发生改变,存在被隐写检测算法检测到的风险。而主流的隐写分析算法利用载密图片与对应的载体图片训练出的分类器来识别嵌入信息,因此其隐写生成方式仍然存在极大的安全风险,安全性有待进一步提高。因此,提出一种新型的安全图像隐写方案,减少被隐写分析方案侦测的风险,对于现实应用十分必要。
发明内容
本发明的目的是公开一种基于风格转换的安全图像隐写方法与电子装置,以增加秘密信息传输的安全性,目的在于将信息隐写到不同风格的图像中来防御隐写分析算法的检测,其核心是在对图片进行风格转换的同时,将秘密信息隐藏在目标风格纹理中,这样生成的载密图片与原始的载体图像在风格上完全无关,具有较高的安全性和不可感知性。同时图像美化和风格转换等应用的流行也为风格转换图片的公开传输提供土壤。使用本发明提出的新型隐写模型训练的隐写器进行隐写,可以抵御主流隐写分析算法的检测,增加秘密信息传输的安全性。
一种基于风格转换的安全图像隐写方法,将秘密信息、一内容图片与一风格图片输入一加密网络,生成一载密图片,其中所述加密网络通过内容图片和风格图片的训练集训练得到。
进一步地,所述加密网络为一第一卷积网络,所述第一卷积网络包括编码器、解码器和自适应实例归一化层,其中编码器网络使用预训练参数值。
进一步地,所述第一卷积网络的处理过程包括:
1)通过所述编码器分别编码所述内容图片与所述风格图片,得到内容特征与风格特征;
2)通过所述自适应实例归一化层将所述内容特征与所述风格特征融合,得到融合特征;
3)将所述融合特征与所述秘密信息拼接后输入所述解码器,得到所述载密图片。
进一步地,通过所述自适应实例归一化层融合所述内容特征与所述风格特征。
进一步地,使用最近邻上采样方法替换所述解码器中的pooling层;在解码和编码过程中使用反射填充法。
一种基于风格转换的安全图像隐写解密方法,将采用上述方法获取的所述载密图片输入与所述加密网络一同训练的解密网络进行解码,得到所述秘密信息。
进一步地,所述解密网络为一第二卷积网络,所述第二卷积网络包括BatchNormalization与Leaky Relu的六层卷积网络,其中最后一层不含Batch Normalization,并使用Tanh来替换掉Leaky Relu层。
进一步地,由所述加密网络和所述解密网络构成的整体模型结构训练步骤包括:
1)获取n组的样本秘密信息、样本内容图片与样本风格图片,并使用迭代法逐组输入所述加密网络和所述解密网络;
2)由加密损失网络计算风格损失函数与内容损失函数,更新所述加密网络解码器各层权值,直到所述加密网络收敛;
3)同时计算信息损失函数,更新所述解密网络各层权值,直到所述解密网络收敛。
一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序执行上述方法。
一种电子装置,包括存储器和处理器,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方法。
与现有技术相比,本发明具有以下特点:
本发明的基于风格转换的图像隐写方法对图像隐写领域的有益效果为有效隐藏了载密图片与载体图片的对应关系,极大提高现有图像隐写的安全性,具体包括:
(1)本发明直接利用神经网络技术生成载密图片,隐藏了载体图片与载密图片的对应关系,将秘密信息直接隐藏进风格纹理中,从而实现秘密信息的安全传输。因此,本方法可有效抵抗基于机器学习训练的多种隐写分析。
(2)使用本发明方法可以克服其他神经网络加密方法对载体图片尺寸的限制,增加方法的通用性。本发明方法使用全卷积网络,模型训练后可以输入任意尺寸的内容图片,实现任意长度的秘密信息的隐写,而其他基于深度学习的隐写模型在模型训练完成后只能输入固定尺寸的图片和固定长度的秘密信息,增加了图像隐写算法的通用性。
附图说明
图1是基于风格转换的安全图像隐写方法效果示意图;
图2是基于风格转换的安全图像隐写方法的模型架构;
图3是基于风格转换的安全图像隐写方法的实验效果对比图。
具体实施方式
下面结合附图和具体实施例对本发明方法作进一步描述。
本发明的设计过程中,发现CycleGAN(Li X,Liu S,Kautz J,et al.Learninglinear transformations for fast arbitrary style transfer[J].arXiv preprintarXiv:1808.04537,2018)等风格转换模型较容易受到对抗样本攻击的影响。因为当它将图像转换为目标域图像的同时,为了之后可以从域转换图像中恢复出原图像,它会将原图像有关信息不可见的隐藏在域转换图像中。将这种现象与隐写术联系在一起,在对图像进行域转换或者风格转换的同时,将秘密信息隐藏进风格纹理中,从而实现秘密信息的安全传输。此外,图像风格转换,图像美化等软件在我们日常生活中被广泛使用,这也为本发明在公开媒体中安全的传输风格转换图片提供了土壤。
本发明提出了一种基于风格转换技术的新颖的深度图像隐写模型。如图1所示,传统隐写方法,输入秘密信息和载体图片,生成载密图片。而本发明输入不但包含秘密信息和内容图片,还包含风格图片,最终生成一张隐藏了秘密信息的图片,其具有风格图片的风格以及内容图片的内容。
如图2所示,本发明主要为一个加密网络和一个解密网络,在训练过程中,还需要一个损失网络来辅助加密网路和解密网络的训练。本发明的基于风格转换的安全图像隐写方案分为训练过程和使用过程。在训练过程阶段,通过内容图片和风格图片的训练集训练图2的神经网络。而在使用阶段,秘密信息连同内容图片、风格图片一起输入加密网络,生成具有风格图片风格、内容图片内容的载密图片,解密时直接将得到的载密图片输入训练好的解密网络就可以直接得到传输的秘密信息。
