CN112634117B - 基于生成对抗网络的端到端jpeg域图像隐写方法 - Google Patents
基于生成对抗网络的端到端jpeg域图像隐写方法 Download PDFInfo
- Publication number
- CN112634117B CN112634117B CN202011534708.7A CN202011534708A CN112634117B CN 112634117 B CN112634117 B CN 112634117B CN 202011534708 A CN202011534708 A CN 202011534708A CN 112634117 B CN112634117 B CN 112634117B
- Authority
- CN
- China
- Prior art keywords
- image
- network
- carrier
- layer
- secret
- 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
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000005540 biological transmission Effects 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 29
- 239000011159 matrix material Substances 0.000 claims description 19
- 230000006835 compression Effects 0.000 claims description 14
- 238000007906 compression Methods 0.000 claims description 14
- 230000004913 activation Effects 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013139 quantization Methods 0.000 claims description 9
- 238000012546 transfer Methods 0.000 claims description 5
- 230000000694 effects Effects 0.000 claims description 4
- 238000000605 extraction Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 4
- 230000000007 visual effect Effects 0.000 claims description 4
- 235000002566 Capsicum Nutrition 0.000 claims description 3
- 239000006002 Pepper Substances 0.000 claims description 3
- 235000016761 Piper aduncum Nutrition 0.000 claims description 3
- 235000017804 Piper guineense Nutrition 0.000 claims description 3
- 235000008184 Piper nigrum Nutrition 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 150000003839 salts Chemical class 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000003042 antagnostic effect Effects 0.000 claims 2
- 244000203593 Piper nigrum Species 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 3
- 241000722363 Piper Species 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009897 systematic effect Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000000981 bystander Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Compression Or Coding Systems Of Tv Signals (AREA)
Abstract
本发明提供一种基于生成对抗网络的端到端JPEG域图像隐写方法。该方法由三部分完成:编码器,解码器以及判别器。生成对抗网络的生成网络部分由编码器与解码器联合构成,对抗部分由判别器完成。编码器负责秘密信息的嵌入,解码器负责秘密信息的提取,判别器对载体图像和载密图像进行区分,将该分类误差作为损失函数来进行对抗训练,不断提升生成对抗网络的性能。另外加入干扰层用于模拟实际传输信道中会受到的常见干扰。本发明提出的针对JPEG域图像的隐写方法通过修改DCT系数的方式对JPEG图像进行秘密信息的嵌入与提取,具有较强的实用性;训练过程中添加干扰层,提高了算法在实际应用场景下的鲁棒性;通过与判别器进行对抗训练,增强了隐写算法的安全性。
Description
技术领域
本发明涉及多媒体安全,深度学习,隐写及隐写分析领域,尤其涉及一种基于生成对抗网络的端到端JPEG域图像隐写方法。
背景技术
隐写术是一种将秘密信息嵌入到数字媒体载体中并且不被旁人所感知到载体所发生的变化的技术。随着多媒体技术的不断发展,载体的形式也越来越多样,例如:文本,图片,音频和视频等。图像隐写主要利用了人眼的视觉冗余。通过图像隐写,发送者将想要传递的秘密信息嵌入载体图像中得到载密图像,而载体图像和载密图像间的细微区别人的肉眼无法感知到。发送者将该载密图像传送给接收者,除了发送者和接收者以外,没有人能发现载密图像中存在秘密信息,以此来实现秘密通信。隐写区别于加密最大特点就是不仅隐藏了秘密信息,而且隐藏了“信息隐藏”这一行为。
发明内容
本发明旨在实现一种基于生成对抗网络的端到端JPEG域图像隐写方法,采用深度学习的生成对抗网络来进行JPEG域上的图像隐写。
为了达到上述技术效果,本发明的技术方案如下:
一种基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,秘密信息的嵌入与提取均由生成对抗网络来完成。所述的生成对抗网络包括三个部分:编码器,解码器以及判别器。另外加入干扰层用于模拟实际传输信道中会受到的常见干扰。其训练过程包括以下步骤:
S1:将秘密信息和载体图像在JPEG域上的DCT系数矩阵输入到编码器中,编码器输出载密图像对应的DCT系数矩阵。
S2:将载密图像的DCT系数矩阵输入到IDCT(离散余弦反变换)变换模块中,得到空域载密图像。
S3:将载密图像输入干扰层,得到加入干扰后的噪声载密图像的DCT系数。
S4:将上述生成的噪声载密图像的DCT系数输入到解码器中,得出解密信息。
S5:将S1中的载体图像的DCT系数矩阵输入到IDCT变换模块中,得到空域载体图像。
S6:将S5中的空域载体图像和S2得到的空域载密图像输入到判别网络中,判别网络对载体图像和载密图像进行二分类,将该分类误差作为损失函数,并把该损失反向传播从而进行网络的更新。
S7:重复步骤S1-S6,直至得到训练后的生成对抗网络。
S8:根据提取信息的准确率与载密图像的安全性,挑选出效果最佳的模型。将载体图像和秘密信息放入训练好的编码器生成载密图像,将载密图像放入解码器得到解密信息。
优选地,S1中的载体图像DCT系数矩阵由MATLAB处理得到,秘密信息为随机生成的和载体图像大小一致的二值图像。编码器包含一个预处理层和三个卷积层组,每一个卷积层组分别包含一个卷积层,批归一化层和激活层。
优选地,S2中的IDCT变换模块先将载密图像的DCT系数矩阵进行反量化,得到载密图像在YCbCr空间上的DCT系数,将该DCT系数进行IDCT变换,再转换到RGB色彩空间上即得到RGB载密图像。
优选地,S3中的干扰层一共包含四种实际生活中常见的干扰,分别是裁剪,高斯噪声,椒盐噪声以及JPEG压缩,每一次训练可选取其中一种干扰或是多种干扰叠加,亦或是不加入干扰。加入多种叠加干扰的鲁棒性会优于不加入干扰或是加入单类干扰的。
其中对于JPEG压缩来说,主要包含以下三个步骤:对空域图像进行DCT变换操作,量化,取整,最后熵编码得到压缩后的图像,流程图如图2所示。但取整操作会截断梯度的传递,所以我们引入了模拟取整函数来模拟取整的同时保持梯度的传递:
simu_round(x)=[x]+(x-[x])3
优选地,S4中的解码器包含四个卷积层组,每一个卷积层组分别包含一个卷积层,批归一化层和激活层。
优选地,S6中的判别网络大致结构和解码器相似,包含四个卷积层组和一个全连接层,每一个卷积层组分别包含一个卷积层,批归一化层和激活层,最后一个卷积层组还加入了一个池化层。
优选地,判别网络的损失函数采用判别网络常用的交叉熵损失函数。生成网络编码器-解码器选取载体图像与载密图像的差距和嵌入秘密信息与提取出来的秘密信息的差距和判别网络损失的加权和作为损失函数,计算损失并进行反向传播来更新网络,以此进行有效的生成对抗训练。判别网络的损失函数采取了常用的交叉熵函数,表示为:
其中y'i表示判别器的输出标签,yi表示图像原本的标签。
生成网络由编码器和解码器联合构成,损失函数表示为:
Lg=λa*Lc+λb*Lm-β*Ld