在模型的详细设计中,加密网络包含编码器Encoder、解码器Decoder、自适应实例归一化层AdaIN layer。使用任意的内容图片Ic与风格图片Is作为输入,经过Encoder分别得到内容特征fc以及风格特征fs。这之后通过AdaIN组件融合内容特征与风格特征输出融合特征ft。其中,Encoder网络取自预训练的VGG-19网络的前几层,AdaIN按照如下公式进行计算,其中μ、σ分别表示内容特征fc的均值和方差,这里用来在信道中(channel-wise)匹配风格特征fs。
在接下来的操作中,我们将融合了内容特征fc和风格特征的fs的新的特征图ft与秘密信息M直接拼接(concat)在一起,之后输入Decoder中,利用Decoder得到新的加密图片。模型训练过程中,Encode使用预训练好的VGG网络模型参数,不再需要训练,只需要训练Decoder网络中使用的参数。在本发明中,为了防止Decoder产生的图片具有棋盘效应,使用了最近邻上采样而不是分步卷积的方法来替换网络中所有的池化pooling层。此外,在Encoder和Decoder中使用了反射填充(Reflection Padding)来避免边缘黑框。
模型的加密损失网络(Loss Network)用来辅助加密网络生成正常的图像,确保生成的加密图片,保持内容图片的内容以及风格图片的风格,并确保秘密信息隐藏在风格纹理中。与传统加密方式尽可能少的更改载体图片像素值的方法不同,加密损失网络更加关注生成图片的内容与风格。其具体实现架构如图2所示,在本发明中加密损失网络结构为预训练的VGG-19网络,并分别定义内容损失Lc和风格损失Ls训练加密网络。其中,加密网络与加密损失网络可为一个VGG网络,也可为两个独立VGG网络。在一个VGG网络中,加密网络中用到VGG网络的前几层,和在加密损失网络中用到的网络层数不同。
在本发明中内容损失Lc使用目标特征与输出图片特征的欧几里得平方距离来度量。使用φl(χ)表示当输入为χ时,VGG网络的特定层l的特征图。由于本发明希望秘密信息尽可能与载密图片的内容特征无关,因此在实施中使用AdaIN的输出ft而不是输入的内容图片fc作为目标特征,因此内容损失函数Lc的计算如下所示,其中C、H、W分别表示载密图片的信道数、高度和宽度。
风格损失Ls用来定义生成的图片与输入风格图片的一致性。通常,感知损失Perceptual loss和批量归一化统计匹配BN Statistics Matching都可以用来度量风格损失。在本实施例中,使用BN Statistics Matching来衡量风格损失Ls。风格损失函数如下所示。
其中IO表示载密图片,μ(φi(Is))、σ(φi(Is))分别表示载密图片在输入损失网络后在损失网络的第i层的特征图的标准差和方差。在本发明中,使用relu3_4层的特征图作为内容损失,relu1_2层、relu2_2层、relu3_4层和relu4_4层的特征图作为风格损失。
解密网络使用一系列的深度卷积网络来将带有秘密的图片还原为秘密信息在本发明中使用了包含批量归一化Batch Normalization、带泄露修正线性单元Leaky Relu的六层卷积网络,其中最后一层卷积网络不含Batch Normalization,并且使用双曲函数Tanh来替换掉Leaky Relu层。将加密网络输出的载密图片,输入到解密网络中,可以得到精确的秘密信息。本发明使用欧几里得平方距离来度量秘密信息的损失函数,具体如下所示,其中M为真实的秘密信息,为网络输出的秘密信息,L表示秘密信息的长度。
最终整个模型的总损失为
Ltotal=Lc+αLs+βLm
其中α、β分别为***定义的权重系数。
本发明需要利用上述定义的Ltotal通过图2的模型进行训练,在训练结束后我们会得到加密网络和解密网络,发送端可以使用加密网络输入秘密信息、内容图片和风格图片,加密模型会输出与内容图像的内容相同、风格不同的载密图片。接收端可以使用解密网络,输入载密图片,准确还原出秘密信息。
本发明所采用的技术方案主要包括以下步骤:
(1)模型搭建与训练。对于首次使用该模型进行图片隐写时,用户需要使用图2所示的网络首先进行训练,然后才能使用训练好的模型加解密信息。
(2)消息嵌入。我们的模型训练后可以输入任意尺寸的内容图片,实现任意长度的秘密信息的隐写。用户可以将风格图片、内容图片以及秘密信息输入加密网络,得到载密图片,该图片具有风格图片的风格,同时具有内容图片的内容,但无法找到该载密图片的对应原始图片。
(3)消息提取。该模型的解密网络可以直接将输入的载密图片还原为秘密信息。
本实施例是在通用图像的秘密信息隐写,其仅仅是本发明提出的基于风格转换的安全图像隐写方法的特定应用,可以充分说明该方法的效果。但本发明提出的是一个通用的方法,除本实施例之外,该方法可应用于其他基于图像的隐写。故基于本发明方法提出的其他实施例,都属于本发明的保护范围。
基于风格转换的安全图像隐写方法的图像隐写流程图,其方法主要包括以下步骤:
(1)模型训练。首先训练加密网络和解密网络,需要分别用内容图片训练集与风格图片训练集共同利用上面提到的模型进行训练,最终模型训练稳定后会得到可用的加密模块和解密模块用于到后续秘密信息的加密和解密。
(2)嵌入秘密消息。基于训练之后的加密网络和解密网络,对于秘密信息的长度没有要求。在加密时用户直接从内容训练集选取想要的载体图片或者与训练集图片内容相近的图片,风格训练集选取目的风格的图片,然后连同要传递的信息共同输入加密网络,加密网络将直接输出带有秘密信息的载密图片。
(3)提取秘密消息。在接收端将收到的载密信息直接输入解密网络,解密网络会直接输出传输的秘密信息。
本发明的一实施例使用COCO数据集作为内容图片,wikiart.org数据集作为风格图片,图片全部预处理为256×256大小,实验环境为Ubuntu18.04 GTX 1080。在本实例中,为了测试方法效果,将从实验效果,隐写容量,安全性和可靠性这四个方面进行展示。
在嵌入秘密信息后生成的图片如图3的第三列所示,为了展示实验效果,将嵌入秘密信息的图片与专门的风格转换工作Huang(Liu Z,Luo P,Wang X,et al.Deep learningface attributes in the wild[C]//Proceedings of the IEEE internationalconference on computer vision.2015:3730-3738)和Chen(Li X,Liu S,Kautz J,etal.Learning linear transformations for fast arbitrary style transfer[J].arXivpreprint arXiv:1808.04537,2018)进行了对比,通过图3可看出本发明达到了不错的风格转换效果,嵌入的秘密信息并没有破坏图片的内容或风格效果。
在隐写容量方面,模型的隐写容量为0.06bpp,同时由于模型使用全卷积网络,模型训练后可以输入任意尺寸的内容图片,实现任意长度的秘密信息的隐写。而其他基于深度学习的隐写模型,在模型训练完成后,只能输入固定尺寸的图片和固定长度的秘密信息,隐写容量通常为0.4bpp左右。表1为本发明与其他基于深度学习的网络模型的性能比较SteGAN(Hayes J,Danezis G.Generating steganographic images via adversarialtraining[C]//Advances in Neural Information Processing Systems.2017:1954-1963.),HiDDeN(Zhu J,Kaplan R,Johnson J,et al.Hidden:Hiding data with deepnetworks[C]//Proceedings of the European Conference on Computer Vision(ECCV).2018:657-672.),从对比可以看出本发明的模型可以利用已经训练好的网络处理任意大小的载体图像,同时本发明的模型对于输入秘密信息的长度不做要求。
表1隐写容量对比
模型 | 本发明模型 | SteGAN | HiDDeN |
载密图片尺寸(最大) | 任意尺寸 | 32×32 | 16×16 |
隐写容量(最大) | 0.06bpp | 0.4bpp | 0.2bpp |
秘密信息长度(最大) | 任意长度 | 409 bit | 51bit |
在安全性方面,与传统的隐写算法不同,本发明的隐写方法不存在对应的载体图片,所以无法使用载体图片和对应的载密图片训练一个隐写分析器的方法来检测载密图片的安全性,这意味着现存的隐写检测方法是无效的。虽然本发明生成的载密图片与原始图片的区别显而易见,但是只要能保证风格载密图片与其他正常的风格转换图片是无法区分的,就可以保证载密图片的安全性。本发明设计了特别的实验来分析模型的安全性,首先使用本发明的基于风格转换的图像隐写方法生成的图片作为正样本,另外选取3个风格转换模型(Ker A D,Bas P,R,et al.Moving steganography and steganalysis fromthe laboratory into the real world[C]//Proceedings of the first ACM workshopon Information hiding and multimedia security.ACM,2013:45-58)(Tang W,Tan S,LiB,et al.Automatic steganographic distortion learning using a generativeadversarial network[J].IEEE Signal Processing Letters,2017,24(10):1547-1551)(Yang J,Liu K,Kang X,et al.Spatial image steganography based on generativeadversarial network[J].arXiv preprint arXiv:1804.07939,2018)生成的图片作为负样本,利用这些图片作为训练集,训练一个分类神经网络模型。
在本实施例中设计了四种测试实验。C1,使用本发明的图片以及3种风格转换模型生成的图片共同组成测试集输入已经训练好的分类神经网络模型进行测试,结果显示分类准确率为0.993,表明本发明的分类模型训练的很好。C2,使用不同的随机种子(超参数)训练一个本发明的新模型去生成测试用的正样本,分类准确率降低为0.786。C3,去掉BN结构(超参数)训练一个本发明的新模型去生成测试用的正样本,分类准确率降低为0.592。C4,使用不同的训练集(替换部分图片)训练一个新的模型去生成测试用的正样本,分类准确率降低为0.753。实验证明了本发明模型有较高的安全性,因为生成的载密图片与其他风格转换模型产生的风格图片是无法区分的。