其中Lg表示生成对抗网络的损失,该损失由三个部分的和加权构成,Lc为载体图像与载密图像的差距,Lm为嵌入的秘密信息与提取的解密信息的差距,而则为判别网络的损失,用于对抗判别网络;λa,λb,β分别为上述三个部分的权重;载体图像与载密图像的差异Lc及嵌入秘密信息与提取秘密信息的差异Lm可表示为:
Lc=α*MSE(c,s)+(1-SSIM(c,s))
Lm=α*MSE(m,m')+(1-SSIM(m,m'))
其中c表示载体图像,s表示载密图像,m表示嵌入秘密信息,m'表示提取秘密信息,MSE为两个对象之间的均方差。MSE表示为:
MSE(x,y)=||x-y||2
SSIM用于衡量两个对象的结构相似度,范围是[0,1],其中SSIM越接近1,说明两个对象相似度越高,当SSIM=1时,说明两个对象完全一致。SSIM表示为:
SSIM(x,y)=[L(x,y)]l*[C(x,y)]m*[S(x,y)]n
其中L(x,y)为亮度的比较,C(x,y)为对比度的比较,S(x,y)结构的比较。L(x,y),C(x,y),S(x,y)分别表示为:
其中μx和μy分别代表x,y的平均值,θx和θy分别代表x,y的标准差,θxy代表x和y的协方差,而C1,C2,C3分别为常数,避免分母为0带来的***错误。通过计算两个损失函数并进行反向传播计算更新梯度,不断调整参数以更新网络。
优选地,S8中要结合提取信息准确率的收敛情况以及载密图像的视觉效果和抗检测性来挑选最优模型。
与现有技术相比,本方案的优点是:
1)在JPEG域上进行秘密信息的嵌入,相比之前的方法,更加适合经过JPEG压缩的图像。
2)本方法采用的网络来进行嵌入与提取,实施简单,易于使用。
3)在图片进入解码器前经过干扰层,干扰层包含多种不同形式,例如JPEG压缩,高斯噪声等,提高了该方法的鲁棒性。
4)本方法基于生成对抗网络,相比之前的工作,提高了隐写安全性。
5)本方法基于生成对抗网络,不需要太多的先验知识,均由网络自己学习得出,设计简单,易于实现。
附图说明
图1为基于生成对抗网络的端到端JPEG域图像隐写方法中对抗训练的流程图;
图2为编码器网络的示意图;
图3为彩色图像的DCT变换模块的流程图;
图4为彩色图像的IDCT变换模块的流程图;
图5为实际进行JPEG压缩的流程图;
图6为解码器网络的示意图;
图7为判别器网络的示意图;
具体实施方式
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端到端JPEG域图像隐写方法,秘密信息的嵌入与提取均由经过训练得到的生成对抗网络来完成,所述的生成对抗网络包括编码器、解码器及判别器。其中生成对抗网络训练的具体流程如图1所示,主要包括以下步骤:
S1:将秘密信息和载体图像在JPEG域上的DCT系数矩阵输入到编码器中,编码器输出载密图像对应的DCT系数矩阵。
对于载体图像集,本实例选取了MSCOCO数据集的10万张彩色图像。对MSCOCO数据集进行处理,将图像大小统一到256x256。对于不足256x256的图像,我们进行上采样操作,对于超过256x256的图像,我们进行中心裁剪操作。本实施例中将图像进行QF(图像压缩质量因子)=75的压缩,以其DCT系数作为输入。
对于秘密信息,本实例采用随机生成的与载体图像大小一致的矩阵,大小为256x256,且矩阵的取值只能是0或1。
编码器包含一个预处理层组和三个卷积层组,预处理层组和每一个卷积层组分别包含一个卷积层,批归一化层和激活层。卷积层设计为3X3的卷积核,步长为1,填充为1。激活层采用线性整流函数ReLU。卷积核的个数!编码器的网络结构如图2所示。
S2:将载密图像的DCT系数矩阵输入到IDCT变换模块中,得到空域载密图像。
IDCT变换模块先将载密图像的DCT系数用压缩质量因子QF=75的量化表进行反量化,即与QF=75的量化矩阵相乘,得到载密图像在YCbCr空间上的DCT系数,将该DCT系数进行IDCT变换操作,再转换到RGB空间上即得到RGB空间载密图像。IDCT变换实质即DCT变换的逆变换。彩色图像的DCT变换模块的具体流程如图3所示,IDCT变换模块流程如图4所示。
S3:将载密图像输入干扰层,得到加入干扰后的噪声载密图像的DCT系数。
本方法提出的干扰层一共包含四种实际生活中常见的干扰,分别是裁剪,高斯噪声,椒盐噪声以及JPEG压缩,每一次训练可选取其中一种干扰或是多种干扰叠加,亦或是不加入干扰。加入多种叠加干扰的鲁棒性会优于不加入干扰或是加入单类干扰的。
本实施例选择加入JPEG干扰,本实施例中,选用压缩因子为75的量化表进行量化。由于进行压缩的过程中,取整操作会截断梯度的传递,所以本方法采用了模拟取整操作来保留梯度的传递。实际的JPEG压缩流程如图5所示。
S4:将上述生成的噪声载密图像的DCT系数输入到解码器中,得出解密信息。
解码器包含四个卷积层组,每一个卷积层组分别包含一个卷积层,批归一化层和激活层。卷积层设计为3X3的卷积核,步长为1,填充为1。激活层采用泄露修正线性单元LeakyReLU。解码器的网络结构如图6所示。