表2模型安全性对比
实验条件 | C1 | C2 | C3 | C4 |
分类准确率 | 0.993 | 0.786 | 0.592 | 0.753 |
同时,C5,本发明生成模型的可靠性测试。使用模型生成10,000张载密图片来计算秘密信息的恢复准确率。当发送端和接收端使用相同的超参数和训练集训练模型的时候,可以准确的恢复出秘密信息,准确率为0.99,如果需要100%的恢复准确性,可以尝试加入纠错编码。设定一种极端情况C6,敌手获得了秘密信息,并且使用不同的超参数和训练集训练了本发明提出的模型,试图解码秘密信息,准确率只有0.39,几乎等同于随机猜测,也就是说其无法得到任何有意义的信息。
表3模型可靠性分析
实验条件 | C5 | C6 |
秘密信息恢复准确率 | 0.99 | 0.39 |
由以上具体实施方式中的实施例及测试可知,本发明基于风格转换的安全图像隐写方法可以有效提高图像隐写的安全性,防止现有的隐写分析器的检测,充分保证图像隐写的安全性。
以上实施例仅用以说明本发明的技术方案而非对其进行限制,本领域的普通技术人员可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明的精神和范围,本发明的保护范围应以权利要求书所述为准。
Claims (6)
1.一种基于风格转换的安全图像隐写与解密方法,其步骤包括:
将秘密信息、一内容图片与一风格图片输入一由编码器、解码器和自适应实例归一化层构成的加密网络,生成一载密图片,包括:
通过所述编码器分别编码所述内容图片与所述风格图片,得到内容特征与风格特征;
通过所述自适应实例归一化层将所述内容特征与所述风格特征融合,得到融合特征;
将所述融合特征与所述秘密信息拼接后输入所述解码器,得到所述载密图片;
将所述载密图片输入与所述加密网络一同训练的解密网络进行解码,得到所述秘密信息,所述解密网络包括:BatchNormalization与LeakyRelu的六层卷积网络,其中最后一层不含BatchNormalization,并使用Tanh来替换掉LeakyRelu层。
2.如权利要求1所述的方法,其特征在于,通过所述自适应实例归一化层融合所述内容特征与所述风格特征。
3.如权利要求1所述的方法,其特征在于,使用最近邻上采样方法替换所述解码器中的pooling层;在解码和编码过程中使用反射填充法。
4.如权利要求1所述的方法,其特征在于,由所述加密网络和所述解密网络构成的整体模型结构训练步骤包括:
1)获取n组的样本秘密信息、样本内容图片与样本风格图片,并使用迭代法逐组输入所述加密网络和所述解密网络;
2)由加密损失网络计算风格损失函数与内容损失函数,更新所述加密网络解码器各层权值,直到所述加密网络收敛;
3)同时计算信息损失函数,更新所述解密网络各层权值,直到所述解密网络收敛。
5.一种存储介质,所述存储介质中存储有计算机程序,其中,所述计算机程序执行权利要求1-4中任一方法。
6.一种电子装置,包括存储器和处理器,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权利要求1-4中任一方法。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911250491 | 2019-12-09 | ||
CN2019112504914 | 2019-12-09 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111275603A CN111275603A (zh) | 2020-06-12 |
CN111275603B true CN111275603B (zh) | 2022-07-29 |
Family
ID=71001121
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010064850.3A Active CN111275603B (zh) | 2019-12-09 | 2020-01-20 | 一种基于风格转换的安全图像隐写方法与电子装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111275603B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114928681B (zh) * | 2022-03-14 | 2024-02-27 | 中南大学 | 一种基于生成对抗网络的信息隐藏方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886857B (zh) * | 2019-03-13 | 2022-10-28 | 中国科学技术大学 | 一种基于自回归生成模型的可证安全隐写方法 |
-
2020
- 2020-01-20 CN CN202010064850.3A patent/CN111275603B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN111275603A (zh) | 2020-06-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Tan et al. | Channel attention image steganography with generative adversarial networks | |