S5:将S1中的载体图像的DCT系数矩阵输入到IDCT变换模块中,得到空域载体图像。
S6:将S5中的空域载体图像和S2得到的空域载密图像输入到判别网络中,判别网络对载体图像和载密图像进行二分类,将该分类误差作为损失函数,通过反向传播算法进行训练,根据梯度来更新网络,不断提升生成对抗网络的性能。
判别网络大致结构和解码器相似,包含四个卷积层组和一个全连接层,每一个卷积层组分别包含一个卷积层,批归一化层和激活层,最后一个卷积层组还加入了一个池化层。卷积层均设计为3X3的卷积核,步长为2,填充为1。前三个卷积层组的激活层采用泄露修正线性单元LeakyReLU。最后一个卷积层组的激活层采用线性整流函数ReLU,并加入了自适应平均池化层。判别网络的结构如图7所示。
判别网络的损失函数采用判别网络常用的交叉熵损失函数。生成网络由编码器解码器联合构成,选取载体图像与载密图像的差距和嵌入秘密信息与提取出来的秘密信息的差距和判别网络损失的加权和作为损失函数,计算损失并进行反向传播来更新网络,以此进行有效的生成对抗训练。判别网络的损失函数采取了常用的交叉熵函数:
其中y'i表示判别器的输出标签,yi表示图像原本的标签。
生成网络由编码器和解码器联合构成,损失函数表示为:
Lg=λa*Lc+λb*Lm-β*Ld
其中Lg表示生成对抗网络的损失,该损失由三个部分的和加权构成,Lc为载体图像与载密图像的差距,Lm为嵌入的秘密信息与提取的解密信息的差距,而则为判别网络的损失,用于对抗判别网络;本实施例中,选取λa=1,λb=1,β=1为上述三个部分的权重;载体图像与载密图像的差异Lc及嵌入秘密信息与提取秘密信息的差异Lm表示为:
Lc=α*MSE(c,s)+(1-SSIM(c,s))
Lm=α*MSE(m,m')+(1-SSIM(m,m'))
其中c表示载体图像,s表示载密图像,m表示嵌入秘密信息,m'表示提取秘密信息,MSE为两个对象之间的均方差,该实施例选取α=1。MSE可表示为:
MSE(x,y)=||x-y||2
SSIM用于衡量两个对象的结构相似度,范围是[0,1],SSIM越接近1,两个对象相似度越高,当SSIM=1时,两个对象完全一致。SSIM表示为:
SSIM(x,y)=[L(x,y)]l*[C(x,y)]m*[S(x,y)]n
其中L(x,y)为亮度的比较,C(x,y)为对比度的比较,S(x,y)结构的比较,实际计算中,该实施例选取l=m=n=1。L(x,y),C(x,y),S(x,y)分别表示为:
其中μx和μy分别代表x,y的平均值,θx和θy分别代表x,y的标准差,θxy代表x和y的协方差,而C1,C2,C3分别为常数,避免分母为0带来的***错误。在实际计算中,我们一般设定C3=C2/2。通过计算两个损失函数并进行反向传播计算更新梯度,不断调整参数以更新网络。
S7:重复步骤S1-S6,直至得到训练后的生成对抗网络。
实施例2
本实施例通过实施例1训练得到的生成对抗网络来进行JPEG域图像隐写,具体包括:
S8:生成对抗网络训练结束后,根据提取信息的准确率与载密图像的安全性,从训练的多个生成对抗网络中挑选出一个效果最佳的生成对抗网络;将载体图像和秘密信息放入训练好的编码器即可生成载密图像,将载密图像放入解码器即可得到解密信息。
步骤S8中,结合提取信息准确率的收敛情况以及载密图像的视觉效果和抗检测性来挑选最佳的生成对抗网络。经过多方面考量验证,在本实施例中,我们选取实施例1中迭代次数125000次的模型,表现效果为最佳。
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 (8)
1.一种基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,秘密信息的嵌入与提取均由生成对抗网络来完成,所述的生成对抗网络包括编码器、解码器和判别器,另外加入干扰层用于模拟实际传输信道中会受到的常见干扰;所述生成对抗网络的训练包括以下步骤:
S1:将秘密信息和载体图像在JPEG域上的DCT系数矩阵输入到编码器中,由编码器输出载密图像对应的DCT系数矩阵;
S2:将载密图像的DCT系数矩阵输入到IDCT变换模块中,得到空域载密图像;
S3:将空域载密图像输入干扰层,得到加入干扰后的噪声载密图像的DCT系数;
S4:将步骤S3生成的噪声载密图像的DCT系数输入到解码器中,得出解密信息;
S5:将S1中的载体图像的DCT系数矩阵输入到IDCT变换模块中,得到空域载体图像;
S6:将S5中的空域载体图像和S2得到的空域载密图像输入到判别器中,判别器对空域载体图像和空域载密图像进行二分类,将二分类后得到的分类误差作为损失函数,并把该损失函数反向传播从而进行生成对抗网络的更新;
S7:重复步骤S1-S6,直至得到训练后的生成对抗网络;
S8:根据提取信息的准确率与载密图像的安全性,挑选出效果最佳的生成对抗网络,将载体图像和秘密信息放入训练好的编码器生成载密图像,将载密图像放入解码器得到解密信息。
2.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S1中的载体图像的DCT系数矩阵由MATLAB处理得到,秘密信息为随机生成的和载体图像大小一致的二值图像,编码器包含一个预处理层和三个卷积层组,每一个卷积层组分别包含一个卷积层,批归一化层和激活层。
3.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S2中的IDCT变换模块先将载密图像的DCT系数矩阵进行反量化,得到载密图像在YCbCr空间上的DCT系数,将该DCT系数进行IDCT变换,再转换到RGB色彩空间上即得到空域载密图像。
4.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S3中的干扰层一共包含四种实际生活中常见的干扰,分别是裁剪,高斯噪声,椒盐噪声以及JPEG压缩,每一次训练选取其中一种干扰或是多种干扰叠加;加入多种叠加干扰的鲁棒性会优于不加入干扰或是加入单类干扰的。
5.根据权利要求4所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,对于JPEG压缩来说,包含以下三个步骤:
对空域图像进行DCT变换操作,量化,取整,最后熵编码得到压缩后的图像,但取整操作会使得对抗训练中发生梯度消失,所以引入了模拟取整函数来模拟取整的同时保持梯度的传递:
simu_round(x)=[x]+(x-[x])3
其中x表示DCT系数,simu_round(x)表示模拟取整后的DCT系数。
6.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S4中的解码器包含四个卷积层组,每一个卷积层组分别包含一个卷积层,批归一化层和激活层。
7.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S6中的判别器包含四个卷积层组和一个全连接层,每一个卷积层组分别包含一个卷积层,批归一化层和激活层,最后一个卷积层组加入一个池化层;
判别器的损失函数采用判别网络常用的交叉熵损失函数,生成网络由编码器解码器联合构成,选取载体图像与载密图像的差距和嵌入秘密信息与提取出来的秘密信息的差距和判别网络损失的加权和作为损失函数,计算损失并进行反向传播来更新网络,以此进行有效的生成对抗训练,判别网络的损失函数采取了常用的交叉熵函数:
其中y′i表示判别器的输出标签,yi表示图像原本的标签;
生成网络由编码器和解码器联合构成,损失函数表示为:
Lg=λa*Lc+λb*Lm-β*Ld
其中Lg表示生成对抗网络的损失,该损失由三个部分的和加权构成,Lc为载体图像与载密图像的差距,Lm为嵌入的秘密信息与提取的解密信息的差距,而Ld则为判别网络的损失,用于对抗判别网络;λa,λb,β分别为上述三个部分的权重;载体图像与载密图像的差异Lc及嵌入秘密信息与提取秘密信息的差异Lm表示为:
Lc=α*MSE(c,s)+(1-SSIM(c,s))
Lm=α*MSE(m,m')+(1-SSIM(m,m'))
其中c表示载体图像,s表示载密图像,m表示嵌入秘密信息,m'表示提取秘密信息,MSE为两个对象之间的均方差,表示为:
MSE(x,y)=||x-y||2
SSIM用于衡量两个对象的结构相似度,范围是[0,1],其中SSIM越接近1,说明两个对象相似度越高,当SSIM=1时,说明两个对象一模一样,SSIM表示为:
SSIM(x,y)=[L(x,y)]l*[C(x,y)]q*[S(x,y)]n
其中L(x,y)为亮度的比较,C(x,y)为对比度的比较,S(x,y)为结构的比较,L(x,y),C(x,y),S(x,y)分别表示为:
其中μx和μy分别代表x,y的平均值,θx和θy分别代表x,y的标准差,θxy代表x和y的协方差,而C1,C2,C3分别为常数,避免分母为0带来的***错误,通过计算两个损失函数并进行反向传播计算更新梯度,不断调整参数以更新网络。
8.根据权利要求1所述的基于生成对抗网络的端到端JPEG域图像隐写方法,其特征在于,S8中要结合提取信息准确率的收敛情况以及载密图像的视觉效果和抗检测性来挑选最优模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534708.7A CN112634117B (zh) | 2020-12-22 | 2020-12-22 | 基于生成对抗网络的端到端jpeg域图像隐写方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011534708.7A CN112634117B (zh) | 2020-12-22 | 2020-12-22 | 基于生成对抗网络的端到端jpeg域图像隐写方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634117A CN112634117A (zh) | 2021-04-09 |