Wazirali et al. | An optimized steganography hiding capacity and imperceptibly using genetic algorithms | |
Zhou et al. | Coverless image steganography using partial-duplicate image retrieval | |
CN111598762B (zh) | 一种生成式鲁棒图像隐写方法 | |
CN109993678B (zh) | 一种基于深度对抗生成网络的鲁棒信息隐藏方法 | |
Chang et al. | Privacy-preserving reversible information hiding based on arithmetic of quadratic residues | |
CN111507386B (zh) | 一种存储文件及网络数据流加密通信检测方法及*** | |
Li et al. | GAN-based spatial image steganography with cross feedback mechanism | |
Zhang et al. | Joint JPEG compression and detection resistant performance enhancement for adaptive steganography using feature regions selection | |
Hameed et al. | A secure data hiding approach based on least-significant-bit and nature-inspired optimization techniques | |
CN110312138B (zh) | 基于时序残差卷积建模的高嵌入容量视频隐写方法和*** | |
Bi et al. | High‐Capacity Image Steganography Algorithm Based on Image Style Transfer | |
Hamamoto et al. | Image watermarking technique using embedder and extractor neural networks | |
CN115482139A (zh) | 一种可溯源的深度学习模型黑盒水印方案 | |
CN111275603B (zh) | 一种基于风格转换的安全图像隐写方法与电子装置 | |
Li et al. | High-capacity coverless image steganographic scheme based on image synthesis | |
Veerashetty | Secure communication over wireless sensor network using image steganography with generative adversarial networks | |
Wani et al. | Deep learning based image steganography: A review | |
Wu et al. | An image authentication and recovery system based on discrete wavelet transform and convolutional neural networks | |
Fang et al. | Gifd: A generative gradient inversion method with feature domain optimization | |
Shi et al. | A robust and secure zero-watermarking copyright authentication scheme based on visual cryptography and block GH feature | |
Liu et al. | Hiding functions within functions: Steganography by implicit neural representations | |
US20230376614A1 (en) | Method for decoding and encoding network steganography utilizing enhanced attention mechanism and loss function | |
Hussain et al. | A novel hybrid fuzzy-SVM image steganographic model | |
CN117131520A (zh) | 基于动态掩膜和生成恢复的两阶段图像隐私保护方法与*** |
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 |