CN112634117B true CN112634117B (zh) | 2023-05-05 |
Family
ID=75321443
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011534708.7A Active CN112634117B (zh) | 2020-12-22 | 2020-12-22 | 基于生成对抗网络的端到端jpeg域图像隐写方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634117B (zh) |
Families Citing this family (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112926607B (zh) * | 2021-04-28 | 2023-02-17 | 河南大学 | 基于卷积神经网络的双支网络图像隐写框架及方法 |
CN113612898B (zh) * | 2021-05-08 | 2022-11-08 | 上海大学 | 一种抗jpeg图像下采样的鲁棒隐蔽通信装置 |
CN113284033A (zh) * | 2021-05-21 | 2021-08-20 | 湖南大学 | 一种基于对抗训练的大容量图像信息隐藏术 |
CN113326531B (zh) * | 2021-06-29 | 2022-07-26 | 湖南汇视威智能科技有限公司 | 一种鲁棒的高效分布式人脸图像隐写方法 |
CN114782697B (zh) * | 2022-04-29 | 2023-05-23 | 四川大学 | 一种对抗子领域自适应隐写检测方法 |
CN115086674B (zh) * | 2022-06-16 | 2024-04-02 | 西安电子科技大学 | 基于生成对抗网络的图像隐写方法 |
CN117876273B (zh) * | 2024-03-11 | 2024-06-07 | 南京信息工程大学 | 一种基于可逆生成对抗网络的鲁棒图像处理方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008079269A2 (en) * | 2006-12-19 | 2008-07-03 | Genego, Inc. | Novel methods for functional analysis of high-throughput experimental data and gene groups identified therfrom |
AU2018101528A4 (en) * | 2018-10-14 | 2018-11-15 | Li, Junjie Mr | Camouflage image encryption based on variational auto-encoder(VAE) and discriminator |
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*** |
-
2020
- 2020-12-22 CN CN202011534708.7A patent/CN112634117B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2008079269A2 (en) * | 2006-12-19 | 2008-07-03 | Genego, Inc. | Novel methods for functional analysis of high-throughput experimental data and gene groups identified therfrom |
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*** |
AU2018101528A4 (en) * | 2018-10-14 | 2018-11-15 | Li, Junjie Mr | Camouflage image encryption based on variational auto-encoder(VAE) and discriminator |
Non-Patent Citations (2)
Title |
---|
Spatial Image Steganography Based on Generative Adversarial Network;Jianhua Yang 等;《arXiv:1804.07939v1》;20180421;1-7 * |
一种基于DCT的数字图像水印算法;吴琦;《电子工程师》;20081215(第12期);45-47 * |
Also Published As
Publication number | Publication date |
---|---|
CN112634117A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634117B (zh) | 基于生成对抗网络的端到端jpeg域图像隐写方法 | |
CN110334805B (zh) | 一种基于生成对抗网络的jpeg域图像隐写方法和*** | |
CN113222800B (zh) | 一种基于深度学习的鲁棒图像水印嵌入与提取方法及*** | |
Huan et al. | Exploring stable coefficients on joint sub-bands for robust video watermarking in DT CWT domain | |
CN105469353B (zh) | 水印图像的嵌入方法和装置及提取方法和装置 | |
CN110232650B (zh) | 一种彩色图像水印嵌入方法、检测方法及*** | |
CN107240061A (zh) | 一种基于动态bp神经网络的水印嵌入、提取方法与装置 | |
CN109658322B (zh) | 一种大容量图像隐写方法和秘密信息提取方法 | |
Ishtiaq et al. | Adaptive watermark strength selection using particle swarm optimization | |
CN114339258B (zh) | 一种基于视频载体的信息隐写方法及装置 | |
CN112132737B (zh) | 一种无参考生成的图像鲁棒隐写方法 | |
CN111681154A (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 | |
CN104766269A (zh) | 基于jnd亮度模型的扩展变换抖动调制水印方法 | |
Hamamoto et al. | Image watermarking technique using embedder and extractor neural networks | |
Ernawan et al. | A blind multiple watermarks based on human visual characteristics | |
CN115908095A (zh) | 一种基于分层注意力特征融合的鲁棒图像水印方法及*** | |
Yousfi et al. | JPEG steganalysis detectors scalable with respect to compression quality | |
Dai et al. | A novel steganography algorithm based on quantization table modification and image scrambling in DCT domain | |
CN113628090B (zh) | 抗干扰消息隐写与提取方法、***、计算机设备、终端 | |
Zhang et al. | A blind watermarking system based on deep learning model | |
CN116342362A (zh) | 深度学习增强数字水印不可感知性方法 | |
Yu et al. | A channel selection rule for YASS | |
CN116883222A (zh) | 基于多尺度自动编码器的抗jpeg压缩鲁棒性图像水印方法 | |
Jin et al. | Applications of a neural network to estimate watermark embedding strength | |
CN114549271A (zh) | 一种基于DCFERNet的零水印生成以及提取方法 |
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20240801 Address after: 710000 B2-216, 7th Floor, Xixian Talent Building, Century Building, Fengdong New City, Xi'an City, Shaanxi Province Patentee after: Xi'an Chenzhen Zhishan Information Technology Co.,Ltd. Country or region after: China Address before: 510275 No. 135 West Xingang Road, Guangzhou, Guangdong, Haizhuqu District Patentee before: SUN YAT-SEN University Country or region before: China |